I Big Data sono dati migliori
-
0:01 - 0:03Qual è la torta preferita dagli americani?
-
0:03 - 0:06Pubblico:Quella di mele.
-
0:06 - 0:08Kenneth Cukier: Quella di mele.
Ovviamente. -
0:08 - 0:09Come lo sappiamo?
-
0:09 - 0:12Grazie ai dati.
-
0:12 - 0:14Guardate le vendite dei supermercati.
-
0:14 - 0:15Guardate le vendite dei supermercati
-
0:15 - 0:17relative alle torte surgelate
di 30 centimetri. -
0:17 - 0:21la torta di mele vince, non c'è gara.
-
0:21 - 0:26La maggior parte delle vendite
è di torte di mele. -
0:26 - 0:29Poi i supermercati
hanno iniziato a vendere -
0:29 - 0:32torte più piccole da 11 centimetri
-
0:32 - 0:36e improvvisamente la torta di mele
cade al quarto o quinto posto. -
0:36 - 0:39Perché? Cos'è successo?
-
0:39 - 0:42Pensateci.
-
0:42 - 0:46Quando comprate
una torta da 30 centimetri -
0:46 - 0:48tutta la famiglia deve essere d'accordo
-
0:48 - 0:52e la torta di mele è
la seconda preferita di tutti. -
0:52 - 0:54(Risate)
-
0:54 - 0:57Tuttavia quando comprate
una torta da 11 centimetri -
0:57 - 1:01potete acquistare
quella che preferite. -
1:01 - 1:05Potete avere la vostra prima scelta.
-
1:05 - 1:07Avete più dati.
-
1:07 - 1:08Potete vedere qualcosa
-
1:08 - 1:09che non potreste vedere
-
1:09 - 1:13con un quantitativo minore di dati.
-
1:13 - 1:16Qui il punto è che più dati
-
1:16 - 1:18non ci fanno semplicemente
vedere di più, -
1:18 - 1:20ma di più della stessa cosa
che stiamo osservando. -
1:20 - 1:23Più dati ci permettono di vedere il nuovo.
-
1:23 - 1:26Ci permettono di vedere meglio.
-
1:26 - 1:30Ci permettono di vedere in modo diverso.
-
1:30 - 1:33In questo caso ci permettono di vedere
-
1:33 - 1:36che la torta preferita dagli americani è:
-
1:36 - 1:39non la torta di mele.
-
1:39 - 1:42Probabilmente avete tutti
sentito parlare di Big Data. -
1:42 - 1:44Anzi, probabilmente siete stanchi
di sentir nominare la parola -
1:44 - 1:46Big Data.
-
1:46 - 1:49È vero che c'è stato molto
clamore sull'argomento -
1:49 - 1:52ed è un vero peccato
-
1:52 - 1:55perché i Big Data sono uno strumento
veramente importante -
1:55 - 1:59grazie al quale la società progredirà.
-
1:59 - 2:02In passato siamo stati abituati
a guardare ai piccoli dati -
2:02 - 2:04pensando a cosa potesse dire
-
2:04 - 2:05a cercare di capire il mondo
-
2:05 - 2:07e adesso ne abbiamo molti di più,
-
2:07 - 2:10molti di più di quanti
ne abbiamo mai avuti prima. -
2:10 - 2:12Scopriamo che quando abbiamo
-
2:12 - 2:15un gran quantitativo di dati,
possiamo fare certe cose -
2:15 - 2:18che non potevamo fare quando
ne avevamo di meno. -
2:18 - 2:21I Big Data sono importanti,
i Big Data sono nuovi -
2:21 - 2:22e se ci pensate
-
2:22 - 2:25l'unico modo
che il pianeta avrà di gestire -
2:25 - 2:26la sua sfida globale
-
2:26 - 2:30di nutrire le persone,
fornire loro cure mediche, -
2:30 - 2:33energia, elettricità,
-
2:33 - 2:35ed essere certi
che non saranno carbonizzate -
2:35 - 2:36a causa del riscaldamento globale
-
2:36 - 2:40è grazie ad un uso efficace dei dati.
