A big data — jobb adat
-
0:01 - 0:05Az USA legnépszerűbb pitéje a...
-
0:05 - 0:08Nézők: ...az almás!
KC: Az almás. Hát, persze, hogy az! -
0:08 - 0:09Honnan tudjuk?
-
0:09 - 0:12Az adatokból.
-
0:12 - 0:14A szupermarketek eladási adataiból.
-
0:14 - 0:17A 30 cm-es mélyhűtött piték
eladási adataiból. -
0:17 - 0:21Az almás a nyerő, semmi kétség.
-
0:21 - 0:26Az eladások többségét az almás teszi ki.
-
0:26 - 0:29De a szupermarketek kezdték árulni
-
0:29 - 0:32a kisebb, 11-centis pitéket,
-
0:32 - 0:36és hirtelen az almás
visszaesett a 4-5. helyre. -
0:36 - 0:39Miért? Mi történt?
-
0:39 - 0:42OK, gondoljuk csak át.
-
0:42 - 0:46Amikor 30-centis pitét veszünk,
-
0:46 - 0:48az egész családnak
egy véleményen kell lennie, -
0:48 - 0:52de az almás mindenkinél
csak a második befutó. -
0:52 - 0:54(Nevetés)
-
0:54 - 0:57De amikor magunknak választjuk
a 11-centis pitét, -
0:57 - 1:01azt vehetjük, amelyiket szeretnénk.
-
1:01 - 1:05Megvehetjük a kedvencünket.
-
1:05 - 1:07Több adatunk van.
-
1:07 - 1:08Most olyat látunk,
-
1:08 - 1:09amit nem láthattunk,
-
1:09 - 1:13amikor kevesebb adatunk volt.
-
1:13 - 1:16A lényeg: a több adat birtokában
-
1:16 - 1:18nemcsak többet tudunk
-
1:18 - 1:20a vizsgált dologról,
-
1:20 - 1:23hanem a több adat új dolgokat is megmutat.
-
1:23 - 1:27Jobban látjuk a dolgokat.
-
1:27 - 1:30Másként látjuk a dolgokat.
-
1:30 - 1:33Esetünkben megmutatja,
-
1:33 - 1:36melyik Amerika kedvenc pitéje:
-
1:36 - 1:39nem az almás!
-
1:39 - 1:42Valószínűleg hallották már
a "big data" szakkifejezést. -
1:42 - 1:44Valószínű, hogy a könyökükön jön ki
-
1:44 - 1:46a big data kifejezés.
-
1:46 - 1:49Tény, hogy óriási a felhajtás
a kifejezés körül, -
1:49 - 1:52és ez nagyon sajnálatos,
-
1:52 - 1:55hiszen a big data rendkívül fontos eszköz,
-
1:55 - 1:59amellyel a társadalom fejlődik.
-
1:59 - 2:02A múltban "small data"
elemzéseket használtunk, -
2:02 - 2:04és ezekből próbáltuk értelmezni,
-
2:04 - 2:05hogyan fogjuk fel a világot.
-
2:05 - 2:07Ma sokkal nagyobb adattömeggel dolgozunk,
-
2:07 - 2:10amekkorával korábban nem volt módunk.
-
2:10 - 2:12Ha nagy tömegű adatunk van,
-
2:12 - 2:15olyanokat is megtehetünk vele,
-
2:15 - 2:18melyeket a kevés adattal nem.
-
2:18 - 2:21A big data fontos, a big data újdonság,
-
2:21 - 2:22és ha utánagondolunk,
-
2:22 - 2:24az egyetlen lehetőség,
ahogyan a bolygó a maga -
2:24 - 2:26globális kihívásait a jövőben kezelheti
-
2:26 - 2:30— miként élelmezzük a népességet,
nyújtsunk egészségügyi ellátást számukra, -
2:30 - 2:33lássuk el energiával, villanyárammal;
hogyan biztosítsuk, -
2:33 - 2:34hogy ne süljön meg senki
-
2:34 - 2:37a Föld fölmelegedése miatt --
-
2:37 - 2:40mert így tudjuk az adatokat
hatékonyan felhasználni. -
2:40 - 2:44Mi az újdonság a big datában?
