TED2017
Cathy O'Neil: The era of blind faith in big data must end
Cathy O'Neil: Tiden när vi trodde blint på big data måste få ett slut
Filmed:
Readability: 4.4
1,391,460 views
Algoritmer bestämmer vem som får ta ett lån, vem som kommer på jobbintervju, vem som kan teckna försäkring och mycket mer - men de gör inte automatiskt saker och ting rättvisa. Matematikern och dataanalytikern Cathy O'Neil har myntat ett begrepp för algoritmer som är hemliga, betydelsefulla och skadliga: "matte-förstörelsevapen". Lär dig mer om de dolda agendorna bakom formlerna.
Cathy O'Neil - Mathematician, data scientist
Data skeptic Cathy O’Neil uncovers the dark secrets of big data, showing how our "objective" algorithms could in fact reinforce human bias. Full bio
Data skeptic Cathy O’Neil uncovers the dark secrets of big data, showing how our "objective" algorithms could in fact reinforce human bias. Full bio
Double-click the English transcript below to play the video.
00:12
Algorithms are everywhere.
0
975
1596
Algoritmer finns överallt.
De sorterar ut vinnarna från förlorarna.
00:16
They sort and separate
the winners from the losers.
the winners from the losers.
1
4111
3125
00:20
The winners get the job
2
8019
2264
Vinnarna får jobbet
00:22
or a good credit card offer.
3
10307
1743
eller ett bra kreditkortserbjudande.
00:24
The losers don't even get an interview
4
12074
2651
Förlorarna får inte ens en intervju
00:27
or they pay more for insurance.
5
15590
1777
eller så får de en dyrare försäkring.
00:30
We're being scored with secret formulas
that we don't understand
that we don't understand
6
18197
3549
Vi poängsätts av hemliga formler
som vi inte förstår
som vi inte förstår
00:34
that often don't have systems of appeal.
7
22675
3217
och som oftast inte går att överklaga.
00:39
That begs the question:
8
27240
1296
Det väcker frågan:
00:40
What if the algorithms are wrong?
9
28560
2913
Tänk om algoritmerna har fel?
För att bygga en algoritm krävs två saker:
00:45
To build an algorithm you need two things:
10
33100
2040
man behöver data, vad har hänt tidigare,
00:47
you need data, what happened in the past,
11
35164
1981
och en definition av framgång,
00:49
and a definition of success,
12
37169
1561
det man letar efter och ofta hoppas på.
00:50
the thing you're looking for
and often hoping for.
and often hoping for.
13
38754
2457
00:53
You train an algorithm
by looking, figuring out.
by looking, figuring out.
14
41235
5037
Man lär en algoritm
genom att titta och fundera.
genom att titta och fundera.
00:58
The algorithm figures out
what is associated with success.
what is associated with success.
15
46296
3419
Algoritmen räknar ut
vad som associeras med framgång.
vad som associeras med framgång.
01:01
What situation leads to success?
16
49739
2463
Vilken situation leder till framgång?
Faktum är att alla använder algoritmer.
01:04
Actually, everyone uses algorithms.
17
52881
1762
01:06
They just don't formalize them
in written code.
in written code.
18
54667
2718
De formulerar dem bara inte
i skriftlig kod.
i skriftlig kod.
01:09
Let me give you an example.
19
57409
1348
Låt mig ge ett exempel.
01:10
I use an algorithm every day
to make a meal for my family.
to make a meal for my family.
20
58781
3316
Jag använder en algoritm varje
dag för att laga mat.
dag för att laga mat.
01:14
The data I use
21
62121
1476
Datan jag använder
är ingredienserna jag har hemma,
01:16
is the ingredients in my kitchen,
22
64394
1659
01:18
the time I have,
23
66077
1527
den tid jag har på mig,
01:19
the ambition I have,
24
67628
1233
min ambitionsnivå,
01:20
and I curate that data.
25
68885
1709
och jag granskar den datan.
01:22
I don't count those little packages
of ramen noodles as food.
of ramen noodles as food.
26
70618
4251
Jag räknar inte småpåsarna
med nudlar som mat.
med nudlar som mat.
01:26
(Laughter)
27
74893
1869
(Skratt)
01:28
My definition of success is:
28
76786
1845
Min definition av framgång är:
01:30
a meal is successful
if my kids eat vegetables.
if my kids eat vegetables.
29
78655
2659
En måltid är lyckad
om barnen äter grönsakerna.
om barnen äter grönsakerna.
01:34
It's very different
from if my youngest son were in charge.
from if my youngest son were in charge.
30
82181
2854
Den skiljer sig ifrån min
yngste sons definition.
yngste sons definition.
01:37
He'd say success is if
he gets to eat lots of Nutella.
he gets to eat lots of Nutella.
