TEDSalon Berlin 2014
Kenneth Cukier: Big data is better data
Kenneth Cukier: Megadados são dados melhores
Filmed:
Readability: 4.1
1,663,038 views
Os carros auto-dirigidos foram apenas o começo. Qual é o futuro da tecnologia e design orientados por megadados? Nesta palestra científica eletrizante, Kenneth Cukier fala sobre o futuro da aprendizagem de máquina... E conhecimento humano.
Kenneth Cukier - Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages. Full bio
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages. Full bio
Double-click the English transcript below to play the video.
00:12
America's favorite pie is?
0
787
3845
A torta preferida dos americanos é?
Plateia: Maçã
Kenneth Cukier: Maçã. Claro que sim.
Kenneth Cukier: Maçã. Claro que sim.
00:16
Audience: Apple.
Kenneth Cukier: Apple. Of course it is.
Kenneth Cukier: Apple. Of course it is.
1
4632
3506
Como sabemos isso?
00:20
How do we know it?
2
8138
1231
00:21
Because of data.
3
9369
2753
Por causa dos dados.
00:24
You look at supermarket sales.
4
12122
2066
Vejam as vendas dos supermercados.
00:26
You look at supermarket
sales of 30-centimeter pies
sales of 30-centimeter pies
5
14188
2866
Vejam as vendas
das tortas congeladas de 30 cm,
das tortas congeladas de 30 cm,
00:29
that are frozen, and apple wins, no contest.
6
17054
4075
a de maçã vence, sem dúvida.
A maioria das vendas são de maçã.
00:33
The majority of the sales are apple.
7
21129
5180
00:38
But then supermarkets started selling
8
26309
2964
Mas então os supermercados
começaram a vender
começaram a vender
00:41
smaller, 11-centimeter pies,
9
29273
2583
tortas menores, de 11 cm,
00:43
and suddenly, apple fell to fourth or fifth place.
10
31856
4174
e, de repente, a de maçã caiu
para o quarto ou quinto lugar.
para o quarto ou quinto lugar.
00:48
Why? What happened?
11
36030
2875
Por quê? O que aconteceu?
00:50
Okay, think about it.
12
38905
2818
Certo, pensem bem.
00:53
When you buy a 30-centimeter pie,
13
41723
3848
Quando você compra uma torta de 30 cm,
00:57
the whole family has to agree,
14
45571
2261
a família toda tem que aceitar,
00:59
and apple is everyone's second favorite.
15
47832
3791
e a de maçã é a segunda
mais favorita de todos.
mais favorita de todos.
01:03
(Laughter)
16
51623
1935
(Risos)
01:05
But when you buy an individual 11-centimeter pie,
17
53558
3615
Mas quando você compra
uma torta individual de 11 cm,
uma torta individual de 11 cm,
01:09
you can buy the one that you want.
18
57173
3745
você pode comprar a que quiser.
01:12
You can get your first choice.
19
60918
4015
Você pode comprar a sua primeira opção.
01:16
You have more data.
20
64933
1641
Você tem mais dados.
01:18
You can see something
21
66574
1554
Pode ver algo que você não via,
01:20
that you couldn't see
22
68128
1132
quando tinha menos informação.
01:21
when you only had smaller amounts of it.
23
69260
3953
A questão aqui é que mais dados
01:25
Now, the point here is that more data
24
73213
2475
01:27
doesn't just let us see more,
25
75688
2283
não nos permite apenas ver mais
01:29
more of the same thing we were looking at.
26
77971
1854
daquilo que já tínhamos antes.
01:31
More data allows us to see new.
27
79825
3613
Mais dados nos permitem ver coisas novas.
01:35
It allows us to see better.
28
83438
3094
Permitem-nos ver melhor.
01:38
It allows us to see different.
29
86532
3656
Permitem-nos ver de forma diferente.
01:42
In this case, it allows us to see
30
90188
3173
Neste caso, permitem-nos ver
01:45
what America's favorite pie is:
31
93361
2913
qual é a torta favorita dos EUA:
01:48
not apple.
32
96274
2542
não é a de maçã.
Vocês já devem ter ouvido
o termo "megadados".
o termo "megadados".
01:50
Now, you probably all have heard the term big data.
33
98816
3614
Na verdade, já devem estar fartos
de ouvir o termo "megadados".
de ouvir o termo "megadados".
01:54
In fact, you're probably sick of hearing the term
34
102430
2057
01:56
big data.
35
104487
1630
É verdade, há muitos exageros
associados ao termo,
associados ao termo,
01:58
It is true that there is a lot of hype around the term,
36
106117
3330
02:01
and that is very unfortunate,
37
109447
2332
e isso é lamentável,
porque os megadados são uma ferramenta
extremamente importante
extremamente importante
02:03
because big data is an extremely important tool
38
111779
3046
02:06
by which society is going to advance.
