I'd like to tell you about two games of chess. The first happened in 1997, in which Garry Kasparov, a human, lost to Deep Blue, a machine. To many, this was the dawn of a new era, one where man would be dominated by machine. But here we are, 20 years on, and the greatest change in how we relate to computers is the iPad, not HAL.
אני אספר לכם על שני משחקי שחמט הראשון התנהל ב-1997 כשגארי קספארוב בן אדם, הפסיד ל-"דיפ בלו" מכונה. עבור רבים זה היה השחר של עידן חדש, שבו האדם יישלט על ידי המכונה אבל, הנה כאן אחנו, 20 שנה מאוחר יותר, והשינוי הגדול כיצד אנו מתייחסים למחשבים הוא ה-אייפד לא האל
The second game was a freestyle chess tournament in 2005, in which man and machine could enter together as partners, rather than adversaries, if they so chose. At first, the results were predictable. Even a supercomputer was beaten by a grandmaster with a relatively weak laptop. The surprise came at the end. Who won? Not a grandmaster with a supercomputer, but actually two American amateurs using three relatively weak laptops. Their ability to coach and manipulate their computers to deeply explore specific positions effectively counteracted the superior chess knowledge of the grandmasters and the superior computational power of other adversaries. This is an astonishing result: average men, average machines beating the best man, the best machine. And anyways, isn't it supposed to be man versus machine? Instead, it's about cooperation, and the right type of cooperation.
המשחק השני היה במסגרת טורניר שח ב-2005, שבו האדם והמכונה יוכלו להיכנס כבני זוג, ולא כיריבים, אם הם יבחרו בכך. בתחילה התוצאות היו צפויות. אפילו מחשב העל הובס על ידי הרב-אמן בעזרת מחשב נייד חלש יחסית ההפתעה הגיעה בסוף. מי זכה? לא רב האמן עם מחשב העל אלא דווקא 2 חובבים אמריקאים שהתמשו בשלושה מחשבים נידים חלשים. יכולתם להדריך ולהפעיל מניפולציות על המחשבים שלהם כדי לחקור לעומק מצבים ספציפיים פעלו ביעילות נגד הידע הנעלה בשחמט של רבי האמן הגדולים וכוחו הנעלה של מחשב העל של היריבים האחרים. זוהי תוצאה מדהימה: אדם ממוצע, מכשירים ממוצעים גוברים על האנשים הטובים ביותר, והמכונה הטובה ביותר. ובכל אופן, זה לא אמור להיות האדם נגד המכונה? במקום זה, זה עניין של שיתוף-פעולה והסוג הנכון של שיתוף פעולה
We've been paying a lot of attention to Marvin Minsky's vision for artificial intelligence over the last 50 years. It's a sexy vision, for sure. Many have embraced it. It's become the dominant school of thought in computer science. But as we enter the era of big data, of network systems, of open platforms, and embedded technology, I'd like to suggest it's time to reevaluate an alternative vision that was actually developed around the same time. I'm talking about J.C.R. Licklider's human-computer symbiosis, perhaps better termed "intelligence augmentation," I.A.
הקדשנו תשומת לב רבה לחזונו של מרווין מינסקי אודות אינטליגנציה מלאכותית ב-50 השנים האחרונות זה חזון מושך, לבטח, רבים אימצו אותו הוא הפך לאסכולה הדומיננטית במדעי המחשב. אבל כשאנו נכנסים לעידן הגדול של המידע, של מערכות תקשורת של פלטפורמות פתוחות וטכנולוגיה משובצת הייתי רוצה להציע שהגיע הזמן להעריך מחדש חזון אלטרנטיבי שהתפתח בערך באותו זמן. אני מדבר על הסימביוזה בין אדם למחשב של ג'יי סי אר ליקלידר שיותר טוב לכנות אותה "ריבוד אינטיליגנציה".