31
85059
2788
Han skulle säga att framgång är
om han får äta mycket Nutella.
om han får äta mycket Nutella.
01:41
But I get to choose success.
32
89179
2226
Men jag definierar vad framgången är.
01:43
I am in charge. My opinion matters.
33
91429
2707
Jag bestämmer. Mina åsikter har betydelse.
01:46
That's the first rule of algorithms.
34
94160
2675
Det här är den första regeln
för en algoritm.
för en algoritm.
01:48
Algorithms are opinions embedded in code.
35
96859
3180
Algoritmer är åsikter inbäddade i kod.
01:53
It's really different from what you think
most people think of algorithms.
most people think of algorithms.
36
101562
3663
Det är stor skillnad mot vad man tror
att folk tror om algoritmer.
att folk tror om algoritmer.
01:57
They think algorithms are objective
and true and scientific.
and true and scientific.
37
105249
4504
Folk tror att algoritmer är objektiva,
sanna och vetenskapligt underbyggda.
sanna och vetenskapligt underbyggda.
02:02
That's a marketing trick.
38
110387
1699
Det är ett marknadsföringstrick.
02:05
It's also a marketing trick
39
113269
2125
Det är också ett marknadsföringstrick
för att skrämma dig med algoritmer,
02:07
to intimidate you with algorithms,
40
115418
3154
02:10
to make you trust and fear algorithms
41
118596
3661
få dig att lita på och frukta algoritmerna
02:14
because you trust and fear mathematics.
42
122281
2018
eftersom du litar på
och fruktar matematik.
och fruktar matematik.
02:17
A lot can go wrong when we put
blind faith in big data.
blind faith in big data.
43
125567
4830
Mycket kan gå fel
när vi tror blint på big data.
när vi tror blint på big data.
Det här är Kiri Soares.
Hon är gymnasierektor i Brooklyn.
Hon är gymnasierektor i Brooklyn.
02:23
This is Kiri Soares.
She's a high school principal in Brooklyn.
She's a high school principal in Brooklyn.
44
131684
3373
02:27
In 2011, she told me
her teachers were being scored
her teachers were being scored
45
135081
2586
2011 berättade hon att
hennes lärare poängsattes
hennes lärare poängsattes
02:29
with a complex, secret algorithm
46
137691
2727
med en komplicerad, hemlig algoritm
02:32
called the "value-added model."
47
140442
1489
som kallades "mervärdesmodellen."
Jag sade, "Fundera ut
vilken formeln är, och visa mig den.
vilken formeln är, och visa mig den.
02:34
I told her, "Well, figure out
what the formula is, show it to me.
what the formula is, show it to me.
48
142505
3092
Jag ska förklara den för dig."
02:37
I'm going to explain it to you."
49
145621
1541
Hon svarade,"Jag försökte få fram formeln,
02:39
She said, "Well, I tried
to get the formula,
to get the formula,
50
147186
2141
men min kontakt på skolmyndigheten
sade att det var matte
sade att det var matte
02:41
but my Department of Education contact
told me it was math
told me it was math
51
149351
2772
och att jag inte skulle förstå."
02:44
and I wouldn't understand it."
52
152147
1546
Det blir värre.
02:47
It gets worse.
53
155266
1338
New York Post krävde ut resultatet
med stöd av lagen om informationsfrihet,
med stöd av lagen om informationsfrihet,
02:48
The New York Post filed
a Freedom of Information Act request,
a Freedom of Information Act request,
54
156628
3530
02:52
got all the teachers' names
and all their scores
and all their scores
55
160182
2959
fick alla lärares namn och poäng
02:55
and they published them
as an act of teacher-shaming.
as an act of teacher-shaming.
56
163165
2782
och publicerade det
för att skämma ut lärarna.
för att skämma ut lärarna.
02:59
When I tried to get the formulas,
the source code, through the same means,
the source code, through the same means,
57
167084
3860
När jag försökte få tag i formlerna,
källkoden, på samma vis,
källkoden, på samma vis,
03:02
I was told I couldn't.
58
170968
2149
fick jag höra att det inte gick.
03:05
I was denied.
59
173141
1236
Jag nekades.
03:06
I later found out
60
174401
1174
Senare upptäckte jag
03:07
that nobody in New York City
had access to that formula.
had access to that formula.
61
175599
2866
att ingen i New York
hade tillgång till formeln.
hade tillgång till formeln.
03:10
No one understood it.
62
178489
1305
Ingen förstod den.
03:13
Then someone really smart
got involved, Gary Rubenstein.
got involved, Gary Rubenstein.
63
181929
3224
Sedan blev någon som var riktigt smart
inblandad, Gary Rubenstein.
inblandad, Gary Rubenstein.