Mi a jelentősége? -
2:44 - 2:46A válasz érdekében nézzük meg,
-
2:46 - 2:48mi jellemezte az információt
-
2:48 - 2:51a múltban — fizikailag?
-
2:51 - 2:551908-ban Kréta szigetén
-
2:55 - 3:00a régészek felfedeztek egy agyagkorongot,
-
3:00 - 3:04a korát Kr. e. 2000-re tették,
úgyhogy négyezer éves. -
3:04 - 3:06A korongon feliratok vannak,
-
3:06 - 3:07jelentésük mindmáig ismeretlen.
-
3:07 - 3:09Teljes a rejtély, de a lényeg,
-
3:09 - 3:11hogy így nézett ki az információ
-
3:11 - 3:13négyezer évvel ezelőtt.
-
3:13 - 3:16A társadalom így tárolta
-
3:16 - 3:19és adta tovább az információt.
-
3:19 - 3:23A társadalom nem túl sokat haladt.
-
3:23 - 3:27Még mindig diszken tároljuk az infót,
-
3:27 - 3:30de a korábbinál már sokkal több
információt tudunk tárolni, -
3:30 - 3:31többet, mint bármikor.
-
3:31 - 3:34A keresés könnyebbé vált.
A másolás könnyebbé vált. -
3:34 - 3:38A megosztás könnyebbé vált.
A feldolgozás könnyebbé vált. -
3:38 - 3:41Amit még tudunk,
fölhasználhatjuk újra az információt -
3:41 - 3:42olyan célra, amit nem is sejtettünk,
-
3:42 - 3:46mikor első ízben begyűjtöttük az adatokat.
-
3:46 - 3:48Ebből a szempontból az adatok
-
3:48 - 3:51állományból áramlattá váltak,
-
3:51 - 3:55változatlan—statikusból
-
3:55 - 3:59folyékony—dinamikussá.
-
3:59 - 4:03Kimondhatjuk: az információ likviddé vált.
-
4:03 - 4:06A Krétán felfedezett korong
-
4:06 - 4:10négyezer éves és súlyos,
-
4:10 - 4:12nem sok információt tárol,
-
4:12 - 4:15és az az infó megváltoztathatatlan.
-
4:15 - 4:19Ezzel szemben az összes fájl,
-
4:19 - 4:21melyet Edward Snowden kihozott
-
4:21 - 4:24az USA Nemzetbiztonsági Hivatalából,
-
4:24 - 4:26egy körömnyi memóriakártyára
-
4:26 - 4:29ráfér,
-
4:29 - 4:34és fénysebességgel megosztható.
-
4:34 - 4:39Több adat. Több.
-
4:39 - 4:41Az egyik oka, miért van ma a világon
-
4:41 - 4:43olyan sok adatunk, mert gyűjtjük,
-
4:43 - 4:46amiről mindig is gyűjtöttük az infót.
-
4:46 - 4:49A másik oka, mert gyűjtjük
azokat a dolgokat, -
4:49 - 4:51melyek mindig is
tájékoztató jellegűek voltak, -
4:51 - 4:54de eddig soha nem szervezték
adatformába őket, -
4:54 - 4:56de mi most adatokká rendezzük őket.
-
4:56 - 5:00Gondoljunk pl. a hely kérdésére.
-
5:00 - 5:02Vegyük pl. Luther Mártont.
-
5:02 - 5:04Ha meg szerettük volna tudni
a XVI. században, -
5:04 - 5:06hogy hol van Luther,
-
5:06 - 5:08állandóan követnünk kellett volna
-
5:08 - 5:10lúdtollal és tintatartóval a kezünkben,
-
5:10 - 5:12és jegyzetelnünk kellett volna.
-
5:12 - 5:14Gondoljunk bele, hogyan történik ez ma.
-
5:14 - 5:16Tudjuk, hogy valahol, valószínűleg
-
5:16 - 5:19a telekommunikációs szolgáltató
adatbázisában -
5:19 - 5:22van egy táblázat vagy adatbázis bemenet,
-
5:22 - 5:24amely rögzíti az információt arról,
-
5:24 - 5:26mikor merre járunk.
-
5:26 - 5:27Ha mobiltelefonunk van,
-
5:27 - 5:30és a mobilban van GPS,
de még ha nincs is benne GPS, -
5:30 - 5:33rögzíteni tudja ezt az információt.