Licklider was a computer science titan who had a profound effect on the development of technology and the Internet. His vision was to enable man and machine to cooperate in making decisions, controlling complex situations without the inflexible dependence on predetermined programs. Note that word "cooperate." Licklider encourages us not to take a toaster and make it Data from "Star Trek," but to take a human and make her more capable. Humans are so amazing -- how we think, our non-linear approaches, our creativity, iterative hypotheses, all very difficult if possible at all for computers to do. Licklider intuitively realized this, contemplating humans setting the goals, formulating the hypotheses, determining the criteria, and performing the evaluation. Of course, in other ways, humans are so limited. We're terrible at scale, computation and volume. We require high-end talent management to keep the rock band together and playing. Licklider foresaw computers doing all the routinizable work that was required to prepare the way for insights and decision making.
ליקלידר היה ענק מחשבים שהיתה לו השפעה עמוקה על התפתחות הטכנולוגיה והאינטרנט. החזון שלו היה לאפשר לאדם ולמכונה לשתף פעולה בקבלת החלטות, בפיקוח על מצבים מסובכים ללא התלות הנוקשה בתוכניות קבועות מראש. שימו לב למילה "לשתף פעולה." ליקלידר מעודד אותנו לא לקחת מצנם ולהפכו לדאטה מ"מסע בין כוכבים," אלא לקחת בן-אדם ולעשותו יותר מוכשר. בני אדם הם כה מדהימים--כיצד אנו חושבים, הגישות שאינן חד-ממדיות, היצירתיות שלנו, ההיפותיזות הנישנות, כל אלה הם דברים קשים מאד אם בכלל אפשריים לביצוע על ידי מחשבים. ליקלידר הבין זאת באופן אינטואיטיבי, מתוך התבוננות באנשים לקבוע את המטרות, לנסח את ההיפותיזות, לקבוע את הקריטריונים, ולבצע את ההערכה. כמובן, שבדברים אחרים בני-האדם הם מוגבלים מאד אנחנו נוראים בנושאי קנה מידה, חישוב ונפח. אנחנו דורשים כשרונות ניהול ברמה גבוהה כדי לשמור שלהקת רוק תופיע יחד. ליקלידר חזה מחשבים שעושים את כל העבודה השיגרתית שהיתה נחוצה כדי להכין את הדרך לקבלת תובנות וקבלת החלטות.
Silently, without much fanfare, this approach has been compiling victories beyond chess. Protein folding, a topic that shares the incredible expansiveness of chess — there are more ways of folding a protein than there are atoms in the universe. This is a world-changing problem with huge implications for our ability to understand and treat disease. And for this task, supercomputer field brute force simply isn't enough. Foldit, a game created by computer scientists, illustrates the value of the approach. Non-technical, non-biologist amateurs play a video game in which they visually rearrange the structure of the protein, allowing the computer to manage the atomic forces and interactions and identify structural issues. This approach beat supercomputers 50 percent of the time and tied 30 percent of the time. Foldit recently made a notable and major scientific discovery by deciphering the structure of the Mason-Pfizer monkey virus. A protease that had eluded determination for over 10 years was solved was by three players in a matter of days, perhaps the first major scientific advance to come from playing a video game.
בשקט, בלי הרבה מהומה, גישה זו יצרה נצחונות מעבר לשחמט. קיפול חלבונים, נושא שחולק את התרחבות המדהימה של שחמט - קיימות יותר דרכים לקיפול חלבונים מאשר יש אטומים ביקום. זוהי בעיה של משתנת עולם עם השלכות עצומות עבור היכולת שלנו להבין ולטפל במחלה. ועבור משימה זו, כוח גס של מחשב-על פשוט אינו מספיק. פולדיט, משחק שנוצר על-ידי מדעני מחשב, מדגים את הערך של הגישה. חובבים שאינם אנשים טכניים, ואינם ביולוגים משחקים במשחק וידאו שבו הם באופן חזותי מסדרים מחדש את המבנה של החלבונים, תוך מתן אפשרות למחשב לנהל את הכוחות האטומים ואינטראקציות שמזהות בעיות מבניות. גישה זו היכתה את מחשבי העל ב-50% מהזמן והישוותה 30 אחוז מהזמן. לפולדיט היתה לאחרונה תגלית מדעית בולטת וחשובה על-ידי פיענוח המבנה של ווירוס הקוף מייסון-פייזר. פרוטאז שהתחמק מהגדרה מעל 10 שנים נפתר על ידי שלושה שחקנים בתקופה של ימים, אולי ההתקדמות מדעית הגדולה הראשונה שהגיעה ממשחק וידאו.
