Megadados são dados melhores
-
0:01 - 0:05A torta preferida dos americanos é?
-
0:05 - 0:08Plateia: Maçã
Kenneth Cukier: Maçã. Claro que sim. -
0:08 - 0:09Como sabemos isso?
-
0:09 - 0:12Por causa dos dados.
-
0:12 - 0:14Vejam as vendas dos supermercados.
-
0:14 - 0:18Vejam as vendas
das tortas congeladas de 30 cm, -
0:18 - 0:21a de maçã vence, sem dúvida.
-
0:21 - 0:24A maioria das vendas são de maçã.
-
0:27 - 0:29Mas então os supermercados
começaram a vender -
0:29 - 0:32tortas menores, de 11 cm,
-
0:32 - 0:36e, de repente, a de maçã caiu
para o quarto ou quinto lugar. -
0:36 - 0:38Por quê? O que aconteceu?
-
0:39 - 0:41Certo, pensem bem.
-
0:42 - 0:46Quando você compra uma torta de 30 cm,
-
0:46 - 0:48a família toda tem que aceitar,
-
0:48 - 0:52e a de maçã é a segunda
mais favorita de todos. -
0:52 - 0:54(Risos)
-
0:54 - 0:57Mas quando você compra
uma torta individual de 11 cm, -
0:57 - 1:01você pode comprar a que quiser.
-
1:01 - 1:05Você pode comprar a sua primeira opção.
-
1:05 - 1:07Você tem mais dados.
-
1:07 - 1:09Pode ver algo que você não via,
-
1:09 - 1:13quando tinha menos informação.
-
1:13 - 1:16A questão aqui é que mais dados
-
1:16 - 1:18não nos permite apenas ver mais
-
1:18 - 1:20daquilo que já tínhamos antes.
-
1:20 - 1:23Mais dados nos permitem ver coisas novas.
-
1:23 - 1:27Permitem-nos ver melhor.
-
1:27 - 1:30Permitem-nos ver de forma diferente.
-
1:30 - 1:33Neste caso, permitem-nos ver
-
1:33 - 1:36qual é a torta favorita dos EUA:
-
1:36 - 1:38não é a de maçã.
-
1:39 - 1:42Vocês já devem ter ouvido
o termo "megadados". -
1:42 - 1:46Na verdade, já devem estar fartos
de ouvir o termo "megadados". -
1:46 - 1:49É verdade, há muitos exageros
associados ao termo, -
1:49 - 1:51e isso é lamentável,
-
1:51 - 1:55porque os megadados são uma ferramenta
extremamente importante -
1:55 - 1:58pela a qual a sociedade vai avançar.
-
1:59 - 2:02No passado, olhávamos para
os dados pequenos -
2:02 - 2:04e pensávamos no que significaria
-
2:04 - 2:05tentar entender o mundo,
-
2:05 - 2:07e agora nós temos muito mais dados,
-
2:07 - 2:10como jamais tivemos antes.
-
2:10 - 2:12O que vemos é que quando temos
-
2:12 - 2:15um grande volume de dados,
podemos fazer coisas -
2:15 - 2:18que não podíamos fazer quando
só havia quantidades pequenas. -
2:18 - 2:21Megadados são importantes,
e megadados são novidade, -
2:21 - 2:22e quando se pensa nisso,
-
2:22 - 2:25o único jeito deste planeta lidar
-
2:25 - 2:26com os desafios globais–
-
2:26 - 2:30alimentar as pessoas,
provê-las com cuidados médicos, -
2:30 - 2:32provê-las com energia, eletricidade,
-
2:32 - 2:34e assegurar que não ficaremos "tostados"
-
2:34 - 2:36com o aquecimento global –
-
2:36 - 2:40será com a utilização de dados
de forma eficaz. -
2:40 - 2:44Então, o que há de novo sobre megadados?
-
2:44 - 2:46Bom, para responder isso, vamos pensar
-
2:46 - 2:48em como informação era,
-
2:48 - 2:51fisicamente, no passado.