-
2:40 - 2:44Cosa c'è di nuovo
sui Big Data? Qual è il punto? -
2:44 - 2:46Per rispondere alla domanda, pensiamo
-
2:46 - 2:48all'aspetto delle informazioni,
-
2:48 - 2:51a come si presentavano
fisicamente in passato. -
2:51 - 2:55Nel 1908 sull'isola di Creta
-
2:55 - 3:00gli archeologi hanno scoperto
un disco di argilla. -
3:00 - 3:04L'hanno datato intorno al 2000 a.C.,
ha quindi circa 4000 anni. -
3:04 - 3:06Su questo disco c'è un'iscrizione
-
3:06 - 3:07che effettivamente
non sappiamo cosa significhi. -
3:07 - 3:08È un completo mistero,
-
3:08 - 3:09ma il punto è
-
3:09 - 3:11che questo è l'aspetto
che avevano le informazioni -
3:11 - 3:134000 anni fa.
-
3:13 - 3:16È il modo in cui la civiltà archiviava
-
3:16 - 3:19e trasmetteva informazioni.
-
3:19 - 3:23La civiltà non è poi così progredita.
-
3:23 - 3:27Immagazziniamo ancora
informazioni su dischi -
3:27 - 3:30solo che oggi possiamo immagazzinare
molte più informazioni -
3:30 - 3:32come mai prima d'ora.
-
3:32 - 3:34Ricercarle è più semplice.
Copiarle è più semplice. -
3:34 - 3:38Condividerle è più semplice.
Elaborarle è più semplice. -
3:38 - 3:41Inoltre possiamo riutilizzare
queste informazioni -
3:41 - 3:43per scopi che non avremmo mai immaginato
-
3:43 - 3:46quando per la prima volta
abbiamo raccolto dati. -
3:46 - 3:48A questo proposito, i dati sono passati
-
3:48 - 3:51da un blocco ad un flusso,
-
3:51 - 3:55da qualcosa di immobile e statico
-
3:55 - 3:59a qualcosa di fluido e dinamico.
-
3:59 - 4:03C'è, se volete,
una liquidità nelle informazioni. -
4:03 - 4:06Il disco scoperto a Creta
-
4:06 - 4:10vecchio di 4000 anni, è pesante,
-
4:10 - 4:12non può immagazzinare molta informazione
-
4:12 - 4:15e le informazioni
non si possono modificare. -
4:15 - 4:19Invece tutti i file
-
4:19 - 4:21che Edward Snowden ha preso
-
4:21 - 4:24dalla National Security Agency
negli Stati Uniti -
4:24 - 4:26sono contenuti in una chiavetta USB
-
4:26 - 4:29delle dimensioni di un unghia
-
4:29 - 4:34e possono essere condivisi
alla velocità della luce. -
4:34 - 4:39Più dati. Di più.
-
4:39 - 4:42Una ragione per cui abbiamo
così tanti dati nel mondo oggi -
4:42 - 4:43è che raccogliamo cose
-
4:43 - 4:46delle quali abbiamo sempre
raccolto informazioni, -
4:46 - 4:49ma un'altra ragione è
che stiamo prendendo cose -
4:49 - 4:51che sono sempre state esplicative
-
4:51 - 4:54ma non le abbiamo mai
rappresentate in forma di dati -
4:54 - 4:56e le stiamo trasformando in dati.
-
4:56 - 5:00Pensate, ad esempio,
alla questione della localizzazione. -
5:00 - 5:02Prendete, ad esempio, Martin Lutero.
-
5:02 - 5:03Se nel 1500 avessimo voluto sapere
-
5:03 - 5:06dove fosse Martin Lutero
-
5:06 - 5:08avremmo dovuto seguirlo tutto il tempo
-
5:08 - 5:10probabilmente con una penna d'oca
e un calamaio -
5:10 - 5:12per documentarlo,
-
5:12 - 5:14pensate a come funziona oggi.
-
5:14 - 5:16Sapete che da qualche parte
-
5:16 - 5:19nel database di un operatore
delle telecomunicazioni -
5:19 - 5:22c'è un foglio o perlomeno un database
-
5:22 - 5:24che raccoglie le vostre informazioni
-
5:24 - 5:26di dove siete in qualunque momento.