Last year, on the site of the Twin Towers, the 9/11 memorial opened. It displays the names of the thousands of victims using a beautiful concept called "meaningful adjacency." It places the names next to each other based on their relationships to one another: friends, families, coworkers. When you put it all together, it's quite a computational challenge: 3,500 victims, 1,800 adjacency requests, the importance of the overall physical specifications and the final aesthetics. When first reported by the media, full credit for such a feat was given to an algorithm from the New York City design firm Local Projects. The truth is a bit more nuanced. While an algorithm was used to develop the underlying framework, humans used that framework to design the final result. So in this case, a computer had evaluated millions of possible layouts, managed a complex relational system, and kept track of a very large set of measurements and variables, allowing the humans to focus on design and compositional choices. So the more you look around you, the more you see Licklider's vision everywhere. Whether it's augmented reality in your iPhone or GPS in your car, human-computer symbiosis is making us more capable.
בשנה שעברה, באתר של מגדלי התאומים, אנדרטת 9/11 נפתחה. היא מציגה את שמות של אלפי הקורבנות כשהם משתמשים באמצעות רעיון יפה בשם "קירבה משמעותית". היא מציבה את השמות אחד ליד השני בהתבסס על הקשרים שביניהם: חברים, משפחות, חברים לעבודה. כאשר אתם שמים את כל זה יחד , זהו ממש אתגר חישבו: 3,500 קורבנות, 1,800, בקשות קירבה, החשיבות של המפרט הפיזי הכולל והאסתטיקה הסופית. כאשר זה דווח לראשונה במדיה, ניתן מלוא הקרדיט עבור מבצע כזה לאלגוריתם מ"לוקאל פרוג'קס" חברת עיצוב פרוייקטים מקומיים מהעיר ניו-יורק. האמת מעט יותר מגוונת. בעוד נעשה שימוש באלגוריתם כדי לפתח את המסגרת הבסיסית, בני אדם השתמשו במסגרת בסיסית זו כדי לעצב את התוצאה הסופית. כך, שבמקרה זה, המחשב העריך מיליוני פריסות אפשריות, ניהל מערכת מורכבת של יחסי קירבה, ועקב אחרי קבוצה גדולה מאוד של מידות ומשתנים, כשהוא מאפשר לבני-האדם להתמקד על העיצוב והאפשרויות של הקומפוזיציות. כך שככל שאתם מסתכלים יותר סביבכם, אתם רואים את חזונו של ליקלידר בכל מקום. בין אם זה יש המציאות המרובדת שלכם באייפון או בג'י פי אס שבמכוניתכם, סימביוזה של אדם-מחשב מקנה לנו יותר יכולת.
So if you want to improve human-computer symbiosis, what can you do? You can start by designing the human into the process. Instead of thinking about what a computer will do to solve the problem, design the solution around what the human will do as well. When you do this, you'll quickly realize that you spent all of your time on the interface between man and machine, specifically on designing away the friction in the interaction. In fact, this friction is more important than the power of the man or the power of the machine in determining overall capability. That's why two amateurs with a few laptops handily beat a supercomputer and a grandmaster. What Kasparov calls process is a byproduct of friction. The better the process, the less the friction. And minimizing friction turns out to be the decisive variable.
כך, שאם רוצים לשפר סימביוזת אדם-מחשב, מה ניתן לעשות? אפשר להתחיל מתכנון שישלב את האדם לתוך התהליך. במקום לחשוב על מה שהמחשב יעשה כדי לפתור את הבעיה, לתכנן את הפיתרון סביב מה שהאדם יעשה גם כן. כאשר תעשו זאת, תבינו עד מהרה שביליתם את כל זמנכם בממשק בין אדם למכונה, באופן ספציפי בתכנון סילוק החיכוך שבאינטראקציה. למעשה, חיכוך זה חשוב יותר מאשר כוחו של האדם, או כוחה של המכונה בקביעת היכולת הכוללת. זו הסיבה ששני חובבים עם מספר מחשבים נישאים ניצחו בקלות מחשב-על ורב-אמן. מה שקספרוב קורא לו תהליך הוא תוצר-לוואי של חיכוך. ככל שהתהליך טוב יותר, כך יש פחות החיכוך. וצמצום החיכוך יתברר כמשתנה המכריע.
