The era of blind faith in big data must end | Cathy O'Neil

المترجم: Nawal Sharabati المدقّق: Hani Eldalees

Algorithms are everywhere.

نجدُ الخوارزميات في كل مكان.

They sort and separate the winners from the losers.

إنها تُصنّفُ وتفصل الفائزين عن الخاسرين.

The winners get the job

يحصل الفائزون على الوظيفة

or a good credit card offer.

أو على أحد عروض بطاقات الائتمان الجيّدة.

The losers don't even get an interview

بينما لا يحصل الخاسرون حتى على مقابلة عمل

or they pay more for insurance.

أو يدفعون أكثر مقابل التأمين.

We're being scored with secret formulas that we don't understand

يتمّ تقييمنا بصيغ سرّية لا نفهمها

that often don't have systems of appeal.

والتي لا يمكننا استئناف أحكامها في معظم الأحيان.

That begs the question:

مما يطرح السؤال:

What if the algorithms are wrong?

ماذا لو كانت الخوارزميات خاطئة؟

To build an algorithm you need two things:

لبناء خوارزمية فأنتم تحتاجون لشيئين:

you need data, what happened in the past,

تحتاجون لبيانات، أي ما حدث في الماضي،

and a definition of success,

وتحتاجون تعريفًا للنجاح،

the thing you're looking for and often hoping for.

أي الأمر الذي تبحثون عنه وتأملون غالبًا إيجاده.

You train an algorithm by looking, figuring out.

تدرّبون الخوارزمية بالبحث أو التحديد.

The algorithm figures out what is associated with success.

أي تحدّد الخوارزمية ما هو متعلق بالنجاح.

What situation leads to success?

أي حالة تقود إلى النجاح؟

Actually, everyone uses algorithms.

في الواقع، يستخدمُ كلُ شخص الخوارزميات.

They just don't formalize them in written code.

لكن فقط هم لا يستطيعون صياغتها على هيئة شفرات مكتوبة.

Let me give you an example.

دعوني أعطيكم مثالاً.

I use an algorithm every day to make a meal for my family.

أستخدمُ الخوارزميات كل يوم لأصنع وجبة غذائية لأسرتي.

The data I use

فالبيانات التي أستخدمها

is the ingredients in my kitchen,

هي محتويات مطبخي،

the time I have,

ووقتي،

the ambition I have,

وطموحي،

and I curate that data.

وأقوم بتنظيم هذه البيانات.

I don't count those little packages of ramen noodles as food.

لا أعتبر هذه العبوّات الصغيرة من الرامن (حساء المعكرونة) طعامًا.

(Laughter)

(ضحك)

My definition of success is:

تعريفي للنجاح هو:

a meal is successful if my kids eat vegetables.

تعتبرُ الوجبة الغذائية ناجحة إذا تناول أطفالي الخضروات.

It's very different from if my youngest son were in charge.

سيختلف هذا إن كان ابني الصغير هو المسؤول.

He'd say success is if he gets to eat lots of Nutella.

سيقول أن النجاح هو إذا تناول الكثير من شوكولاتة "نوتيلا".

But I get to choose success.

لكن يتوجب عليّ اختيار النجاح.

I am in charge. My opinion matters.

أنا المسؤولة. لذا فرأيي مهمّ.

That's the first rule of algorithms.

هذه هي أول قاعدة للخوارزميات.

Algorithms are opinions embedded in code.

الخوارزميات هي آراء موضوعة في شفرات.

It's really different from what you think most people think of algorithms.

إنها مختلفة حقًا عما يعتقده معظم الناس.

They think algorithms are objective and true and scientific.

إنهم يعتقدون أن الخوارزميات موضوعية وصحيحة وعلمية.

That's a marketing trick.

إنها خدعة تسويقية.

It's also a marketing trick

وإنها أيضًا خدعة تسويقية

to intimidate you with algorithms,

لتخويفكم بهذه الخوارزميات،

to make you trust and fear algorithms

لجعلكم تثقون في الخوارزميات وتخافونها

because you trust and fear mathematics.

لأنكم تثقون في الرياضيات وتخافونها.

A lot can go wrong when we put blind faith in big data.

الكثير من الأمور قد تسوء عندما نضع ثقة عمياء في البيانات الضخمة.

This is Kiri Soares. She's a high school principal in Brooklyn.