39
114825
3734
pela a qual a sociedade vai avançar.
02:10
In the past, we used to look at small data
40
118559
3561
No passado, olhávamos para
os dados pequenos
os dados pequenos
e pensávamos no que significaria
02:14
and think about what it would mean
41
122120
1704
02:15
to try to understand the world,
42
123824
1496
tentar entender o mundo,
02:17
and now we have a lot more of it,
43
125320
1991
e agora nós temos muito mais dados,
02:19
more than we ever could before.
44
127311
2722
como jamais tivemos antes.
02:22
What we find is that when we have
45
130033
1877
O que vemos é que quando temos
um grande volume de dados,
podemos fazer coisas
podemos fazer coisas
02:23
a large body of data, we can fundamentally do things
46
131910
2724
02:26
that we couldn't do when we
only had smaller amounts.
only had smaller amounts.
47
134634
3276
que não podíamos fazer quando
só havia quantidades pequenas.
só havia quantidades pequenas.
02:29
Big data is important, and big data is new,
48
137910
2641
Megadados são importantes,
e megadados são novidade,
e megadados são novidade,
02:32
and when you think about it,
49
140551
1777
e quando se pensa nisso,
02:34
the only way this planet is going to deal
50
142328
2216
o único jeito deste planeta lidar
02:36
with its global challenges —
51
144544
1789
com os desafios globais–
02:38
to feed people, supply them with medical care,
52
146333
3537
alimentar as pessoas,
provê-las com cuidados médicos,
provê-las com cuidados médicos,
02:41
supply them with energy, electricity,
53
149870
2810
provê-las com energia, eletricidade,
e assegurar que não ficaremos "tostados"
02:44
and to make sure they're not burnt to a crisp
54
152680
1789
com o aquecimento global –
02:46
because of global warming —
55
154469
1238
02:47
is because of the effective use of data.
56
155707
4195
será com a utilização de dados
de forma eficaz.
de forma eficaz.
02:51
So what is new about big
data? What is the big deal?
data? What is the big deal?
57
159902
3870
Então, o que há de novo sobre megadados?
02:55
Well, to answer that question, let's think about
58
163772
2517
Bom, para responder isso, vamos pensar
em como informação era,
02:58
what information looked like,
59
166289
1896
03:00
physically looked like in the past.
60
168185
3034
fisicamente, no passado.
Em 1908, na ilha de Creta,
03:03
In 1908, on the island of Crete,
61
171219
3611
03:06
archaeologists discovered a clay disc.
62
174830
4735
arqueólogos descobriram
um disco de argila,
um disco de argila,
03:11
They dated it from 2000 B.C., so it's 4,000 years old.
63
179565
4059
que foi datado de 2000 A.C.,
então são 4 mil anos de idade.
então são 4 mil anos de idade.
03:15
Now, there's inscriptions on this disc,
64
183624
2004
Há inscrições no disco,
mas não sabemos o que significam.
mas não sabemos o que significam.
03:17
but we actually don't know what it means.
65
185628
1327
03:18
It's a complete mystery, but the point is that
66
186955
2098
É um completo mistério,
mas o detalhe é que
mas o detalhe é que
03:21
this is what information used to look like
67
189053
1928
era assim que a informação parecia
03:22
4,000 years ago.
68
190981
2089
4 mil anos atrás.
03:25
This is how society stored
69
193070
2548
Era assim que a sociedade armazenava
03:27
and transmitted information.
70
195618
3524
e transmitia informação.
03:31
Now, society hasn't advanced all that much.
71
199142
4160
Hoje, sociedades não avançaram
tanto assim.
tanto assim.
03:35
We still store information on discs,
72
203302
3474
Ainda armazenamos informação em discos,
03:38
but now we can store a lot more information,
73
206776
3184
mas hoje podemos guardar
muito mais informação,
muito mais informação,
mais do que podíamos antes.
03:41
more than ever before.
74
209960
1260
03:43
Searching it is easier. Copying it easier.
75
211220
3093
Buscar é mais fácil. Copiar é mais fácil.
03:46
Sharing it is easier. Processing it is easier.
76
214313
3500
Compartilhar é mais fácil.
Processar é mais fácil.
Processar é mais fácil.
03:49
And what we can do is we can reuse this information
77
217813
2766
E podemos reutilizar essa informação
03:52
for uses that we never even imagined
78
220579
1834
para usos que não imaginávamos
03:54
when we first collected the data.
79
222413
3195
quando coletamos os dados
pela primeira vez
pela primeira vez
03:57
In this respect, the data has gone
80
225608
2252
Neste contexto, os dados
mudaram de um estoque para um fluxo,
03:59
from a stock to a flow,
81
227860
3532
04:03
from something that is stationary and static
82
231392
3938
de algo estacionário e estático
04:07
to something that is fluid and dynamic.
