We're building a dystopia just to make people click on ads | Zeynep Tufekci

738,629 views ・ 2017-11-17

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Claudia Sander Revisor: Leonardo Silva
00:12
So when people voice fears of artificial intelligence,
0
12760
3536
Quando as pessoas dizem que têm medo da inteligência artificial,
00:16
very often, they invoke images of humanoid robots run amok.
1
16320
3976
com frequência elas evocam imagens de robôs humanoides cometendo massacres.
00:20
You know? Terminator?
2
20320
1240
Sabem? "O Exterminador do Futuro"?
00:22
You know, that might be something to consider,
3
22400
2336
Bem, isso pode ser algo a ser considerado,
00:24
but that's a distant threat.
4
24760
1856
mas é uma ameaça distante.
00:26
Or, we fret about digital surveillance
5
26640
3456
Ou nos preocupamos com vigilância digital,
00:30
with metaphors from the past.
6
30120
1776
com metáforas do passado.
00:31
"1984," George Orwell's "1984,"
7
31920
2656
O livro "1984", de George Orwell,
00:34
it's hitting the bestseller lists again.
8
34600
2280
está de volta ao topo das listas dos mais vendidos.
00:37
It's a great book,
9
37960
1416
É um livro ótimo,
00:39
but it's not the correct dystopia for the 21st century.
10
39400
3880
mas não é a distopia correta para o século 21.
00:44
What we need to fear most
11
44080
1416
O que mais devemos temer
00:45
is not what artificial intelligence will do to us on its own,
12
45520
4776
não é o que a inteligência artificial em si vai fazer conosco,
00:50
but how the people in power will use artificial intelligence
13
50320
4736
mas como as pessoas no poder vão usar a inteligência artificial
00:55
to control us and to manipulate us
14
55080
2816
para nos controlar e nos manipular
00:57
in novel, sometimes hidden,
15
57920
3136
de formas novas, às vezes ocultas,
01:01
subtle and unexpected ways.
16
61080
3016
sutis e inesperadas.
01:04
Much of the technology
17
64120
1856
Muita da tecnologia
01:06
that threatens our freedom and our dignity in the near-term future
18
66000
4336
que ameaça nossa liberdade e dignidade num futuro a curto prazo
01:10
is being developed by companies
19
70360
1856
está sendo desenvolvida por empresas
01:12
in the business of capturing and selling our data and our attention
20
72240
4936
que estão no negócio de captura e venda de nossos dados e nossa atenção
01:17
to advertisers and others:
21
77200
2256
para anunciantes e outros;
01:19
Facebook, Google, Amazon,
22
79480
3416
Facebook, Google, Amazon,
01:22
Alibaba, Tencent.
23
82920
1880
Alibaba, Tencent.
01:26
Now, artificial intelligence has started bolstering their business as well.
24
86040
5496
A inteligência artificial começou a dar suporte a esses negócios, também.
01:31
And it may seem like artificial intelligence
25
91560
2096
E pode parecer que a inteligência artificial
01:33
is just the next thing after online ads.
26
93680
2856
é apenas o próximo passo em anúncios on-line.
01:36
It's not.
27
96560
1216
Não é.
01:37
It's a jump in category.
28
97800
2456
É um salto de categoria.
01:40
It's a whole different world,
29
100280
2576
É um mundo totalmente novo,
01:42
and it has great potential.
30
102880
2616
e tem muito potencial.
01:45
It could accelerate our understanding of many areas of study and research.
31
105520
6920
Ela pode acelerar nosso entendimento em muitas áreas de estudo e pesquisa.
01:53
But to paraphrase a famous Hollywood philosopher,
32
113120
3496
Mas, parafraseando um famoso filósofo de Hollywood:
01:56
"With prodigious potential comes prodigious risk."
33
116640
3640
"Junto com um potencial imenso, vem um risco imenso".
02:01
Now let's look at a basic fact of our digital lives, online ads.
34
121120
3936
Vamos olhar um fato básico de nossa vida digital: anúncios on-line.
02:05
Right? We kind of dismiss them.
35
125080
2896
Certo? Nós meio que os dispensamos.
02:08
They seem crude, ineffective.
36
128000
1976
Eles parecem toscos, não efetivos.
02:10
We've all had the experience of being followed on the web
37
130000
4256
Todos nós já tivemos a experiência de sermos seguidos na web
02:14
by an ad based on something we searched or read.
38
134280
2776
por um anúncio baseado em algo que pesquisamos ou lemos.
02:17
You know, you look up a pair of boots
39
137080
1856
Sabe? Você pesquisa um par de botas
02:18
and for a week, those boots are following you around everywhere you go.
40
138960
3376
e, por uma semana, essas botas o perseguem onde quer que você vá.
02:22
Even after you succumb and buy them, they're still following you around.
41
142360
3656
Mesmo depois de sucumbir e comprá-las, elas continuam seguindo você.
02:26
We're kind of inured to that kind of basic, cheap manipulation.
42
146040
3016
Nós nos acostumamos a esse tipo de manipulação básica e barata.
02:29
We roll our eyes and we think, "You know what? These things don't work."
43
149080
3400
Reviramos os olhos e pensamos: "Quer saber? Essas coisas não funcionam".
02:33
Except, online,
44
153720
2096
Mas, on-line, as tecnologias digitais não são só anúncios.
02:35
the digital technologies are not just ads.
45
155840
3600
02:40
Now, to understand that, let's think of a physical world example.
46
160240
3120
Para entender isso, vamos pensar em um exemplo do mundo real.