-
5:26 - 5:27Se avete un cellulare
-
5:27 - 5:30e quel cellulare ha il GPS,
ma anche se non ha il GPS, -
5:30 - 5:33può registrare le vostre informazioni.
-
5:33 - 5:37In questo senso la localizzazione
è stata datificata. -
5:37 - 5:41Pensate ora, ad esempio,
alla questione della postura -
5:41 - 5:43il modo in cui tutti voi siete seduti ora,
-
5:43 - 5:45come sei seduto tu,
-
5:45 - 5:47come sei seduto tu, come sei seduto tu.
-
5:47 - 5:50Cambia in funzione della lunghezza
delle vostre gambe, -
5:50 - 5:52della vostra schiena,
della forma della vostra schiena, -
5:52 - 5:55se io mettessi dei sensori
magari 100 sensori -
5:55 - 5:57su ognuna delle vostre
sedie proprio adesso -
5:57 - 5:59potrei creare un indice unico per voi,
-
5:59 - 6:04una sorta di impronta digitale,
ma non del vostro dito. -
6:04 - 6:07Cosa potremmo farci?
-
6:07 - 6:09Dei ricercatori a Tokyo
li stanno utilizzando -
6:09 - 6:14per un potenziale
dispositivo antifurto delle auto. -
6:14 - 6:16L'idea è che il ladro d'auto
sieda dietro al volante, -
6:16 - 6:19cerchi di avviare l'auto, ma lei riconosce
-
6:19 - 6:21che dietro al volante c'è
un guidatore non approvato -
6:21 - 6:23il motore si fermerà,
a meno che voi -
6:23 - 6:26non digitiate una password sul cruscotto
-
6:26 - 6:31che dica "Hey, ho
l'autorizzazione a guidare". Grandioso. -
6:31 - 6:33Cosa succederebbe
se ogni singola auto in Europa -
6:33 - 6:35avesse questa tecnologia?
-
6:35 - 6:38Cosa potremmo fare allora?
-
6:38 - 6:40Forse, aggregando i dati
-
6:40 - 6:44potremmo identificare i segnali rivelatori
-
6:44 - 6:47che predicano al meglio
che un incidente automobilistico -
6:47 - 6:53sta per avvenire
nei prossimi cinque secondi. -
6:53 - 6:55Quello che avremmo datificato
-
6:55 - 6:57sarebbe l'affaticamento del guidatore
-
6:57 - 6:59e la funzione sarebbe
che quando l'auto rileva -
6:59 - 7:03che la persona sta crollando
in una certa posizione -
7:03 - 7:07sa automaticamente
di dover attivare un allarme interno -
7:07 - 7:10che faccia vibrare il volante
e suonare un clacson interno -
7:10 - 7:11per dire "Hei svegliati
-
7:11 - 7:12fai attenzione alla strada".
-
7:12 - 7:15Questo è il tipo di cose che possiamo fare
-
7:15 - 7:17quando datifichiamo
più aspetti delle nostre vite. -
7:17 - 7:21Quindi, qual è il valore dei Big Data?
-
7:21 - 7:23Pensateci.
-
7:23 - 7:25Avete più informazioni.
-
7:25 - 7:29Potete fare cose
che non avete mai potuto fare prima. -
7:29 - 7:30Una delle aree più impressionanti
-
7:30 - 7:32dove questo concetto sta prendendo piede
-
7:32 - 7:35è nell'area dell'apprendimento automatico.
-
7:35 - 7:39L'apprendimento automatico è
una branca dell'intelligenza artificiale -
7:39 - 7:42che è a sua volta
una branca dell'informatica. -
7:42 - 7:43L'idea generale è che invece
-
7:43 - 7:46di dire ad un computer cosa fare
-
7:46 - 7:48dovremmo semplicemente
inviargli i dati del problema -
7:48 - 7:51e dire al computer di risolverlo da solo.
-
7:51 - 7:53Per comprenderlo, vi aiuterà
-
7:53 - 7:57vederne le origini.
-
7:57 - 7:59Nel 1950 l'informatico
-
7:59 - 8:03dell'IBM Arthur Samuel,
al quale piaceva giocare a dama -
8:03 - 8:04scrisse un programma
-
8:04 - 8:07per poter giocare contro il computer.
-
8:07 - 8:10Giocò. Vinse.