83
235330
3609
para algo que é fluido e dinâmico.
04:10
There is, if you will, a liquidity to information.
84
238939
4023
Existe um tipo de "liquidez"
na informação.
na informação.
04:14
The disc that was discovered off of Crete
85
242962
3474
O disco descoberto em Creta,
04:18
that's 4,000 years old, is heavy,
86
246436
3764
de 4 mil anos de idade, é pesado,
ele não armazena muita informação,
04:22
it doesn't store a lot of information,
87
250200
1962
04:24
and that information is unchangeable.
88
252162
3116
e a informação não é modificável.
Em contraste, todos os arquivos
04:27
By contrast, all of the files
89
255278
4011
que Edward Snowden levou
04:31
that Edward Snowden took
90
259289
1861
04:33
from the National Security
Agency in the United States
Agency in the United States
91
261150
2621
da Agência de Segurança Nacional
dos Estados Unidos
dos Estados Unidos
04:35
fits on a memory stick
92
263771
2419
cabem em um pen drive
04:38
the size of a fingernail,
93
266190
3010
do tamanho de uma unha,
04:41
and it can be shared at the speed of light.
94
269200
4745
e podem ser compartilhado
à velocidade da luz.
à velocidade da luz.
04:45
More data. More.
95
273945
5255
Mais dados. Mais.
Agora, uma explicação de termos
tantos dados hoje
tantos dados hoje
04:51
Now, one reason why we have
so much data in the world today
so much data in the world today
96
279200
1974
04:53
is we are collecting things
97
281174
1432
é que estamos coletando coisas
04:54
that we've always collected information on,
98
282606
3280
sobre as quais sempre
coletamos informação.
coletamos informação.
04:57
but another reason why is we're taking things
99
285886
2656
Mas uma outra razão é que
estamos pegando coisas,
estamos pegando coisas,
05:00
that have always been informational
100
288542
2812
que sempre foram informacionais
05:03
but have never been rendered into a data format
101
291354
2486
mas não estavam em formato de dados,
05:05
and we are putting it into data.
102
293840
2419
e agora estão sendo
transformados em dados.
transformados em dados.
05:08
Think, for example, the question of location.
103
296259
3308
Vejam, por exemplo,
a questão da localização.
a questão da localização.
05:11
Take, for example, Martin Luther.
104
299567
2249
Vejam, por exemplo, Martinho Lutero.
Se quiséssemos saber, nos anos 1500,
05:13
If we wanted to know in the 1500s
105
301816
1597
05:15
where Martin Luther was,
106
303413
2667
onde Martinho Lutero estava,
teríamos que segui-lo o tempo todo,
05:18
we would have to follow him at all times,
107
306080
2092
05:20
maybe with a feathery quill and an inkwell,
108
308172
2137
talvez com uma pena e um tinteiro,
05:22
and record it,
109
310309
1676
e fazer registros,
05:23
but now think about what it looks like today.
110
311985
2183
e agora veja como isso é hoje.
05:26
You know that somewhere,
111
314168
2122
Sabemos que em algum lugar,
talvez num banco de dados
de operadora de telefonia,
de operadora de telefonia,
05:28
probably in a telecommunications carrier's database,
112
316290
2446
05:30
there is a spreadsheet or at least a database entry
113
318736
3036
há uma planilha, ou ao menos
um registro em banco de dados
um registro em banco de dados
05:33
that records your information
114
321772
2088
gravando sua informação
05:35
of where you've been at all times.
115
323860
2063
de onde você esteve, a todo momento.
05:37
If you have a cell phone,
116
325923
1360
Se você tem um celular,
05:39
and that cell phone has GPS,
but even if it doesn't have GPS,
but even if it doesn't have GPS,
117
327283
2847
com um GPS, mas mesmo
que não tenha um GPS,
que não tenha um GPS,
05:42
it can record your information.
118
330130
2385
ele pode registrar sua informação.
05:44
In this respect, location has been datafied.
119
332515
4084
Neste contexto, a localização
foi transformada em dados.
foi transformada em dados.
05:48
Now think, for example, of the issue of posture,
120
336599
4601
Vejam, por exemplo, a questão da postura,
como vocês estão se sentando agora,
05:53
the way that you are all sitting right now,
121
341200
1285
05:54
the way that you sit,
122
342485
2030
o modo como você se senta,
05:56
the way that you sit, the way that you sit.
123
344515
2771
o modo como você se senta.