03:17
He found 665 teachers
from that New York Post data
from that New York Post data
64
185177
3621
Han upptäckte att 665 lärare
i New York Posts reportage
i New York Posts reportage
egentligen hade två resultat.
03:20
that actually had two scores.
65
188822
1866
03:22
That could happen if they were teaching
66
190712
1881
Det kunde hända om de undervisade
både sjunde- och åttondeklassare
både sjunde- och åttondeklassare
03:24
seventh grade math and eighth grade math.
67
192617
2439
i matematik.
03:27
He decided to plot them.
68
195080
1538
Han gjorde ett diagram.
03:28
Each dot represents a teacher.
69
196642
1993
Varje prick representerar en lärare.
03:31
(Laughter)
70
199104
2379
(Skratt)
03:33
What is that?
71
201507
1521
Vad är det här?
03:35
(Laughter)
72
203052
1277
(Skratt)
03:36
That should never have been used
for individual assessment.
for individual assessment.
73
204353
3446
Det här skulle aldrig ha använts
för individuella bedömningar.
för individuella bedömningar.
03:39
It's almost a random number generator.
74
207823
1926
Det är nästan som en slumpgenerator.
03:41
(Applause)
75
209773
2946
(Applåder)
03:44
But it was.
76
212743
1162
Men det gjordes.
03:45
This is Sarah Wysocki.
77
213929
1176
Detta är Sarah Wysocki.
03:47
She got fired, along
with 205 other teachers,
with 205 other teachers,
78
215129
2175
Hon och 205 andra lärare fick sparken,
03:49
from the Washington, DC school district,
79
217328
2662
från Washington DCs skoldistrikt,
03:52
even though she had great
recommendations from her principal
recommendations from her principal
80
220014
2909
trots att hon hade strålande omdömen
från sin rektor och elevernas föräldrar.
från sin rektor och elevernas föräldrar.
03:54
and the parents of her kids.
81
222947
1428
Jag vet vad många av er tänker nu,
03:57
I know what a lot
of you guys are thinking,
of you guys are thinking,
82
225390
2032
särskilt dataanalytikerna,
AI-experterna här inne.
AI-experterna här inne.
03:59
especially the data scientists,
the AI experts here.
the AI experts here.
83
227446
2487
Ni tänker, "Jag skulle aldrig skriva
en sådan inkonsekvent algoritm."
en sådan inkonsekvent algoritm."
04:01
You're thinking, "Well, I would never make
an algorithm that inconsistent."
an algorithm that inconsistent."
84
229957
4226
Men algoritmer kan bli fel,
04:06
But algorithms can go wrong,
85
234853
1683
04:08
even have deeply destructive effects
with good intentions.
with good intentions.
86
236560
4598
till och med ha djupt destruktiva effekter
även om intentionerna är goda.
även om intentionerna är goda.
04:14
And whereas an airplane
that's designed badly
that's designed badly
87
242531
2379
Medan ett illa konstruerat flygplan
04:16
crashes to the earth and everyone sees it,
88
244934
2001
kraschar och alla kan se det,
04:18
an algorithm designed badly
89
246959
1850
kan en illa skriven algoritm
04:22
can go on for a long time,
silently wreaking havoc.
silently wreaking havoc.
90
250245
3865
användas under lång tid,
och i tysthet skapa kaos.
och i tysthet skapa kaos.
04:27
This is Roger Ailes.
91
255748
1570
Det här är Roger Ailes.
04:29
(Laughter)
92
257342
2000
(Skratt)
04:32
He founded Fox News in 1996.
93
260524
2388
Han grundade Fox News 1996.
Fler än tjugo kvinnor
anmälde sexuella trakasserier.
anmälde sexuella trakasserier.
04:35
More than 20 women complained
about sexual harassment.
about sexual harassment.
94
263436
2581
04:38
They said they weren't allowed
to succeed at Fox News.
to succeed at Fox News.
95
266041
3235
De menade att de inte tilläts
att lyckas på Fox News.
att lyckas på Fox News.
04:41
He was ousted last year,
but we've seen recently
but we've seen recently
96
269300
2520
Han fick sparken förra året,
men nyligen såg vi
men nyligen såg vi
04:43
that the problems have persisted.
97
271844
2670
att problemen har fortsatt.
04:47
That begs the question:
98
275654
1400
Det leder oss in på frågan:
04:49
What should Fox News do
to turn over another leaf?
to turn over another leaf?
99
277078
2884
Vad ska Fox News göra för att vända blad?
04:53
Well, what if they replaced
their hiring process
their hiring process
100
281245
3041
Tänk om de bytte ut
sin anställningsprocess
sin anställningsprocess
04:56
with a machine-learning algorithm?
