Vessünk véget a big datába vetett vakhit korszakának!
-
0:01 - 0:03Algoritmusok mindenhol vannak.
-
0:04 - 0:07Azok rendezik és különítik el
a győzteseket a vesztesektől. -
0:08 - 0:10A győztesek kapják az állásokat
-
0:10 - 0:12s a jó hitelkártya-ajánlatokat.
-
0:12 - 0:15A vesztesek még az interjúig sem jutnak,
-
0:16 - 0:17és a biztosítás is drágább nekik.
-
0:18 - 0:22Titkos, érthetetlen képletekkel
pontoznak minket, -
0:23 - 0:26amelyek ellen gyakran nincs fellebbezés.
-
0:27 - 0:29Fölvetődik a kérdés:
-
0:29 - 0:31mi van, ha az algoritmusok hibásak?
-
0:33 - 0:35Algoritmus kialakításához két dolog kell:
-
0:35 - 0:37múltról szóló adatok
-
0:37 - 0:40meg a keresett s gyakorta remélt
-
0:40 - 0:41siker meghatározása.
-
0:41 - 0:46Idomítjuk az algoritmust,
közben figyeljük, számolgatunk. -
0:46 - 0:50Az algoritmus kiszámolja,
mi minősül sikernek. -
0:50 - 0:52Milyen helyzet vezet sikerre?
-
0:53 - 0:55Mindenki használ algoritmust,
-
0:55 - 0:57csak nem formalizálja
leírt kód alakjában. -
0:57 - 0:59Mondok egy példát.
-
0:59 - 1:02Naponta algoritmust használok,
amikor főzök a családomnak. -
1:02 - 1:04A fölhasznált adatok:
-
1:04 - 1:06hozzávalók a konyhában,
-
1:06 - 1:08a rendelkezésre álló idő,
-
1:08 - 1:09milyen kedvem van.
-
1:09 - 1:11Ezeket az adatokat rendszerezem.
-
1:11 - 1:15A zacskós leveseket nem tartom ételnek.
-
1:15 - 1:16(Nevetés)
-
1:17 - 1:19A sikert így határozom meg:
-
1:19 - 1:21sikeres az étel, ha srácaim
esznek zöldséget. -
1:22 - 1:25Legkisebb fiam szerint
más a siker mércéje. -
1:25 - 1:28Szerinte az, ha sok Nutellát ehetne.
-
1:29 - 1:31De én választom meg a sikert.
-
1:31 - 1:34Én döntök. Az én véleményem mérvadó.
-
1:34 - 1:37Ez az algoritmusok első szabálya.
-
1:37 - 1:40Az algoritmusok kódba ágyazott vélemények.
-
1:42 - 1:45Eltér attól, amit önök, a legtöbben
az algoritmusról gondolnak. -
1:45 - 1:50Azt hiszik, hogy az algoritmus
objektív, igaz és tudományos jószág. -
1:50 - 1:52Ez csak marketingfogás.
-
1:53 - 1:55Az is marketingfogás,
-
1:55 - 1:59hogy algoritmusokkal riogatják önöket,
-
1:59 - 2:02hogy bízzanak bennük, és féljenek tőlük,
-
2:02 - 2:04mert önök bíznak
a matekban, s félnek tőle. -
2:06 - 2:10Sokuk hibásnak bizonyulhat,
ha vakon hiszünk a big datában. -
2:12 - 2:15Ő Kiri Soares, középiskolai
igazgató Brooklynban. -
2:15 - 2:182011-ben elmondta nekem, hogy tanárait
-
2:18 - 2:19komplex, titkos algoritmussal
-
2:19 - 2:22ún. "hozzáadott érték
modell"-lel pontozták, -
2:23 - 2:25"Nézz utána a képletnek,
mutasd meg nekem, -
2:25 - 2:26majd elmagyarázom" – feleltem.
-
2:27 - 2:29"Próbáltam megszerezni,
-
2:29 - 2:32de az oktatási minisztériumi ember
azt mondta, hogy az matek, -
2:32 - 2:34és úgysem érteném" – válaszolta.
-
2:35 - 2:36De ez még semmi!
-
2:37 - 2:40Az információszabadsági törvény alapján
a New York Post kérvényt nyújtott be, -
2:40 - 2:43megszerezte a tanárok nevét és pontszámát,
-
2:43 - 2:46és a tanárok megszégyenítéséül közzétette.