São todos diferentes, e é uma função
dos comprimentos das pernas
dos comprimentos das pernas
05:59
It's all different, and it's a function of your leg length
124
347286
2077
06:01
and your back and the contours of your back,
125
349363
2093
e do contorno das suas costas,
06:03
and if I were to put sensors,
maybe 100 sensors
maybe 100 sensors
126
351456
2531
e seu eu colocasse censores,
talvez 100 censores
talvez 100 censores
06:05
into all of your chairs right now,
127
353987
1766
nas cadeiras de todos aqui agora,
06:07
I could create an index that's fairly unique to you,
128
355753
3600
eu poderia criar um índice
único para cada um de vocês,
único para cada um de vocês,
06:11
sort of like a fingerprint, but it's not your finger.
129
359353
4409
como uma impressão digital,
mas não é do seu dedo.
mas não é do seu dedo.
06:15
So what could we do with this?
130
363762
2969
Então, o que poderíamos fazer com isso?
06:18
Researchers in Tokyo are using it
131
366731
2397
Pesquisadores em Tóquio estão usando isso
06:21
as a potential anti-theft device in cars.
132
369128
4388
como um potencial dispositivo
anti-roubo para carros.
anti-roubo para carros.
A ideia é que o ladrão senta ao volante,
06:25
The idea is that the carjacker sits behind the wheel,
133
373516
2924
06:28
tries to stream off, but the car recognizes
134
376440
2104
tenta ligar, mas o carro reconhece
06:30
that a non-approved driver is behind the wheel,
135
378544
2362
que um motorista não autorizado
está ao volante,
está ao volante,
06:32
and maybe the engine just stops, unless you
136
380906
2164
e talvez o motor pare, a não ser
06:35
type in a password into the dashboard
137
383070
3177
que você digite uma senha no painel
para dizer: "Ei, eu tenho autorização
para dirigir". Ótimo.
para dirigir". Ótimo.
06:38
to say, "Hey, I have authorization to drive." Great.
138
386247
4658
06:42
What if every single car in Europe
139
390905
2553
E se todos os carros na Europa
06:45
had this technology in it?
140
393458
1457
usassem esta tecnologia?
06:46
What could we do then?
141
394915
3165
O que poderíamos fazer?
06:50
Maybe, if we aggregated the data,
142
398080
2240
Talvez, se agregássemos os dados,
06:52
maybe we could identify telltale signs
143
400320
3814
talvez pudéssemos identificar sinais
06:56
that best predict that a car accident
144
404134
2709
que indicassem se um acidente de carro
06:58
is going to take place in the next five seconds.
145
406843
5893
irá acontecer nos próximos 5 segundos.
E então, o que teremos
transformados em dados,
transformados em dados,
07:04
And then what we will have datafied
146
412736
2557
07:07
is driver fatigue,
147
415293
1783
é fatiga do motorista,
07:09
and the service would be when the car senses
148
417076
2334
e o serviço seria, quando o carro sente
07:11
that the person slumps into that position,
149
419410
3437
que a pessoa assume aquela posição,
automaticamente ativar um alarme interno
07:14
automatically knows, hey, set an internal alarm
150
422847
3994
07:18
that would vibrate the steering wheel, honk inside
151
426841
2025
que faria o volante vibrar, emitir um som,
07:20
to say, "Hey, wake up,
152
428866
1721
como se dissesse: "Ei, acorda,
07:22
pay more attention to the road."
153
430587
1904
presta mais atenção na estrada."
Essas são as coisas que podemos fazer
07:24
These are the sorts of things we can do
154
432491
1853
07:26
when we datafy more aspects of our lives.
155
434344
2821
quando convertemos em dados
mais aspectos das nossas vidas.
mais aspectos das nossas vidas.
07:29
So what is the value of big data?
156
437165
3675
Então, qual o valor dos megadados?
07:32
Well, think about it.
157
440840
2190
Pensem bem.
07:35
You have more information.
158
443030
2412
Temos mais informação.
07:37
You can do things that you couldn't do before.
159
445442
3341
Podemos fazer coisas que não
podíamos antes.
podíamos antes.
07:40
One of the most impressive areas
160
448783
1676
Uma das áreas mais impressionantes
07:42
where this concept is taking place
161
450459
1729
em que este conceito está ocorrendo
07:44
is in the area of machine learning.
162
452188
3307
é na área do aprendizado de máquina.
07:47
Machine learning is a branch of artificial intelligence,
163
455495
3077
O aprendizado de máquina é um ramo
da inteligência artificial,
da inteligência artificial,
07:50
which itself is a branch of computer science.
164
458572
3378
que, por sua vez, é um ramo
da ciência da computação.
da ciência da computação.
07:53
The general idea is that instead of
165
461950
1543
A idéia geral é que em vez de
07:55
instructing a computer what do do,
166
463493
2117
instruir um computador sobre o que fazer,
07:57
we are going to simply throw data at the problem
167
465610
2620
nós simplesmente jogamos dados no problema
08:00
and tell the computer to figure it out for itself.
168
468230
3206
e dizemos ao computador
que resolva sozinho.
que resolva sozinho.
