TEDGlobal 2012
Shyam Sankar: The rise of human-computer cooperation
Shyam Sankar: A ascensão da cooperação homem-computador
Filmed:
Readability: 6.3
947,418 views
Força bruta em computação por si só não pode resolver os problemas do mundo. Inovador na extração de dados, Shyam Sankar explica porque resolver grandes problemas (como capturar terroristas ou identificar grandes tendências ocultas) não se trata de encontrar o algoritmo certo, mas sim encontrar o relacionamento simbiótico certo entre computação e criatividade humana.
Shyam Sankar - Data Intelligence Agent
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets. Full bio
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets. Full bio
Double-click the English transcript below to play the video.
00:16
I'd like to tell you about two games of chess.
0
512
2556
Gostaria de falar sobre duas partidas de xadrez.
00:18
The first happened in 1997, in which Garry Kasparov,
1
3068
3864
A primeira aconteceu em 1997, na qual Garry Kasparov,
00:22
a human, lost to Deep Blue, a machine.
2
6932
3716
um humano, perdeu para Deep Blue, uma máquina.
00:26
To many, this was the dawn of a new era,
3
10648
2240
Para muitos, isto era o início de uma nova era,
00:28
one where man would be dominated by machine.
4
12888
2779
em que o homem seria dominado pela máquina.
00:31
But here we are, 20 years on, and the greatest change
5
15667
3334
Mas aqui estamos nós, 20 anos depois e a maior mudança
00:34
in how we relate to computers is the iPad,
6
19001
2690
de como nos relacionamos com computadores é o iPad
00:37
not HAL.
7
21691
2045
e não HAL.
00:39
The second game was a freestyle chess tournament
8
23736
2648
A segunda partida foi num torneio de xadrez estilo livre
00:42
in 2005, in which man and machine could enter together
9
26384
2969
em 2005, no qual homem e máquina podiam participar
00:45
as partners, rather than adversaries, if they so chose.
10
29353
4666
como parceiros, ao invés de adversários, se assim preferissem.
00:49
At first, the results were predictable.
11
34019
1851
No início os resultados eram previsíveis.
00:51
Even a supercomputer was beaten by a grandmaster
12
35870
2497
Mesmo um supercomputador perdia contra o grande mestre
00:54
with a relatively weak laptop.
13
38367
2312
com um laptop relativamente fraco.
00:56
The surprise came at the end. Who won?
14
40679
2985
A surpresa veio no final. Quem venceu?
00:59
Not a grandmaster with a supercomputer,
15
43664
2776
Não o grande mestre com um supercomputador,
01:02
but actually two American amateurs
16
46440
1493
mas na verdade dois amadores estadunidenses
01:03
using three relatively weak laptops.
17
47933
3822
com três laptops relativamente fracos.
01:07
Their ability to coach and manipulate their computers
18
51755
2596
A habilidade deles em instruir e manipular seus computadores,
01:10
to deeply explore specific positions
19
54351
2435
para explorar a fundo posições específicas
01:12
effectively counteracted the superior chess knowledge
20
56786
2390
agiu efetivamente contra o conhecimento superior sobre xadrez
01:15
of the grandmasters and the superior computational power
21
59176
2609
dos mestres e o poder da superioridade computacional
01:17
of other adversaries.
22
61785
1909
de outros adversários.
01:19
This is an astonishing result: average men,
23
63694
2905
Este é um resultado espantoso: homens comuns,
01:22
average machines beating the best man, the best machine.
24
66599
4081
máquinas comuns vencendo o melhor homem, a melhor máquina.
01:26
And anyways, isn't it supposed to be man versus machine?
25
70680
3199
Todavia, não deveria ser homem contra máquina?
01:29
Instead, it's about cooperation, and the right type of cooperation.
26
73879
4152
Em vez disso, trata-se de cooperação e o tipo certo de cooperação.
01:33
We've been paying a lot of attention to Marvin Minsky's
27
78031
2857
Nos últimos 50 anos viemos prestando muita atenção
01:36
vision for artificial intelligence over the last 50 years.
28
80888
3242
na visão de Marvin Minsky sobre a inteligência artificial.
01:40
It's a sexy vision, for sure. Many have embraced it.
29
84130
2262
É uma visão sexy, com certeza. Muitos a acolheram.
01:42
It's become the dominant school of thought in computer science.
