Network Effect es una escultura multimedia en tiempo real para experimentar en un navegador.

Yoga Perdana, un diseñador gráfico de Indonesia que logra la síntesis gráfica perfecta.
junio 12, 2019
Posicionamiento de la marca: el principal código que las marcas de tecnología deben dominar.
junio 17, 2019
Show all

Presentamos Network Effect, una escultura multimedia en tiempo real que puedes experimentar en un navegador, en tu computadora.

Network Effect utiliza una variedad de herramientas de código abierto y datos disponibles públicamente.

La interfaz está escrita en Javascript (con el elegante JQuery de John Resig) y en WebGL (con el excelente Three.js de Ricardo Cabello), con el código de sombreado GLSL de Felix Turner, Altered Qualia e Iñigo Quílez. La fuente utilizada es Gotham.

El backend está escrito en Python, con alojamiento en Google App Engine y Google Cloud Storage. El manejo de video y audio se realiza con una adaptación casera de la excelente biblioteca FFMPEG.

Los datos provienen de YouTube, Twitter, Google Books Ngrams y Google News, con mucha ayuda de Amazon Mechanical Turk para automatizar muchas tareas humanas diferentes. Google App Engine proporciona el mapeo de las direcciones IP a los países, y los datos de la esperanza de vida se basan en una combinación de conjuntos de datos de la ONU y la OMS de Wikipedia.

Para comenzar la experiencia click aquí.

Comenzaron eligiendo una lista de 100 comportamientos humanos canónicos, básicamente, una larga lista de verbos (comer, dormir, mirar, etc.). Trataron de elegir comportamientos que fueran corpóreos en lugar de cerebrales (por ejemplo, apuntar sin pensar) y que fueran temporalmente universales (es decir, no dependientes de ningún momento particular en la historia). Con esta lista en la mano, se dispusieron a recopilar datos para cada uno de los 100 comportamientos.

Para recopilar los videos, crearon un marco para permitir a los trabajadores de Amazon Mechanical Turk encontrar ejemplos de dos segundos de cada uno de los 100 comportamientos dentro de los videos existentes de YouTube, y construyeron un sistema para revisar sus presentaciones, hasta que reunieron 10,000 videos clips aceptables. – 100 por cada comportamiento. Adaptaron la biblioteca FFMPEG para automatizar el proceso de recorte y recorte de los videos, y para duplicar la velocidad de cada video, reduciéndolo de dos segundos a un segundo, para crear una descripción frenética y más abstracta de la vida humana. Cada clip se acredita por título y autor, y los espectadores pueden acceder a los videos subyacentes en YouTube a través de la sección de Créditos del sitio web. Le pagaron a cada trabajador $ .25 por cada video recopilado, con un costo de $ 2,500 en total.

La sección de créditos muestra imágenes en miniatura de los 10,000 clips de video de YouTube que aparecen en el proyecto, organizados por comportamiento, con cada video anotado por título y autor. Cada miniatura está hipervinculada a su video original completo en YouTube.

Para recopilar el audio, crearon un sistema para consultar en la API de Twitter las oraciones que mencionan cada uno de los 100 comportamientos, siguiendo ciertas convenciones lingüísticas (por ejemplo, “nado porque …”, “nadar es …”, etc.). Revisaron manualmente las oraciones resultantes, seleccionando 100 para cada comportamiento. Luego crearon un sistema para introducir estas oraciones en Amazon Mechanical Turk, pidiéndoles a los trabajadores que las leyeran en voz alta mientras grababan su voz con su teléfono celular, y luego enviaban los archivos MP3 resultantes a través de un formulario HTML. De esta manera, recolectaron 10,000 oraciones habladas – 100 por cada comportamiento. Luego utilizaron nuestra biblioteca FFMPEG para combinar estas oraciones en paisajes sonoros de audio abstractos, que recuerdan la charla de cóctel (pero la charla en la que todos hablan de lo mismo). Estos montajes de sonido de varias capas se combinan con los videos para crear 100 entornos audiovisuales extraños y abrumadores.

Para recopilar los datos de las marcas, crearon una encuesta de Amazon Mechanical Turk, pidiéndoles a los trabajadores que nombraran las cinco marcas principales que asociarían con cada uno de los 100 comportamientos. Hicieron esta encuesta 100 veces por comportamiento, descartaron marcas con menos de dos conjeturas y luego tomaron los diez primeros resultados en función del número de votos. En el mundo de la tecnología, este tipo de ejercicio se conoce como una encuesta de “Sabiduría de las multitudes”, en la que se pide a un gran grupo de participantes no expertos que adivinen una respuesta a una pregunta que de otra manera sería difícil de responder. La teoría de la Sabiduría de las Multitudes postula que tal multitud posee un tipo de inteligencia colectiva, capaz de producir respuestas cercanas a la verdad.

Para recopilar los datos de definiciones, escribieron un sistema para consultar en la API de Twitter las oraciones que contienen cada uno de los 100 comportamientos, seguidos inmediatamente por la palabra “es” (por ejemplo, “Nadar es …”). De esta manera, pudieron recopilar un extenso y cada vez mayor número de definiciones para cada comportamiento, con multitud de tweets de miles de personas. Según la hora local de cada tweet, pudieron crear un histograma de definiciones por hora, mostrando, por ejemplo, las definiciones de consumo de alcohol ofrecidas a las 10AM en lugar de a las 10PM. Los datos de definiciones continúan actualizándose cada hora.