هذه هي (كيري سوريس)، إنها مديرة مدرسة ثانوية في (بروكلين).

In 2011, she told me her teachers were being scored

في عام 2011، أخبرتني بأنه كان يتمّ تصنيف معلميها

with a complex, secret algorithm

بناءً على خوارزمية سرية معقدة

called the "value-added model."

سمّيت "نموذج القيمة المضافة".

I told her, "Well, figure out what the formula is, show it to me.

قلت لها: "حسنًا، اكتشفي ما هي الصيغة، وأريني إياها.

I'm going to explain it to you."

وسأشرحها لكِ."

She said, "Well, I tried to get the formula,

قالت، "حسنًا، حاولتُ الحصول على الصيغة،

but my Department of Education contact told me it was math

ولكن أخبرني شخص في وزارة التربية والتعليم أنها عبارة عن رياضيات

and I wouldn't understand it."

وأنني لن أفهمها."

It gets worse.

يزدادُ الأمرُ سوءًا.

The New York Post filed a Freedom of Information Act request,

قدّمت صحيفة (نيويورك بوست) "طلب قانون حماية المعلومات"

got all the teachers' names and all their scores

وحصلت على أسماء كل المعلمين وتقييماتهم

and they published them as an act of teacher-shaming.

وتم نشرها على سبيل الخزي للمعلمين.

When I tried to get the formulas, the source code, through the same means,

عندما حاولتُ الحصول على الصيَغ والشيفرة المصدرية عبر الوسائل نفسها،

I was told I couldn't.

قيل لي أنني لا أستطيع.

I was denied.

تمّ رفضي.

I later found out

واكتشفتُ لاحقًا

that nobody in New York City had access to that formula.

بأنه لم يستطع أحد في مدينة (نيويورك) الوصول إلى تلك الصيغة.

No one understood it.

لم يفهمها أحد.

Then someone really smart got involved, Gary Rubinstein.

ثُم اهتم بالموضوع شخص ذكي حقًا، يدعى (غاري روبنشتاين).

He found 665 teachers from that New York Post data

وجد أن 665 معلمًا من بيانات صحفية (نيويورك بوست) تلك

that actually had two scores.

لديهم في الحقيقة تقييمان.

That could happen if they were teaching

ويمكن حدوث ذلك إن كانوا يدرّسون

seventh grade math and eighth grade math.

مادة الرياضيات للصفين السابع والثامن.

He decided to plot them.

قرّر تمثيلهم برسم بياني.

Each dot represents a teacher.

تمثلُ كل نقطة معلمًا.

(Laughter)

(ضحك)

What is that?

ما هذا؟

(Laughter)

(ضحك)

That should never have been used for individual assessment.

لم يكن ينبغي استخدام ذلك على الإطلاق للتقييم الفردي.

It's almost a random number generator.

إنه تقريبًا مُولّد أرقام عشوائية.

(Applause)

(تصفيق)

But it was.

ولكنه ما حدث.

This is Sarah Wysocki.

هذه هي (سارة ويسوكي).

She got fired, along with 205 other teachers,

تمّ طردها من العمل -بالإضافة إلى 205 معلم آخر-

from the Washington, DC school district,

من قطاع مدارس العاصمة (واشنطن)،

even though she had great recommendations from her principal

مع أن لديها توصيات عظيمة من مديرتها

and the parents of her kids.

وأولياء أمور طلابها.

I know what a lot of you guys are thinking,

أعرفُ ما يفكرُ فيه الكثير منكم يا رفاق،

especially the data scientists, the AI experts here.

خاصةً علماء البيانات وخبراء الذكاء الاصطناعي هنا.

You're thinking, "Well, I would never make an algorithm that inconsistent."

تفكّرون: "حسنًا، لم أكن لأنشئ خوارزمية غير متجانسة كهذه".

But algorithms can go wrong,

ولكن يمكنُ للخوارزميات أن تفشل

even have deeply destructive effects with good intentions.

وتسبّبَ آثارًا مدمّرة بشدّة حتى رغم النوايا حسنة.

And whereas an airplane that's designed badly

وبينما الطائرة التي صُممت بطريقة سيئة

crashes to the earth and everyone sees it,

تتحطم على الأرض ويراها الجميع،

an algorithm designed badly

إلا أن الخوارزمية المصمّمة بطريقة سيئة

can go on for a long time, silently wreaking havoc.