-
5:33 - 5:37Ebből a szempontból
a hely adattá változott. -
5:37 - 5:41Most gondoljunk pl. a testtartásra,
-
5:41 - 5:42ahogy most ülnek,
-
5:42 - 5:45ahogy ön ül,
-
5:45 - 5:47meg ön ül, meg ahogy ön ül.
-
5:47 - 5:49Mindenki másként ül a lábhosszúságától
-
5:49 - 5:51és háta méretétől függően,
-
5:51 - 5:54ha mondjuk 100 érzékelőt helyeznék
-
5:54 - 5:56mindnyájuk székébe,
-
5:56 - 5:59létrehozhatnék egy mutatószámot,
amely elég egyedi lenne, -
5:59 - 6:04mint az ujjlenyomatuk. De ez nem az ujjuk.
-
6:04 - 6:07Mit kezdhetnénk vele?
-
6:07 - 6:09Tokiói kutatók kocsikban mint
-
6:09 - 6:14potenciális lopásgátlót használják.
-
6:14 - 6:16Az ötlet, hogy ha a rabló beül a kocsiba,
-
6:16 - 6:19megpróbál lelépni, de a kocsi fölismeri,
-
6:19 - 6:21hogy nem a jogosult ül benne,
-
6:21 - 6:23és lehet, hogy leáll a motor,
-
6:23 - 6:26ha nem írjuk be a jelszót a műszerfalba,
-
6:26 - 6:31mintha azt mondanánk:
"Szia, vezethetem a kocsit." Remek. -
6:31 - 6:33Mi lenne, ha minden európai kocsiba
-
6:33 - 6:35be lenne építve ez a technika?
-
6:35 - 6:38Mit kezdhetnénk ezzel?
-
6:38 - 6:40Lehet, ha az adatokat összegyűjtenénk,
-
6:40 - 6:44ezzel kimutathatnánk
-
6:44 - 6:47az öt másodpercen belül esetleg
bekövetkező autóbaleset -
6:47 - 6:53árulkodó előjeleit
-
6:53 - 6:55Azután adattá alakíthatjuk
-
6:55 - 6:57a sofőr kimerültségét,
-
6:57 - 6:59így a kocsi érzékelné,
-
6:59 - 7:03amikor a sofőr belerogy az ülésbe,
-
7:03 - 7:07önműködően bekapcsolná a belső riasztót,
-
7:07 - 7:09az meg rezegtetné a kormányt, tülkölne,
-
7:09 - 7:11hogy: "Hé, ébresztő,
-
7:11 - 7:12jobban figyelj az útra."
-
7:12 - 7:14Ezek olyan dolgok, amiket megtehetünk,
-
7:14 - 7:17ha adattá alakítjuk
életünk egyes tényezőit. -
7:17 - 7:21Mitől értékes a big data?
-
7:21 - 7:23Gondolkozzunk csak el rajta.
-
7:23 - 7:25Több információnk van.
-
7:25 - 7:29Megtehetünk olyat is, amit korábban nem.
-
7:29 - 7:30Az egyik ilyen lenyűgöző terület,
-
7:30 - 7:32ahol az elmélet fölhasználható,
-
7:32 - 7:35a gépi tanulás.
-
7:35 - 7:39A gépi tanulás része
a mesterséges intelligenciának, -
7:39 - 7:42mely maga is a számítástechnika egyik ága.
-
7:42 - 7:43Az ötlet lényege: ahelyett,
-
7:43 - 7:46hogy utasítanánk a gépet, mi a teendője,
-
7:46 - 7:48egyszerűen rázúdítjuk
a probléma adatait, -
7:48 - 7:51és megmondjuk a gépnek,
önállóan hozzon ki belőlük valamit. -
7:51 - 7:53Könnyebb lesz ezt megérteniük,
-
7:53 - 7:57ha visszanyúlunk az alapokhoz.
-
7:57 - 7:59Az 50-es években az IBM informatikusa,
-
7:59 - 8:03Arthur Samuel, szerette a dámajátékot,
-
8:03 - 8:04ezért programot írt a gépre,
-
8:04 - 8:07hogy játszhasson a gép ellen.
