Veliki podaci su bolji podaci

Samoupravljajuća vozila su bila samo početak. Šta je budućnost tehnologije i dizajna potpomognutih velikim podacima? Kroz uzbudljiv naučni govor, Kenet Kukir razmatra šta je sledeće za mašinsko učenje - i ljudsko saznanje.

Koja je omiljena američka pita?

Publika: Od jabuke.
Kenet Kukir: Od jabuke. Naravno.

Kako to znamo?

Zbog podataka.

Posmatramo rasprodaju u supermarketima,

prodaju zamrznutih pita prečnika 30 cm,

i jabuka pobeđuje.

Bez konkurencije.

Najveći deo prodaje je od jabuka.

Zatim su supermarketi
počeli da prodaju manje pite,

pite prečnika 11 cm.

Odjednom, jabuka pada
na četvrto ili peto mesto.

Zašto? Šta se dogodilo?

Dobro. Razmislite o tome.

Kada kupite pitu od 30cm,

cela porodica mora da se složi,

a pita od jabuka je svima
drugi omiljeni izbor.

(Smeh)

Ali kad kupite zasebnu pitu od 11cm,

možete da kupite onu koju vi hoćete.

Možete da uzmete vaš prvi izbor.

Imate više podataka.

Možete da vidite nešto

što niste mogli da vidite
kada ste ih imali u manjim količinama.

Dakle, poenta je da više podataka

ne samo što nam omogućava da vidimo više,

više o tome što posmatramo.

Više podataka nam omogućava
da vidimo novo.

Omogućava nam da vidimo bolje.

Omogućava nam da vidimo različito.

U ovom slučaju, omogućava nam da vidimo

koja je omiljena američka pita:

nije od jabuka.

Svi ste verovatno čuli izraz
"veliki podaci".

Verovatno vam je i loše
na pomenu izraza

"veliki podaci".

Tačno je da se podigla velika buka
oko ovog izraza,

što je loše.

Zato što su veliki podaci veoma važan alat

pomoću kog će društvo da napreduje.

U prošlosti smo posmatrali "male podatke"

i razmišljali o tome šta bi značilo

da pokušamo da razumemo svet,

a sada ih imamo mnogo više,

više nego što smo ikada imali.

Shvatili smo da kada imamo
mnogo podataka,

u principu možemo uraditi stvari

koje nismo mogli sa manje podataka.

Veliki podaci su bitni,
i to je nešto novo,

kada razmislimo o tome,

jedini način na koji će se planeta suočiti

sa svojim globalnim izazovima -

nahraniti ljude, obezbediti im
medicinsku negu,

pružiti im energiju, struju,

da se pobrine da ne izgore

zbog globalnog zagrevanja -

jeste zbog efikasne upotrebe podataka.

Šta je novo u vezi sa velikim podacima?
U čemu je velika caka?

Da bismo odgovorili na to pitanje,

razmislimo kako su informacije izgledale,

fizički izgledale u prošlosti.

1908. godine na Kritu,

arheolozi su pronašli glineni disk.

Smestili su ga oko 2000. g. pre Hrista,
dakle star je 4000 godina.

Na tom disku postoji zapis,

ali ne znamo šta on znači.

Potpuna je zagonetka,
ali poenta je u tome

da su tako informacije izgledale

pre 4000 godina.

Tako je društvo čuvalo

i prenosilo informacije.

Društvo nije baš toliko napredovalo.

I dalje čuvamo informacije na diskovima,

ali danas možemo da čuvamo mnogo više,

više nego ikada.

Pretraživanje je lakše.
Kopiranje je lakše.

Deljenje je lakše. Obrada je lakša.

Možemo da koristimo te informacije iznova,

na načine na koje nismo ni zamišljali

kada smo počeli da sakupljamo podatke.

U tom smislu,

podaci su prešli iz skladištenja u protok.

Od nečega što je stacionarno i statično

do nečega što je fluidno i dinamično.

Ako ćemo tako,
informacija je kao tečnost.

Disk, koji je otkriven u blizini Krita,

pre 4000 godina, je težak.

Ne sadrži puno informacija,

i te informacije su nepromenljive.

Nasuprot tome, svi fajlovi

koje je Edvard Snouden uzeo

od Državne bezbednosne agencije u SAD-u

staju na memorijski uređaj

veličine nokta,

i mogu se razmenjivati brzinom svetlosti.

Još podataka. Više.

Jedan razlog zašto danas
imamo toliko podataka

je što sakupljamo stvari

o kojima smo uvek skupljali informacije,

ali drugi razlog je
zato što uzimamo stvari

koje su uvek bile informativne

ali nikad nisu prebačene u oblik podataka

i stavljamo ih u podatke.

Zamislite, npr. pitanje lokacije.

Uzmimo Martina Lutera za primer.