يمكنُ أن تبقى لوقت طويل تعيث فسادًا في صمت.

This is Roger Ailes.

هذا هو (روجير إيلس).

(Laughter)

(ضحك)

He founded Fox News in 1996.

قام بتأسيس قناة (فوكس) الإخبارية عام 1996.

More than 20 women complained about sexual harassment.

اشتكت أكثر من 20 امرأة من التحرش الجنسي.

They said they weren't allowed to succeed at Fox News.

قلن أن ذلك أثّر عليهن فلم يستطعن النجاح في قناة (فوكس) الإخبارية.

He was ousted last year, but we've seen recently

تم طرده العام الماضي، لكن رأينا مؤخرًا

that the problems have persisted.

بأن المشاكل ما زالت مستمرة.

That begs the question:

مما يطرحُ السؤال:

What should Fox News do to turn over another leaf?

ما الذي ينبغي على قناة (فوكس) الإخبارية عمله لتبدأ صفحة جديدة؟

Well, what if they replaced their hiring process

ماذا لو استبدلوا عملية التوظيف لديهم

with a machine-learning algorithm?

بخوارزمية "التعلّم الآلي"؟

That sounds good, right?

يبدو هذا جيدًا، أليس كذلك؟

Think about it.

فكّروا في الأمر.

The data, what would the data be?

بالنسبة للبيانات، ماذا ستكون البيانات؟

A reasonable choice would be the last 21 years of applications to Fox News.

ربما طلبات التوظيف في (فوكس) الإخبارية خلال 21 سنة الأخيرة.

Reasonable.

منطقي.

What about the definition of success?

ماذا عن تعريف النجاح؟

Reasonable choice would be,

سيكون الاختيار المعقول هو،

well, who is successful at Fox News?

من هو الناجح في قناة (فوكس) الإخبارية؟

I guess someone who, say, stayed there for four years

لنقل أنه شخص بقي هناك لمدة أربع سنوات

and was promoted at least once.

وتم ترقيته مرة واحدة على الأقل.

Sounds reasonable.

يبدو الأمر معقولًا.

And then the algorithm would be trained.

وبعد ذلك سيتم تدريب الخوارزمية.

It would be trained to look for people to learn what led to success,

سيتم تدريبها للبحث عن الأشخاص لمعرفة ما الذي أدّى إلى النجاح،

what kind of applications historically led to success

ما نوع طلبات التوظيف التي أدت تاريخيًا إلى النجاح

by that definition.

بناءً على التعريف السابق.

Now think about what would happen

فكّروا الآن فيما سيحدث

if we applied that to a current pool of applicants.

لو طبّقنا ذلك على المجموعة الحالية من طالبي التوظيف.

It would filter out women

ستَستبعِد الخوارزمية النساء

because they do not look like people who were successful in the past.

لأنهن لا يشبهن الأشخاص الذين نجحوا في الماضي.

Algorithms don't make things fair

لا تحقق الخوارزميات العدالة

if you just blithely, blindly apply algorithms.

إن طبّقتموها على نحو أعمى وبدون تفكير.

They don't make things fair.

لا تجعل الأمور عادلة.

They repeat our past practices,

تعيدُ ممارساتنا الماضية،

our patterns.

وأنماط تصرّفاتنا.

They automate the status quo.

وتدير الوضع الراهن آليًّا.

That would be great if we had a perfect world,

سيكون ذلك عظيمًا لو كان لدينا عالم مثالي،

but we don't.

ولكن ليس لدينا.

And I'll add that most companies don't have embarrassing lawsuits,

وسأضيفُ أن معظم الشركات ليس لديها شكاوي قضائية محرجة،

but the data scientists in those companies

ولكن علماء البيانات في هذه الشركات

are told to follow the data,

يُطلب منهم تتبّع البيانات

to focus on accuracy.

للتركيز على الدقة.

Think about what that means.

فكّروا فيما يعنيه ذلك.

Because we all have bias, it means they could be codifying sexism

لأنه لدى جميعنا نزعة تحيّز، فيمكن أن يقوموا بتقنين التمييز الجنسي

or any other kind of bigotry.

أو أي نوع آخر من التعصب الأعمى.