02:43
You know how, at the checkout counters at supermarkets, near the cashier,
47
163840
4656
Sabem quando, perto dos caixas do supermercado,
02:48
there's candy and gum at the eye level of kids?
48
168520
3480
estão expostas balas e chicletes na altura dos olhos das crianças?
02:52
That's designed to make them whine at their parents
49
172800
3496
Isso é projetado para fazê-las choramingar para os pais
02:56
just as the parents are about to sort of check out.
50
176320
3080
bem na hora em que eles estão encerrando a compra.
03:00
Now, that's a persuasion architecture.
51
180040
2640
Isso é uma arquitetura de persuasão.
03:03
It's not nice, but it kind of works.
52
183160
3096
Não é legal, mas funciona.
03:06
That's why you see it in every supermarket.
53
186280
2040
E você vê isso em qualquer supermercado.
03:08
Now, in the physical world,
54
188720
1696
Agora, no mundo físico,
03:10
such persuasion architectures are kind of limited,
55
190440
2496
essas arquiteturas de persuasão são um pouco limitadas,
03:12
because you can only put so many things by the cashier. Right?
56
192960
4816
porque só se consegue colocar um certo número de coisas perto do caixa, certo?
03:17
And the candy and gum, it's the same for everyone,
57
197800
4296
E as balas e chicletes são iguais para todos,
03:22
even though it mostly works
58
202120
1456
mesmo que funcionem mais para as pessoas
03:23
only for people who have whiny little humans beside them.
59
203600
4040
que estão com pequenos humanos choraminguentos.
03:29
In the physical world, we live with those limitations.
60
209160
3920
No mundo físico, vivemos com essas limitações.
03:34
In the digital world, though,
61
214280
1936
No mundo digital, no entanto,
03:36
persuasion architectures can be built at the scale of billions
62
216240
4320
arquiteturas de persuasão podem ser construídas aos bilhões
03:41
and they can target, infer, understand
63
221840
3856
e podem mirar, inferir, entender
03:45
and be deployed at individuals
64
225720
2896
e ser aplicadas individualmente,
03:48
one by one
65
228640
1216
um a um,
03:49
by figuring out your weaknesses,
66
229880
2136
ao entender nossas fraquezas,
03:52
and they can be sent to everyone's phone private screen,
67
232040
5616
e podem ser enviadas de forma privada para a tela do telefone de cada um,
03:57
so it's not visible to us.
68
237680
2256
então não são visíveis para todos.
03:59
And that's different.
69
239960
1256
E isso é diferente.
04:01
And that's just one of the basic things that artificial intelligence can do.
70
241240
3576
Essa é só uma das coisas básicas que a inteligência artificial pode fazer.
04:04
Now, let's take an example.
71
244840
1336
Por exemplo, digamos que você queira vender passagens aéreas para Las Vegas.
04:06
Let's say you want to sell plane tickets to Vegas. Right?
72
246200
2696
04:08
So in the old world, you could think of some demographics to target
73
248920
3496
No mundo antigo, você poderia pensar em mirar em alguns setores da população
04:12
based on experience and what you can guess.
74
252440
2520
baseado na experiência e no que você puder imaginar.
04:15
You might try to advertise to, oh,
75
255560
2816
Você pode tentar anunciar para...
04:18
men between the ages of 25 and 35,
76
258400
2496
homens de 25 a 35 anos,
04:20
or people who have a high limit on their credit card,
77
260920
3936
ou pessoas que têm limite alto no cartão de crédito,
04:24
or retired couples. Right?
78
264880
1376
ou casais aposentados, certo?
04:26
That's what you would do in the past.
79
266280
1816
É isso que você faria no passado.
04:28
With big data and machine learning,
80
268120
2896
Com "big data" e aprendizado de máquina,
04:31
that's not how it works anymore.
81
271040
1524
não funciona mais assim.
04:33
So to imagine that,
82
273320
2176
Para imaginar isso,
04:35
think of all the data that Facebook has on you:
83
275520
3856
pense em todos os dados que o Facebook tem sobre você:
04:39
every status update you ever typed,
84
279400
2536
cada atualização de status que você já digitou,
04:41
every Messenger conversation,
85
281960
2016
cada conversa no Messenger,
04:44
every place you logged in from,
86
284000
1880
cada local de onde você se conectou,
04:48
all your photographs that you uploaded there.
87
288400
3176
todas as fotos que você publicou.
04:51
If you start typing something and change your mind and delete it,
88
291600
3776
Se você começa a digitar algo, muda de ideia e deleta,
04:55
Facebook keeps those and analyzes them, too.
89
295400
3200
o Facebook guarda isso e analisa, também.
04:59
Increasingly, it tries to match you with your offline data.
90
299160
3936
Além disso, ele tenta combinar você com seus dados fora da rede.
05:03
It also purchases a lot of data from data brokers.
91
303120
3176
E também compra muitos dados de corretores de dados.
05:06
It could be everything from your financial records
92
306320
3416
Pode ser qualquer coisa, desde seus registros financeiros
05:09
to a good chunk of your browsing history.
93
309760
2120
a uma boa parte do seu histórico de navegação.
05:12
Right? In the US, such data is routinely collected,
94
312360
5416
Certo?
Nos EUA esses dados são coletados rotineiramente,
05:17
collated and sold.
95
317800
1960
organizados e vendidos.
05:20
In Europe, they have tougher rules.
96
320320
2440
Na Europa, há regras mais rígidas.