Da smo 1500. god. želeli da znamo

gde je Martin Luter,

morali bismo da ga pratimo
u svakom trenutku,

možda sa perom i mastilom,

i da to beležimo,

ali razmislite kako to izgleda danas.

Znate da negde,

verovatno u bazi podataka
telefonskog operatera,

postoji tabela ili bar podatak u bazi

koji beleži informaciju

o tome gde ste bili u svakom momentu.

Ako imate mobilni telefon,

koji ima GPS, čak i ako nema GPS,

on čuva informacije.

U ovom smislu,
lokacija je postala "podatkovana".

Razmislimo, npr. o pitanju držanja,

načinu na koji upravo sedite,

načinu na koji vi sedite,

načinu na koji vi sedite, i vi.

Svi se razlikuju, i zavise od dužine nogu

i leđa i od konture leđa,

i, ako bih postavio senzore,
možda 100 senzora

u sve vaše stolice,

našao bih indeks koji je
jedinstven za svakoga,

kao otisak prsta, ali nije od prsta.

Međutim, šta bismo mogli sa tim?

Istraživači u Tokiju ga koriste

kao potencijalni alarmni uređaj u kolima.

Ideja je da ako za volan sedne lopov,

pokuša da pobegne,
ali automobil prepozna

da za volanom nije odobreni vozač,

možda zaustavi motor, osim ako vozač

ne unese šifru u kontrolnu tablu

da kaže: "Hej, imam dozvolu da vozim".
Odlično!

Šta ako bi svaki automobil u Evropi

imao ovu tehnologiju?

Šta bismo mogli tada?

Možda, kada bismo nagomilali podatke,

mogli bismo da uočimo znakove upozorenja

koji najbolje predviđaju

da će se dogoditi automobilska nesreća
u narednih pet sekundi.

Tada bismo u obliku podataka beležili

zamor vozača,

i svrha bi bila da kada kola osete

da je vozač upao u određeni položaj,

automatski kaže:
"Hej, pusti interni alarm."

kojim bi zavibrirao volan,
zatrubio iznutra i rekao

"Hej, budi se!

obrati više pažnje na put."

To su neke stvari koje možemo da uradimo

kada prebacimo u podatke
više aspekata naših života.

Koja je vrednost velikih podataka?

Pa, razmislite o tome.

Imate više informacija.

Možete da uradite
ono što niste mogli ranije.

Jedna od najimpresivnijih oblasti

u kojoj ovaj koncept igra ulogu

jeste mašinsko učenje.

Mašinsko učenje je
grana veštačke inteligencije,

koja je grana računarskih nauka.

Glavna ideja je da umesto

da kažemo računaru šta da radi,

jednostavno ubacimo podatke u problem

i kažemo računaru da ga reši sam.

Pomoći će vam da ga razumete

gledajući u njegove korene.

U 1950-im, informatičar u IBM-u,

Artur Semjuel, voleo je da igra "Damu",

te je napisao kompjuterski program

kako bi igrao protiv računara.

Igrao je. Pobedio je.

Igrao je. Pobedio je.

Igrao, pobedio.

Jer je računar znao dozvoljene poteze.

Artur Semjuel je znao nešto drugo.

Artur Semjuel je poznavao strategiju.

Napisao je mali potprogram, pored ovog,

koji je radio u pozadini,

i samo računao verovatnoću

da data situacija na tabli pre vodi

ka pobedničkoj tabli nego ka gubitničkoj,

nakon svakog poteza.

Igra protiv računara. Pobeđuje.

Igra protiv računara.

Pobeđuje.

Igra protiv računara. Pobeđuje.

Zatim je Artur Semjuel pustio računar

da igra protiv sebe.

Igrao je. Sakupljao je više podataka.

Sakupljajući više podataka,
povećavao je tačnost svog predviđanja.

Zatim se Artur Semjuel vratio do računara.

Igra, i gubi.

Igra, i gubi.

Igra, i gubi.

I tako je Artur Semjuel stvorio mašinu

koja prevazilazi njegove mogućnosti
u igri kojoj ju je naučio.

Ova ideja mašinskog učenja

se širi na sve strane.

Šta mislite,
odakle nam samoupravljajuća vozila?

Da li napredujemo kao društvo

ubacivanjem svih pravila vožnje u softver?

Ne. Memorija je jeftinija. Ne.

Algoritmi su brži. Ne.
Procesori su brži. Ne.

Sve to je bitno, ali ne zbog toga.

Nego zato što smo promenili
koren problema.

Promenili smo prirodu problema

od one u kojoj smo direktno

objasnili računaru kako da vozi,

do one u kojoj kažemo:

"Evo ti mnogo podataka u vezi sa vozilom.

Shvati sam.

Shvati da je ovo svetlo na semaforu.

Da je crveno, a ne zeleno.

Da to znači da moraš da staneš,

a ne da nastaviš."

Mašinsko učenje je u osnovi

mnogih stvari na mreži.