30
86392
2753
Tornou-se a escola de pensamento dominante da ciência da computação.
01:45
But as we enter the era of big data, of network systems,
31
89145
3072
Mas ao entrarmos na era dos grandes dados, dos sistemas de redes,
01:48
of open platforms, and embedded technology,
32
92217
2698
das plataformas abertas e da tecnologia integrada,
01:50
I'd like to suggest it's time to reevaluate an alternative vision
33
94915
3392
eu sugeriria que está na hora de reavaliarmos uma visão alternativa
01:54
that was actually developed around the same time.
34
98307
3070
que na verdade foi desenvolvida no mesmo período.
01:57
I'm talking about J.C.R. Licklider's human-computer symbiosis,
35
101377
3332
Refiro-me à simbiose homem-computador de J. C. R. Licklider,
02:00
perhaps better termed "intelligence augmentation," I.A.
36
104709
3808
talvez melhor descrita como “ inteligência aumentada”.
02:04
Licklider was a computer science titan who had a profound
37
108517
2640
Licklider era um titã da ciência da computação e teve um profundo
02:07
effect on the development of technology and the Internet.
38
111157
3006
efeito no desenvolvimento da tecnologia e da Internet.
02:10
His vision was to enable man and machine to cooperate
39
114163
2868
Sua visão era possibilitar que homens e computadores cooperassem
02:12
in making decisions, controlling complex situations
40
117031
3590
na tomada de decisões, no controle de situações complexas
02:16
without the inflexible dependence
41
120621
1770
sem a dependência inflexível
02:18
on predetermined programs.
42
122391
2533
de programas predeterminados.
02:20
Note that word "cooperate."
43
124924
2498
Notem a palavra “cooperar”.
02:23
Licklider encourages us not to take a toaster
44
127422
2747
Licklider não nos encoraja pegar uma torradeira
02:26
and make it Data from "Star Trek,"
45
130169
2284
e fazer dela dados do “Star Trek”,
02:28
but to take a human and make her more capable.
46
132453
3535
mas sim utilizar um humano e fazê-lo mais capaz.
02:31
Humans are so amazing -- how we think,
47
135988
1911
Humanos são tão fantásticos – como nós pensamos,
02:33
our non-linear approaches, our creativity,
48
137899
2618
nossa abordagem não-linear, nossa criatividade,
02:36
iterative hypotheses, all very difficult if possible at all
49
140517
2131
as hipóteses interativas, tudo muito difícil senão impossível
02:38
for computers to do.
50
142648
1345
para os computadores fazerem.
02:39
Licklider intuitively realized this, contemplating humans
51
143993
2452
Licklider intuitivamente entendeu isto observando humanos e
02:42
setting the goals, formulating the hypotheses,
52
146445
2327
estabelecendo metas, formulando hipóteses,
02:44
determining the criteria, and performing the evaluation.
53
148772
3376
determinando critérios e fazendo avaliações.
02:48
Of course, in other ways, humans are so limited.
54
152148
1775
É claro, relativamente, os humanos são bem limitados.
02:49
We're terrible at scale, computation and volume.
55
153923
3235
Somos péssimos em dimensão, cálculo e volume.
02:53
We require high-end talent management
56
157158
1836
Necessitamos de talento de alto-nível de gerenciamento
02:54
to keep the rock band together and playing.
57
158994
2064
para mantermos a banda de rock unida e tocando.
02:56
Licklider foresaw computers doing all the routinizable work
58
161058
2204
Licklider previu que computadores fariam todo o trabalho rotineiro
02:59
that was required to prepare the way for insights and decision making.
59
163262
3276
necessário para preparar o acesso aos insights e às tomadas de decisões.
03:02
Silently, without much fanfare,
60
166538
2224
Silenciosamente, sem muito alarde,
03:04
this approach has been compiling victories beyond chess.
61
168762
3354
esta abordagem fez com que vitórias fossem possíveis além do xadrez.
03:08
Protein folding, a topic that shares the incredible expansiveness of chess —
62
172116
3356
A dobradura de proteínas, um assunto que tem a incrível e expansividade do xadrez –
03:11
there are more ways of folding a protein than there are atoms in the universe.
63
175472
3042
há mais formas de dobrar uma proteína do que o número de átomos no universo.
03:14
This is a world-changing problem with huge implications
64
178514
2353
Esse é um problema que pode mudar o mundo com grandes consequências
03:16
for our ability to understand and treat disease.