08:03
And it will help you understand it
169
471436
1777
Conhecer as origens disso
ajudará vocês a entenderem.
ajudará vocês a entenderem.
08:05
by seeing its origins.
170
473213
3552
Por volta de 1950,
um cientista da computação
um cientista da computação
08:08
In the 1950s, a computer scientist
171
476765
2388
08:11
at IBM named Arthur Samuel liked to play checkers,
172
479153
3592
da IBM, Arthur Samuel, gostava
de jogar damas,
de jogar damas,
08:14
so he wrote a computer program
173
482745
1402
ele então criou um programa
08:16
so he could play against the computer.
174
484147
2813
para que pudesse jogar
contra o computador.
contra o computador.
08:18
He played. He won.
175
486960
2711
Ele jogou. Ele ganhou.
08:21
He played. He won.
176
489671
2103
Ele jogou. Ele ganhou.
08:23
He played. He won,
177
491774
3015
Ele jogou. Ele ganhou,
08:26
because the computer only knew
178
494789
1778
porque o computador só sabia
08:28
what a legal move was.
179
496567
2227
o que era uma jogada legal.
08:30
Arthur Samuel knew something else.
180
498794
2087
Arthur Samuel sabia algo mais.
08:32
Arthur Samuel knew strategy.
181
500881
4629
Arthur Samuel sabia sobre estratégia.
Ele então criou um pequeno sub-programa,
08:37
So he wrote a small sub-program alongside it
182
505510
2396
operando em segundo plano,
e tudo que ele fazia
e tudo que ele fazia
08:39
operating in the background, and all it did
183
507906
1974
08:41
was score the probability
184
509880
1817
era calcular a probabilidade
08:43
that a given board configuration would likely lead
185
511697
2563
que uma dada configuração do tabuleiro
pudesse levar
pudesse levar
08:46
to a winning board versus a losing board
186
514260
2910
a um jogo vencedor contra um perdedor,
08:49
after every move.
187
517170
2508
após cada movimento.
08:51
He plays the computer. He wins.
188
519678
3150
Ele joga contra o computador. Ele ganha.
08:54
He plays the computer. He wins.
189
522828
2508
Ele joga contra o computador. Ele ganha.
08:57
He plays the computer. He wins.
190
525336
3731
Ele joga contra o computador. Ele ganha.
09:01
And then Arthur Samuel leaves the computer
191
529067
2277
Então Arthur Samuel deixou o computador
09:03
to play itself.
192
531344
2227
jogar contra ele mesmo.
09:05
It plays itself. It collects more data.
193
533571
3509
Ele joga com ele mesmo. Coleta mais dados.
09:09
It collects more data. It increases
the accuracy of its prediction.
the accuracy of its prediction.
194
537080
4309
Coleta mais dados. A precisão
de sua predição aumenta.
de sua predição aumenta.
09:13
And then Arthur Samuel goes back to the computer
195
541389
2104
Arthur Samuel volta ao computador
09:15
and he plays it, and he loses,
196
543493
2318
ele joga, e ele perde,
09:17
and he plays it, and he loses,
197
545811
2069
ele joga, e ele perde,
09:19
and he plays it, and he loses,
198
547880
2047
ele joga, e ele perde,
09:21
and Arthur Samuel has created a machine
199
549927
2599
e Arthur Samuel criou uma máquina
09:24
that surpasses his ability in a task that he taught it.
200
552526
6288
que supera sua habilidade em uma tarefa
que ele mesmo ensinou.
que ele mesmo ensinou.
09:30
And this idea of machine learning
201
558814
2498
Essa ideia de aprendizagem de máquina
09:33
is going everywhere.
202
561312
3927
estará em todas as partes.
Como vocês acham que funcionam
os carros auto-dirigidos?
os carros auto-dirigidos?
09:37
How do you think we have self-driving cars?
203
565239
3149
09:40
Are we any better off as a society
204
568388
2137
Será que estamos melhores
como uma sociedade,
como uma sociedade,
09:42
enshrining all the rules of the road into software?
205
570525
3285
colocando todas as regras de trânsito
em um software?
em um software?
09:45
No. Memory is cheaper. No.
206
573810
2598
Não. A memória está mais barata. Não.
09:48
Algorithms are faster. No. Processors are better. No.
207
576408
3994
Os algoritmos são mais rápidos. Não.
Os processadores são melhores. Não.
Os processadores são melhores. Não.
09:52
All of those things matter, but that's not why.
208
580402
2772
Tudo isso é importante, mas
não é o principal.
não é o principal.
09:55
It's because we changed the nature of the problem.
209
583174
3141
O essencial é que modificamos
a natureza do problema.
a natureza do problema.