101
284310
1654
med en maskininlärningsalgoritm?
04:57
That sounds good, right?
102
285988
1595
Det låter väl bra?
04:59
Think about it.
103
287607
1300
Fundera på det.
05:00
The data, what would the data be?
104
288931
2105
Data, vilken data skulle användas?
05:03
A reasonable choice would be the last
21 years of applications to Fox News.
21 years of applications to Fox News.
105
291060
4947
Ett rimligt val skulle vara
de senaste 21 årens ansökningar
de senaste 21 årens ansökningar
till Fox News.
05:08
Reasonable.
106
296031
1502
Det låter rimligt.
05:09
What about the definition of success?
107
297557
1938
Hur skulle framgång definieras?
05:11
Reasonable choice would be,
108
299921
1324
Ett rimligt val vore,
05:13
well, who is successful at Fox News?
109
301269
1778
ja, vem är framgångsrik på Fox News?
05:15
I guess someone who, say,
stayed there for four years
stayed there for four years
110
303071
3580
Jag gissar på någon som,
låt säga, stannat där i fyra år
låt säga, stannat där i fyra år
05:18
and was promoted at least once.
111
306675
1654
och befordrats minst en gång.
05:20
Sounds reasonable.
112
308816
1561
Det låter rimligt.
05:22
And then the algorithm would be trained.
113
310401
2354
Därefter skulle algoritmen tränas.
05:24
It would be trained to look for people
to learn what led to success,
to learn what led to success,
114
312779
3877
Den skulle tränas i att hitta personer för
att lära sig vad som lett till framgång,
att lära sig vad som lett till framgång,
05:29
what kind of applications
historically led to success
historically led to success
115
317219
4318
vilken typ av ansökningar
som historiskt lett till framgång
som historiskt lett till framgång
05:33
by that definition.
116
321561
1294
utifrån den definitionen.
05:36
Now think about what would happen
117
324200
1775
Fundera nu på vad som skulle hända
05:37
if we applied that
to a current pool of applicants.
to a current pool of applicants.
118
325999
2555
om vi applicerade det här
på jobbsökare idag.
på jobbsökare idag.
05:41
It would filter out women
119
329119
1629
Den skulle välja bort kvinnor
05:43
because they do not look like people
who were successful in the past.
who were successful in the past.
120
331663
3930
för de liknar inte personer
som varit framgångsrika historiskt.
som varit framgångsrika historiskt.
05:51
Algorithms don't make things fair
121
339752
2537
Algoritmer gör inte saker rättvisa
05:54
if you just blithely,
blindly apply algorithms.
blindly apply algorithms.
122
342313
2694
om man tillämpar dem tanklöst och blint.
05:57
They don't make things fair.
123
345031
1482
De skapar inte rättvisa.
05:58
They repeat our past practices,
124
346537
2128
De repeterar det vi gjort tidigare,
06:00
our patterns.
125
348689
1183
våra mönster.
06:01
They automate the status quo.
126
349896
1939
De automatiserar rådande läge.
06:04
That would be great
if we had a perfect world,
if we had a perfect world,
127
352718
2389
Det skulle vara toppen
om världen vore perfekt,
om världen vore perfekt,
06:07
but we don't.
128
355905
1312
men det är den inte.
06:09
And I'll add that most companies
don't have embarrassing lawsuits,
don't have embarrassing lawsuits,
129
357241
4102
Och jag kan tillägga att
de flesta företag inte har blivit stämda,
de flesta företag inte har blivit stämda,
06:14
but the data scientists in those companies
130
362446
2588
men dataanalytikerna i de här företagen
06:17
are told to follow the data,
131
365058
2189
är ålagda att använda datan,
06:19
to focus on accuracy.
132
367271
2143
för att få tillförlitliga resultat.
06:22
Think about what that means.
133
370273
1381
Fundera på vad det betyder.
06:23
Because we all have bias,
it means they could be codifying sexism
it means they could be codifying sexism
134
371678
4027
Eftersom vi alla har fördomar, betyder det
att de skulle kunna koda in sexism
att de skulle kunna koda in sexism
06:27
or any other kind of bigotry.
135
375729
1836
eller något annat trångsynt.
06:31
Thought experiment,
136
379488
1421
Ett tankeexperiment,
06:32
because I like them:
137
380933
1509
eftersom jag gillar såna:
06:35
an entirely segregated society --
138
383574
2975
Tänk er ett helt segregerat samhälle -
06:40
racially segregated, all towns,
all neighborhoods
all neighborhoods
139
388247
3328
rassegregerat, i alla städer,
i alla områden
i alla områden
06:43
and where we send the police
only to the minority neighborhoods
only to the minority neighborhoods
140
391599
3037
och där vi bara skickar polisen
till minoritetsområdena
till minoritetsområdena
06:46
to look for crime.