-
2:51 - 2:55Em 1908, na ilha de Creta,
-
2:55 - 2:59arqueólogos descobriram
um disco de argila, -
3:00 - 3:04que foi datado de 2000 A.C.,
então são 4 mil anos de idade. -
3:04 - 3:07Há inscrições no disco,
mas não sabemos o que significam. -
3:07 - 3:09É um completo mistério,
mas o detalhe é que -
3:09 - 3:11era assim que a informação parecia
-
3:11 - 3:134 mil anos atrás.
-
3:13 - 3:16Era assim que a sociedade armazenava
-
3:16 - 3:19e transmitia informação.
-
3:19 - 3:23Hoje, sociedades não avançaram
tanto assim. -
3:23 - 3:27Ainda armazenamos informação em discos,
-
3:27 - 3:30mas hoje podemos guardar
muito mais informação, -
3:30 - 3:31mais do que podíamos antes.
-
3:31 - 3:34Buscar é mais fácil. Copiar é mais fácil.
-
3:34 - 3:38Compartilhar é mais fácil.
Processar é mais fácil. -
3:38 - 3:41E podemos reutilizar essa informação
-
3:41 - 3:42para usos que não imaginávamos
-
3:42 - 3:46quando coletamos os dados
pela primeira vez -
3:46 - 3:47Neste contexto, os dados
-
3:47 - 3:51mudaram de um estoque para um fluxo,
-
3:51 - 3:55de algo estacionário e estático
-
3:55 - 3:59para algo que é fluido e dinâmico.
-
3:59 - 4:03Existe um tipo de "liquidez"
na informação. -
4:03 - 4:06O disco descoberto em Creta,
-
4:06 - 4:10de 4 mil anos de idade, é pesado,
-
4:10 - 4:12ele não armazena muita informação,
-
4:12 - 4:15e a informação não é modificável.
-
4:15 - 4:19Em contraste, todos os arquivos
-
4:19 - 4:21que Edward Snowden levou
-
4:21 - 4:24da Agência de Segurança Nacional
dos Estados Unidos -
4:24 - 4:26cabem em um pen drive
-
4:26 - 4:29do tamanho de uma unha,
-
4:29 - 4:33e podem ser compartilhado
à velocidade da luz. -
4:34 - 4:37Mais dados. Mais.
-
4:39 - 4:41Agora, uma explicação de termos
tantos dados hoje -
4:41 - 4:43é que estamos coletando coisas
-
4:43 - 4:46sobre as quais sempre
coletamos informação. -
4:46 - 4:49Mas uma outra razão é que
estamos pegando coisas, -
4:49 - 4:51que sempre foram informacionais
-
4:51 - 4:54mas não estavam em formato de dados,
-
4:54 - 4:56e agora estão sendo
transformados em dados. -
4:56 - 5:00Vejam, por exemplo,
a questão da localização. -
5:00 - 5:02Vejam, por exemplo, Martinho Lutero.
-
5:02 - 5:04Se quiséssemos saber, nos anos 1500,
-
5:04 - 5:06onde Martinho Lutero estava,
-
5:06 - 5:08teríamos que segui-lo o tempo todo,
-
5:08 - 5:10talvez com uma pena e um tinteiro,
-
5:10 - 5:12e fazer registros,
-
5:12 - 5:14e agora veja como isso é hoje.
-
5:14 - 5:16Sabemos que em algum lugar,
-
5:16 - 5:19talvez num banco de dados
de operadora de telefonia, -
5:19 - 5:22há uma planilha, ou ao menos
um registro em banco de dados -
5:22 - 5:24gravando sua informação
-
5:24 - 5:26de onde você esteve, a todo momento.
-
5:26 - 5:27Se você tem um celular,
-
5:27 - 5:30com um GPS, mas mesmo
que não tenha um GPS, -
5:30 - 5:33ele pode registrar sua informação.