09:58
We changed the nature of the problem from one
210
586315
1530
Mudamos o problema de um em que
tentávamos aberta e explicitamente,
tentávamos aberta e explicitamente,
09:59
in which we tried to overtly and explicitly
211
587845
2245
10:02
explain to the computer how to drive
212
590090
2581
explicar ao computador como dirigir,
10:04
to one in which we say,
213
592671
1316
para um em que dizemos:
10:05
"Here's a lot of data around the vehicle.
214
593987
1876
"Aqui temos um monte de dados
sobre o veículo. Resolva.
sobre o veículo. Resolva.
10:07
You figure it out.
215
595863
1533
10:09
You figure it out that that is a traffic light,
216
597396
1867
Descubra se aquilo é um semáforo,
10:11
that that traffic light is red and not green,
217
599263
2081
se a luz é vermelha e não verde,
10:13
that that means that you need to stop
218
601344
2014
que isso significa que você tem que parar
10:15
and not go forward."
219
603358
3083
e não ir adiante."
A aprendizagem de máquina é a base
10:18
Machine learning is at the basis
220
606441
1518
10:19
of many of the things that we do online:
221
607959
1991
de muita coisa que fazemos online:
10:21
search engines,
222
609950
1857
Motores de busca,
10:23
Amazon's personalization algorithm,
223
611807
3801
algoritmos de personalização da Amazon,
10:27
computer translation,
224
615608
2212
tradução automática,
10:29
voice recognition systems.
225
617820
4290
sistemas de reconhecimento de voz.
10:34
Researchers recently have looked at
226
622110
2835
Pesquisadores recentemente examinaram
10:36
the question of biopsies,
227
624945
3195
a questão das biópsias,
10:40
cancerous biopsies,
228
628140
2767
biópsias de câncer,
10:42
and they've asked the computer to identify
229
630907
2315
e pediram para o computador
para identificar,
para identificar,
10:45
by looking at the data and survival rates
230
633222
2471
olhando os dados e taxas de sobrevivência
10:47
to determine whether cells are actually
231
635693
4667
para determinar se as células
10:52
cancerous or not,
232
640360
2544
são cancerosas ou não,
10:54
and sure enough, when you throw the data at it,
233
642904
1778
e, certamente, alimentando os dados
10:56
through a machine-learning algorithm,
234
644682
2047
em um algoritmo de
aprendizagem de máquina,
aprendizagem de máquina,
10:58
the machine was able to identify
235
646729
1877
a máquina foi capaz de identificar
11:00
the 12 telltale signs that best predict
236
648606
2262
os 12 sinais que melhor predizem
11:02
that this biopsy of the breast cancer cells
237
650868
3299
que nesta biópsia, as células da mama
11:06
are indeed cancerous.
238
654167
3218
são realmente cancerosas.
11:09
The problem: The medical literature
239
657385
2498
O problema: a literatura médica
11:11
only knew nine of them.
240
659883
2789
só conhecia nove deles.
11:14
Three of the traits were ones
241
662672
1800
Três das características eram traços
11:16
that people didn't need to look for,
242
664472
2975
que as pessoas não tinham
necessidade de procurar,
necessidade de procurar,
11:19
but that the machine spotted.
243
667447
5531
mas o computador detectou.
11:24
Now, there are dark sides to big data as well.
244
672978
5925
Mas também há o lado sombrio
dos megadados.
dos megadados.
Eles vão melhorar nossas vidas,
mas há problemas
mas há problemas
11:30
It will improve our lives, but there are problems
245
678903
2074
11:32
that we need to be conscious of,
246
680977
2640
dos quais devemos estar cientes.
11:35
and the first one is the idea
247
683617
2623
O primeiro é que
possamos ser punidos
por causa das previsões;
por causa das previsões;
11:38
that we may be punished for predictions,
248
686240
2686
11:40
that the police may use big data for their purposes,
249
688926
3870
que a polícia poderá usar
megadados para seus propósitos,
megadados para seus propósitos,
um pouco como "Minority Report".
11:44
a little bit like "Minority Report."
250
692796
2351
Atualmente, é um termo chamado
"policiamento preditivo",
"policiamento preditivo",
11:47
Now, it's a term called predictive policing,
251
695147
2441
11:49
or algorithmic criminology,
252
697588
2363
ou criminologia algorítmica.
11:51
and the idea is that if we take a lot of data,
253
699951
2036
A ideia é que, se tivermos muitos dados,
11:53
for example where past crimes have been,
254
701987
2159
digamos, onde um crime ocorreu no passado,
11:56
we know where to send the patrols.
255
704146
2543
sabemos para onde enviar as patrulhas.
11:58
That makes sense, but the problem, of course,
256
706689
2115
Isso faz sentido, mas o problema, claro,
12:00
is that it's not simply going to stop on location data,
257
708804
4544
é que isso não vai parar
só nos dados de localização,
só nos dados de localização,
12:05
it's going to go down to the level of the individual.