141
394660
1193
för brottsbekämpning.
06:48
The arrest data would be very biased.
142
396451
2219
Arresteringarna skulle vara
väldigt fördomsfulla.
väldigt fördomsfulla.
06:51
What if, on top of that,
we found the data scientists
we found the data scientists
143
399851
2575
Tänk om, till råga på allt,
vi fann dataanalytikerna
vi fann dataanalytikerna
06:54
and paid the data scientists to predict
where the next crime would occur?
where the next crime would occur?
144
402450
4161
och betalade dem för att tala om
var nästa brott skulle ske?
var nästa brott skulle ske?
06:59
Minority neighborhood.
145
407275
1487
I minoritetsområdena.
07:01
Or to predict who the next
criminal would be?
criminal would be?
146
409285
3125
Eller förutspå vem nästa brottsling är?
07:04
A minority.
147
412888
1395
Någon från en minoritet.
07:07
The data scientists would brag
about how great and how accurate
about how great and how accurate
148
415949
3541
Dataanalytikerna skulle skryta om
hur bra och tillförlitlig
hur bra och tillförlitlig
07:11
their model would be,
149
419514
1297
deras modell skulle vara,
07:12
and they'd be right.
150
420835
1299
och de skulle ha rätt.
07:15
Now, reality isn't that drastic,
but we do have severe segregations
but we do have severe segregations
151
423951
4615
Nu är verkligheten inte så drastisk,
men vi har allvarlig segregation
men vi har allvarlig segregation
07:20
in many cities and towns,
152
428590
1287
i många städer och områden,
07:21
and we have plenty of evidence
153
429901
1893
och vi har gott om bevis
07:23
of biased policing
and justice system data.
and justice system data.
154
431818
2688
om fördomsfullt polisarbete
och skev straffrättslig data.
och skev straffrättslig data.
07:27
And we actually do predict hotspots,
155
435632
2815
Vi förutspår faktiskt hotspots,
07:30
places where crimes will occur.
156
438471
1530
platser där brott kan ske.
07:32
And we do predict, in fact,
the individual criminality,
the individual criminality,
157
440401
3866
Faktum är, att vi förutspår
individers kriminalitet,
individers kriminalitet,
07:36
the criminality of individuals.
158
444291
1770
individers brottsbenägenhet.
07:38
The news organization ProPublica
recently looked into
recently looked into
159
446972
3963
Nyhetsorganisationen ProPublica
undersökte för en tid sedan
undersökte för en tid sedan
07:42
one of those "recidivism risk" algorithms,
160
450959
2024
en av algoritmerna för "återfallsrisk",
07:45
as they're called,
161
453007
1163
som de kallas,
07:46
being used in Florida
during sentencing by judges.
during sentencing by judges.
162
454194
3194
och som används i Florida
när domar ska avkunnas.
när domar ska avkunnas.
07:50
Bernard, on the left, the black man,
was scored a 10 out of 10.
was scored a 10 out of 10.
163
458411
3585
Bernard, mannen till vänster,
fick 10 poäng av 10 möjliga.
fick 10 poäng av 10 möjliga.
07:55
Dylan, on the right, 3 out of 10.
164
463179
2007
Dylan, till höger, 3 poäng av 10 möjliga.
07:57
10 out of 10, high risk.
3 out of 10, low risk.
3 out of 10, low risk.
165
465210
2501
10 av 10, hög risk.
3 av 10, låg risk.
3 av 10, låg risk.
08:00
They were both brought in
for drug possession.
for drug possession.
166
468598
2385
Båda anhölls för droginnehav.
08:03
They both had records,
167
471007
1154
Båda var dömda tidigare,
08:04
but Dylan had a felony
168
472185
2806
men Dylan hade begått ett grovt brott
vilket Bernard inte hade.
08:07
but Bernard didn't.
169
475015
1176
08:09
This matters, because
the higher score you are,
the higher score you are,
170
477818
3066
Det här har betydelse,
för ju högre poäng man har,
för ju högre poäng man har,
08:12
the more likely you're being given
a longer sentence.
a longer sentence.
171
480908
3473
desto troligare är det
att man får ett längre straff.
att man får ett längre straff.
08:18
What's going on?
172
486294
1294
Vad är det som händer?
08:20
Data laundering.
173
488526
1332
Datatvätt.
08:22
It's a process by which
technologists hide ugly truths
technologists hide ugly truths
174
490930
4427
Det är en process där tekniker
gömmer fula sanningar
gömmer fula sanningar
08:27
inside black box algorithms
175
495381
1821
inuti automatiska algoritmer
08:29
and call them objective;
176
497226
1290
som de kallar objektiva;
08:31
call them meritocratic.