-
8:07 - 8:10Játszott. Nyert.
-
8:10 - 8:12Játszott. Nyert.
-
8:12 - 8:15Játszott. Nyert,
-
8:15 - 8:17mert a gép csak
-
8:17 - 8:19a lépések szabályait ismerte.
-
8:19 - 8:21De Samuel mást is tudott.
-
8:21 - 8:26Arthur Samuel ismerte a stratégiát.
-
8:26 - 8:28Hozzáírt egy kis alprogramot,
-
8:28 - 8:30amely a háttérben működött,
-
8:30 - 8:32és minden lépésnél kiszámolta,
-
8:32 - 8:34hogy egy adott állás
-
8:34 - 8:37mekkora a valószínűséggel eredményez
-
8:37 - 8:40nyerő vagy vesztő állást.
-
8:40 - 8:43Játszott a géppel. Nyert.
-
8:43 - 8:45Játszott a géppel. Nyert.
-
8:45 - 8:49Játszott a géppel. Nyert.
-
8:49 - 8:51Azután Arthur Samuel hagyta,
-
8:51 - 8:54hogy a gép magával játsszon.
-
8:54 - 8:57Magával játszik. Több adatot gyűjt.
-
8:57 - 9:01Több adatot gyűjt.
Javítja az előrejelzései pontosságát. -
9:01 - 9:03Azután Samuel újra leül a géppel játszani;
-
9:03 - 9:06játszik — és veszít,
-
9:06 - 9:08újból játszik és veszít,
-
9:08 - 9:10játszik és veszít,
-
9:10 - 9:13s Samuel megteremtette a gépet,
-
9:13 - 9:19mely abban, amire tanította,
felülmúlja a tanár képességeit. -
9:19 - 9:21A gépi tanulás elve ma már
-
9:21 - 9:25mindenhol teret nyert.
-
9:25 - 9:28Mit gondolnak, miért vannak már
önvezető autók? -
9:28 - 9:31A társadalom jobb helyzetben van,
-
9:31 - 9:34ha a KRESZT-t szoftverbe foglaljuk?
-
9:34 - 9:36Nem. A memória olcsóbb? Nem.
-
9:36 - 9:40Az algoritmus gyorsabb? Nem.
A processzorok jobbak? Nem. -
9:40 - 9:43Persze, ezek számítanak, de nem ez az oka.
-
9:43 - 9:46Hanem, mert megváltoztattuk
a probléma természetét. -
9:46 - 9:48Megváltoztattuk, mert ahelyett,
-
9:48 - 9:50hogy részletekbe menően
-
9:50 - 9:53elmagyaráznánk a gépnek, miként vezessen,
-
9:53 - 9:54csak annyit mondunk neki:
-
9:54 - 9:56"Itt egy sereg adat a jármű körül.
-
9:56 - 9:57Hozz ki belőle valamit!
-
9:57 - 9:59Vedd észre, hogy ez egy közlekedési lámpa,
-
9:59 - 10:01tilosat mutat, nem zöldet,
-
10:01 - 10:03azt jelenti, hogy meg kell állnod,
-
10:03 - 10:06most nem mehetsz."
-
10:06 - 10:08A gépi tanulás
-
10:08 - 10:10sok mindennek alapja, amit online végzünk:
-
10:10 - 10:12keresőmotorok,
-
10:12 - 10:16az Amazon személyre szabott algoritmusa,
-
10:16 - 10:18számítógépes fordítók,
-
10:18 - 10:22hangfelismerő rendszerek.
-
10:22 - 10:25A kutatók az utóbbi időben
-
10:25 - 10:28a biopsziával,
-
10:28 - 10:31a rákos sejtek biopsziájával foglalkoznak,
-
10:31 - 10:33és azt kérték, hogy a gép az adatokat
-
10:33 - 10:36és a túlélési arányt összevetve
-
10:36 - 10:40döntse el a sejtekről,
-
10:40 - 10:43hogy rákosak-e vagy sem.
-
10:43 - 10:45Elegendő adat esetén a gép
-
10:45 - 10:47gépi tanulási algoritmussal
-
10:47 - 10:49meg tudta határozni a 12 jellemzőt,
-
10:49 - 10:51amely a legbiztosabban jelzi,
-
10:51 - 10:54hogy a biopsziából nyert emlőráksejtek
-
10:54 - 10:57tényleg rákosak-e.