65
180867
2308
para a nossa capacidade de entender e tratar doenças.
03:19
And for this task, supercomputer field brute force simply isn't enough.
66
183175
4248
E para essa tarefa, somente a força bruta do supercomputador não é suficiente.
03:23
Foldit, a game created by computer scientists,
67
187423
2384
Foldit, um jogo criado por cientistas da computação,
03:25
illustrates the value of the approach.
68
189807
2502
ilustra o valor da abordagem.
03:28
Non-technical, non-biologist amateurs play a video game
69
192309
3041
Amadores, não-técnicos, não-biólogos jogam um videogame
03:31
in which they visually rearrange the structure of the protein,
70
195350
3073
no qual eles visualmente reorganizam a estrutura da proteína,
03:34
allowing the computer to manage the atomic forces
71
198423
1499
permitindo ao computador gerenciar forças atômicas,
03:35
and interactions and identify structural issues.
72
199922
2957
interações e identificar problemas de estrutura.
03:38
This approach beat supercomputers 50 percent of the time
73
202879
3023
Esse método derrota os supercomputadores 50% das vezes
03:41
and tied 30 percent of the time.
74
205902
2584
e empata 30% das vezes.
03:44
Foldit recently made a notable and major scientific discovery
75
208486
3137
Recentemente Foldit fez uma grande e notável descoberta científica
03:47
by deciphering the structure of the Mason-Pfizer monkey virus.
76
211623
3160
ao decifrar a estrutura do vírus do macaco Mason-Pfizer.
03:50
A protease that had eluded determination for over 10 years
77
214783
3015
Uma protease que se tenta desvendar há mais de dez anos
03:53
was solved was by three players in a matter of days,
78
217798
2626
foi descoberta por três jogadores numa questão de dias,
03:56
perhaps the first major scientific advance
79
220424
2025
talvez o primeiro grande avanço científico
03:58
to come from playing a video game.
80
222449
2323
advindo de uma partida de videogame.
04:00
Last year, on the site of the Twin Towers,
81
224772
2181
No ano passado, no local das Torres Gêmeas,
04:02
the 9/11 memorial opened.
82
226953
1473
foi inaugurado o memorial sobre o 11 de setembro.
04:04
It displays the names of the thousands of victims
83
228426
2721
Ele exibe os nomes de milhares de vítimas
04:07
using a beautiful concept called "meaningful adjacency."
84
231147
3063
usando um belo conceito chamado “adjacência significativa”.
04:10
It places the names next to each other based on their
85
234210
2166
Nomes são colocados uns ao lado dos outros baseados nas
04:12
relationships to one another: friends, families, coworkers.
86
236376
2213
suas relações: amigos, familiares, colegas de trabalho.
04:14
When you put it all together, it's quite a computational
87
238589
3028
Quando são colocados todos juntos, é um desafio computacional
04:17
challenge: 3,500 victims, 1,800 adjacency requests,
88
241617
4223
bem grande: 3.500 vítimas, 1.800 pedidos de adjacência,
04:21
the importance of the overall physical specifications
89
245840
3092
a importância das especificações físicas em geral
04:24
and the final aesthetics.
90
248932
2137
e o toque estético final.
04:26
When first reported by the media, full credit for such a feat
91
251069
2615
A primeira vez que foi noticiado pela mídia, todo o crédito dessa façanha
04:29
was given to an algorithm from the New York City
92
253684
1892
foi para o algoritmo projetado pela empresa Local Projects
04:31
design firm Local Projects. The truth is a bit more nuanced.
93
255576
4001
de Nova York. A verdade é um pouco mais sutil.
04:35
While an algorithm was used to develop the underlying framework,
94
259577
2871
Embora um algoritmo fosse usado para desenvolver a estrutura adjacente,
04:38
humans used that framework to design the final result.
95
262448
3008
humanos usaram esta estrutura para projetar o resultado final.
04:41
So in this case, a computer had evaluated millions
96
265456
2225
Então neste caso, um computador tinha avaliado milhões
04:43
of possible layouts, managed a complex relational system,
97
267681
3335
de formações possíveis, gerenciado um sistema relacional complexo,
04:46
and kept track of a very large set of measurements
98
271016
2414
e manteve o controle de um conjunto muito grande de medidas
04:49
and variables, allowing the humans to focus
99
273430
2410
e variáveis, permitindo que os humanos se concentrassem
04:51
on design and compositional choices.