05:23
So what happens then is,
97
323680
2200
O que acontece então
05:26
by churning through all that data, these machine-learning algorithms --
98
326920
4016
é que, vasculhando todos esses dados, os algoritmos de aprendizado de máquina,
05:30
that's why they're called learning algorithms --
99
330960
2896
e é por isso que são chamados de algoritmos de aprendizado,
05:33
they learn to understand the characteristics of people
100
333880
4096
aprendem a entender as características das pessoas
05:38
who purchased tickets to Vegas before.
101
338000
2520
que já compraram passagens para Las Vegas antes.
05:41
When they learn this from existing data,
102
341760
3536
Quando eles aprendem isso a partir de dados existentes,
05:45
they also learn how to apply this to new people.
103
345320
3816
eles também aprendem a aplicar isso a outras pessoas.
05:49
So if they're presented with a new person,
104
349160
3056
Então, se uma nova pessoa é apresentada a eles,
05:52
they can classify whether that person is likely to buy a ticket to Vegas or not.
105
352240
4640
eles podem classificar se essa pessoa
é do tipo que compra passagem para Las Vegas ou não.
05:57
Fine. You're thinking, an offer to buy tickets to Vegas.
106
357720
5456
Bem. Você está pensando: "Uma oferta de passagem pra Las Vegas.
06:03
I can ignore that.
107
363200
1456
Consigo ignorar isso".
06:04
But the problem isn't that.
108
364680
2216
Mas o problema não é esse.
06:06
The problem is,
109
366920
1576
O problema é que não entendemos mais como esses algoritmos complexos trabalham.
06:08
we no longer really understand how these complex algorithms work.
110
368520
4136
06:12
We don't understand how they're doing this categorization.
111
372680
3456
Não entendemos como eles estão fazendo essa categorização.
06:16
It's giant matrices, thousands of rows and columns,
112
376160
4416
São matrizes gigantes, milhares de linhas e colunas,
06:20
maybe millions of rows and columns,
113
380600
1960
talvez milhões,
06:23
and not the programmers
114
383320
2640
e nem os programadores
06:26
and not anybody who looks at it,
115
386760
1680
nem ninguém que olhe isso,
06:29
even if you have all the data,
116
389440
1496
mesmo tendo todos os dados,
06:30
understands anymore how exactly it's operating
117
390960
4616
entende exatamente como eles estão operando;
06:35
any more than you'd know what I was thinking right now
118
395600
3776
não mais do que você saberia sobre o que estou pensando agora,
06:39
if you were shown a cross section of my brain.
119
399400
3960
se visse um corte transversal do meu cérebro.
06:44
It's like we're not programming anymore,
120
404360
2576
É como se não estivéssemos mais programando,
06:46
we're growing intelligence that we don't truly understand.
121
406960
4400
estamos criando inteligência que não entendemos verdadeiramente.
06:52
And these things only work if there's an enormous amount of data,
122
412520
3976
E essas coisas só funcionam se existir uma quantidade enorme de dados,
06:56
so they also encourage deep surveillance on all of us
123
416520
5096
então eles também encorajam uma grande vigilância sobre nós,
07:01
so that the machine learning algorithms can work.
124
421640
2336
para que os algoritmos de aprendizado de máquina funcionem.
07:04
That's why Facebook wants to collect all the data it can about you.
125
424000
3176
Por isso o Facebook quer coletar tudo que pode sobre você.
07:07
The algorithms work better.
126
427200
1576
Os algoritmos funcionam melhor.
07:08
So let's push that Vegas example a bit.
127
428800
2696
Vamos explorar um pouco mais o exemplo sobre Las vegas.
07:11
What if the system that we do not understand
128
431520
3680
E se o sistema que nós não entendemos
07:16
was picking up that it's easier to sell Vegas tickets
129
436200
5136
estivesse detectando que é mais fácil vender passagens para Las Vegas
07:21
to people who are bipolar and about to enter the manic phase.
130
441360
3760
para pessoas bipolares próximas de entrar em sua fase maníaca?
07:25
Such people tend to become overspenders, compulsive gamblers.
131
445640
4920
Essas pessoas tendem a se tornar
gastadores excessivos, jogadores compulsivos.
07:31
They could do this, and you'd have no clue that's what they were picking up on.
132
451280
4456
Eles podem fazer isso sem tenhamos a menor ideia de que eles estão detectando isso.
07:35
I gave this example to a bunch of computer scientists once
133
455760
3616
Uma vez dei esse exemplo a alguns cientistas da computação
07:39
and afterwards, one of them came up to me.
134
459400
2056
e, no fim, um deles veio falar comigo.
07:41
He was troubled and he said, "That's why I couldn't publish it."
135
461480
3520
Ele estava perturbado e disse: "Por isso eu não pude publicar".
07:45
I was like, "Couldn't publish what?"
136
465600
1715
Eu fiquei tipo: "Não pôde publicar o quê?"
07:47
He had tried to see whether you can indeed figure out the onset of mania
137
467800
5856
Ele tinha tentado identificar o início da fase maníaca,
07:53
from social media posts before clinical symptoms,
138
473680
3216
a partir de publicações de redes sociais, antes dos sintomas clínicos,
07:56
and it had worked,
139
476920
1776
e tinha funcionado,
07:58
and it had worked very well,
140
478720
2056
tinha funcionado muito bem,
08:00
and he had no idea how it worked or what it was picking up on.
141
480800
4880
e ele não tinha ideia sobre como tinha funcionado ou o que ele estava detectando.