-
2:47 - 2:51Amikor ugyanezzel a módszerrel meg akartam
szerezni a képletet, a forráskódot, -
2:51 - 2:53azt mondták, nem lehet.
-
2:53 - 2:54Megtagadták.
-
2:54 - 2:56Később megtudtam,
-
2:56 - 2:58hogy senkinek sincs meg
a képlet New Yorkban. -
2:58 - 3:00Senki sem ismerte.
-
3:02 - 3:05Aztán Gary Rubenstein, egy okos
ember, elkezdett vele foglalkozni. -
3:05 - 3:09A New York Post adataiban
talált 665 tanárt, -
3:09 - 3:10akiknek két különböző pontjuk volt.
-
3:11 - 3:13Ez úgy lehet, ha a tanárok
-
3:13 - 3:15hetedikes és nyolcadikas
matekot is tanítottak. -
3:15 - 3:17Úgy döntött, hogy ábrát készít.
-
3:17 - 3:19Minden pötty egy tanárnak felel meg.
-
3:19 - 3:20(Nevetés)
-
3:22 - 3:23Mi ez?
-
3:23 - 3:24(Nevetés)
-
3:24 - 3:28Egyéni értékelés esetén
ilyen sohasem történt volna. -
3:28 - 3:30Majdhogynem egy véletlenszám-generátor.
-
3:30 - 3:31(Taps)
-
3:33 - 3:33Az is volt.
-
3:33 - 3:35Ő Sarah Wysocki.
-
3:35 - 3:37Kirúgták 205 tanártársával együtt
-
3:37 - 3:39a washingtoni iskolakörzetből,
-
3:40 - 3:43bár kitűnő véleménye
volt róla az igazgatójának, -
3:43 - 3:44a szülőknek és a gyerekeknek.
-
3:45 - 3:47Tudom, a jelenlévők mire gondolnak,
-
3:47 - 3:50különösen az adattudósok
és az MI-szakértők. -
3:50 - 3:54Erre: "Én aztán soha nem csinálnék
olyan következetlen algoritmust!" -
3:55 - 3:57De az algoritmusok hibázhatnak,
-
3:57 - 4:01és erős romboló hatásuk is
lehet jó szándékból adódóan. -
4:03 - 4:05Egy rosszul tervezett repülő
-
4:05 - 4:07földre zuhan mindenki szeme láttára,
-
4:07 - 4:09de egy rosszul tervezett algoritmus
-
4:10 - 4:14sokáig működhet, csöndes rombolást okozva.
-
4:16 - 4:17Ő Roger Ailes.
-
4:17 - 4:19(Nevetés)
-
4:21 - 4:231996-ban ő alapította a Fox Newst.
-
4:23 - 4:26Több mint 20 nő panaszkodott
szexuális zaklatás miatt. -
4:26 - 4:29Mondták, hogy nem számíthattak
sikerre a Fox Newsnál. -
4:29 - 4:322016-ban Ailest kirúgták, de látható,
-
4:32 - 4:35hogy a helyzet nem változik.
-
4:36 - 4:37Adódik a kérdés:
-
4:37 - 4:40Mit kell a Fox Newsnak tennie,
hogy a helyzet javuljon? -
4:41 - 4:44Mi lenne, ha felvételi rendszerüket
-
4:44 - 4:46gépi tanulási algoritmusra cserélnék le?
-
4:46 - 4:47Jól hangzik, ugye?
-
4:47 - 4:48De gondoljunk bele!
-
4:49 - 4:51Milyen adatok állnak rendelkezésre?
-
4:51 - 4:56Az észszerű választás az utóbbi 21 évben
a Fox Newshoz beadott jelentkezési lapok. -
4:56 - 4:57Észszerű.
-
4:58 - 4:59Mi van a siker meghatározásával?
-
5:00 - 5:01Az észszerű válasz ez lenne:
-
5:01 - 5:03aki sikeres volt a Fox Newsnál?
-
5:03 - 5:07Mondjuk, aki négy évet ott töltött,
-
5:07 - 5:08és legalább egyszer előléptették.
-
5:09 - 5:10Észszerűnek hangzik.
-
5:10 - 5:13Aztán idomítjuk az algoritmust arra,
-
5:13 - 5:17hogy olyanokat keressen,
akik sikeresnek bizonyultak, -
5:17 - 5:22hogy megtudjuk, idővel
mely jelentkezők lettek sikeresek -
5:22 - 5:23meghatározásunk szerint.
