Visualizing the world's Twitter data - Jer Thorp

세상의 트위터 자료를 시각화하기(Visualizing the world's Twitter data) - 저 소프(Jer Thorp)

Transcriber: Andrea McDonough Reviewer: Bedirhan Cinar

번역: Woo Hwang 검토: Gemma Lee

A couple of years ago I started using Twitter,

저는 몇 년 전부터 트위터를 사용하기 시작했습니다,

and one of the things that really charmed me about Twitter

그리고 트위터가 정말 매력적인 이유는

is that people would wake up in the morning

사람들이 아침에 일어나서

and they would say, "Good morning!"

"좋은 아침입니다" 라고 말해주는 것입니다,

which I thought,

물론 제 생각입니다,

I'm a Canadian,

저는 캐나다 사람입니다,

so I was a little bit,

그래서 약간은

I liked that politeness.

공손함을 좋아합니다.

And so, I'm also a giant nerd,

그리고 저는 괴짜이기도 합니다,

and so I wrote a computer program

그래서 트위터를 사용하는 모든 사람들의

that would record 24 hours of everybody on Twitter

24시간을 기록하는 컴퓨터 프로그램을 만들었습니다,

saying, "Good morning!"

"좋은 아침" 이라고 말하면서 말이죠.

And then I asked myself my favorite question,

그리고 제 자신에게 자문을 해보았습니다,

"What would that look like?"

"어떻게 보일까?"

Well, as it turns out, I think it would look something like this.

결과는 이렇게 보일 겁니다.

Right, so we'd see this wave of people

네, 저희는 전세계 사람들이 아침에 일어나

saying, "Good morning!" across the world as they wake up.

"좋은 아침"이라고 말하는 물결을 보게 됩니다.

Now the green people, these are people that wake up

녹색으로 표시되는 사람들은

at around 8 o'clock in the morning,

대략 아침 8시에 일어나는 사람들입니다,

Who wakes up at 8 o'clock or says, "Good morning!" at 8?

어떤 분이 8시에 일어나세요? 또는 8시에 "좋은 아침"이라고 말씀하시나요?

And the orange people,

주황색깔의 사람들은,

they say, "Good morning!" around 9.

9시에 "좋은 아침"이라고 말하는 사람들입니다.

And the red people, they say, "Good morning!" around 10.

그리고 빨간색의 사람들은 10시에 "좋은 아침"이라고 말합니다.

Yeah, more at 10's than, more at 10's than 8's.

네, 8시보다 10시에 사람들이 더 많습니다.

And actually if you look at this map,

사실 이 화면을 보면,

we can learn a little bit about how people wake up

사람들이 세상의 각 지역에서

in different parts of the world.

사람들이 일어나는 방법이 약간 다르다는 것을 알 수 있습니다.

People on the West Coast, for example,

예를 들어, 서부 해안의 사람들은

they wake up a little bit later

동부 해안에 사는 사람들보다

than those people on the East Coast.

조금 더 늦게 일어납니다.

But that's not all that people say on Twitter, right?

하지만 모든 사람들이 트위터에 글을 쓰지는 않죠?

We also get these really important tweets, like,

우리는 또한 다음과 같은 정말 중요한 트위터 메세지도 봅니다,

"I just landed in Orlando!! [plane sign, plane sign]"

"막 올랜도에 도착했습니다 !! [비행기 표시, 비행기 표시]"

Or, or, "I just landed in Texas [exclamation point]!"

또는 "지금 막 텍사스에 도착했어요 [느낌표]!"

Or "I just landed in Honduras!"

또는 "온두라스에 막 도착했어요!"

These lists, they go on and on and on,

이런 글들이 계속해서

all these people, right?

트위터에 올라옵니다, 그렇죠?

So, on the outside, these people are just telling us

겉보기에는 이 사람들은 자신들이 어떻게 여행을 하는지에 대해서

something about how they're traveling.

뭔가를 그냥 말하는 것입니다.

But we know the truth, don't we?

하지만 우리는 진실을 알고 있습니다. 그렇지 않나요?

These people are show-offs!

이 사람들은 자랑쟁이들입니다.

They are showing off that they're in Cape Town and I'm not.

저는 못갔지만 자기들은 케이프 타운(Cape Town)에 있다고 자랑질을 하고 있는 것입니다.