100
275840
2802
no design e nas escolhas composicionais.
04:54
So the more you look around you,
101
278642
1036
Então, quanto mais você olha ao redor,
04:55
the more you see Licklider's vision everywhere.
102
279678
1962
mais você vê a visão de Licklider em toda parte.
04:57
Whether it's augmented reality in your iPhone or GPS in your car,
103
281640
3304
Quer se trate de realidade aumentada no iPhone ou no GPS em nossos carros,
05:00
human-computer symbiosis is making us more capable.
104
284944
2970
a simbiose entre homem e computador está nos fazendo mais capazes.
05:03
So if you want to improve human-computer symbiosis,
105
287914
1655
Então, se quisermos melhorar a simbiose homem-computador,
05:05
what can you do?
106
289569
1429
o que podemos fazer?
05:06
You can start by designing the human into the process.
107
290998
2452
Você pode começar incluindo o humano no processo.
05:09
Instead of thinking about what a computer will do to solve the problem,
108
293450
2204
Em vez de pensar no que o computador fará para resolver o problema,
05:11
design the solution around what the human will do as well.
109
295654
3869
crie a solução em torno do que o ser humano fará também.
05:15
When you do this, you'll quickly realize that you spent
110
299523
1937
Quando você faz isso, rapidamente percebe que gastou
05:17
all of your time on the interface between man and machine,
111
301460
2879
todo seu tempo na interface entre homem e máquina,
05:20
specifically on designing away the friction in the interaction.
112
304339
3099
especificamente para eliminar o atrito na interação.
05:23
In fact, this friction is more important than the power
113
307438
2766
Na verdade, esse atrito é mais importante do que o poder
05:26
of the man or the power of the machine
114
310204
2052
do ser humano ou o poder da máquina
05:28
in determining overall capability.
115
312256
1931
para determinar a capacidade total.
05:30
That's why two amateurs with a few laptops
116
314187
1977
É por isso que dois amadores com alguns laptops
05:32
handily beat a supercomputer and a grandmaster.
117
316164
2456
vencem facilmente um supercomputador e um grande mestre.
05:34
What Kasparov calls process is a byproduct of friction.
118
318620
3005
Aquilo que Kasparov chama de processo é um subproduto do atrito.
05:37
The better the process, the less the friction.
119
321625
2401
Melhor o processo, menor o atrito.
05:39
And minimizing friction turns out to be the decisive variable.
120
324026
4256
E a minimização do atrito passa a ser a variável decisiva.
05:44
Or take another example: big data.
121
328282
2243
Ou pegue outro exemplo: grandes volumes de dados.
05:46
Every interaction we have in the world is recorded
122
330525
1906
Cada interação que temos no mundo é registrada
05:48
by an ever growing array of sensors: your phone,
123
332431
3059
por uma série crescente de sensores: celulares,
05:51
your credit card, your computer. The result is big data,
124
335490
2373
cartões de crédito, computadores. Isto resulta em grandes volumes de dados,
05:53
and it actually presents us with an opportunity
125
337863
1742
o que, de fato, nos dá a oportunidade
05:55
to more deeply understand the human condition.
126
339605
2662
de entender a condição humana mais a fundo.
05:58
The major emphasis of most approaches to big data
127
342267
2305
A principal ênfase de muitas abordagens para grandes volumes de dados
06:00
focus on, "How do I store this data? How do I search
128
344572
2215
tem foco em: “Como armazenar esses dados? Como busco
06:02
this data? How do I process this data?"
129
346787
2276
esses dados? Como processo esses dados?”
06:04
These are necessary but insufficient questions.
130
349063
2204
Perguntas necessárias mas insuficientes.
06:07
The imperative is not to figure out how to compute,
131
351267
2471
O imperativo não é descobrir como computar
06:09
but what to compute. How do you impose human intuition
132
353738
2184
mas o que computar. Como colocar a intuição humana
06:11
on data at this scale?
133
355922
1791
em dados nessa dimensão?
06:13
Again, we start by designing the human into the process.
134
357713
3499
De novo, começamos por projetar o humano no processo.
06:17
When PayPal was first starting as a business, their biggest
135
361212
2812
Quando PayPal começou a operar como uma empresa, seu maior
06:19
challenge was not, "How do I send money back and forth online?"