Pretraživači,

Amazonov personalizovani algoritam,

računarsko prevođenje,

sistemi za prepoznavanje glasa.

Istraživači su skoro posmatrali

problem biopsije.

Biopsije raka.

Pitali su računar da ustanovi

posmatrajući podatke
i stopu preživljavanja,

da odluči da li su ćelije zapravo

kancerogene ili ne.

Zasigurno, kada ubacite podatke,

pomoću algoritma mašinskog učenja,

mašina je postala
sposobna da prepozna

12 znakova koji najbolje predviđaju

da je biopsija raka ćelija dojke

zaista zahvaćena rakom.

Problem?

Medicinska literatura je poznavala
samo devet od njih.

Tri od tih simptoma su bili oni

koje ljudi nisu trebali da traže,

ali ih je mašina uočila.

Ali, postoji loša strana velikih podataka.

Unaprediće naše živote,

ali postoje problemi
kojih moramo biti svesni.

Prvi od njih je ideja

da možemo biti kažnjeni za predviđanja,

da policija može koristiti velike podatke
u svoje svrhe,

nešto poput fima "Suvišni izveštaj".

Ovaj izraz zovemo
sposobnost predviđanja

ili algoritamska kriminologija,

i ideja je da ako uzmemo mnogo podataka

npr. mesta prošlih zločina,

znamo gde da pošaljemo patrole.

To ima smisla, ali problem je, naravno,

u tome što se neće završiti samo
na podacima o lokaciji.

Ići će do ličnog nivoa.

Zašto ne koristimo podatke

o nečijim ocenama iz srednje škole?

Možda da iskoristimo činjenice

o zaposlenosti, o kreditnom stanju,

o ponašanju na internetu,

da li su budni noću.

Ako njihov Fitbit može da prepozna
njihove biohemijske parametre,

pokazaće kada imaju agresivne misli.

Možemo imati algoritme

koji bi mogli predviđati
šta ćemo uraditi,

i mogu nas smatrati odgovornim

pre nego što delamo.

Privatnost je bila centralni izazov

u eri malih podataka.

U danima velikih podataka,

izazov će biti zaštita slobodne volje,

moralnih izbora, ljudske volje,

ljudske odlučnosti.

Postoji još jedan problem.

Veliki podaci će nam ukrasti poslove.

Veliki podaci i algoritmi će izazvati

kancelarijske, visoko obrazovane radnike

dvadeset prvog veka

slično kao što su automatizacija

i pokretna traka

izazvale radničku klasu u 20. veku.

Setimo se laboratorijskog tehničara,

koji pod mikroskopom posmatra

biopsiju raka

da bi zaključio da li je zahvaćena rakom.

Ova osoba je završila fakultet.

Ona kupuje imovinu.

On ili ona glasa.

On ili ona je član društva.

Posao ove osobe,

i celog niza stručnjaka

kao što je ova osoba,

shvatiće da se njihov posao znatno menja

ili da će potpuno nestati.

Volimo da mislimo

da će vremenom tehnologija praviti poslove

iza kratkog, privremenog doba dislokacije,

što je i tačno za taj referentni okvir

u kom svi živimo, industrijsku revoluciju,

jer tako se tačno i dogodilo.

Međutim, u toj analizi zaboravljamo

da postoje kategorije poslova

koje će jednostavno nestati
i neće se vratiti.

Industrijska revolucija nije bila dobra

ako ste bili konj.

Dakle, moramo biti pažljivi,

i moramo velike podatke
prilagoditi našim potrebama,

našim ljudskim potrebama.

Moramo biti gospodari tehnologije,

a ne njene sluge.

Na samom smo početku
doba velikih podataka,

i iskreno, za sada ne rukujemo dobro

podacima koje sada možemo da prikupimo.

To nije problem samo
Državne bezbednosne agencije.

Firme sakupljaju dosta podataka,
i takođe ih ne koriste dobro,

moramo ovladati time,
a za to je potrebno vreme.

Podseća na situaciju

kada se primitivni čovek suočio sa vatrom.

To je alat, ali alat koji će nas opeći

ako ne budemo pažljivi.

Veliki podaci će promeniti
naš način života,

način rada i razmišljanja.

Pomoći će nam
da organizujemo svoje karijere

i da živimo zadovoljno i sa nadom,

u sreći i zdravlju.

Ranije smo često
od informacionih tehnologija

gledali samo u T,

u tehnologiju, u hardver,

zato što je to ono što je opipljivo.

Sada moramo da bacimo oko na I,

na informacije,

na ono manje uočljivo,

ali na određeni način mnogo bitnije.

Čovečanstvo konačno uči iz informacija

koje može da prikupi,

kao deo našeg vanvremenskog zadatka

da shvatimo svet i naše mesto u njemu

i zato veliki podaci jesu velika stvar.

(Aplauz)