-
5:33 - 5:37Neste contexto, a localização
foi transformada em dados. -
5:37 - 5:40Vejam, por exemplo, a questão da postura,
-
5:40 - 5:43como vocês estão se sentando agora,
-
5:43 - 5:45o modo como você se senta,
-
5:45 - 5:46o modo como você se senta.
-
5:46 - 5:50São todos diferentes, e é uma função
dos comprimentos das pernas -
5:50 - 5:51e do contorno das suas costas,
-
5:51 - 5:54e seu eu colocasse censores,
talvez 100 censores -
5:54 - 5:56nas cadeiras de todos aqui agora,
-
5:56 - 5:59eu poderia criar um índice
único para cada um de vocês, -
5:59 - 6:04como uma impressão digital,
mas não é do seu dedo. -
6:04 - 6:07Então, o que poderíamos fazer com isso?
-
6:07 - 6:09Pesquisadores em Tóquio estão usando isso
-
6:09 - 6:13como um potencial dispositivo
anti-roubo para carros. -
6:13 - 6:16A ideia é que o ladrão senta ao volante,
-
6:16 - 6:19tenta ligar, mas o carro reconhece
-
6:19 - 6:21que um motorista não autorizado
está ao volante, -
6:21 - 6:23e talvez o motor pare, a não ser
-
6:23 - 6:26que você digite uma senha no painel
-
6:26 - 6:31para dizer: "Ei, eu tenho autorização
para dirigir". Ótimo. -
6:31 - 6:33E se todos os carros na Europa
-
6:33 - 6:35usassem esta tecnologia?
-
6:35 - 6:37O que poderíamos fazer?
-
6:38 - 6:40Talvez, se agregássemos os dados,
-
6:40 - 6:44talvez pudéssemos identificar sinais
-
6:44 - 6:47que indicassem se um acidente de carro
-
6:47 - 6:52irá acontecer nos próximos 5 segundos.
-
6:52 - 6:55E então, o que teremos
transformados em dados, -
6:55 - 6:57é fatiga do motorista,
-
6:57 - 7:00e o serviço seria, quando o carro sente
-
7:00 - 7:03que a pessoa assume aquela posição,
-
7:03 - 7:07automaticamente ativar um alarme interno
-
7:07 - 7:09que faria o volante vibrar, emitir um som,
-
7:09 - 7:11como se dissesse: "Ei, acorda,
-
7:11 - 7:12presta mais atenção na estrada."
-
7:12 - 7:14Essas são as coisas que podemos fazer
-
7:14 - 7:18quando convertemos em dados
mais aspectos das nossas vidas. -
7:18 - 7:21Então, qual o valor dos megadados?
-
7:22 - 7:23Pensem bem.
-
7:23 - 7:25Temos mais informação.
-
7:25 - 7:29Podemos fazer coisas que não
podíamos antes. -
7:29 - 7:30Uma das áreas mais impressionantes
-
7:30 - 7:32em que este conceito está ocorrendo
-
7:32 - 7:35é na área do aprendizado de máquina.
-
7:35 - 7:39O aprendizado de máquina é um ramo
da inteligência artificial, -
7:39 - 7:42que, por sua vez, é um ramo
da ciência da computação. -
7:42 - 7:43A idéia geral é que em vez de
-
7:43 - 7:46instruir um computador sobre o que fazer,
-
7:46 - 7:48nós simplesmente jogamos dados no problema
-
7:48 - 7:51e dizemos ao computador
que resolva sozinho. -
7:51 - 7:56Conhecer as origens disso
ajudará vocês a entenderem. -
7:56 - 7:59Por volta de 1950,
um cientista da computação -
7:59 - 8:03da IBM, Arthur Samuel, gostava
de jogar damas, -
8:03 - 8:04ele então criou um programa
-
8:04 - 8:07para que pudesse jogar
contra o computador. -
8:07 - 8:10Ele jogou. Ele ganhou.
-
8:10 - 8:12Ele jogou. Ele ganhou.