177
499320
1568
kallar meritokratiska.
08:35
When they're secret,
important and destructive,
important and destructive,
178
503118
2385
När de är hemliga, viktiga
och destruktiva,
och destruktiva,
08:37
I've coined a term for these algorithms:
179
505527
2487
myntade jag ett begrepp för dem:
08:40
"weapons of math destruction."
180
508038
1999
"matte-förstörelsevapen."
08:42
(Laughter)
181
510061
1564
(Skratt)
08:43
(Applause)
182
511649
3054
(Applåder)
08:46
They're everywhere,
and it's not a mistake.
and it's not a mistake.
183
514727
2354
De finns överallt,
och det är inte ett misstag.
och det är inte ett misstag.
08:49
These are private companies
building private algorithms
building private algorithms
184
517695
3723
Det här är privata företag
som skapar privata algoritmer
som skapar privata algoritmer
08:53
for private ends.
185
521442
1392
för privata syften.
08:55
Even the ones I talked about
for teachers and the public police,
for teachers and the public police,
186
523214
3214
Även de för lärare och poliser
som jag pratat om,
som jag pratat om,
08:58
those were built by private companies
187
526452
1869
byggdes av privata företag
09:00
and sold to the government institutions.
188
528345
2231
och såldes till statliga myndigheter.
09:02
They call it their "secret sauce" --
189
530600
1873
De kallar dem "hemliga recept" -
09:04
that's why they can't tell us about it.
190
532497
2128
det är därför de inte kan berätta om dem.
09:06
It's also private power.
191
534649
2220
Det är också privat makt.
09:09
They are profiting for wielding
the authority of the inscrutable.
the authority of the inscrutable.
192
537924
4695
De skor sig genom att utöva
sin ogenomträngliga makt.
sin ogenomträngliga makt.
09:17
Now you might think,
since all this stuff is private
since all this stuff is private
193
545114
2934
Nu kanske du tänker
att eftersom allt det här är privat
att eftersom allt det här är privat
09:20
and there's competition,
194
548072
1158
och fri konkurrens råder,
09:21
maybe the free market
will solve this problem.
will solve this problem.
195
549254
2306
kommer marknaden kanske lösa problemen.
09:23
It won't.
196
551584
1249
Det gör den inte.
09:24
There's a lot of money
to be made in unfairness.
to be made in unfairness.
197
552857
3120
Det finns mycket pengar
att tjäna på orättvisa.
att tjäna på orättvisa.
09:29
Also, we're not economic rational agents.
198
557127
3369
Dessutom, är vi inte
ekonomiskt rationella varelser.
ekonomiskt rationella varelser.
09:33
We all are biased.
199
561031
1292
Alla har vi fördomar.
09:34
We're all racist and bigoted
in ways that we wish we weren't,
in ways that we wish we weren't,
200
562960
3377
Alla är vi rasister och bigotta på sätt
som vi önskar att vi inte var,
som vi önskar att vi inte var,
09:38
in ways that we don't even know.
201
566361
2019
på sätt vi inte ens vet att vi är.
09:41
We know this, though, in aggregate,
202
569352
3081
Det här vet vi dock,
09:44
because sociologists
have consistently demonstrated this
have consistently demonstrated this
203
572457
3220
eftersom sociologer konsekvent visat det
09:47
with these experiments they build,
204
575701
1665
genom olika expriment,
09:49
where they send a bunch
of applications to jobs out,
of applications to jobs out,
205
577390
2568
där de skickar jobbansökningar,
09:51
equally qualified but some
have white-sounding names
have white-sounding names
206
579982
2501
alla lika kvalificerade
men några har "vita" namn
men några har "vita" namn
09:54
and some have black-sounding names,
207
582507
1706
och några har "svarta" namn,
09:56
and it's always disappointing,
the results -- always.
the results -- always.
208
584237
2694
och resultaten är alltid
en besvikelse - alltid.
en besvikelse - alltid.
09:59
So we are the ones that are biased,
209
587510
1771
Vi är alltså de som är fördomsfulla,
10:01
and we are injecting those biases
into the algorithms
into the algorithms
210
589305
3429
och vi lägger in fördomarna i algoritmerna
10:04
by choosing what data to collect,
211
592758
1812
genom att välja datan vi samlar in,
10:06
like I chose not to think
about ramen noodles --
about ramen noodles --
212
594594
2743
så som jag valde
att inte ta med japanska nudlar.
att inte ta med japanska nudlar.
10:09
I decided it was irrelevant.
213
597361
1625
Jag bestämde att de var oviktiga.