Thought experiment,

إليكم تجربة فكرية،

because I like them:

لأني أحبهم:

an entirely segregated society --

إن افترضنا وجود مجتمع مفصول عنصريًا بالكامل،

racially segregated, all towns, all neighborhoods

كل بلداته وأحياؤه مفصولة على أساس عنصري

and where we send the police only to the minority neighborhoods

وحيث أننا نرسلُ الشرطة لأحياء الأقليّات فقط

to look for crime.

للبحث عن الجريمة،

The arrest data would be very biased.

فإن بيانات الاعتقال ستكون منحازة جدًا.

What if, on top of that, we found the data scientists

وعلاوة على ذلك، ماذا لو وجدنا علماء البيانات

and paid the data scientists to predict where the next crime would occur?

ودفعنا لهم للتنبؤ بمكان الجريمة التالية؟

Minority neighborhood.

سيقولون أحد أحياء الأقليات.

Or to predict who the next criminal would be?

أو للتنبؤ بالمجرم التالي؟

A minority.

أيضًا من الأقليات.

The data scientists would brag about how great and how accurate

سيتباهى علماء البيانات كم أن نموذجهم

their model would be,

سيكون رائعًا ودقيقًا،

and they'd be right.

وسيكونون محقّين بالفعل.

Now, reality isn't that drastic, but we do have severe segregations

الآن، ليست الحقيقة بذلك التطرف، ولكن لدينا تمييز وفصل شديد

in many cities and towns,

في عدة مدن وبلدات

and we have plenty of evidence

ولدينا الكثير من البراهين

of biased policing and justice system data.

من بيانات رجال الشرطة المتحيزة، وبيانات نظام العدالة.

And we actually do predict hotspots,

ونستطيع في الواقع التنبؤ بمواقع ساخنة،

places where crimes will occur.

وأماكن حيث ستحدث الجرائم.

And we do predict, in fact, the individual criminality,

ونستطيع التنبؤ، في الواقع، بالجريمة الفردية،

the criminality of individuals.

جرائم الأفراد.

The news organization ProPublica recently looked into

بحثت المنظمة الإخبارية (بروبليكا) مؤخرًا

one of those "recidivism risk" algorithms,

أحد تلك الخوارزميات، "خطر التعرض للانتكاس"

as they're called,

كما يطلق عليهم،

being used in Florida during sentencing by judges.

تم استخدامها في ولاية (فلوريدا) أثناء إعلان الحُكم من قبل القضاة.

Bernard, on the left, the black man, was scored a 10 out of 10.

تم تصنيف (بيرنارد)، على اليسار، الرجل الأسود، 10/10.

Dylan, on the right, 3 out of 10.

و(ديلان)، على اليمين، 3/10.

10 out of 10, high risk. 3 out of 10, low risk.

10 من 10، الخطر الأكبر، و3 من 10، الخطر المنخفض.

They were both brought in for drug possession.

تم القبض على كليهما لحيازتهما المخدرات.

They both had records,

ولدى كلاهما سجلات،

but Dylan had a felony

ولكن لدى (ديلان) جناية

but Bernard didn't.

بعكس (بيرنارد).

This matters, because the higher score you are,

هذا يهم، لأنه إذا كانت درجتكم أعلى،

the more likely you're being given a longer sentence.

فستمنحون على الأرجح أحكامًا قضائية أطول.

What's going on?

ما الذي يجري هنا؟

Data laundering.

غسل البيانات.

It's a process by which technologists hide ugly truths

إنها عملية حيث يخفي التقنيون حقائق بشعة

inside black box algorithms

داخل خوارزميات الصندوق الأسود

and call them objective;

ويطلقون عليها موضوعية،

call them meritocratic.

أطلقوا عليها "الإستحقاقراطية".

When they're secret, important and destructive,

عندما تكون سرية، ومهمة، ومدمرة،

I've coined a term for these algorithms:

قمتُ بصياغة مصطلح لهذه الخوارزميات:

"weapons of math destruction."

"أسلحة دمار العمليات الحسابية".

(Laughter)

(ضحك)

(Applause)

(تصفيق)

They're everywhere, and it's not a mistake.

إنها في كل مكان، وليست خطأ.

These are private companies building private algorithms

هذه هي شركات خاصة تبني خوارزميات خاصة

for private ends.

لأغراض خاصة.

Even the ones I talked about for teachers and the public police,

حتى تلك التي تحدثتُ حولها بشأن المعلمين ورجال الشرطة،

those were built by private companies

تم بناء الخوارزميات من قبل شركات خاصة

and sold to the government institutions.