08:06
Now, the problem isn't solved if he doesn't publish it,
142
486840
4416
Mas não publicar não resolve o problema,
08:11
because there are already companies
143
491280
1896
porque já existem empresas
08:13
that are developing this kind of technology,
144
493200
2536
que estão desenvolvendo esse tipo de tecnologia,
08:15
and a lot of the stuff is just off the shelf.
145
495760
2800
e muita coisa simplesmente já existe.
08:19
This is not very difficult anymore.
146
499240
2576
Isso não é mais tão difícil.
08:21
Do you ever go on YouTube meaning to watch one video
147
501840
3456
Você já entrou no YouTube para assistir a um vídeo
08:25
and an hour later you've watched 27?
148
505320
2360
e uma hora depois já assistiu a 27?
08:28
You know how YouTube has this column on the right
149
508760
2496
Sabe aquela coluna à direita do YouTube
08:31
that says, "Up next"
150
511280
2216
que diz: "Próximo" e reproduz automaticamente alguma coisa?
08:33
and it autoplays something?
151
513520
1816
08:35
It's an algorithm
152
515360
1216
É um algoritmo
08:36
picking what it thinks that you might be interested in
153
516600
3616
que escolhe o que ele acha que pode interessar a você,
08:40
and maybe not find on your own.
154
520240
1536
não é você que escolhe.
08:41
It's not a human editor.
155
521800
1256
Não é um editor humano.
08:43
It's what algorithms do.
156
523080
1416
É isso que os algoritmos fazem.
08:44
It picks up on what you have watched and what people like you have watched,
157
524520
4736
Eles detectam o que você viu e o que as pessoas como você viram,
08:49
and infers that that must be what you're interested in,
158
529280
4216
e infere que deve ser nisso que você está interessado,
08:53
what you want more of,
159
533520
1255
que você quer consumir mais, e apresenta mais para você.
08:54
and just shows you more.
160
534799
1336
08:56
It sounds like a benign and useful feature,
161
536159
2201
Parece uma característica benigna e útil,
08:59
except when it isn't.
162
539280
1200
mas não é.
09:01
So in 2016, I attended rallies of then-candidate Donald Trump
163
541640
6960
Em 2016, participei de comícios do então candidato Donald Trump
09:09
to study as a scholar the movement supporting him.
164
549840
3336
para estudar o movimento de apoio a ele.
09:13
I study social movements, so I was studying it, too.
165
553200
3456
Eu estudo movimentos sociais, então estava estudando esse também.
09:16
And then I wanted to write something about one of his rallies,
166
556680
3336
Eu queria escrever algo sobre um de seus comícios,
09:20
so I watched it a few times on YouTube.
167
560040
1960
então assisti a ele algumas vezes no YouTube.
09:23
YouTube started recommending to me
168
563240
3096
O YouTube começou a me recomendar
09:26
and autoplaying to me white supremacist videos
169
566360
4256
e a reproduzir automaticamente vídeos de supremacistas brancos
09:30
in increasing order of extremism.
170
570640
2656
em ordem crescente de extremismo.
09:33
If I watched one,
171
573320
1816
Se eu assistia a um,
09:35
it served up one even more extreme
172
575160
2976
ele me apresentava outro ainda mais radical
09:38
and autoplayed that one, too.
173
578160
1424
e reproduzia-o automaticamente, também.
09:40
If you watch Hillary Clinton or Bernie Sanders content,
174
580320
4536
Se você assistir a conteúdo da Hillary Clinton ou do Bernie Sanders,
09:44
YouTube recommends and autoplays conspiracy left,
175
584880
4696
o YouTube recomenda e reproduz conspiração de esquerda,
09:49
and it goes downhill from there.
176
589600
1760
e daí pra baixo.
09:52
Well, you might be thinking, this is politics, but it's not.
177
592480
3056
Bem, você pode pensar que isso tem a ver com política, mas não.
09:55
This isn't about politics.
178
595560
1256
Não tem a ver com política.
09:56
This is just the algorithm figuring out human behavior.
179
596840
3096
Isso é só o algoritmo descobrindo sobre o comportamento humano.
09:59
I once watched a video about vegetarianism on YouTube
180
599960
4776
Uma vez assisti a um vídeo sobre vegetarianismo no YouTube
10:04
and YouTube recommended and autoplayed a video about being vegan.
181
604760
4936
e o YouTube recomendou e reproduziu automaticamente um vídeo sobre ser vegano.
10:09
It's like you're never hardcore enough for YouTube.
182
609720
3016
É como se você nunca fosse radical o suficiente para o YouTube.
10:12
(Laughter)
183
612760
1576
(Risos)
10:14
So what's going on?
184
614360
1560
Então o que está havendo?
10:16
Now, YouTube's algorithm is proprietary,
185
616520
3536
O algoritmo do YouTube é privado,
10:20
but here's what I think is going on.
186
620080
2360
mas acho que acontece o seguinte.
10:23
The algorithm has figured out
187
623360
2096
O algoritmo descobriu
10:25
that if you can entice people
188
625480
3696
que, se conseguir persuadir as pessoas
10:29
into thinking that you can show them something more hardcore,
189
629200
3736
a pensarem que você pode mostrar algo ainda mais extremo,
10:32
they're more likely to stay on the site
190
632960
2416
é mais provável que elas fiquem no site
10:35
watching video after video going down that rabbit hole
191
635400
4416
assistindo a vídeo após vídeo e se afundando cada vez mais,
10:39
while Google serves them ads.
192
639840
1680
enquanto o Google mostra anúncios a elas.