-
8:12 - 8:15Ele jogou. Ele ganhou,
-
8:15 - 8:17porque o computador só sabia
-
8:17 - 8:19o que era uma jogada legal.
-
8:19 - 8:21Arthur Samuel sabia algo mais.
-
8:21 - 8:25Arthur Samuel sabia sobre estratégia.
-
8:25 - 8:28Ele então criou um pequeno sub-programa,
-
8:28 - 8:30operando em segundo plano,
e tudo que ele fazia -
8:30 - 8:32era calcular a probabilidade
-
8:32 - 8:34que uma dada configuração do tabuleiro
pudesse levar -
8:34 - 8:37a um jogo vencedor contra um perdedor,
-
8:37 - 8:40após cada movimento.
-
8:40 - 8:43Ele joga contra o computador. Ele ganha.
-
8:43 - 8:45Ele joga contra o computador. Ele ganha.
-
8:45 - 8:48Ele joga contra o computador. Ele ganha.
-
8:49 - 8:51Então Arthur Samuel deixou o computador
-
8:51 - 8:54jogar contra ele mesmo.
-
8:54 - 8:57Ele joga com ele mesmo. Coleta mais dados.
-
8:57 - 9:01Coleta mais dados. A precisão
de sua predição aumenta. -
9:01 - 9:03Arthur Samuel volta ao computador
-
9:03 - 9:06ele joga, e ele perde,
-
9:06 - 9:08ele joga, e ele perde,
-
9:08 - 9:10ele joga, e ele perde,
-
9:10 - 9:13e Arthur Samuel criou uma máquina
-
9:13 - 9:18que supera sua habilidade em uma tarefa
que ele mesmo ensinou. -
9:19 - 9:21Essa ideia de aprendizagem de máquina
-
9:21 - 9:24estará em todas as partes.
-
9:25 - 9:28Como vocês acham que funcionam
os carros auto-dirigidos? -
9:28 - 9:31Será que estamos melhores
como uma sociedade, -
9:31 - 9:34colocando todas as regras de trânsito
em um software? -
9:34 - 9:36Não. A memória está mais barata. Não.
-
9:36 - 9:40Os algoritmos são mais rápidos. Não.
Os processadores são melhores. Não. -
9:40 - 9:43Tudo isso é importante, mas
não é o principal. -
9:43 - 9:46O essencial é que modificamos
a natureza do problema. -
9:46 - 9:50Mudamos o problema de um em que
tentávamos aberta e explicitamente, -
9:50 - 9:53explicar ao computador como dirigir,
-
9:53 - 9:54para um em que dizemos:
-
9:54 - 9:57"Aqui temos um monte de dados
sobre o veículo. Resolva. -
9:57 - 9:59Descubra se aquilo é um semáforo,
-
9:59 - 10:01se a luz é vermelha e não verde,
-
10:01 - 10:03que isso significa que você tem que parar
-
10:03 - 10:05e não ir adiante."
-
10:06 - 10:08A aprendizagem de máquina é a base
-
10:08 - 10:10de muita coisa que fazemos online:
-
10:10 - 10:12Motores de busca,
-
10:12 - 10:16algoritmos de personalização da Amazon,
-
10:16 - 10:18tradução automática,
-
10:18 - 10:20sistemas de reconhecimento de voz.
-
10:22 - 10:25Pesquisadores recentemente examinaram
-
10:25 - 10:28a questão das biópsias,
-
10:28 - 10:30biópsias de câncer,
-
10:31 - 10:33e pediram para o computador
para identificar, -
10:33 - 10:36olhando os dados e taxas de sobrevivência
-
10:36 - 10:40para determinar se as células
-
10:40 - 10:43são cancerosas ou não,
-
10:43 - 10:45e, certamente, alimentando os dados
-
10:45 - 10:47em um algoritmo de
aprendizagem de máquina, -
10:47 - 10:49a máquina foi capaz de identificar
-
10:49 - 10:51os 12 sinais que melhor predizem
-
10:51 - 10:54que nesta biópsia, as células da mama
-
10:54 - 10:57são realmente cancerosas.