Or take another example: big data. Every interaction we have in the world is recorded by an ever growing array of sensors: your phone, your credit card, your computer. The result is big data, and it actually presents us with an opportunity to more deeply understand the human condition. The major emphasis of most approaches to big data focus on, "How do I store this data? How do I search this data? How do I process this data?" These are necessary but insufficient questions. The imperative is not to figure out how to compute, but what to compute. How do you impose human intuition on data at this scale?
או קבלו דוגמה נוספת: מידע רב. כל אינטראקציה שיש לנו בעולם נרשמת על ידי מערך הולך וגדל של חיישנים: הטלפון שלך, כרטיס האשראי שלך, המחשב שלך. התוצאה היא הרבה מידע, וזה למעשה נותן לנו ההזדמנות להבין יותר לעומק את המצב האנושי. הדגש העיקרי של רוב הגישות למידע רב מתמקד על, "כיצד ניתן לאחסן נתונים אלה? כיצד מחפשים נתונים אלה? כיצד אני מעבד נתונים אלה?" אלו שאלות הכרחיות אך לא מספיקות. מה שחיוני הוא לא איך להבין כיצד לחשב, אלא מה לחשב כיצד באפשרותך לכפות את האינטואיציה האנושית על מידע בקנה מידה זה?
Again, we start by designing the human into the process. When PayPal was first starting as a business, their biggest challenge was not, "How do I send money back and forth online?" It was, "How do I do that without being defrauded by organized crime?" Why so challenging? Because while computers can learn to detect and identify fraud based on patterns, they can't learn to do that based on patterns they've never seen before, and organized crime has a lot in common with this audience: brilliant people, relentlessly resourceful, entrepreneurial spirit — (Laughter) — and one huge and important difference: purpose. And so while computers alone can catch all but the cleverest fraudsters, catching the cleverest is the difference between success and failure.
שוב, אנחנו מתחילים על-ידי תכנון הכנסת האדם לתהליך. כאשר "פיי-פאל" החלה את דרכה כעסק, האתגר הגדול ביותר שלהם היה לא, "כיצד שולחים כסף הלוך ושוב באינטרנט?" אלא היה, "כיצד עושים זאת מבלי להיות מרומים על-ידי פשע מאורגן?" מדוע כל כך מאתגר? כי בעוד שמחשבים יכולים ללמוד לאתר ולזהות הונאות שמבוססות על דפוסים, הם לא יכולים ללמוד לעשות זאת בהתבסס על תבניות שהם לא ראו לפני כן, ולארגון פשע יש הרבה מן המשותף עם קהל זה: אנשים מבריקים, עזי-רוח ורבי תושייה, חדורים ברוח יזמות — (צחוק) — והבדל עצום, וחשוב אחד: המטרה. וכך בעוד שמחשבים לבדם יכולים לתפוס הכל פרט לפיקחות שבהונאות, לתפוס את הפיקחים ביותר עושה את ההבדל בין הצלחה לכישלון.
There's a whole class of problems like this, ones with adaptive adversaries. They rarely if ever present with a repeatable pattern that's discernable to computers. Instead, there's some inherent component of innovation or disruption, and increasingly these problems are buried in big data.
יש מחלקה שלמה של בעיות כמו זו, אחדות מהן עם יריבים סתגלתנים. הם לעתים רחוקות, אם בכלל, מציגים תבנית שחוזרת על עצמה שמוכרת למחשבים. במקום זה, יש כמה רכיבים אינהרנטים של חדשנות או שיבוש, ובמידה גוברת והולכת בעיות אלו נקברות בתוך ים של נתונים.