136
364024
2804
desafio não era: “Como envio e recebo dinheiro na Internet?”
06:22
It was, "How do I do that without being defrauded by organized crime?"
137
366828
3872
Mas sim: “Como faço isso sem ser fraudado pelo crime organizado?”
06:26
Why so challenging? Because while computers can learn
138
370700
2088
Por que tal desafio? Porque embora computadores possam aprender
06:28
to detect and identify fraud based on patterns,
139
372788
3144
a detectar e identificar as fraudes a partir de padrões,
06:31
they can't learn to do that based on patterns
140
375932
1479
eles não podem fazê-lo com base em padrões
06:33
they've never seen before, and organized crime
141
377411
2116
nunca vistos antes, e o crime organizado
06:35
has a lot in common with this audience: brilliant people,
142
379527
2709
tem muito em comum com essa audência: pessoas brilhantes,
06:38
relentlessly resourceful, entrepreneurial spirit — (Laughter) —
143
382236
3640
implacavelmente engenhosos, espíritos empreendedores – (Risos) –
06:41
and one huge and important difference: purpose.
144
385876
2712
e uma diferença enorme e importante: propósito.
06:44
And so while computers alone can catch all but the cleverest
145
388588
2832
Embora computadores possam detectar tudo exceto os criminosos
06:47
fraudsters, catching the cleverest is the difference
146
391420
2253
mais espertos, capturar o mais esperto faz a diferença
06:49
between success and failure.
147
393673
2545
entre o sucesso e o fracasso.
06:52
There's a whole class of problems like this, ones with
148
396218
2221
Há uma série de problemas como este, uns com
06:54
adaptive adversaries. They rarely if ever present with a
149
398439
2575
adversários adaptativos. Eles nunca ou raramente apresentam
06:56
repeatable pattern that's discernable to computers.
150
401014
2736
um padrão repetitivo que os computadores possam distinguir.
06:59
Instead, there's some inherent component of innovation or disruption,
151
403750
3993
Em vez disso, há alguns componentes inerentes de inovação ou de perturbação,
07:03
and increasingly these problems are buried in big data.
152
407743
2735
que ficam cada vez mais escondidos no grande volume de dados.
07:06
For example, terrorism. Terrorists are always adapting
153
410478
2500
Por exemplo, terrorismo. Os terroristas estão sempre se adaptando
07:08
in minor and major ways to new circumstances, and despite
154
412978
2052
às novas circunstâncias, e apesar
07:10
what you might see on TV, these adaptations,
155
415030
3094
do que vocês vêem na TV, estas adaptações
07:14
and the detection of them, are fundamentally human.
156
418124
2293
e suas detecções são fundamentalmente humanas.
07:16
Computers don't detect novel patterns and new behaviors,
157
420417
3117
Computadores não detectam padrões originais e novos comportamentos,
07:19
but humans do. Humans, using technology, testing hypotheses,
158
423534
3235
mas os humanos sim. Eles usam tecnologia, testam hipóteses,
07:22
searching for insight by asking machines to do things for them.
159
426769
4620
buscam ideias pedindo às máquinas para fazer coisas para eles.
07:27
Osama bin Laden was not caught by artificial intelligence.
160
431389
2320
Osama bin Laden não foi capturado com inteligência artificial.
07:29
He was caught by dedicated, resourceful, brilliant people
161
433709
2553
Mas sim por pessoas dedicadas, engenhosas, brilhantes
07:32
in partnerships with various technologies.
162
436262
4269
em colaboração com várias tecnologias.
07:36
As appealing as it might sound, you cannot algorithmically
163
440531
2818
Por mais atraente que possa parecer, não podemos algoritmicamente
07:39
data mine your way to the answer.
164
443349
1601
minerar dados para obter resultados.
07:40
There is no "Find Terrorist" button, and the more data
165
444950
2855
Não existe um botão “Ache Terroristas” e, quanto mais dados,
07:43
we integrate from a vast variety of sources
166
447805
2302
provenientes de diversas fontes, nós integrarmos
07:46
across a wide variety of data formats from very
167
450107
2133
através de uma variedade ampla de formatos e
07:48
disparate systems, the less effective data mining can be.
168
452240
3309
de sistemas muito diversos, menos eficaz é a extração de dados.