10:43
Now, with nobody minding the ethics of the store,
193
643760
3120
Se ninguém cuidar da questão ética,
10:47
these sites can profile people
194
647720
4240
esses sites podem traçar o perfil de pessoas
10:53
who are Jew haters,
195
653680
1920
que odeiam judeus,
10:56
who think that Jews are parasites
196
656360
2480
que acham que judeus são parasitas,
11:00
and who have such explicit anti-Semitic content,
197
660320
4920
e que têm conteúdo explicitamente antissemita,
11:06
and let you target them with ads.
198
666080
2000
e deixar que você os atinja com anúncios.
11:09
They can also mobilize algorithms
199
669200
3536
Eles também podem mobilizar algoritmos
11:12
to find for you look-alike audiences,
200
672760
3136
para encontrar para você plateias similares,
11:15
people who do not have such explicit anti-Semitic content on their profile
201
675920
5576
pessoas que não têm conteúdo antissemita tão explícito em seu perfil,
11:21
but who the algorithm detects may be susceptible to such messages,
202
681520
6176
mas que o algoritmo detecta que podem ser suscetíveis a esse tipo de mensagem,
11:27
and lets you target them with ads, too.
203
687720
1920
e deixar que você os atinja com anúncios, também.
11:30
Now, this may sound like an implausible example,
204
690680
2736
Esse exemplo pode não parecer plausível,
11:33
but this is real.
205
693440
1320
mas é real.
11:35
ProPublica investigated this
206
695480
2136
A ProPublica investigou isso
11:37
and found that you can indeed do this on Facebook,
207
697640
3616
e descobriu que, sem dúvida, isso pode ser feito no Facebook,
11:41
and Facebook helpfully offered up suggestions
208
701280
2416
e o Facebook prestativamente ofereceu sugestões
11:43
on how to broaden that audience.
209
703720
1600
sobre como aumentar esse público.
11:46
BuzzFeed tried it for Google, and very quickly they found,
210
706720
3016
O BuzzFeed tentou isso com o Google, e rapidamente descobriu que sim,
11:49
yep, you can do it on Google, too.
211
709760
1736
pode-se fazer isso no Google, também.
11:51
And it wasn't even expensive.
212
711520
1696
E não foi muito caro.
11:53
The ProPublica reporter spent about 30 dollars
213
713240
4416
O repórter da ProPublica gastou em torno de US$ 30
11:57
to target this category.
214
717680
2240
para atingir esse público-alvo.
12:02
So last year, Donald Trump's social media manager disclosed
215
722600
5296
No último ano, o gerente de mídias sociais do Donald Trump revelou
12:07
that they were using Facebook dark posts to demobilize people,
216
727920
5336
que eles estavam usando "dark posts" do Facebook para desmobilizar pessoas,
12:13
not to persuade them,
217
733280
1376
não para persuadi-las,
12:14
but to convince them not to vote at all.
218
734680
2800
mas para convencê-las a não votar.
12:18
And to do that, they targeted specifically,
219
738520
3576
E para isso eles miraram especificamente,
12:22
for example, African-American men in key cities like Philadelphia,
220
742120
3896
por exemplo, homens afro-americanos em cidades-chave como a Filadélfia,
12:26
and I'm going to read exactly what he said.
221
746040
2456
e vou ler exatamente o que ele disse.
12:28
I'm quoting.
222
748520
1216
Estou citando.
12:29
They were using "nonpublic posts
223
749760
3016
Eles estavam usando "publicações fechadas,
12:32
whose viewership the campaign controls
224
752800
2176
com visualização controlada pela campanha,
12:35
so that only the people we want to see it see it.
225
755000
3776
para que sejam vistas apenas pelas pessoas que queremos que os vejam.
12:38
We modeled this.
226
758800
1216
Nós modelamos isso.
12:40
It will dramatically affect her ability to turn these people out."
227
760040
4720
E vai afetar drasticamente a capacidade dela de mobilizar essas pessoas".
12:45
What's in those dark posts?
228
765720
2280
O que há nesses "dark posts"?
12:48
We have no idea.
229
768480
1656
Não temos ideia.
12:50
Facebook won't tell us.
230
770160
1200
O Facebook não vai nos contar.
12:52
So Facebook also algorithmically arranges the posts
231
772480
4376
O Facebook também organiza algoritmicamente as publicações
12:56
that your friends put on Facebook, or the pages you follow.
232
776880
3736
de seus amigos ou das páginas que você segue.
13:00
It doesn't show you everything chronologically.
233
780640
2216
Ele não mostra tudo em ordem cronológica.
13:02
It puts the order in the way that the algorithm thinks will entice you
234
782880
4816
Ele coloca na ordem em que o algoritmo pensa que vai induzir você
13:07
to stay on the site longer.
235
787720
1840
a ficar mais tempo no site.
13:11
Now, so this has a lot of consequences.
236
791040
3376
Isso tem várias consequências.
13:14
You may be thinking somebody is snubbing you on Facebook.
237
794440
3800
Você pode estar pensando que alguém está desprezando você no Facebook.
13:18
The algorithm may never be showing your post to them.
238
798800
3256
Mas o algoritmo pode não estar mostrando suas publicações a ele.
13:22
The algorithm is prioritizing some of them and burying the others.
239
802080
5960
O algoritmo está priorizando alguns e encobrindo os outros.
13:29
Experiments show
240
809320
1296
Experimentos mostram
13:30
that what the algorithm picks to show you can affect your emotions.
241
810640
4520
que o que o algoritmo escolhe para mostrar a você pode afetar suas emoções.
13:36
But that's not all.
242
816600
1200
Mas não é só isso.
13:38
It also affects political behavior.