وتم بيعها إلى مؤســسات حكومية.

They call it their "secret sauce" --

يسمونها "التركيبة السرية الخاصة" --

that's why they can't tell us about it.

ولهذا السبب لا يمكنهم الإفصاح عنها.

It's also private power.

إنها أيضًا سلطة خاصة.

They are profiting for wielding the authority of the inscrutable.

إنهم يستفيدون من الممارسة البارعة للسلطة الغامضة.

Now you might think, since all this stuff is private

قد تعتقدون الآن، ولأنّ كل هذه الامور خاصة

and there's competition,

وهناك منافسة،

maybe the free market will solve this problem.

ربما سيعالجُ السوق الحر هذه المشكلة.

It won't.

لن يقوم بذلك.

There's a lot of money to be made in unfairness.

تُجبى كمية ضخمة من الأموال نتيجة عدم الإنصاف.

Also, we're not economic rational agents.

كذلك، لسنا عملاء اقتصاديون منطقيون.

We all are biased.

جميعنا منحازون.

We're all racist and bigoted in ways that we wish we weren't,

جميعنا عنصريون ومتعصبون بطرق نرغبُ بأننا لم نسلكها،

in ways that we don't even know.

بطرق حتى لا نعرفها.

We know this, though, in aggregate,

ورغم ذلك نعلمُ هذا، في كل الأحوال،

because sociologists have consistently demonstrated this

لأن علماء الاجتماع قدّموا لنا ذلك باستمرار

with these experiments they build,

بهذه التجارب التي بنوها،

where they send a bunch of applications to jobs out,

حيثُ يرسلوا حزمة من طلبات الوظائف المطلوبة

equally qualified but some have white-sounding names

مؤهلين بالتساوي لكن لدى بعضهم أسماء تبدو لأشخاص بيض

and some have black-sounding names,

ولدى البعض أسماء تبدو لأشخاص سود

and it's always disappointing, the results -- always.

ودائمًا النتائج مخيبة للآمال، دائمًا.

So we are the ones that are biased,

لذلك فنحن المتحيزون،

and we are injecting those biases into the algorithms

ونحنُ من يضع تلك التحيزات داخل الخوارزميات

by choosing what data to collect,

باختيار ما هي البينات التي علينا جمعها،

like I chose not to think about ramen noodles --

مثل ما اخترته لعدم التفكير بالشعيرية المجففة --

I decided it was irrelevant.

قررتُ بأنه ليس لها صلة بالموضوع.

But by trusting the data that's actually picking up on past practices

لكن وبالثقة بالبيانات التي هي في الواقع اختيار الممارسات الماضية

and by choosing the definition of success,

واختيار تعريف النجاح،

how can we expect the algorithms to emerge unscathed?

كيف يمكننا توقع ظهور الخوارزميات متكاملة؟

We can't. We have to check them.

لا نستطيع. علينا التحقق منهم.

We have to check them for fairness.

علينا التحقق منهم من أجل الإنصاف.

The good news is, we can check them for fairness.

الخبر السار هو، نستطيعُ التحقق منهم من أجل الإنصاف.

Algorithms can be interrogated,

يمكنُ فحص واستنطاق الخوارزميات،

and they will tell us the truth every time.

ويمكنهم قول الحقيقة كل الوقت.

And we can fix them. We can make them better.

ويمكننا اصلاحهم. ويمكننا جعلهم أفضل.

I call this an algorithmic audit,

أطلقُ على هذه تدقيق الخوارزمية،

and I'll walk you through it.

وسأخبركم عنها.

First, data integrity check.

أولاً، التحقق من نزاهة وتكامل البيانات.

For the recidivism risk algorithm I talked about,

بالنسبة إلى خوارزمية خطر الانتكاس التي تحدثتُ عنها،

a data integrity check would mean we'd have to come to terms with the fact

ستعني التحقق من نزاهة البيانات بأنه علينا التوصل إلى تفاهم مع الواقع

that in the US, whites and blacks smoke pot at the same rate

بأنه في أمريكا، يدخنُ الحشيشَ البيض والسود بنفس المعدل

but blacks are far more likely to be arrested --

لكن يتمُ اعتقال السود على الأرجح أكثر بكثير --

four or five times more likely, depending on the area.