-
10:57 - 11:00A bökkenő: az orvosi szakirodalom
-
11:00 - 11:03közülük csak kilencet ismert.
-
11:03 - 11:04Három jellemzőt
-
11:04 - 11:07a szakértők nem tartottak lényegesnek,
-
11:07 - 11:13ezt a hármat a gép ismerte föl.
-
11:13 - 11:19A big datának vannak sötét oldalai is.
-
11:19 - 11:21Jobbá teszi életünket,
-
11:21 - 11:24de figyelnünk kell néhány dologra.
-
11:24 - 11:26Az első:
-
11:26 - 11:29pórul is járhatumk az előrejelzéssel,
-
11:29 - 11:33hogy a rendőrség saját céljaira
használhatja a big datát, -
11:33 - 11:35mint a Különvélemény c. filmben.
-
11:35 - 11:38Létezik a prediktív rendfenntartás
-
11:38 - 11:40avagy az algoritmus-kriminológia
szakkifejezés. -
11:40 - 11:42Eszerint, ha elég sok adatunk van,
-
11:42 - 11:44pl. hol történtek bűnesetek,
-
11:44 - 11:47ebből tudni fogjuk,
hova küldjünk járőröket. -
11:47 - 11:49Ebben van logika, de a bökkenő,
-
11:49 - 11:53hogy a dolog nem korlátozódik
a hely-adatokra, -
11:53 - 11:56hanem elér az egyénig.
-
11:56 - 11:59Miért ne használnánk föl
-
11:59 - 12:01az érettségi bizonyítvány adatait?
-
12:01 - 12:02Vagy használhatnánk,
-
12:02 - 12:04hogy az illető munkanélküli-e,
hitelképes-e, -
12:04 - 12:06hol szörföl a világhálón,
-
12:06 - 12:08fönn van-e éjszakánként?
-
12:08 - 12:11Ha a Fitbit okosóra képes mérni
a biokémiai adatokat, -
12:11 - 12:15kimutathatja az agresszív gondolatokat.
-
12:15 - 12:17Lehetnek olyan algoritmusok,
melyek jelezhetik, -
12:17 - 12:19mit szándékozunk tenni,
-
12:19 - 12:21és felelősségre vonhatnak minket,
-
12:21 - 12:23mielőtt még a kisujjunkat mozdítanánk.
-
12:23 - 12:25A magánélet központi kérdés volt
-
12:25 - 12:28a small data időszakában.
-
12:28 - 12:30A big data időszakában a kérdés
-
12:30 - 12:34a szabad akarat, az erkölcsös választás,
-
12:34 - 12:38az emberi akarat
-
12:38 - 12:41és az emberi cselekvő erő oltalma.
-
12:43 - 12:45Van még egy másik gond is:
-
12:45 - 12:48a big data megfoszt az állásunktól.
-
12:48 - 12:52A big data és az algoritmusok
veszélyeztetik -
12:52 - 12:55a fehérgalléros értelmiségiek munkáját
-
12:55 - 12:57a XXI. században.
-
12:57 - 12:59Ugyanúgy, mint a gyárak automatizálása
-
12:59 - 13:01és a futószalag
-
13:01 - 13:04fenyegette a kékgallérosokat
a XX. században. -
13:04 - 13:06Gondoljunk a laboránsra,
-
13:06 - 13:08aki mikroszkópon keresztül figyeli
-
13:08 - 13:09a biopsziás sejteket,
-
13:09 - 13:12és próbálja eldönteni, rákosak-e.
-
13:12 - 13:14A laboráns egyetemet végzett,
-
13:14 - 13:15ingatlant vett,
-
13:15 - 13:17szavaz,
-
13:17 - 13:20a társadalom tagja.
-
13:20 - 13:22Azután kiderül, hogy az illető állása,
-
13:22 - 13:24csakúgy mint sok-sok értelmiségé,
-
13:24 - 13:26a hozzá hasonlóké
-
13:26 - 13:29gyökeresen megváltozott,
-
13:29 - 13:31vagy teljesen fölöslegessé vált.