Para recopilar los datos de género, escribieron un sistema para consultar en Google Books Ngrams (un corpus de millones de libros digitalizados, aproximadamente el 6% de todos los libros impresos) para cada uno de los 100 comportamientos de 1900–2008. Cada año, compararon la prevalencia relativa de los pronombres masculinos (él, él, los suyos) con los pronombres femeninos (ella, ella, los suyos) cerca de las diferentes formas verbales de cada comportamiento (por ejemplo, correr, correr, correr). De esta manera, pudieron deducir el desglose por género para cada uno de los 100 comportamientos durante el siglo pasado. Los datos comunican el fuerte sesgo femenino de ciertas actividades (por ejemplo, tejer, comprar, llorar) y el fuerte sesgo masculino de otros (por ejemplo, disparar, sudar, vomitar), así como los diversos cambios de género que ocurren a lo largo del tiempo.

Para recopilar los datos de las noticias, escribieron un sistema para rastrear Google News en busca de titulares de noticias que mencionen cualquiera de los 100 comportamientos, en cualquier momento desde enero de 2004 hasta el día de hoy. Las noticias se pueden filtrar por mes y año utilizando un histograma interactivo. De esta manera, pudieron reunir un archivo de noticias para el comportamiento humano, con agrupaciones extrañas como noticias sobre besos, señalar y mirar fijamente. Los datos de noticias continúan actualizándose cada hora.

Para recopilar los datos de uso, escribieron un sistema para consultar en Google Books Ngrams (un corpus de millones de libros digitalizados, aproximadamente el 6% de todos los libros impresos) para cada uno de los 100 comportamientos de 1900–2008. Para cada año, contabilizaron la prevalencia de diferentes formas verbales para cada comportamiento (por ejemplo, correr, correr, correr). De esta manera, pudieron crear una especie de mercado de valores histórico para el comportamiento humano, mostrando el auge y la caída de diferentes actividades a lo largo de un siglo. Los datos comunican el predominio general de las donaciones, el aumento de hablar, sonreír, mirar fijamente y el pánico, y la disminución del llanto y la escritura, entre muchas otras tendencias.

Para recopilar los datos de las palabras, escribieron un sistema para consultar en los libros de Google Ngrams (un corpus de millones de libros digitalizados, aproximadamente el 6% de todos los libros impresos) para cada uno de los 100 comportamientos de 1900 a 2008, incluidas las diferentes formas verbales de cada comportamiento. (ej. correr, correr, correr). Para cada comportamiento, compararon la prevalencia general de diferentes palabras vecinas, organizadas por parte del habla (es decir, sustantivos, verbos, adjetivos, adverbios). De esta manera, fueron capaces de construir un paisaje lingüístico estadístico para cada comportamiento. Por ejemplo, los datos comunican que luchan principalmente contra la guerra, batallas, impulsos y lágrimas, y que las formas en las que luchamos a menudo son valientes, desesperadas, viriles y solas.

Para calcular el límite de tiempo para cada espectador, escribieron un sistema para aproximar su país de origen según su dirección IP y luego utilizaron una base de datos de esperanza de vida para encontrar la esperanza de vida promedio de las personas que viven en ese país en particular. Luego, se traducen de años a minutos (por ejemplo, 79.5 años = 7.95 minutos = 7:57), para determinar cuánto tiempo tendrá que explorar el proyecto cada espectador, antes de ser bloqueado durante veinticuatro horas. El límite de tiempo está destinado a inducir una sensación de pánico y ansiedad, en consonancia con el sentimiento de la cultura de Internet en sí.

Mientras ve los videoclips de un determinado comportamiento, si el espectador presiona y mantiene presionado el botón del mouse, aparece el movimiento “Chatter”, que revela las palabras “MÁS MÁS”. Las pulsaciones repetidas del mouse hacen que se agreguen MÁS adicionales a la secuencia, lo que eventualmente superará al Pantalla con un número potencialmente infinito de MÁS.

CREDITOS
Jonathan harris
Jonathan Harris es un artista y científico informático, conocido por su trabajo con la poética de los datos y la narración de historias. Es el creador de proyectos interactivos clásicos como We Feel Fine, 10×10, The Whale Hunt y I Love Your Work. Ganador de Webby, compañero de Fabrica, compañero de Hemera y líder mundial joven del Foro Económico Mundial, sus charlas de TED se han visto millones de veces y su obra de arte se encuentra en la colección permanente del MoMA.

GREG HOCHMUTH
Greg Hochmuth es un artista e ingeniero especializado en ciencia de datos. Estudió ciencias de la computación y diseño en la Universidad de Stanford, y luego trabajó como gerente de producto, ingeniero y analista de datos en Google, Instagram y Facebook. Greg también opera DADA, una agencia enfocada en la ingeniería de datos y perspectivas.

 

Facebook
Twitter
Linkedin0
Google+0
GMail0
SMS0
Whatsapp0
Positive SSL