10:11
But by trusting the data that's actually
picking up on past practices
picking up on past practices
214
599010
5684
Men genom att lita på data
som bygger på tidigare erfarenheter
som bygger på tidigare erfarenheter
10:16
and by choosing the definition of success,
215
604718
2014
och välja definitionen av framgång,
10:18
how can we expect the algorithms
to emerge unscathed?
to emerge unscathed?
216
606756
3983
hur kan vi då förvänta oss
att algoritmerna är harmlösa?
att algoritmerna är harmlösa?
10:22
We can't. We have to check them.
217
610763
2356
Det kan vi inte. Vi måste kontrollera dem.
10:26
We have to check them for fairness.
218
614165
1709
Vi måste kolla att de är rättvisa.
10:27
The good news is,
we can check them for fairness.
we can check them for fairness.
219
615898
2711
Den goda nyheten är
att vi kan kolla rättvisan i dem.
att vi kan kolla rättvisan i dem.
10:30
Algorithms can be interrogated,
220
618633
3352
Algoritmer kan ifrågasättas,
10:34
and they will tell us
the truth every time.
the truth every time.
221
622009
2034
och de talar om sanningen varenda gång.
10:36
And we can fix them.
We can make them better.
We can make them better.
222
624067
2493
Vi kan rätta till dem.
Vi kan förbättra dem.
Vi kan förbättra dem.
10:38
I call this an algorithmic audit,
223
626584
2375
Jag kallar det för
revision av algoritmer,
revision av algoritmer,
10:40
and I'll walk you through it.
224
628983
1679
och jag ska förklara.
10:42
First, data integrity check.
225
630686
2196
Först, integritetskontroll av datat.
10:46
For the recidivism risk
algorithm I talked about,
algorithm I talked about,
226
634132
2657
För algoritmen för återfallsrisk
som jag pratade om,
som jag pratade om,
10:49
a data integrity check would mean
we'd have to come to terms with the fact
we'd have to come to terms with the fact
227
637582
3573
skulle en integritetstest betyda
att vi behöver ta tag i det faktum
att vi behöver ta tag i det faktum
10:53
that in the US, whites and blacks
smoke pot at the same rate
smoke pot at the same rate
228
641179
3526
att i USA, röker vita och svarta
maruijana i samma utsträckning
maruijana i samma utsträckning
10:56
but blacks are far more likely
to be arrested --
to be arrested --
229
644729
2485
men svarta löper större risk
att arresteras -
att arresteras -
10:59
four or five times more likely,
depending on the area.
depending on the area.
230
647238
3184
fyra till fem gånger högre risk
beroende på område.
beroende på område.
11:03
What is that bias looking like
in other crime categories,
in other crime categories,
231
651317
2826
Hur ser den fördomen ut
i andra brottskategorier
i andra brottskategorier
11:06
and how do we account for it?
232
654167
1451
och hur hanterar vi det?
11:08
Second, we should think about
the definition of success,
the definition of success,
233
656162
3039
Två, vi borde tänka över
hur vi definierar framgång,
hur vi definierar framgång,
11:11
audit that.
234
659225
1381
granska det.
11:12
Remember -- with the hiring
algorithm? We talked about it.
algorithm? We talked about it.
235
660630
2752
Kommer ni ihåg -
anställningsalgoritmen vi pratade om?
11:15
Someone who stays for four years
and is promoted once?
and is promoted once?
236
663406
3165
Någon som stannar fyra år
och befordras en gång?
och befordras en gång?
11:18
Well, that is a successful employee,
237
666595
1769
Ja, det är en framgångsrik person,
11:20
but it's also an employee
that is supported by their culture.
that is supported by their culture.
238
668388
3079
men det är också någon
som stöttas av företagskulturen.
som stöttas av företagskulturen.
11:24
That said, also it can be quite biased.
239
672089
1926
Som sagt, även det kan vara partiskt.
11:26
We need to separate those two things.
240
674039
2065
Vi måste skilja på de här två sakerna.
11:28
We should look to
the blind orchestra audition
the blind orchestra audition
241
676128
2426
Vi bör titta på blindrekrytering
till orkestrar som ett exempel.
till orkestrar som ett exempel.
11:30
as an example.
242
678578
1196
I en sådan är den sökande
bakom en skärm.
bakom en skärm.
11:31
That's where the people auditioning
are behind a sheet.
are behind a sheet.
243
679798
2756
11:34
What I want to think about there
244
682946
1931
Det jag vill framhålla är
11:36
is the people who are listening
have decided what's important
have decided what's important
245
684901
3417
att de som lyssnar
har bestämt vad som är viktigt
har bestämt vad som är viktigt
11:40
and they've decided what's not important,
246
688342
2029
och vad som är oviktigt
11:42
and they're not getting
distracted by that.
distracted by that.