243
818280
2360
Ele também afeta o comportamento político.
13:41
So in 2010, in the midterm elections,
244
821360
4656
Então, em 2010, nas eleições intercalares,
13:46
Facebook did an experiment on 61 million people in the US
245
826040
5896
o Facebook fez um experimento com 61 milhões de pessoas nos EUA;
13:51
that was disclosed after the fact.
246
831960
1896
isso foi revelado após o fato.
13:53
So some people were shown, "Today is election day,"
247
833880
3416
Para algumas pessoas ele mostrou: "Hoje é o dia das eleições",
13:57
the simpler one,
248
837320
1376
a versão mais simples,
13:58
and some people were shown the one with that tiny tweak
249
838720
3896
e para outras pessoas mostrou a versão com aquela pequena barra
14:02
with those little thumbnails
250
842640
2096
com as fotinhos dos seus amigos que clicaram "Eu votei".
14:04
of your friends who clicked on "I voted."
251
844760
2840
14:09
This simple tweak.
252
849000
1400
Esta barra simples.
14:11
OK? So the pictures were the only change,
253
851520
4296
Então, as fotos eram a única diferença,
14:15
and that post shown just once
254
855840
3256
e essa publicação, mostrada apenas uma vez,
14:19
turned out an additional 340,000 voters
255
859120
6056
levou 340 mil eleitores a mais
14:25
in that election,
256
865200
1696
nessa eleição,
14:26
according to this research
257
866920
1696
de acordo com uma pesquisa
14:28
as confirmed by the voter rolls.
258
868640
2520
e confirmada nas listas de eleitores.
14:32
A fluke? No.
259
872920
1656
Acaso? Não.
14:34
Because in 2012, they repeated the same experiment.
260
874600
5360
Porque, em 2012, eles repetiram o mesmo experimento.
14:40
And that time,
261
880840
1736
E, dessa vez,
14:42
that civic message shown just once
262
882600
3296
aquela mensagem cívica apresentada apenas uma vez
14:45
turned out an additional 270,000 voters.
263
885920
4440
se converteu em 270 mil eleitores a mais.
14:51
For reference, the 2016 US presidential election
264
891160
5216
Para referência, as eleições presidenciais de 2016 nos EUA
14:56
was decided by about 100,000 votes.
265
896400
3520
foi decidida por cerca de 100 mil votos.
15:01
Now, Facebook can also very easily infer what your politics are,
266
901360
4736
Agora, o Facebook pode facilmente inferir suas preferências políticas,
15:06
even if you've never disclosed them on the site.
267
906120
2256
mesmo que você nunca as tenha revelado no site.
15:08
Right? These algorithms can do that quite easily.
268
908400
2520
Certo? Esses algoritmos fazem isso facilmente.
15:11
What if a platform with that kind of power
269
911960
3896
E se uma plataforma com esse tipo de poder
15:15
decides to turn out supporters of one candidate over the other?
270
915880
5040
decidir mobilizar apoiadores de um candidato e não do outro?
15:21
How would we even know about it?
271
921680
2440
Como vamos ao menos saber disso?
15:25
Now, we started from someplace seemingly innocuous --
272
925560
4136
Vejam, começamos por algo aparentemente inócuo:
15:29
online adds following us around --
273
929720
2216
anúncios on-line que nos perseguem;
15:31
and we've landed someplace else.
274
931960
1840
e fomos parar em outro lugar.
15:35
As a public and as citizens,
275
935480
2456
Como público e como cidadãos,
15:37
we no longer know if we're seeing the same information
276
937960
3416
não sabemos mais se estamos vendo a mesma informação
15:41
or what anybody else is seeing,
277
941400
1480
ou o que os outros estão vendo,
15:43
and without a common basis of information,
278
943680
2576
e sem uma base comum de informação,
15:46
little by little,
279
946280
1616
aos poucos
15:47
public debate is becoming impossible,
280
947920
3216
o debate público está ficando impossível,
15:51
and we're just at the beginning stages of this.
281
951160
2976
e estamos apenas nos primeiros estágios disso.
15:54
These algorithms can quite easily infer
282
954160
3456
Esses algoritmos podem inferir facilmente
15:57
things like your people's ethnicity,
283
957640
3256
coisas como sua etnia,
16:00
religious and political views, personality traits,
284
960920
2336
posição religiosa e política, traços de personalidade,
16:03
intelligence, happiness, use of addictive substances,
285
963280
3376
inteligência, felicidade, uso de substâncias viciantes,
16:06
parental separation, age and genders,
286
966680
3136
separação dos pais, idade e gênero,
16:09
just from Facebook likes.
287
969840
1960
só a partir das curtidas no Facebook.
16:13
These algorithms can identify protesters
288
973440
4056
Esses algoritmos podem identificar manifestantes
16:17
even if their faces are partially concealed.
289
977520
2760
mesmo que seus rostos estejam parcialmente ocultos.
16:21
These algorithms may be able to detect people's sexual orientation
290
981720
6616
Esses algoritmos podem detectar a orientação sexual das pessoas
16:28
just from their dating profile pictures.
291
988360
3200
só pelas fotos de perfil de seus relacionamentos.
16:33
Now, these are probabilistic guesses,
292
993560
2616
Essas são inferências probabilísticas,
16:36
so they're not going to be 100 percent right,
293
996200
2896
então não estarão 100% corretas,
16:39
but I don't see the powerful resisting the temptation to use these technologies
294
999120
4896
mas não vejo os poderosos resistindo à tentação de usar essas tecnologias
16:44
just because there are some false positives,
295
1004040
2176
só porque há alguns falsos positivos,
16:46
which will of course create a whole other layer of problems.