258
713348
2959
vai chegar ao nível do indivíduo.
12:08
Why don't we use data about the person's
259
716307
2250
Por que não usar os dados
do histórico escolar das pessoas?
12:10
high school transcript?
260
718557
2228
Talvez usar o fato
de estarem desempregadas, ou não,
de estarem desempregadas, ou não,
12:12
Maybe we should use the fact that
261
720785
1561
12:14
they're unemployed or not, their credit score,
262
722346
2028
usar sua pontuação de crédito,
12:16
their web-surfing behavior,
263
724374
1552
sua conduta na Internet,
se ficam acordadas de noite.
se ficam acordadas de noite.
12:17
whether they're up late at night.
264
725926
1878
12:19
Their Fitbit, when it's able
to identify biochemistries,
to identify biochemistries,
265
727804
3161
Seus Fitbits, quando puderem
identificar dados bioquímicos,
identificar dados bioquímicos,
12:22
will show that they have aggressive thoughts.
266
730965
4236
mostrarão se têm pensamentos agressivos.
12:27
We may have algorithms that are likely to predict
267
735201
2221
Poderemos ter algoritmos
que poderão prever
que poderão prever
12:29
what we are about to do,
268
737422
1633
o que estamos prestes a fazer.
12:31
and we may be held accountable
269
739055
1244
e poderemos ser incriminados
12:32
before we've actually acted.
270
740299
2590
mesmo antes de agirmos.
12:34
Privacy was the central challenge
271
742889
1732
A privacidade era o desafio principal
12:36
in a small data era.
272
744621
2880
na era dos pequenos dados.
12:39
In the big data age,
273
747501
2149
Na fase dos megadados,
12:41
the challenge will be safeguarding free will,
274
749650
4523
o desafio será salvaguardar
nosso livre arbítrio,
nosso livre arbítrio,
12:46
moral choice, human volition,
275
754173
3779
escolha moral, volição humana,
12:49
human agency.
276
757952
3068
e atuação humana.
Há um outro problema:
12:54
There is another problem:
277
762540
2225
12:56
Big data is going to steal our jobs.
278
764765
3556
Os megadados vão roubar nossos empregos.
13:00
Big data and algorithms are going to challenge
279
768321
3512
Megadados e algoritmos desafiarão
13:03
white collar, professional knowledge work
280
771833
3061
o conhecimento profissional
dos funcionários
dos funcionários
13:06
in the 21st century
281
774894
1653
do século 21,
13:08
in the same way that factory automation
282
776547
2434
da mesma forma que
a automação das fábricas
a automação das fábricas
13:10
and the assembly line
283
778981
2189
e as linhas de produção
13:13
challenged blue collar labor in the 20th century.
284
781170
3026
desafiaram o trabalho dos operários
no século 20.
no século 20.
13:16
Think about a lab technician
285
784196
2092
Imagine um técnico de laboratório
13:18
who is looking through a microscope
286
786288
1409
examinando ao microscópio
13:19
at a cancer biopsy
287
787697
1624
uma biópsia do câncer,
13:21
and determining whether it's cancerous or not.
288
789321
2637
decidindo se é maligno ou não.
13:23
The person went to university.
289
791958
1972
Esta pessoa frequentou faculdade.
13:25
The person buys property.
290
793930
1430
Ela compra um imóvel.
13:27
He or she votes.
291
795360
1741
Vota.
13:29
He or she is a stakeholder in society.
292
797101
3666
É parte interessada da sociedade.
13:32
And that person's job,
293
800767
1394
E o seu emprego,
13:34
as well as an entire fleet
294
802161
1609
assim como o de toda uma frota
13:35
of professionals like that person,
295
803770
1969
de profissionais,
13:37
is going to find that their jobs are radically changed
296
805739
3150
vão ver que seus empregos
mudarão radicalmente
mudarão radicalmente
13:40
or actually completely eliminated.
297
808889
2357
ou, de fato, serão completamente extintos.
13:43
Now, we like to think
298
811246
1284
Agora, gostamos de pensar
13:44
that technology creates jobs over a period of time
299
812530
3187
que a tecnologia cria empregos
durante um período tempo
durante um período tempo
13:47
after a short, temporary period of dislocation,
300
815717
3465
após um período de transição
curto, temporário.
curto, temporário.
Isso é verdade para o quadro de referência
13:51
and that is true for the frame of reference
301
819182
1941
13:53
with which we all live, the Industrial Revolution,
302
821123
2142
com o qual vivemos,
a Revolução Industrial,
a Revolução Industrial,
13:55
because that's precisely what happened.
303
823265
2328
porque foi exatamente o que ocorreu.
13:57
But we forget something in that analysis:
304
825593
2333
Mas esquecemos algo nessa análise:
13:59
There are some categories of jobs
305
827926
1830
Há certas categorias de empregos
14:01
that simply get eliminated and never come back.