-
8:10 - 8:12Giocò. Vinse.
-
8:12 - 8:15Giocò. Vinse
-
8:15 - 8:17perché il computer sapeva soltanto
-
8:17 - 8:19quali fossero le mosse consentite.
-
8:19 - 8:21Arthur Samuel conosceva qualcos'altro.
-
8:21 - 8:25Arthur Samuel conosceva la strategia.
-
8:25 - 8:28Così scrisse un piccolo
sub-programma da affiancare al primo, -
8:28 - 8:30che lavorava in background.
Tutto quello che faceva -
8:30 - 8:32era registrare la probabilità
-
8:32 - 8:34che una certa configurazione
della scacchiera portasse -
8:34 - 8:37ad un risultato vincente o perdente
-
8:37 - 8:40dopo ogni mossa.
-
8:40 - 8:43Giocò con il computer. Vinse.
-
8:43 - 8:45Giocò con il computer. Vinse.
-
8:45 - 8:49Giocò con il computer. Vinse.
-
8:49 - 8:51Quindi Arthur Samuel lascio il computer
-
8:51 - 8:54a giocare da solo.
-
8:54 - 8:57Giocò da solo. Raccolse più dati.
-
8:57 - 9:01Raccolse più dati. Migliorò
l'accuratezza delle proprie previsioni. -
9:01 - 9:03Quindi Arthr Samuel ritornò al computer
-
9:03 - 9:06giocò e perse,
-
9:06 - 9:08giocò e perse,
-
9:08 - 9:10giocò e perse.
-
9:10 - 9:13Arthur Samuel aveva creato una macchina
-
9:13 - 9:19in grado di superarlo
in un compito che gli aveva insegnato. -
9:19 - 9:21Questa idea dell'apprendimento automatico
-
9:21 - 9:25sta arrivando ovunque.
-
9:25 - 9:28Cosa ne pensate delle automobili
che si guidano da sole? -
9:28 - 9:31Saremmo una società migliore
-
9:31 - 9:34racchiudendo tutto
il codice stradale in un software? -
9:34 - 9:36No. La memoria è più economica. No.
-
9:36 - 9:40Gli algoritmi sono più rapidi.
No, i processori sono migliori. No. -
9:40 - 9:43Tutte queste cose sono importanti,
ma non è il motivo. -
9:43 - 9:46È perché abbiamo cambiato
la natura del problema. -
9:46 - 9:48Abbiamo cambiato
la natura del problema da uno -
9:48 - 9:52in cui abbiamo tentato di spiegare
apertamente ed esplicitamente -
9:52 - 9:53al computer come guidare
-
9:53 - 9:54a uno in cui diciamo,
-
9:54 - 9:56"Qui ci sono un sacco di dati sul veicolo.
-
9:56 - 9:57Devi capire.
-
9:57 - 9:59Capisci che quello è un semaforo
-
9:59 - 10:01che il semaforo è rosso e non verde
-
10:01 - 10:03il che significa che devi fermarti
-
10:03 - 10:06e non andare avanti."
-
10:06 - 10:08L'apprendimento automatico è alla base
-
10:08 - 10:10di molte delle cose che facciamo online:
-
10:10 - 10:12motori di ricerca,
-
10:12 - 10:16gli algoritmi personalizzati di Amazon,
-
10:16 - 10:18traduzione computerizzata,
-
10:18 - 10:22sistemi di riconoscimento vocale.
-
10:22 - 10:25I ricercatori hanno recentemente osservato
-
10:25 - 10:28il problema delle biopsie,
-
10:28 - 10:31delle biopsie tumorali,
-
10:31 - 10:33hanno chiesto al computer di identificare,
-
10:33 - 10:36osservando i dati
e le statistiche di sopravvivenza, -
10:36 - 10:40di determinare se le cellule
sono veramente -
10:40 - 10:43tumorali oppure no
-
10:43 - 10:45e sicuramente quando mettendoci i dati,
-
10:45 - 10:47attraverso un algoritmo
per l'apprendimento automatico -
10:47 - 10:49la macchina è in grado di identificare
-
10:49 - 10:51i 12 segni distintivi
che predicono al meglio -
10:51 - 10:53che la biopsia
delle cellule tumorali del seno -
10:53 - 10:57sono effettivamente tumorali.