-
10:57 - 11:00O problema: a literatura médica
-
11:00 - 11:03só conhecia nove deles.
-
11:03 - 11:04Três das características eram traços
-
11:04 - 11:07que as pessoas não tinham
necessidade de procurar, -
11:07 - 11:11mas o computador detectou.
-
11:14 - 11:18Mas também há o lado sombrio
dos megadados. -
11:18 - 11:21Eles vão melhorar nossas vidas,
mas há problemas -
11:21 - 11:24dos quais devemos estar cientes.
-
11:24 - 11:26O primeiro é que
-
11:26 - 11:29possamos ser punidos
por causa das previsões; -
11:29 - 11:33que a polícia poderá usar
megadados para seus propósitos, -
11:33 - 11:35um pouco como "Minority Report".
-
11:35 - 11:38Atualmente, é um termo chamado
"policiamento preditivo", -
11:38 - 11:40ou criminologia algorítmica.
-
11:40 - 11:42A ideia é que, se tivermos muitos dados,
-
11:42 - 11:44digamos, onde um crime ocorreu no passado,
-
11:44 - 11:47sabemos para onde enviar as patrulhas.
-
11:47 - 11:49Isso faz sentido, mas o problema, claro,
-
11:49 - 11:53é que isso não vai parar
só nos dados de localização, -
11:53 - 11:56vai chegar ao nível do indivíduo.
-
11:56 - 11:58Por que não usar os dados
-
11:58 - 12:00do histórico escolar das pessoas?
-
12:00 - 12:03Talvez usar o fato
de estarem desempregadas, ou não, -
12:03 - 12:05usar sua pontuação de crédito,
-
12:05 - 12:08sua conduta na Internet,
se ficam acordadas de noite. -
12:08 - 12:11Seus Fitbits, quando puderem
identificar dados bioquímicos, -
12:11 - 12:14mostrarão se têm pensamentos agressivos.
-
12:15 - 12:17Poderemos ter algoritmos
que poderão prever -
12:17 - 12:19o que estamos prestes a fazer.
-
12:19 - 12:20e poderemos ser incriminados
-
12:20 - 12:23mesmo antes de agirmos.
-
12:23 - 12:25A privacidade era o desafio principal
-
12:25 - 12:27na era dos pequenos dados.
-
12:28 - 12:30Na fase dos megadados,
-
12:30 - 12:34o desafio será salvaguardar
nosso livre arbítrio, -
12:34 - 12:38escolha moral, volição humana,
-
12:38 - 12:40e atuação humana.
-
12:42 - 12:45Há um outro problema:
-
12:45 - 12:48Os megadados vão roubar nossos empregos.
-
12:48 - 12:52Megadados e algoritmos desafiarão
-
12:52 - 12:55o conhecimento profissional
dos funcionários -
12:55 - 12:57do século 21,
-
12:57 - 12:59da mesma forma que
a automação das fábricas -
12:59 - 13:01e as linhas de produção
-
13:01 - 13:04desafiaram o trabalho dos operários
no século 20. -
13:04 - 13:06Imagine um técnico de laboratório
-
13:06 - 13:08examinando ao microscópio
-
13:08 - 13:09uma biópsia do câncer,
-
13:09 - 13:12decidindo se é maligno ou não.
-
13:12 - 13:14Esta pessoa frequentou faculdade.
-
13:14 - 13:15Ela compra um imóvel.
-
13:15 - 13:17Vota.
-
13:17 - 13:21É parte interessada da sociedade.
-
13:21 - 13:22E o seu emprego,
-
13:22 - 13:24assim como o de toda uma frota
-
13:24 - 13:26de profissionais,
-
13:26 - 13:29vão ver que seus empregos
mudarão radicalmente -
13:29 - 13:31ou, de fato, serão completamente extintos.