So I thought, how can we take this vanity

그래서 저는 어떻게 하면 이런 허영심을

and turn it into utility?

유용성으로 바꿀수 있을까를 생각했습니다.

So using a similar approach that I did with "Good morning,"

그래서 "좋은 아침" 프로그램과 비슷한 방법으로,

I mapped all those people's trips

모든 사람들의 여행을 표시해보았습니다,

because I know where they're landing,

왜냐하면 저는 그들이 어디에 도착했는지 알기 때문이죠.

they just told me,

트위터로 저에게 알려줬죠.

and I know where they live

그리고 트위터의 프로필 정보를 공유하기 때문에

because they share that information on their Twitter profile.

그 사람들이 어디에 사는지도 저는 알고 있습니다.

So what I'm able to do with 36 hours of Twitter

그래서 저는 트위터의 36시간의 정보로

is create a model of how people are traveling

사람들이 36시간동안 세상을

around the world during that 36 hours.

어떻게 여행하는지에 대한 모델을 만들 수 있습니다.

And this is kind of a prototype

이런 모델은 일종의 시작품인데요

because I think if we listen to everybody

왜냐하면 우리가 트위터, 페이스북 또는

on Twitter and Facebook and the rest of our social media,

기타 여러가지 소셜 미디어를 통해서 모든 사람들의 이야기를 듣는다면,

we'd actually get a pretty clear picture

사람들이 한 곳에서 다른 곳으로 어떻게 여행하는지에 대한

of how people are traveling from one place to the other,

아주 명확한 그림을 얻을 수 있습니다,

which is actually turns out to be a very useful thing for scientists,

그것은 실제로 과학자들에게 매우 유용한 정보가 된다는 것이 밝혀졌습니다.

particularly those who are studying how disease is spread.

특히 질병이 어떻게 전염되는지를 연구하는 학자들에게 말이죠.

So, I work upstairs in the New York Times,

저는 뉴욕 타임즈지에서 근무합니다.

and for the last two years,

그리고 지난 2년간

we've been working on a project called, "Cascade,"

우리는 "폭포수(Cascade)"라는 프로젝트는 진행했습니다.

which in some ways is kind of similar to this one.

지금 보여드린 이런 것과 비슷한 방법입니다.

But instead of modeling how people move,

하지만 사람들의 이동 방법을 모형화하는 것보다는

we're modeling how people talk.

사람들이 어떻게 대화하는지를 모형화하고 있습니다.

We're looking at what does a discussion look like.

사람들의 토론이 어떤 모습인지를 보고 있습니다.

Well, here's an example.

한 가지 예를 보여드리죠.

This is a discussion around an article called,

이것은 "죽음을 잊은 사람들이 사는 섬"이라는

"The Island Where People Forget to Die".

기사에 대한 토론내용입니다.

It's about an island in Greece where people live

이것은 그리스의 섬에 관한 이야기인데

a really, really, really, really, really, really long time.

그곳에서는 사람들이 정말, 정말, 정말, 오래 삽니다.

And what we're seeing here

우리가 보고 있는 것은

is we're seeing a conversation that's stemming

왼쪽 모퉁이에서 시작해서 대화의 내용이

from that first tweet down in the bottom, left-hand corner.

가지를 치면서 뻗어나가는 모습입니다.

So we get to see the scope of this conversation

그래서 대략 9시간 남짓의

over about 9 hours right now,

대화 범위를 보시게 됩니다,

we're going to creep up to 12 hours here in a second.

그리고 순식간에 12시간으로 늘어나게 됩니다.

But, we can also see what that conversation

이런 대화는 3차원 화면으로

looks like in three dimensions.

볼 수도 있습니다.

And that three-dimensional view is actually much more useful for us.

이런 3차원 화면은 우리에게 더욱 유용합니다.

As humans, we are really used to things

인간은 이렇게 3차원으로 구성된 사물에

that are structured as three dimensions.

매우 친숙합니다.

So, we can look at those little off-shoots of conversation,

그래서 이런 대화의 작은 가지치기를 볼 수 있습니다,

we can find out what exactly happened.

그리고 정확하게 어떤 일이 일어나는지 알 수 있습니다.