07:51
Instead, people will have to look at data
169
455549
2024
Em vez disso, as pessoas terão que examinar os dados
07:53
and search for insight, and as Licklider foresaw long ago,
170
457573
3456
e procurar indícios, e como Licklider previu há tempos,
07:56
the key to great results here is the right type of cooperation,
171
461029
2685
a chave para se obter grandes resultados está no tipo certo de cooperação,
07:59
and as Kasparov realized,
172
463714
1524
e como Kasparov percebeu,
08:01
that means minimizing friction at the interface.
173
465238
3031
isso significa minimizar atritos na interface.
08:04
Now this approach makes possible things like combing
174
468269
2758
Essa abordagem possibilita coisas como procurar
08:06
through all available data from very different sources,
175
471027
3386
em todos dados disponíveis de fontes diversas,
08:10
identifying key relationships and putting them in one place,
176
474413
2792
identificar as relações fundamentais e as colocar em um lugar,
08:13
something that's been nearly impossible to do before.
177
477205
2928
algo quase impossível de se realizar antes.
08:16
To some, this has terrifying privacy and civil liberties
178
480133
1942
Para algumas pessoas, isso tem implicações terríveis para
08:17
implications. To others it foretells of an era of greater
179
482075
3410
a privacidade e a liberdade civil. Para outros isso prediz uma era de
08:21
privacy and civil liberties protections,
180
485485
1909
proteção às mesmas,
08:23
but privacy and civil liberties are of fundamental importance.
181
487394
2936
mas privacidade e liberdade civil são de importância fundamental.
08:26
That must be acknowledged, and they can't be swept aside,
182
490330
2193
Isto precisa ser reconhecido, elas não podem ser negligenciadas,
08:28
even with the best of intents.
183
492523
2530
mesmo com a melhor das intenções.
08:30
So let's explore, through a couple of examples, the impact
184
495053
2518
Vamos explorar esses dois exemplos. O impacto
08:33
that technologies built to drive human-computer symbiosis
185
497571
2406
que as tecnologias criadas para acionar a simbiose homem-computador
08:35
have had in recent time.
186
499977
2919
têm tido recentemente.
08:38
In October, 2007, U.S. and coalition forces raided
187
502896
3416
Em outubro de 2007, os EUA e as forças da coalizão invadiram
08:42
an al Qaeda safe house in the city of Sinjar
188
506312
2416
um esconderijo do al-Qaeda na cidade de Sinjar,
08:44
on the Syrian border of Iraq.
189
508728
1934
na fronteira entre a Síria e o Iraque.
08:46
They found a treasure trove of documents:
190
510662
2376
Eles encontraram valiosos documentos escondidos :
08:48
700 biographical sketches of foreign fighters.
191
513038
2335
700 notas biográficas de combatentes estrangeiros.
08:51
These foreign fighters had left their families in the Gulf,
192
515373
2584
Esses combatentes tinham deixado suas famílias no Golfo,
08:53
the Levant and North Africa to join al Qaeda in Iraq.
193
517957
3146
na região do Levante e no norte da África para juntarem-se a al-Qaeda no Iraque.
08:57
These records were human resource forms.
194
521103
1616
Essas fichas eram formulários de recursos humanos.
08:58
The foreign fighters filled them out as they joined the organization.
195
522719
2855
Os combatentes estrangeiros os preenchiam quando se associavam à organização.
09:01
It turns out that al Qaeda, too,
196
525574
1211
Acontece que al-Qaeda, também,
09:02
is not without its bureaucracy. (Laughter)
197
526785
2597
não escapa da burocracia. (Risos)
09:05
They answered questions like, "Who recruited you?"
198
529382
2098
Eles respondiam a esse tipo de pergunta: “Quem os recrutou?”
09:07
"What's your hometown?" "What occupation do you seek?"
199
531480
2854
“Qual a sua cidade natal?” “Que cargo quer?”
09:10
In that last question, a surprising insight was revealed.
200
534334
3169
A última pergunta foi uma revelação surpreendente.
09:13
The vast majority of foreign fighters
201
537503
2400
A vasta maioria dos combatentes estrangeiros
09:15
were seeking to become suicide bombers for martyrdom --
202
539903
2400
queria ser homens-bombas para o martírio –
09:18
hugely important, since between 2003 and 2007, Iraq
203
542303
4338
muito importante entre 2003 e 2007, o Iraque
09:22
had 1,382 suicide bombings, a major source of instability.