-
5:24 - 5:26De gondoljunk most arra, mi lenne,
-
5:26 - 5:28ha ezt alkalmaznánk
a mostani jelentkezőkre, -
5:29 - 5:31és kiszűrnénk a nőket,
-
5:32 - 5:36mert a nők nem voltak sikeresek a múltban?
-
5:40 - 5:42Az algoritmusoktól a dolgok
nem válnak korrektté, -
5:42 - 5:45ha gondatlanul, vakon alkalmazzuk őket.
-
5:45 - 5:47Tőlük semmi sem válik korrektté.
-
5:47 - 5:49A múlt gyakorlatát ismétlik,
-
5:49 - 5:50a mi sémáinkat,
-
5:50 - 5:52Automatizálják a status quót.
-
5:53 - 5:55Tökéletes világban ez nagyszerű is lenne,
-
5:56 - 5:57de a világ nem olyan.
-
5:57 - 6:01Hozzáteszem, hogy a legtöbb
cégnek nincsenek kínos perei, -
6:02 - 6:05de azoknál a cégeknél
az adattudósoknak azt mondják, -
6:05 - 6:07hogy tartsák magukat az adatokhoz,
-
6:07 - 6:09a precizitás minden előtt.
-
6:10 - 6:12Mit jelent ez?
-
6:12 - 6:15Mivel mindannyian elfogultak vagyunk,
ezért esetleg szexizmust -
6:15 - 6:18vagy más fanatizmust kódolhatnak be.
-
6:19 - 6:21Gondolatkísérlet.
-
6:21 - 6:22Szeretem a gondolatkísérletet.
-
6:24 - 6:27Teljesen szegregált társadalom,
-
6:28 - 6:32rasszok szerint minden város,
minden környék szegregált, -
6:32 - 6:35és csak kisebbségi környékre
küldjük ki a rendőrséget -
6:35 - 6:36bűnüldözés céljából.
-
6:36 - 6:39A letartóztatási adatok
igen torzak lesznek. -
6:40 - 6:42Mi lenne, ha adattudósokat kérnénk,
-
6:42 - 6:47jelezzék előre, hol lesz
a következő bűntett. -
6:47 - 6:49A kisebbségi környéken.
-
6:49 - 6:52Vagy jósolják meg,
ki lesz a következő bűnöző. -
6:53 - 6:54Egy kisebbségi.
-
6:56 - 6:58Az adattudósok azzal fognak kérkedni,
-
6:58 - 7:01milyen nagyszerű és precíz a modelljük,
-
7:01 - 7:02és igazuk lesz.
-
7:04 - 7:08A valóság nem ily végletes,
de azért sok helyen -
7:08 - 7:10súlyos szegregációt tapasztalunk,
-
7:10 - 7:11rengeteg a bizonyíték
-
7:12 - 7:14elfogult intézkedésekre
és jogrendszeri adatokra. -
7:16 - 7:18De azért megjósoljuk a gócokat,
-
7:18 - 7:20bűntettek előfordulási helyeit.
-
7:20 - 7:24Megjósoljuk az egyéni bűnözést,
-
7:24 - 7:26egyesek bűnelkövetését.
-
7:27 - 7:31A ProPublica hírügynökség nemrég megnézett
-
7:31 - 7:33egy "visszaesési kockázat" algoritmust,
-
7:33 - 7:35ahogy ők hívják, Floridában,
-
7:35 - 7:37bírói ítélethozatal közben.
-
7:38 - 7:42Bernard, fekete férfi balról,
tízből 10 pontot kapott. -
7:43 - 7:45Dylan a jobb oldalon, tízből hármat.
-
7:45 - 7:48Tízből 10 – nagy kockázat,
tízből három – kis kockázat. -
7:49 - 7:51Mindkettőt kábszer-birtoklásért kapták el.
-
7:51 - 7:52Mindketten visszaesők,
-
7:52 - 7:55Dylannak volt súlyos bűntette,
-
7:55 - 7:56de Bernardnak nem.
-
7:58 - 8:01Ez számít, mert magasabb pontszám esetén
-
8:01 - 8:04súlyosabb ítéletet szabnak ki.
-
8:06 - 8:08Mi történik?
-
8:09 - 8:10Adatmosás.
-
8:11 - 8:15Ezzel a folyamattal rejtik el
a technikusok a csúnya igazságot -
8:15 - 8:17a feketedoboz-algoritmusba,
-
8:17 - 8:19s eztán már objektívnak
-
8:19 - 8:21és érdemeken alapulónak hívják.