For example, terrorism. Terrorists are always adapting in minor and major ways to new circumstances, and despite what you might see on TV, these adaptations, and the detection of them, are fundamentally human. Computers don't detect novel patterns and new behaviors, but humans do. Humans, using technology, testing hypotheses, searching for insight by asking machines to do things for them. Osama bin Laden was not caught by artificial intelligence. He was caught by dedicated, resourceful, brilliant people in partnerships with various technologies.
לדוגמה, טרור. המחבלים תמיד מסגלים עצמם בדרכים קטנות וגדולות לנסיבות חדשות, ולמרות מה שאתם רואים בטלוויזיה, התאמות אלו, וזיהויין, הן אנושיות מיסודן. המחשבים לא מזהים דפוסים והתנהגויות חדשות, אבל בני-האדם כן. בני אדם, באמצעות טכנולוגיה, ניסויים ווהיפותיזות, מחפשים את התובנה על ידי כך שהם מבקשים ממכונות לעשות דברים עבורם. אוסמה בין לאדן לא נתפס על ידי בינה מלאכותית. הוא נתפס על ידי אנשים דבקים במטרה, מבריקים ובעלי תושיה בשותפות עם טכנולוגיות שונות.
As appealing as it might sound, you cannot algorithmically data mine your way to the answer. There is no "Find Terrorist" button, and the more data we integrate from a vast variety of sources across a wide variety of data formats from very disparate systems, the less effective data mining can be. Instead, people will have to look at data and search for insight, and as Licklider foresaw long ago, the key to great results here is the right type of cooperation, and as Kasparov realized, that means minimizing friction at the interface.
ככל שזה נשמע מפתה, אינך יכול באופן אלגוריתמי לכרות מידע בדרך אל התשובה. אין לחצן "מצא מחבל" וככל שאנו מצליבים יותר מידע ממגוון רחב של מקורות לרוחב מגוון רחב של תבניות מידע במערכות שונות לגמרי, כך כריית הנתונים תהיה פחות יעילה. במקום זה, אנשים יצטרכו להסתכל על המידע ולחפש תובנה, וכפי שליקלידר חזה לפני זמן רב, המפתח לתוצאות מצוינות כאן נמצא בסוג הנכון של שיתוף פעולה, וכפי שקספרוב הבין, פירוש הדבר הוא צמצום החיכוך בממשק.
Now this approach makes possible things like combing through all available data from very different sources, identifying key relationships and putting them in one place, something that's been nearly impossible to do before. To some, this has terrifying privacy and civil liberties implications. To others it foretells of an era of greater privacy and civil liberties protections, but privacy and civil liberties are of fundamental importance. That must be acknowledged, and they can't be swept aside, even with the best of intents.
כעת גישה זו מאפשרת דברים כמו סריקת כל הנתונים הזמינים ממקורות שונים מאוד, זיהוי קשרי גומלין עיקריים ולרכז אותם במקום אחד, משהו שהיה כמעט בלתי אפשרי לעשות לפני כן. בעיני אחדים, יש לכך השלכות מבהילות בנושאים של חרות פרטית ואזרחית בעיני אחרים זה מנבא תקופה של יותר הגנות על חרויות פרטיות ואזרחיות, אבל חרויות פרטיות ואזרחיות הינן בעלות חשיבות בסיסית. בזה חייבים להודות, ולא ניתן לטאטא אותן הצידה, אפילו עם הטובות שבכוונות.
So let's explore, through a couple of examples, the impact that technologies built to drive human-computer symbiosis have had in recent time.
אז בואו ונבחן בעזרת כמה דוגמאות. את ההשפעה שהיתה לטכנולוגיות שנבנו לאחרונה כדי להריץ סימביוזת אדם-מחשב.
In October, 2007, U.S. and coalition forces raided an al Qaeda safe house in the city of Sinjar on the Syrian border of Iraq. They found a treasure trove of documents: 700 biographical sketches of foreign fighters. These foreign fighters had left their families in the Gulf, the Levant and North Africa to join al Qaeda in Iraq. These records were human resource forms. The foreign fighters filled them out as they joined the organization. It turns out that al Qaeda, too, is not without its bureaucracy. (Laughter) They answered questions like, "Who recruited you?" "What's your hometown?" "What occupation do you seek?"