296
1006240
3256
que certamente vão criar outra camada de problemas.
16:49
Imagine what a state can do
297
1009520
2936
Imagine o que um Estado pode fazer
16:52
with the immense amount of data it has on its citizens.
298
1012480
3560
com a imensa quantidade de informação que tem de seus cidadãos.
16:56
China is already using face detection technology
299
1016680
4776
A China já usa tecnologia de detecção facial
17:01
to identify and arrest people.
300
1021480
2880
para identificar e prender pessoas.
17:05
And here's the tragedy:
301
1025280
2136
E a tragédia é a seguinte:
17:07
we're building this infrastructure of surveillance authoritarianism
302
1027440
5536
estamos construindo infraestrutura de vigilância autoritária
17:13
merely to get people to click on ads.
303
1033000
2960
só para que as pessoas cliquem em anúncios.
17:17
And this won't be Orwell's authoritarianism.
304
1037240
2576
E esse não será o autoritarismo do Orwell.
17:19
This isn't "1984."
305
1039839
1897
Isso não é "1984".
17:21
Now, if authoritarianism is using overt fear to terrorize us,
306
1041760
4576
Agora, se o autoritarismo usar o medo explícito para nos aterrorizar,
17:26
we'll all be scared, but we'll know it,
307
1046359
2897
estaremos todos com medo, mas saberemos disso,
17:29
we'll hate it and we'll resist it.
308
1049280
2200
vamos odiá-lo e resistir a ele.
17:32
But if the people in power are using these algorithms
309
1052880
4416
Mas, se as pessoas no poder estiverem usando esses algoritmos
17:37
to quietly watch us,
310
1057319
3377
para nos observar discretamente,
17:40
to judge us and to nudge us,
311
1060720
2080
para nos julgar e para nos incitar,
17:43
to predict and identify the troublemakers and the rebels,
312
1063720
4176
para prever e identificar os encrenqueiros e os rebeldes,
17:47
to deploy persuasion architectures at scale
313
1067920
3896
para aplicar arquiteturas de persuasão em larga escala
17:51
and to manipulate individuals one by one
314
1071840
4136
e para manipular as pessoas uma a uma
17:56
using their personal, individual weaknesses and vulnerabilities,
315
1076000
5440
usando suas fraquezas e vulnerabilidades pessoais e individuais,
18:02
and if they're doing it at scale
316
1082720
2200
e se estiverem fazendo isso em larga escala,
18:06
through our private screens
317
1086080
1736
através de nossas telas privadas
18:07
so that we don't even know
318
1087840
1656
de forma que nem saibamos
18:09
what our fellow citizens and neighbors are seeing,
319
1089520
2760
o que nossos colegas cidadãos e vizinhos estão vendo,
18:13
that authoritarianism will envelop us like a spider's web
320
1093560
4816
esse autoritarismo vai nos envolver como uma teia de aranha
18:18
and we may not even know we're in it.
321
1098400
2480
e podemos nem saber que estamos nela.
18:22
So Facebook's market capitalization
322
1102440
2936
A capitalização de mercado do Facebook
18:25
is approaching half a trillion dollars.
323
1105400
3296
está perto de US$ 500 bilhões.
18:28
It's because it works great as a persuasion architecture.
324
1108720
3120
É assim porque ele funciona muito bem como uma arquitetura de persuasão.
18:33
But the structure of that architecture
325
1113760
2816
Mas a estrutura dessa arquitetura
18:36
is the same whether you're selling shoes
326
1116600
3216
é a mesma se você vende sapatos
18:39
or whether you're selling politics.
327
1119840
2496
ou política.
18:42
The algorithms do not know the difference.
328
1122360
3120
O algoritmo não sabe a diferença.
18:46
The same algorithms set loose upon us
329
1126240
3296
O mesmo algoritmo que faz o que quiser conosco
18:49
to make us more pliable for ads
330
1129560
3176
para nos tornar mais influenciáveis pelos anúncios
18:52
are also organizing our political, personal and social information flows,
331
1132760
6736
também organiza o fluxo de informações políticas, pessoais e sociais,
18:59
and that's what's got to change.
332
1139520
1840
e é isso que precisa mudar.
19:02
Now, don't get me wrong,
333
1142240
2296
Não me entendam mal,
19:04
we use digital platforms because they provide us with great value.
334
1144560
3680
usamos plataformas digitais porque elas são valiosas para nós.
19:09
I use Facebook to keep in touch with friends and family around the world.
335
1149120
3560
Eu uso o Facebook para manter contato com amigos e parentes no mundo inteiro.
19:14
I've written about how crucial social media is for social movements.
336
1154000
5776
Já escrevi sobre como as mídias sociais são cruciais para os movimentos sociais.
19:19
I have studied how these technologies can be used
337
1159800
3016
Tenho estudado como essas tecnologias podem ser usadas
19:22
to circumvent censorship around the world.
338
1162840
2480
para contornar a censura em todo o mundo.
19:27
But it's not that the people who run, you know, Facebook or Google
339
1167280
6416
Não é que as pessoas que dirigem o Facebook ou Google
19:33
are maliciously and deliberately trying
340
1173720
2696
estejam maliciosamente e deliberadamente
tentando tornar o país ou o mundo mais polarizado
19:36
to make the country or the world more polarized
341
1176440
4456
19:40
and encourage extremism.
342
1180920
1680
e encorajando o extremismo.