-
8:23 - 8:26Mivel titkosak, fontosak és rombolók,
-
8:26 - 8:28alkottam rájuk egy fogalmat:
-
8:28 - 8:30"a matematika tömegpusztító fegyverei".
-
8:30 - 8:31(Nevetés)
-
8:31 - 8:32(Taps)
-
8:35 - 8:37Mindenhol vannak, nem tévedés.
-
8:38 - 8:41Magáncégek magánalgoritmusokat készítenek
-
8:41 - 8:43magáncélokra.
-
8:43 - 8:46Még az említett, tanároknak
és a rendőrségnek szántakat is -
8:46 - 8:48magáncégek készítették,
-
8:48 - 8:50majd adták el állami intézményeknek.
-
8:51 - 8:52"Titkos szósznak" hívják őket,
-
8:52 - 8:55ezért nem fedik föl őket.
-
8:55 - 8:57Ez is magánhatalom.
-
8:58 - 9:03Profitálnak a kiismerhetetlen
hatalom gyakorlásából. -
9:05 - 9:08Fölvethetik: mivel ez mind magántermék,
-
9:08 - 9:09verseny van,
-
9:09 - 9:11talán a szabadpiac megoldja a nehézséget.
-
9:11 - 9:12Nem fogja.
-
9:13 - 9:16Tisztességtelenséggel
sokat lehet keresni. -
9:17 - 9:20Ráadásul nem vagyunk
gazdaságilag racionális egyedek. -
9:21 - 9:22Mind elfogultak vagyunk.
-
9:23 - 9:26Mind rasszisták és bigottak vagyunk,
még ha nem akarjuk is, -
9:26 - 9:28még ha nem tudunk is róla.
-
9:29 - 9:32De összességében mégis tudunk róla,
-
9:32 - 9:35mert szociológiai kísérletek
-
9:35 - 9:37ezt következetesen alátámasztják.
-
9:37 - 9:41Beküldik egy csomó egyformán
alkalmas személy állásjelentkezését, -
9:41 - 9:42de egyeseknek "fehéres" nevük van,
-
9:42 - 9:44másoknak feketének hangzó.
-
9:44 - 9:47Az eredmény mindig elkeserítő.
-
9:48 - 9:49Tehát mind elfogultak vagyunk,
-
9:49 - 9:53és elfogultságunkat azzal
ojtjuk be az algoritmusokba, -
9:53 - 9:55hogy megválasztjuk,
milyen adatot gyűjtsünk, -
9:55 - 9:57ahogy én sem vettem
tudomást a zacskós levesről, -
9:57 - 9:59mert nem tartottam lényegesnek.
-
9:59 - 10:04De ha múltbéli gyakorlaton
alapuló adatokban bízva -
10:05 - 10:07határozzuk meg a sikert,
-
10:07 - 10:10hogyan remélhetjük, hogy megbízhatók
lesznek az algoritmusok? -
10:11 - 10:13Sehogy. Ellenőriznünk kell őket!
-
10:14 - 10:16Ellenőrizni, hogy pártatlanok-e.
-
10:16 - 10:18A jó hír, hogy lehet ezt ellenőrizni.
-
10:19 - 10:22Az algoritmusok vizsgálhatók.
-
10:22 - 10:24Mindig megmondják az igazat.
-
10:24 - 10:26Javíthatunk rajtuk.
-
10:27 - 10:29Ezt hívom algoritmus-auditálásnak,
-
10:29 - 10:31s megmutatom lépésenként, hogyan.
-
10:31 - 10:33Első az adatintegritás vizsgálata.
-
10:34 - 10:36Az említett visszaesési
kockázat algoritmusánál -
10:38 - 10:41az adatintegritás azt jelenti,
hogy el kell fogadnunk a tényt, -
10:41 - 10:44hogy feketék s fehérek azonos
arányban szívnak füvet az USA-ban, -
10:45 - 10:47ám a feketéket sokkal
gyakrabban tartóztatják le, -
10:47 - 10:50a körzettől függően
négy-ötször gyakrabban. -
10:51 - 10:54Hogy néz ki az elfogultság
más bűnügyi területen, -
10:54 - 10:55és mivel magyarázható?
-
10:56 - 10:59Másodszor, foglalkoznunk
kell a siker meghatározásával, -
10:59 - 11:01auditálnunk kell.