-
10:57 - 11:00Il problema: la letteratura medica
-
11:00 - 11:03ne conosce soltanto nove.
-
11:03 - 11:04Tre dei tratti erano
-
11:04 - 11:07quelli che non si cercavano,
-
11:07 - 11:13ma che la macchina ha individuato.
-
11:13 - 11:19Nei Big Data
ci sono anche dei lati oscuri. -
11:19 - 11:21Miglioreranno le nostre vite,
ma ci sono dei problemi -
11:21 - 11:24dei quali dobbiamo essere consapevoli
-
11:24 - 11:26e il primo è l'idea
-
11:26 - 11:29che potremmo essere puniti per le previsioni,
-
11:29 - 11:33che la polizia potrebbe utilizzare
i Big Data per i propri scopi -
11:33 - 11:35un po' come in "Minority Report".
-
11:35 - 11:38Viene definita sorveglianza predittiva
-
11:38 - 11:40o criminologia algoritmica,
-
11:40 - 11:42l'idea è che se prendiamo molti dati,
-
11:42 - 11:44per esempio dove
sono avvenuti i crimini in passato, -
11:44 - 11:47sappiamo dove inviare le pattuglie.
-
11:47 - 11:49Questo ha senso,
però il problema, ovviamente, -
11:49 - 11:53è che tutto questo non si fermerà
semplicemente ai dati di localizzazione -
11:53 - 11:56arriverà a livello individuale.
-
11:56 - 11:59Perché non utilizzare i dati scolastici
-
11:59 - 12:01delle persone?
-
12:01 - 12:03Forse potremmo usare il fatto
-
12:03 - 12:05che siano disoccupate o meno,
il loro punteggio, -
12:05 - 12:07il loro comportamento su internet,
-
12:07 - 12:09se stanno svegli fino a tardi la notte.
-
12:09 - 12:12Il loro Fitbit quando sarà in grado
di identificare la biochimica -
12:12 - 12:15ci mostrerà che hanno pensieri aggressivi.
-
12:15 - 12:17Potremmo avere algoritmi
in grado di prevedere -
12:17 - 12:19cosa stiamo per fare
-
12:19 - 12:21e potremmo essere ritenuti responsabili
-
12:21 - 12:23prima di aver effettivamente
fatto qualcosa. -
12:23 - 12:25La privacy era la sfida centrale
-
12:25 - 12:28nell'era dei piccoli dati.
-
12:28 - 12:30All'epoca dei grandi dati
-
12:30 - 12:34la sfida sarà la salvaguardia
del libero arbitrio, -
12:34 - 12:38della scelta morale,
della decisione umana, -
12:38 - 12:41dell'azione umana.
-
12:43 - 12:45C'è anche un altro problema:
-
12:45 - 12:48i Big Data ci ruberanno il lavoro.
-
12:48 - 12:52i Big Data e gli algoritmi
metteranno alla prova -
12:52 - 12:55i colletti bianchi, il lavoro di concetto
-
12:55 - 12:57del 21° secolo
-
12:57 - 12:59nello stesso modo in cui
l'automazione industriale -
12:59 - 13:01e le linee di assemblaggio
-
13:01 - 13:04hanno messo alla prova
il lavoro dei colletti blu nel 20° secolo. -
13:04 - 13:06Pensate ai tecnici di laboratorio
-
13:06 - 13:08che guardano in un microscopio
-
13:08 - 13:09ad una biopsia per il cancro
-
13:09 - 13:12per determinare se è tumorale oppure no.
-
13:12 - 13:14Questa persona è andata all'università.
-
13:14 - 13:16Questa persona acquista proprietà.
-
13:16 - 13:17Lui o lei votano.
-
13:17 - 13:21Lui o lei è un azionista della società.
-
13:21 - 13:22Il lavoro di questa persona,
-
13:22 - 13:24così come quello di un intero gruppo
-
13:24 - 13:26di professionisti come quella persona,
-
13:26 - 13:29si rivelerà radicalmente cambiato
-
13:29 - 13:31oppure del tutto eliminato.