204
546641
4244
tinha 1.382 homens-bomba, uma fonte de instabilidade importante.
09:26
Analyzing this data was hard. The originals were sheets
205
550885
2058
Esses dados eram difíceis de analisar. Os originais eram papéis
09:28
of paper in Arabic that had to be scanned and translated.
206
552943
2742
em árabe que tinham que ser escaneados e traduzidos.
09:31
The friction in the process did not allow for meaningful
207
555685
2192
A complexidade do processo não gerou resultados significativos
09:33
results in an operational time frame using humans, PDFs
208
557877
3350
dentro de um prazo razoável usando humanos, PDFs
09:37
and tenacity alone.
209
561227
2218
e perseverança.
09:39
The researchers had to lever up their human minds
210
563445
1953
Os pesquisadores tiveram que forçar suas mentes
09:41
with technology to dive deeper, to explore non-obvious
211
565398
2345
com a ajuda da tecnologia para mergulhar a fundo, explorar hipóteses
09:43
hypotheses, and in fact, insights emerged.
212
567743
3218
não-óbvias, e de fato, indícios surgiram.
09:46
Twenty percent of the foreign fighters were from Libya,
213
570961
2644
20% dos combatentes estrangeiros eram da Líbia,
09:49
50 percent of those from a single town in Libya,
214
573605
2968
50% deles eram de uma única cidade da Líbia,
09:52
hugely important since prior statistics put that figure at
215
576573
2450
extremamente importante já que estatísticas anteriores tinham mostrado
09:54
three percent. It also helped to hone in on a figure
216
579023
2383
3%. Isso também ajudou a focar em uma pessoa
09:57
of rising importance in al Qaeda, Abu Yahya al-Libi,
217
581406
2977
de importância crescente no al-Quaeda, Abu Yahya al-Libi,
10:00
a senior cleric in the Libyan Islamic fighting group.
218
584383
2631
um clérigo sênior do Grupo de Combatentes Islâmicos da Líbia.
10:02
In March of 2007, he gave a speech, after which there was
219
587014
2664
Em março de 2007, ele deu uma palestra que gerou
10:05
a surge in participation amongst Libyan foreign fighters.
220
589678
3466
uma onda de participação de combatentes estrangeiros da Líbia.
10:09
Perhaps most clever of all, though, and least obvious,
221
593144
3106
Porém, talvez o mais inteligente de tudo e menos óbvio,
10:12
by flipping the data on its head, the researchers were
222
596250
2073
é que ao reverter os dados, os pesquisadores conseguiram
10:14
able to deeply explore the coordination networks in Syria
223
598323
2900
explorar a fundo as redes de coordenação na Síria
10:17
that were ultimately responsible for receiving and
224
601223
2517
que eram responsáveis pelo recebimento e
10:19
transporting the foreign fighters to the border.
225
603740
2464
transporte de combatentes estrangeiros para a fronteira.
10:22
These were networks of mercenaries, not ideologues,
226
606204
2633
Essas eram redes de mercenários, não de ideólogos,
10:24
who were in the coordination business for profit.
227
608837
2398
que estavam no ramo de coordenação para fins lucrativos.
10:27
For example, they charged Saudi foreign fighters
228
611235
1904
Por exemplo, eles cobravam dos combatentes da Saudi Arabia muito mais
10:29
substantially more than Libyans, money that would have
229
613139
2199
do que dos da Líbia, fundos que poderiam ter ido
10:31
otherwise gone to al Qaeda.
230
615338
2320
para a al-Qaeda.
10:33
Perhaps the adversary would disrupt their own network
231
617658
2045
Talvez os adversários interrompessem sua própria rede
10:35
if they knew they cheating would-be jihadists.
232
619703
3035
se soubessem que estavam enganando supostos jihadistas.
10:38
In January, 2010, a devastating 7.0 earthquake struck Haiti,
233
622738
3745
Em janeiro de 2010 um terremoto devastador de 7.0 atingiu o Haiti,
10:42
third deadliest earthquake of all time, left one million people,
234
626483
2916
o terceiro mais desastroso de todos os tempos, deixou 1 milhão de pessoas,
10:45
10 percent of the population, homeless.
235
629399
2584
10% da população, sem casa.
10:47
One seemingly small aspect of the overall relief effort
236
631983
3137
Um aspecto aparentemente irrelevante de todo o esforço da ajuda humanitária
10:51
became increasingly important as the delivery of food
237
635120
2176
tornou-se cada vez mais importante quando comida
10:53
and water started rolling.