And this is an interactive, exploratory tool

그리고 이런 화면은 상호 작용적이고, 탐색적인 도구입니다,

so we can go through every step in the conversation.

그래서 대화의 모든 과정을 관찰할 수 있습니다.

We can look at who the people were,

어떤 사람들인지,

what they said,

무엇을 말했는지,

how old they are,

몇 살인지,

where they live,

어디에 사는지,

who follows them,

누가 그 사람들을 "팔로우"하는지

and so on, and so on, and so on.

등등, 여러가지를 알 수 있습니다.

So, the Times creates about 6,500 pieces of content every month,

그래서 뉴욕타임즈에서는 매달 6,500개의 기사 내용를 만들어 냅니다,

and we can model every single one

그리고 대화 하나 하나 마다

of the conversations that happen around them.

어떤 일이 일어나고 있는지를 모형화 합니다.

And they look somewhat different.

그 대화들은 조금씩 다르게 보여집니다.

Depending on the story

이야기에 따라서,

and depending on how fast people are talking about it

그리고 사람들이 얼마나 빨리 이야기 하는지에 따라서,

and how far the conversation spreads,

그리고 대화가 얼마나 널리 퍼져 나가는지에 따라서,

these structures, which I call these conversational architectures,

제가 대화의 구조라고 부르는 이런 구조들이

end up looking different.

결국 다른 모양을 띄게 됩니다.

So, these projects that I've shown you,

제가 보여드린 이런 프로젝트들에서,

I think they all involve the same thing:

모든 프로젝트들이 공통점을 가지고 있다고 생각합니다:

we can take small pieces of data

작은 자료를 추출해서

and by putting them together,

함께 모으면,

we can generate more value,

더많은 가치를 생성할 수 있고,

we can do more exciting things with them.

더 재미있는 것들을 할 수 있습니다.

But so far we've only talked about Twitter, right?

그런데 지금까지 트위터만 이야기했죠, 그렇죠?

And Twitter isn't all the data.

트위터가 모든 데이터는 아닙니다.

We learned a moment ago

정말 많은 데이터가

that there is tons and tons,

세상에는 있다는 것을

tons more data out there.

바로 전에 알았습니다.

And specifically, I want you to think about one type of data

특별히 여러분들이 한 종류의 자료를

because all of you guys,

생각해주시기 바랍니다,

everybody in this audience, we,

왜냐하면 저는 물론이고

we, me as well,

여기 오신 모든 청중들은

are data-making machines.

자료 제작자들이니까요.

We are producing data all the time.

사람들은 항상 자료를 만들어 내고 있습니다.

Every single one of us, we're producing data.

우리들 한명 한명이 자료를 생산하고 있습니다.

Somebody else, though, is storing that data.

그러나 누군가는 자료를 저장하고 있습니다.

Usually we put our trust into companies to store that data,

보통 우리는 그 자료를 저장하는 회사들을 신뢰합니다.

but what I want to suggest here

하지만 여기서 제가 제안하는 것은

is that rather than putting our trust

그 자료를 저장하는

in companies to store that data,

회사를 신뢰하기 보다는

we should put the trust in ourselves

우리 자신을 신뢰해야 합니다.

because we actually own that data.

왜냐하면 사실 우리가 자료를 가지고 있으니까요.

Right, that is something we should remember.

바로 그점이 우리가 기억해야 하는 것입니다.

Everything that someone else measures about you,

여러분에 대해서 측정하는 모든 것이

you actually own.

사실은 여러분들 소유입니다.

So, it's my hope,

그래서 제 희망은

maybe because I'm a Canadian,

아마도 저는 캐나다 사람이기 때문에,

that all of us can come together

우리가 저장하고 있는 모든 유용한 자료를

with this really valuable data that we've been storing,

함께 모을 수 있습니다.

and we can collectively launch that data

그리고 세상에서 가장 어려운 문제를 위해서

toward some of the world's most difficulty problems

총괄적으로 그 자료를 사용하는 것입니다.

because big data can solve big problems,

왜냐하면 거대 자료(Big Data)는 큰 문제를 해결 할 수 있기 때문입니다.

but I think it can do it the best

하지만 그것은 우리의 통제하에 있을 때

if it's all of us who are in control.

가장 잘 할 수 있습니다.

Thank you.

감사합니다.