-
13:31 - 13:33Ci piace pensare
-
13:33 - 13:36che la tecnologia crei lavoro nel tempo
-
13:36 - 13:39dopo un breve, temporaneo periodo di crisi
-
13:39 - 13:41esattamente come
è stato vero in riferimento -
13:41 - 13:44a quello che abbiamo vissuto
durante la Rivoluzione Industriale -
13:44 - 13:46perché è precisamente
quello che è capitato. -
13:46 - 13:49Abbiamo però dimenticato
qualcosa in questa analisi: -
13:49 - 13:51ci sono alcune categorie di lavoro
-
13:51 - 13:53che verranno semplicemente eliminate
e non torneranno. -
13:53 - 13:56La Rivoluzione Industriale
non è stata esattamente un bene -
13:56 - 13:59per i cavalli.
-
13:59 - 14:01Dobbiamo essere cauti
-
14:01 - 14:05e prendere i Big Data
e adattarli alle nostre esigenze, -
14:05 - 14:08alle nostre esigenze
in quanto esseri umani. -
14:08 - 14:10Dobbiamo essere padroni
di questa tecnologia, -
14:10 - 14:12non i suoi servitori.
-
14:12 - 14:15Siamo proprio all'inizio
dell'era dei Big Data -
14:15 - 14:18e onestamente noi non siamo proprio bravi
-
14:18 - 14:22nel maneggiare tutti i dati
che siamo in grado di raccogliere. -
14:22 - 14:25Non è soltanto un problema
della National Security Agency -
14:25 - 14:29Le aziende raccolgono tantissimi
dati e ne fanno pure un cattivo utilizzo -
14:29 - 14:32dobbiamo imparare a gestirli meglio
e questo richiederà tempo. -
14:32 - 14:34È un po' come la sfida
che abbiamo affrontato -
14:34 - 14:36da uomini primitivi con il fuoco.
-
14:36 - 14:38È uno strumento, ma è uno strumento
-
14:38 - 14:44che scotta se non si sta attenti.
-
14:44 - 14:47I Big Data trasformeranno come viviamo,
-
14:47 - 14:50come lavoriamo, come pensiamo.
-
14:50 - 14:52Ci aiuteranno a gestire le nostre carriere
-
14:52 - 14:55e ci condurranno ad un vita
di soddisfazione e speranza -
14:55 - 14:58di felicità e salute
-
14:58 - 15:02ma in passato, molto spesso
guardando all'Information Technology -
15:02 - 15:04i nostri occhi hanno visto solo la T,
-
15:04 - 15:06la tecnologia, l'hardware,
-
15:06 - 15:08perché erano fisici.
-
15:08 - 15:11Adesso dobbiamo riadattare
il nostro sguardo sulla I -
15:11 - 15:12sull'informazione,
-
15:12 - 15:14che è meno appariscente
-
15:14 - 15:18ma in qualche modo molto più importante.
-
15:18 - 15:21L'umanità può finalmente
imparare dalle informazioni -
15:21 - 15:24che possono essere raccolte,
-
15:24 - 15:26come parte della nostra
ricerca senza tempo -
15:26 - 15:29per capire il mondo
e il nostro posto in esso -
15:29 - 15:34questo è il motivo per cui
i Big Data sono una gran cosa. -
15:34 - 15:38(Applausi)
- Title:
- I Big Data sono dati migliori
- Speaker:
- Kenneth Cukier
- Description:
-
Le auto che si guidano da sole sono solo l'inizio. Dove porteranno il futuro della tecnologia e del design i Big Data? In un eccitante monologo scientifico, Kenneth Cukier guarda al futuro dell'apprendimento automatico e della conoscenza umana.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 15:51
Anna Cristiana Minoli approved Italian subtitles for Big data is better data | ||
Anna Cristiana Minoli edited Italian subtitles for Big data is better data | ||
Anna Cristiana Minoli accepted Italian subtitles for Big data is better data | ||
Anna Cristiana Minoli edited Italian subtitles for Big data is better data | ||
Anna Cristiana Minoli edited Italian subtitles for Big data is better data | ||
Margherita Colaceci edited Italian subtitles for Big data is better data | ||
Margherita Colaceci edited Italian subtitles for Big data is better data | ||
Debora Serrentino edited Italian subtitles for Big data is better data |