-
13:31 - 13:33Szeretjük azt hinni,,
-
13:33 - 13:36hogy hosszabb távon
a technika állásokat teremt -
13:36 - 13:39egy rövid kaotikus időszak után,
-
13:39 - 13:41s ez jelen életünkre igaz,
-
13:41 - 13:43az ipari forradalom idején
-
13:43 - 13:46pont ez történt.
-
13:46 - 13:48De az elemzésből valamit kihagytunk:
-
13:48 - 13:50vannak olyan munkakörök,
-
13:50 - 13:53amelyek eltűnnek,
és soha nem térnek vissza. -
13:53 - 13:55Ha lovak lettünk volna, nem örültünk volna
-
13:55 - 13:59az ipari forradalomnak.
-
13:59 - 14:01Szóval óvatosnak kell lennünk,
-
14:01 - 14:05és a big datát a szükségleteinkhez,
-
14:05 - 14:08az emberi szükségletekhez
kell igazítanunk. -
14:08 - 14:10Gazdái legyünk a technológiának,
-
14:10 - 14:12ne szolgái.
-
14:12 - 14:15Jelenleg a big data korszaknak
a kezdetén vagyunk, -
14:15 - 14:18és bevallhatjuk,
hogy még nem vagyunk elég jók -
14:18 - 14:21a begyűjthető adatok kezelésében.
-
14:21 - 14:25Ez nem csak a Nemzetbiztonsági
Hivatal gondja. -
14:25 - 14:28A vállalatok rengeteg adatot
gyűjtenek, vissza is élnek velük. -
14:28 - 14:32Ezen van mit javítani,
ami nem megy máról holnapra. -
14:32 - 14:34Egy kicsit olyan ez,
-
14:34 - 14:36mint az ősember és a tűz esete.
-
14:36 - 14:38Ez egy eszköz, de olyan eszköz,
-
14:38 - 14:42amellyel ha gondatlanul bánunk,
megéget bennünket. -
14:44 - 14:47A big data átformálja az életünket,
-
14:47 - 14:50munkánkat és gondolkodásunkat.
-
14:50 - 14:52Segít életpályánk alakításában,
-
14:52 - 14:55és hogy örömteli, reményteljes,
-
14:55 - 14:58boldog és egészséges életet élhessünk.
-
14:58 - 15:02A múltban gyakran úgy tekintettünk
az információ-technológiára, -
15:02 - 15:04hogy csak a T-t vettük észre,
-
15:04 - 15:06a technológiát, a hardvert,
-
15:06 - 15:08mert az fizikailag megragadható.
-
15:08 - 15:11Most pillantásunkat
az I-re is rá kell vetnünk, -
15:11 - 15:12az információra,
-
15:12 - 15:14ami kevésbé kézzelfogható,
-
15:14 - 15:18de bizonyos szempontból fontosabb.
-
15:18 - 15:21Az emberiség a begyűjtött információból
-
15:21 - 15:24végül tudást meríthet,
-
15:24 - 15:26ami választ adhat az örök kérdésre:
-
15:26 - 15:29mi is a világ, és mi a helyünk benne,
-
15:29 - 15:34és ezért a big data azt is jelenti:
nagy a tét. -
15:34 - 15:38(Taps)
- Title:
- A big data — jobb adat
- Speaker:
- Kenneth Cukier
- Description:
-
Az önvezető autók csak a kezdet. Milyen lesz a big data segítségével működő technológia és dizájn jövője? Izgalmas tudományos előadásában Kenneth Cukier a gépi tanulás és az emberi tudás jövőjével foglalkozik.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 15:51
Csaba Lóki commented on Hungarian subtitles for Big data is better data | ||
Csaba Lóki edited Hungarian subtitles for Big data is better data | ||
Csaba Lóki edited Hungarian subtitles for Big data is better data | ||
Csaba Lóki edited Hungarian subtitles for Big data is better data | ||
Csaba Lóki approved Hungarian subtitles for Big data is better data | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for Big data is better data | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for Big data is better data | ||
Maria Ruzsane Cseresnyes accepted Hungarian subtitles for Big data is better data |
Csaba Lóki
Nagyon érdekes téma, ésélvezetes magyar szöveg!