306
829756
3420
que simplesmente são eliminados
e não voltam nunca.
e não voltam nunca.
A Revolução Industrial não foi muito boa
14:05
The Industrial Revolution wasn't very good
307
833176
2004
14:07
if you were a horse.
308
835180
4002
para os cavalos.
Portanto precisamos ser cautelosos,
14:11
So we're going to need to be careful
309
839182
2055
14:13
and take big data and adjust it for our needs,
310
841237
3514
e pegar os megadados e ajustá-los
às nossas necessidades,
às nossas necessidades,
14:16
our very human needs.
311
844751
3185
às nossas necessidades humanas.
Temos que ser os mestres desta tecnologia,
14:19
We have to be the master of this technology,
312
847936
1954
14:21
not its servant.
313
849890
1656
e não seus criados.
14:23
We are just at the outset of the big data era,
314
851546
2958
Estamos apenas no início
da era dos megadados,
da era dos megadados,
14:26
and honestly, we are not very good
315
854504
3150
e, honestamente, não somos muito bons
14:29
at handling all the data that we can now collect.
316
857654
4207
em manejar todos dados
que agora podemos coletar.
que agora podemos coletar.
14:33
It's not just a problem for
the National Security Agency.
the National Security Agency.
317
861861
3330
O problema não é só para a
Agência Segurança Nacional dos EUA.
Agência Segurança Nacional dos EUA.
14:37
Businesses collect lots of
data, and they misuse it too,
data, and they misuse it too,
318
865191
3038
Empresas coletam muitos dados
e também fazem mal uso deles,
e também fazem mal uso deles,
14:40
and we need to get better at
this, and this will take time.
this, and this will take time.
319
868229
3667
e precisamos melhorar nisso,
o que levará tempo
o que levará tempo
14:43
It's a little bit like the challenge that was faced
320
871896
1822
É um pouco como o desafio
14:45
by primitive man and fire.
321
873718
2407
que os homens primitivos
enfrentaram com o fogo.
enfrentaram com o fogo.
14:48
This is a tool, but this is a tool that,
322
876125
1885
É uma ferramenta, mas é uma ferramenta
14:50
unless we're careful, will burn us.
323
878010
3559
que, se não tivermos cuidado,
vai nos queimar.
vai nos queimar.
Megadados vão transformar
o modo como vivemos,
o modo como vivemos,
14:56
Big data is going to transform how we live,
324
884008
3120
como trabalhamos e como pensamos.
14:59
how we work and how we think.
325
887128
2801
Vão ajudar no gerenciamento
de nossas carreiras,
de nossas carreiras,
15:01
It is going to help us manage our careers
326
889929
1889
15:03
and lead lives of satisfaction and hope
327
891818
3634
e viver satisfeitos, com esperança,
15:07
and happiness and health,
328
895452
2992
felizes e saudáveis,
15:10
but in the past, we've often
looked at information technology
looked at information technology
329
898444
3306
mas no passado muitas vezes olhávamos
para a Tecnologia da Informação
para a Tecnologia da Informação
15:13
and our eyes have only seen the T,
330
901750
2208
mas nossos olhos só viam o 'T',
15:15
the technology, the hardware,
331
903958
1686
a tecnologia, o hardware,
15:17
because that's what was physical.
332
905644
2262
porque era a parte física.
15:19
We now need to recast our gaze at the I,
333
907906
2924
Agora precisamos colocar
nossa atenção no 'I',
nossa atenção no 'I',
15:22
the information,
334
910830
1380
de informação,
15:24
which is less apparent,
335
912210
1373
que é menos tangível.
15:25
but in some ways a lot more important.
336
913583
4109
mas em certos aspectos
muito mais importante.
muito mais importante.
15:29
Humanity can finally learn from the information
337
917692
3465
A humanidade pode finalmente
aprender a partir da informação
aprender a partir da informação
15:33
that it can collect,
338
921157
2418
que ela pode coletar,
15:35
as part of our timeless quest
339
923575
2115
como parte da nossa eterna busca
15:37
to understand the world and our place in it,
340
925690
3159
pelo entendimento do mundo
e do nosso lugar nele,
e do nosso lugar nele,
15:40
and that's why big data is a big deal.
341
928849
5631
e é por isso que os megadados
são importantes.
são importantes.
15:46
(Applause)
342
934480
3568
(Aplausos)
ABOUT THE SPEAKER
Kenneth Cukier - Data Editor of The EconomistKenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages.
Why you should listen
As Data Editor of The Economist and co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think, Kenneth Cukier has spent years immersed in big data, machine learning -- and the impact of both. What's the future of big data-driven technology and design? To find out, watch this talk.
Kenneth Cukier | Speaker | TED.com