-
11:01 - 11:03Emlékeznek a felvételi algoritmusra?
-
11:03 - 11:06Sikeres, aki négy éve dolgozik,
és egyszer léptették elő? -
11:06 - 11:08Ő sikeres munkatárs,
-
11:08 - 11:11de azért, mert belesimult
a cég kultúrájába. -
11:12 - 11:14Ez is elfogultság lehet.
-
11:14 - 11:15A két dolgot el kell választanunk.
-
11:16 - 11:17Példának ott van
-
11:17 - 11:19a vak zenekari meghallgatás:
-
11:20 - 11:22a zenészek függöny mögött játszanak.
-
11:23 - 11:25A lényeg, hogy akik hallgatják őket,
-
11:25 - 11:28már eldöntötték, mi fontos,
-
11:28 - 11:30s azt is eldöntötték, mi nem,
-
11:30 - 11:32s erről semmi nem vonja el a figyelmüket.
-
11:33 - 11:35Amikor megindult
a vak zenekari meghallgatás, -
11:36 - 11:39a zenekarban játszó nők
száma ötszörösére nőtt. -
11:40 - 11:42Aztán minősíteni kell a precizitást.
-
11:43 - 11:47Itt rögtön megbukik a tanároknak
szóló hozzáadottérték-modell. -
11:48 - 11:49Persze, nincs tökéletes algoritmus,
-
11:51 - 11:54ezért mérlegelni kell minden
algoritmus esetleges hibáját. -
11:55 - 11:59Milyen gyakoriak a hibák,
és kinél sikertelen a modell? -
12:00 - 12:02Mi a sikertelenség ára?
-
12:02 - 12:05Végezetül, meg kell fontolnunk
-
12:06 - 12:09az algoritmusok s a keletkező
visszacsatolási hurkok -
12:09 - 12:11hosszú távú kihatásait.
-
12:11 - 12:13Ez elvontnak hangzik,
-
12:13 - 12:16de képzeljék el, ha a Facebook-
mérnökök gondoltak volna rá, -
12:16 - 12:21mielőtt eldöntötték, hogy csak a barátaink
posztolta dolgokat mutatják nekünk. -
12:22 - 12:25Még két megjegyzésem van,
egyik az itt ülő adattudósoknak szól. -
12:25 - 12:29Adattudósok!
Nem lehetünk az igazság döntőbírái. -
12:30 - 12:33A szélesebb társadalomban
folyó erkölcsi eszmecserét -
12:33 - 12:35kell tolmácsolnunk.
-
12:36 - 12:36(Taps)
-
12:38 - 12:39A többieknek,
-
12:40 - 12:41a nem adattudósoknak:
-
12:41 - 12:43ez nem matekvizsga.
-
12:44 - 12:45Ez politikai küzdelem.
-
12:47 - 12:50Követelnünk kell, hogy az algoritmusok
nagyurai elszámoltathatók legyenek. -
12:52 - 12:53(Taps)
-
12:54 - 12:58Vessünk véget a big datába
vetett vakhit korszakának! -
12:58 - 12:59Köszönöm szépen.
-
12:59 - 13:01(Taps)
- Title:
- Vessünk véget a big datába vetett vakhit korszakának!
- Speaker:
- Cathy O'Neil
- Description:
-
Algoritmusok döntik el, ki kap hitelt, ki jut el a fölvételi interjúig, ki kap biztosítást és még sok mást is, de ettől a dolgok nem válnak automatikusan tisztességessé. Cathy O'Neil matematikus és adattudós fogalmat alkotott a titkos, fontos és kártékony algoritmusokra: "a matematikai tömegpusztítás fegyverei". Tudjunk meg többet róla, milyen szándékok rejlenek a képletek mögött!
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 13:18
Csaba Lóki approved Hungarian subtitles for The era of blind faith in big data must end | ||
Csaba Lóki edited Hungarian subtitles for The era of blind faith in big data must end | ||
Beatrix Turán accepted Hungarian subtitles for The era of blind faith in big data must end | ||
Beatrix Turán edited Hungarian subtitles for The era of blind faith in big data must end | ||
Beatrix Turán edited Hungarian subtitles for The era of blind faith in big data must end | ||
Péter Pallós edited Hungarian subtitles for The era of blind faith in big data must end | ||
Péter Pallós edited Hungarian subtitles for The era of blind faith in big data must end | ||
Péter Pallós edited Hungarian subtitles for The era of blind faith in big data must end |