באוקטובר, 2007, ארצות הברית וכוחות הקואליציה פשטו על בית מוגן של אל קאעידה בעיר סינז'אר על הגבול הסורי של עיראק. הם מצאו אוצר של אוסף מסמכים: 700 סקיצות ביוגרפיות של לוחמים זרים. לוחמים זרים אלה עזבו את משפחותיהם במפרץ, בלבנט, ובצפון אפריקה כדי להצטרף לאל-קאעידה בעיראק. רשומות אלו היו טפסים של משאבי אנוש. הלוחמים הזרים מילאו אותם כשהצטרפו לארגון. מתברר כי אל קאעידה, גם היא, אינה נטולת בירוקרטיה. (צחוק) הם ענו על שאלות כמו, "מי גייס אותך?" "מהי עיר מולדתך?" "איזו תעסוקה אתה מחפש?"
In that last question, a surprising insight was revealed. The vast majority of foreign fighters were seeking to become suicide bombers for martyrdom -- hugely important, since between 2003 and 2007, Iraq had 1,382 suicide bombings, a major source of instability. Analyzing this data was hard. The originals were sheets of paper in Arabic that had to be scanned and translated. The friction in the process did not allow for meaningful results in an operational time frame using humans, PDFs and tenacity alone. The researchers had to lever up their human minds with technology to dive deeper, to explore non-obvious hypotheses, and in fact, insights emerged. Twenty percent of the foreign fighters were from Libya, 50 percent of those from a single town in Libya, hugely important since prior statistics put that figure at three percent. It also helped to hone in on a figure of rising importance in al Qaeda, Abu Yahya al-Libi, a senior cleric in the Libyan Islamic fighting group. In March of 2007, he gave a speech, after which there was a surge in participation amongst Libyan foreign fighters.
בשאלה אחרונה זו, נחשפה תובנה מפתיעה. הרוב הגדול של הלוחמים זרים ביקשו להיות מחבלים מתאבדים ולמות מות קדושים- חשוב ביותר, מאז 2003 ל- 2007 בערך, היו בעיראק 1,382, פיגועי התאבדות, מקור עיקריי לאי יציבות. ניתוח נתונים אלה היה קשה. המקור היו גליונות נייר בערבית שהיה צריך לסרוק ולתרגם. החיכוך בתהליך לא איפשר לקבל תוצאות משמעותיות במסגרת זמן תפעולי באמצעות בני-האדם, מסמכי Pdf ונחישות בלבד. החוקרים נאלצו להתאמץ כדי להתעלות במחשבתם האנושית עם הטכנולוגיה כדי לצלול עמוק יותר, כדי לחקור השערות שאינן מובנות מאליהן, ולמעשה, צצו תובנות. עשרים אחוז של הלוחמים הזרים היו מלוב. 50 אחוז מאלה היו מעיר אחת בלוב, חשוב עד מאוד מפני שבסטטיסטיקה הקודמת המספר היה שלושה אחוזים. זה סייע להתמקד בדמות שחשיבותה עולה באל קאעידה, אבו יחיא אל-ליבי, איש דת בכיר בקבוצת הלחימה האסלאמית הלובית. במרץ 2007, הוא נשא נאום, שלאחריו היה פרץ ההשתתפות בקרב לוחמים זרים לובים.
Perhaps most clever of all, though, and least obvious, by flipping the data on its head, the researchers were able to deeply explore the coordination networks in Syria that were ultimately responsible for receiving and transporting the foreign fighters to the border. These were networks of mercenaries, not ideologues, who were in the coordination business for profit. For example, they charged Saudi foreign fighters substantially more than Libyans, money that would have otherwise gone to al Qaeda. Perhaps the adversary would disrupt their own network if they knew they cheating would-be jihadists.