247
690395
2059
och de distraheras inte av det.
11:44
When the blind orchestra
auditions started,
auditions started,
248
692961
2749
När den här typen
av rekryteringar startade,
av rekryteringar startade,
11:47
the number of women in orchestras
went up by a factor of five.
went up by a factor of five.
249
695734
3444
steg andelen kvinnor
i orkestrarna femfalt.
i orkestrarna femfalt.
11:52
Next, we have to consider accuracy.
250
700253
2015
Sen måste vi överväga tillförlitligheten.
11:55
This is where the value-added model
for teachers would fail immediately.
for teachers would fail immediately.
251
703233
3734
Det är här mervärdesmodellen
för lärare skulle misslyckas omedelbart.
för lärare skulle misslyckas omedelbart.
11:59
No algorithm is perfect, of course,
252
707578
2162
Självklart är ingen algoritm perfekt,
12:02
so we have to consider
the errors of every algorithm.
the errors of every algorithm.
253
710620
3605
så vi måste överväga felen
i varje algoritm.
i varje algoritm.
12:06
How often are there errors,
and for whom does this model fail?
and for whom does this model fail?
254
714836
4359
Hur ofta förekommer fel
och för vem misslyckas modellen?
och för vem misslyckas modellen?
12:11
What is the cost of that failure?
255
719850
1718
Vad är kostnaden för de felen?
12:14
And finally, we have to consider
256
722434
2207
Slutligen, måste vi överväga
12:17
the long-term effects of algorithms,
257
725973
2186
de långsiktiga effekterna av algoritmerna,
12:20
the feedback loops that are engendering.
258
728866
2207
och feedbacken som de medför.
12:23
That sounds abstract,
259
731586
1236
Det låter abstrakt,
12:24
but imagine if Facebook engineers
had considered that
had considered that
260
732846
2664
men tänk om Facebooks ingenjörer
övervägt det här
övervägt det här
12:28
before they decided to show us
only things that our friends had posted.
only things that our friends had posted.
261
736270
4855
innan de bestämde sig för att bara
visa oss det våra vänner lagt upp.
visa oss det våra vänner lagt upp.
12:33
I have two more messages,
one for the data scientists out there.
one for the data scientists out there.
262
741761
3234
Jag har ytterligare två budskap,
ett för dataanalytikerna där ute.
ett för dataanalytikerna där ute.
12:37
Data scientists: we should
not be the arbiters of truth.
not be the arbiters of truth.
263
745450
3409
Dataanalytiker: Vi bör inte vara
sanningens skiljedomare.
sanningens skiljedomare.
12:41
We should be translators
of ethical discussions that happen
of ethical discussions that happen
264
749520
3783
Vi bör vara översättare
av de etiska diskussioner som sker
av de etiska diskussioner som sker
12:45
in larger society.
265
753327
1294
i samhället i stort.
12:47
(Applause)
266
755579
2133
(Applåder)
12:49
And the rest of you,
267
757736
1556
Och ni andra,
som inte är dataanalytiker:
12:52
the non-data scientists:
268
760011
1396
12:53
this is not a math test.
269
761431
1498
Det här är inte ett matteprov.
12:55
This is a political fight.
270
763632
1348
Det här är en politisk kamp.
12:58
We need to demand accountability
for our algorithmic overlords.
for our algorithmic overlords.
271
766587
3907
Vi måste kräva ansvarsskyldighet
från våra algoritmiska överherrar.
från våra algoritmiska överherrar.
13:04
(Applause)
272
772118
1499
(Applåder)
13:05
The era of blind faith
in big data must end.
in big data must end.
273
773641
4225
Tiden när vi trodde blint
på big data måste få ett slut.
på big data måste få ett slut.
13:09
Thank you very much.
274
777890
1167
Tack så mycket.
13:11
(Applause)
275
779081
5303
(Applåder)
ABOUT THE SPEAKER
Cathy O'Neil - Mathematician, data scientistData skeptic Cathy O’Neil uncovers the dark secrets of big data, showing how our "objective" algorithms could in fact reinforce human bias.
Why you should listen
In 2008, as a hedge-fund quant, mathematician Cathy O’Neil saw firsthand how really really bad math could lead to financial disaster. Disillusioned, O’Neil became a data scientist and eventually joined Occupy Wall Street’s Alternative Banking Group.
With her popular blog mathbabe.org, O’Neil emerged as an investigative journalist. Her acclaimed book Weapons of Math Destruction details how opaque, black-box algorithms rely on biased historical data to do everything from sentence defendants to hire workers. In 2017, O’Neil founded consulting firm ORCAA to audit algorithms for racial, gender and economic inequality.
Cathy O'Neil | Speaker | TED.com