19:43
I read the many well-intentioned statements
343
1183440
3976
Li as diversas declarações bem-intencionadas
19:47
that these people put out.
344
1187440
3320
que essas pessoas expressam.
19:51
But it's not the intent or the statements people in technology make that matter,
345
1191600
6056
Mas não são as intenções ou declarações das pessoas de tecnologia que importam,
19:57
it's the structures and business models they're building.
346
1197680
3560
são as estruturas e modelos de negócio que elas estão criando.
20:02
And that's the core of the problem.
347
1202360
2096
E esse é o cerne do problema.
20:04
Either Facebook is a giant con of half a trillion dollars
348
1204480
4720
Ou o Facebook é uma enorme fraude de US$ 500 bilhões
20:10
and ads don't work on the site,
349
1210200
1896
e os anúncios não funcionam no site
20:12
it doesn't work as a persuasion architecture,
350
1212120
2696
e ele não funciona como uma arquitetura de persuasão,
20:14
or its power of influence is of great concern.
351
1214840
4120
ou seu poder de influência é muito preocupante.
20:20
It's either one or the other.
352
1220560
1776
Ou um ou outro.
20:22
It's similar for Google, too.
353
1222360
1600
E o mesmo para o Google.
20:24
So what can we do?
354
1224880
2456
Então o que podemos fazer?
20:27
This needs to change.
355
1227360
1936
Isso precisa mudar.
20:29
Now, I can't offer a simple recipe,
356
1229320
2576
Eu não tenho uma receita simples,
20:31
because we need to restructure
357
1231920
2256
porque precisamos reestruturar
20:34
the whole way our digital technology operates.
358
1234200
3016
toda a forma como opera a nossa tecnologia digital.
20:37
Everything from the way technology is developed
359
1237240
4096
Tudo, desde a forma como a tecnologia é desenvolvida
20:41
to the way the incentives, economic and otherwise,
360
1241360
3856
até a forma como os incentivos, econômicos e outros,
20:45
are built into the system.
361
1245240
2280
são construídos no sistema.
20:48
We have to face and try to deal with
362
1248480
3456
Precisamos encarar e tentar lidar
20:51
the lack of transparency created by the proprietary algorithms,
363
1251960
4656
com a falta de transparência criada pelos proprietários dos algoritmos,
20:56
the structural challenge of machine learning's opacity,
364
1256640
3816
o desafio estrutural da opacidade do aprendizado de máquina,
21:00
all this indiscriminate data that's being collected about us.
365
1260480
3400
e de todos esses dados sendo coletados sobre nós indiscriminadamente.
21:05
We have a big task in front of us.
366
1265000
2520
Temos uma tarefa enorme diante de nós.
21:08
We have to mobilize our technology,
367
1268160
2680
Temos que mobilizar nossa tecnologia,
21:11
our creativity
368
1271760
1576
nossa criatividade
21:13
and yes, our politics
369
1273360
1880
e, sim, nossos políticos,
21:16
so that we can build artificial intelligence
370
1276240
2656
para que possamos criar inteligência artificial
21:18
that supports us in our human goals
371
1278920
3120
que dê suporte a nossos objetivos humanos,
21:22
but that is also constrained by our human values.
372
1282800
3920
mas que também seja limitada por nossos valores humanos.
21:27
And I understand this won't be easy.
373
1287600
2160
E eu entendo que isso não será fácil.
21:30
We might not even easily agree on what those terms mean.
374
1290360
3600
Podemos não concordar facilmente com o significado desses termos.
21:34
But if we take seriously
375
1294920
2400
Mas, se levarmos a sério
21:38
how these systems that we depend on for so much operate,
376
1298240
5976
a forma como operam esses sistemas dos quais tanto dependemos,
21:44
I don't see how we can postpone this conversation anymore.
377
1304240
4120
não vejo como postergar mais essa discussão.
21:49
These structures
378
1309200
2536
Essas estruturas
21:51
are organizing how we function
379
1311760
4096
estão organizando o modo como funcionamos
21:55
and they're controlling
380
1315880
2296
e estão controlando
21:58
what we can and we cannot do.
381
1318200
2616
o que podemos ou não fazer.
22:00
And many of these ad-financed platforms,
382
1320840
2456
E muitas dessas plataformas financiadas por anúncios
22:03
they boast that they're free.
383
1323320
1576
se vangloriam de serem gratuitas.
22:04
In this context, it means that we are the product that's being sold.
384
1324920
4560
Nesse contexto, o produto que está sendo vendido somos nós.
22:10
We need a digital economy
385
1330840
2736
Precisamos de uma economia digital
22:13
where our data and our attention
386
1333600
3496
em que nossos dados e nossa atenção
22:17
is not for sale to the highest-bidding authoritarian or demagogue.
387
1337120
5080
não estejam à venda para o ditador ou demagogo que ofereça mais.
22:23
(Applause)
388
1343160
3800
(Aplausos)
22:30
So to go back to that Hollywood paraphrase,
389
1350480
3256
Então, parafraseando Hollywood novamente,
22:33
we do want the prodigious potential
390
1353760
3736
queremos que o imenso potencial
22:37
of artificial intelligence and digital technology to blossom,
391
1357520
3200
da inteligência artificial e da tecnologia digital floresçam,
22:41
but for that, we must face this prodigious menace,
392
1361400
4936
mas para isso precisamos enfrentar essa imensa ameaça,
22:46
open-eyed and now.
393
1366360
1936
de olhos abertos e agora.
22:48
Thank you.
394
1368320
1216
Obrigada.
22:49
(Applause)
395
1369560
4640
(Aplausos)
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7