אולי החכם ביותר, אבל, הפחות מובן מאליו, על-ידי היפוך הנתונים , החוקרים יכלו לחקור לעומק רשתות תיאום בסוריה שהיו אחראיות בסופו של דבר לקבלה, והובלה של לוחמים זרים אל הגבול. אלו היו רשתות של שכירי-חרב, לא אידיאולוגים, שהיו בעסקי התיאום למטרות רווח. לדוגמה, הם חייבו לוחמים זרים סעודים באופן משמעותי יותר מאשר את הלובים, בכסף שאחרת הלך לאל קאעידה. אולי היריב היה משבש את הרשת שלהם אם הם הו יודעים שהם מרמים אנשי ג'יהאד עתידיים.
In January, 2010, a devastating 7.0 earthquake struck Haiti, third deadliest earthquake of all time, left one million people, 10 percent of the population, homeless. One seemingly small aspect of the overall relief effort became increasingly important as the delivery of food and water started rolling. January and February are the dry months in Haiti, yet many of the camps had developed standing water. The only institution with detailed knowledge of Haiti's floodplains had been leveled in the earthquake, leadership inside. So the question is, which camps are at risk, how many people are in these camps, what's the timeline for flooding, and given very limited resources and infrastructure, how do we prioritize the relocation? The data was incredibly disparate. The U.S. Army had detailed knowledge for only a small section of the country. There was data online from a 2006 environmental risk conference, other geospatial data, none of it integrated. The human goal here was to identify camps for relocation based on priority need. The computer had to integrate a vast amount of geospacial information, social media data and relief organization information to answer this question. By implementing a superior process, what was otherwise a task for 40 people over three months became a simple job for three people in 40 hours,
בינואר, 2010, פגעה בהאיטי רעידת אדמה הרסנית של 7.0 , רעידת האדמה הקטלנית השלישית בכל הזמנים, שהותירה מיליון אנשים, 10 אחוזים מהאוכלוסייה, ללא קורת גג. היבט אחד, קטן לכאורה, של המאמץ הכולל נעשה בהדרגה חשוב כשמשלוחי מזון ומים, החלו להתגלגל. ינואר ופברואר הם חודשי יובש בהאיטי, אולם רבים מהמחנות פיתחו מים עומדים. המוסד היחיד עם ידע נרחב בנושא הצפת נהרות בהאיטי נהרס כליל ברעידת אדמה, יחד האנשים בתוכו. כך שהשאלה היא, אילו מחנות נמצאים בסיכון, כמה אנשים יש במחנות אלה, מהו ציר הזמן עבור שטפונות, ובאין די משאבים ותשתיות, כיצד נקבע סדרי עדיפויות למיקום מחדש? הנתונים היה מאוד שונים. לצבא ארצות הברית היה ידע נרחב רק עבור קטע קטן של המדינה. היה מידע מקוון מכנס סיכון סביבתי מ- 2006, ללא שום נתונים גאו-מרחביים אחרים. המטרה האנושית כאן היתה לזהות מחנות לשם העברתם למיקום חדש שמבוססת על צורכי עדיפות. על המחשב היה לשלב כמות אדירה של מידע גיאו-מרחבי, מידע ממדיה חברתית ומידע מארגוני סיוע כדי לענות על שאלה זו. על-ידי יישום תהליך-על, שבמקרים אחרים היה משימה ל-40 אנשים במשך שלושה חודשים של פעילות הפך למשימה פשוטה עבור שלושה אנשים ב- 40 שעות,
all victories for human-computer symbiosis.
כל אלה ניצחונות לסימביוזת אדם-מחשב.
We're more than 50 years into Licklider's vision for the future, and the data suggests that we should be quite excited about tackling this century's hardest problems, man and machine in cooperation together. Thank you. (Applause) (Applause)
אנחנו רחוקים כעת יותר מ- 50 שנה מחזונו לעתיד של ליקלידר, והנתונים מציעים שעלינו להיות די נלהבים בשל העובדה שבהתמודדות עם הבעיות הקשות ביותר של המאה הזו, אדם ומחשב משתפים פעולה יחד. תודה. (מחיאות כפיים) (מחיאות כפיים)