-
13:31 - 13:33Agora, gostamos de pensar
-
13:33 - 13:36que a tecnologia cria empregos
durante um período tempo -
13:36 - 13:39após um período de transição
curto, temporário. -
13:39 - 13:41Isso é verdade para o quadro de referência
-
13:41 - 13:44com o qual vivemos,
a Revolução Industrial, -
13:44 - 13:46porque foi exatamente o que ocorreu.
-
13:46 - 13:48Mas esquecemos algo nessa análise:
-
13:48 - 13:50Há certas categorias de empregos
-
13:50 - 13:53que simplesmente são eliminados
e não voltam nunca. -
13:53 - 13:55A Revolução Industrial não foi muito boa
-
13:55 - 13:57para os cavalos.
-
13:59 - 14:01Portanto precisamos ser cautelosos,
-
14:01 - 14:05e pegar os megadados e ajustá-los
às nossas necessidades, -
14:05 - 14:08às nossas necessidades humanas.
-
14:08 - 14:10Temos que ser os mestres desta tecnologia,
-
14:10 - 14:12e não seus criados.
-
14:12 - 14:15Estamos apenas no início
da era dos megadados, -
14:15 - 14:18e, honestamente, não somos muito bons
-
14:18 - 14:22em manejar todos dados
que agora podemos coletar. -
14:22 - 14:25O problema não é só para a
Agência Segurança Nacional dos EUA. -
14:25 - 14:28Empresas coletam muitos dados
e também fazem mal uso deles, -
14:28 - 14:32e precisamos melhorar nisso,
o que levará tempo -
14:32 - 14:34É um pouco como o desafio
-
14:34 - 14:36que os homens primitivos
enfrentaram com o fogo. -
14:36 - 14:38É uma ferramenta, mas é uma ferramenta
-
14:38 - 14:41que, se não tivermos cuidado,
vai nos queimar. -
14:44 - 14:47Megadados vão transformar
o modo como vivemos, -
14:47 - 14:49como trabalhamos e como pensamos.
-
14:49 - 14:52Vão ajudar no gerenciamento
de nossas carreiras, -
14:52 - 14:55e viver satisfeitos, com esperança,
-
14:55 - 14:58felizes e saudáveis,
-
14:58 - 15:02mas no passado muitas vezes olhávamos
para a Tecnologia da Informação -
15:02 - 15:04mas nossos olhos só viam o 'T',
-
15:04 - 15:06a tecnologia, o hardware,
-
15:06 - 15:08porque era a parte física.
-
15:08 - 15:11Agora precisamos colocar
nossa atenção no 'I', -
15:11 - 15:12de informação,
-
15:12 - 15:14que é menos tangível.
-
15:14 - 15:18mas em certos aspectos
muito mais importante. -
15:18 - 15:21A humanidade pode finalmente
aprender a partir da informação -
15:21 - 15:24que ela pode coletar,
-
15:24 - 15:26como parte da nossa eterna busca
-
15:26 - 15:29pelo entendimento do mundo
e do nosso lugar nele, -
15:29 - 15:33e é por isso que os megadados
são importantes. -
15:34 - 15:38(Aplausos)
- Title:
- Megadados são dados melhores
- Speaker:
- Kenneth Cukier
- Description:
-
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.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 15:51
Gustavo Rocha approved Portuguese, Brazilian subtitles for Big data is better data | ||
Gustavo Rocha edited Portuguese, Brazilian subtitles for Big data is better data | ||
Gustavo Rocha edited Portuguese, Brazilian subtitles for Big data is better data | ||
Gustavo Rocha edited Portuguese, Brazilian subtitles for Big data is better data | ||
Retired user accepted Portuguese, Brazilian subtitles for Big data is better data | ||
Retired user edited Portuguese, Brazilian subtitles for Big data is better data | ||
Retired user edited Portuguese, Brazilian subtitles for Big data is better data | ||
Retired user edited Portuguese, Brazilian subtitles for Big data is better data |