238
637296
2160
e água começaram a chegar.
10:55
January and February are the dry months in Haiti,
239
639456
1458
Janeiro e fevereiro são os meses secos no Haiti,
10:56
yet many of the camps had developed standing water.
240
640914
2942
No entanto, muitos dos acampamentos tinham água estagnada.
10:59
The only institution with detailed knowledge of Haiti's
241
643856
2122
A única instituição com conhecimento detalhado das planícies
11:01
floodplains had been leveled
242
645978
1297
do Haiti havia sido destruída
11:03
in the earthquake, leadership inside.
243
647275
3008
no terremoto, incluindo sua chefia.
11:06
So the question is, which camps are at risk,
244
650283
2575
Então, quais são as áreas de risco,
11:08
how many people are in these camps, what's the
245
652858
1921
quantas pessoas estão nestas áreas, qual é a linha do
11:10
timeline for flooding, and given very limited resources
246
654779
2311
tempo para as enchentes, e considerando que os recursos e a infra-estrutura
11:12
and infrastructure, how do we prioritize the relocation?
247
657090
3384
são muito limitados, como priorizar a realocação?
11:16
The data was incredibly disparate. The U.S. Army had
248
660474
2344
Os dados eram disparatados. O exército estadunidense só tinha
11:18
detailed knowledge for only a small section of the country.
249
662818
2929
conhecimento detalhado de uma parte pequena do país.
11:21
There was data online from a 2006 environmental risk
250
665747
2511
Havia dados na Internet de uma conferência em 2006 sobre
11:24
conference, other geospatial data, none of it integrated.
251
668258
2664
riscos ao meio ambiente, outros dados geoespaciais, nada disso integrado.
11:26
The human goal here was to identify camps for relocation
252
670922
2958
O objetivo aqui era identificar acampamentos para realocação
11:29
based on priority need.
253
673880
2395
baseado na prioridade necessária.
11:32
The computer had to integrate a vast amount of geospacial
254
676275
2440
O computador teve que integrar uma quantidade vasta de informação
11:34
information, social media data and relief organization
255
678715
2584
geoespacial, dados de mídia social e informação das organizações humanitárias
11:37
information to answer this question.
256
681299
3480
para poder responder à esta pergunta.
11:40
By implementing a superior process, what was otherwise
257
684779
2415
A implementação de um processo de alto nível, o que seria de outra forma
11:43
a task for 40 people over three months became
258
687194
2608
uma tarefa para 40 pessoas durante 3 meses, tornou-se
11:45
a simple job for three people in 40 hours,
259
689802
3176
um trabalho simples para 3 pessoas em 40 horas,
11:48
all victories for human-computer symbiosis.
260
692978
2628
tudo vitórias para a simbiose homem-computador.
11:51
We're more than 50 years into Licklider's vision
261
695606
2054
Já são mais de 50 anos desde que Licklider teve a visão
11:53
for the future, and the data suggests that we should be
262
697660
2242
do futuro, e os dados sugerem que devíamos estar muito
11:55
quite excited about tackling this century's hardest problems,
263
699902
3030
entusiasmados para enfrentar os problemas mais duros deste século,
11:58
man and machine in cooperation together.
264
702932
2947
homem e máquina trabalhando juntos.
12:01
Thank you. (Applause)
265
705879
2197
Obrigado. (Aplausos)
12:03
(Applause)
266
708076
2505
(Aplausos)
ABOUT THE SPEAKER
Shyam Sankar - Data Intelligence AgentAn advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets.
Why you should listen
Shyam Sankar is a Director at Palantir Technologies, a secretive Silicon Valley company where he oversees deployments of the company's core technology, which helps law enforcement teams and corporations analyze giant, unrelated databases for clues to potential ... anything. Palantir technologies has been used to find missing children, to detect banking fraud, and to uncover the Shadow Network, a cyber-spy ring that stooped so low as to hack the Dalai Lama's email.
As part of his work, Sankar thinks deeply about the place where human and machine intelligence meet. While artificial intelligence (AI) is the dominant paradigm, he is an advocate of JCR Licklider's "intelligence augmentation" (IA) approach, where algorithms and brains work together to solve problems.
Shyam Sankar | Speaker | TED.com