أربع أو خمس مرات أكثر من البيض، اعتمادًا على المنطقة.

What is that bias looking like in other crime categories,

كيف يبدو هذا التحيز في فئات الجرائم الأخرى،

and how do we account for it?

وكيف يمكننا حساب ذلك؟

Second, we should think about the definition of success,

ثانيًا، ينبغي علينا التفكير بتعريف النجاح،

audit that.

تدقيق ذلك.

Remember -- with the hiring algorithm? We talked about it.

تذكروا، خوارزمية التوظيف، التي تحدثنا عنها.

Someone who stays for four years and is promoted once?

يبقى شخص ما في الوظيفة لمدة أربع سنوات ويتمُ ترقيته لمرة واحدة.

Well, that is a successful employee,

حسنًا، هذا موظفُ ناجح،

but it's also an employee that is supported by their culture.

وإنه أيضًا موظف مدعوم من قبل التقاليد الموروثة.

That said, also it can be quite biased.

وذلك، يمكن أن يكون ذلك تحيزًا

We need to separate those two things.

نحتاجُ لفصل هذين الأمرين.

We should look to the blind orchestra audition

علينا النظر في تجربة أداء الأوركسترا العمياء

as an example.

كمثال.

That's where the people auditioning are behind a sheet.

حيث يجري الأشخاص أداءهم من وراء جدار.

What I want to think about there

ما أرغبُ أن أفكر فيه هنا

is the people who are listening have decided what's important

أن من يستمع إلى هؤلاء قد قرروا ما هو المهم

and they've decided what's not important,

وما ليس مهمًا،

and they're not getting distracted by that.

ولم يتم ازعاجهم بأي شيء بهذا القرار.

When the blind orchestra auditions started,

عندما بدأت تجربة أداء الأوكسترا العمياء،

the number of women in orchestras went up by a factor of five.

ارتفع عدد النساء في الأوكسترا بمقدار خمسة.

Next, we have to consider accuracy.

وبعد ذلك، علينا النظر في الدقة.

This is where the value-added model for teachers would fail immediately.

وهذا هو حيث سيفشل نموذج القيمة المضافة بشأن المعلمين على الفور.

No algorithm is perfect, of course,

لا يوجد خوارزمية مثالية، بطبيعة الحال،

so we have to consider the errors of every algorithm.

لذلك ينبغي علينا حساب الأخطاء في كل خوارزمية.

How often are there errors, and for whom does this model fail?

كم مرة تتكرر هذه الأخطاء، ولمن يفشل هذا النموذج؟

What is the cost of that failure?

وما هي تكلفة هذا الفشل؟

And finally, we have to consider

وأخيرًا، علينا اعتبار

the long-term effects of algorithms,

الآثار طويلة الأجل للخوارزمية،

the feedback loops that are engendering.

ومجموعات التقييم التي تم إحداثها.

That sounds abstract,

يبدو ذلك نظرية مجردة،

but imagine if Facebook engineers had considered that

لكن تخيلوا لو أن مهندسو الفيسبوك أخذوا بعين الاعتبار ذلك

before they decided to show us only things that our friends had posted.

قبل أن يقرروا أن يُظهروا لنا الأشياء التي ينشرها أصدقاؤنا فقط.

I have two more messages, one for the data scientists out there.

عندي رسالتان أخريان، الأولى لعلماء البيانات الموجودن من حولنا.

Data scientists: we should not be the arbiters of truth.

يا علماء البيانات: لا ينبغي علينا أن نقرر ما هي الحقيقة.

We should be translators of ethical discussions that happen

علينا أن نترجم النقاشات الأخلاقية التي تحدثُ في المجتمع الأكبر.

in larger society.

(تصفيق)

(Applause)

And the rest of you,

والبقية منكم،

the non-data scientists:

من غير علماء البيانات:

this is not a math test.

هذا ليس اختبار رياضيات.

This is a political fight.

إنها معركة سياسية.

We need to demand accountability for our algorithmic overlords.

نحتاجُ أن نطالبَ بالمساءلة لمن يضع الخوارزميات من الأسياد.

(Applause)

(تصفيق)

The era of blind faith in big data must end.

يجب أن ينتهي عصر الثقة العمياء في البيانات الضخمة.

Thank you very much.

(Applause)

شكرًا جزيلًا لكم.

(تصفيق)