The human insights missing from big data | Tricia Wang

247,414 views ・ 2017-08-02

TED


يرجى النقر نقرًا مزدوجًا فوق الترجمة الإنجليزية أدناه لتشغيل الفيديو.

المترجم: Abdellatif ZOUMHANE المدقّق: Abdul Rahman Malek
00:12
In ancient Greece,
0
12705
1545
في اليونان القديمة،
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
عندما يكون أي شخص من العبيد وحتى الجنود والشعراء والسياسيين
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
يحتاجون لاتخاذ قرار حاسم في أسئلة الحياة الهامة.
00:23
like, "Should I get married?"
3
23251
1391
مثل: "هل من اللازم أن أتزوج؟"
00:24
or "Should we embark on this voyage?"
4
24666
1857
أو"هل يجب أن نشرع في هذه الرحلة؟"
00:26
or "Should our army advance into this territory?"
5
26547
2928
"هل يجب أن يتقدم جيشنا نحو هذه الأرض؟"
00:29
they all consulted the oracle.
6
29499
2579
جميعهم استشار الأوراكل (الوسيطة الروحية).
00:32
So this is how it worked:
7
32840
1440
فهكذا سار الأمر:
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
أن تسألها سؤالاً وتركع
00:37
and then she would go into this trance.
9
37440
1871
ثم ستنتقل هي إلى حالة من النشوة.
00:39
It would take a couple of days,
10
39335
1549
وقد يستغرق هذا يومين
00:40
and then eventually she would come out of it,
11
40908
2163
ولتخرج في النهاية
00:43
giving you her predictions as your answer.
12
43095
2536
وتعطيك تنبؤاتها بمثابة إجابة لأسئلتك.
00:46
From the oracle bones of ancient China
13
46730
2566
من عظام الوسيط الروحي للصين القديمة
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
إلى اليونان القديمة وتقويمات المايا،
00:51
people have craved for prophecy
15
51689
2296
يتشوق الأشخاص إلى التوقعات
00:54
in order to find out what's going to happen next.
16
54009
3137
حتى يكتشفوا ما ينتظرهم مستقبلاً.
00:58
And that's because we all want to make the right decision.
17
58336
3239
وذلك لأننا جميعاً نرغب في اتخاذ القرار الصحيح.
01:01
We don't want to miss something.
18
61599
1545
لا نريد أن يفوتنا شيئًا.
01:03
The future is scary,
19
63712
1743
فالمستقبل مُخيف،
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
لذا فمن الأجمل معرفة أننا يمكننا اتخاذ قرار
01:08
with some assurance of the outcome.
21
68220
1982
مع بعض الضمانات للنتائج.
01:10
Well, we have a new oracle,
22
70899
1611
حسناً، لدينا أوراكل جديد
01:12
and it's name is big data,
23
72534
2145
واسمه هو البيانات الضخمة،
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
أو نسميه نحن "واتسون" أو"التعليم العميق" أو"الشبكة العصبية الاصطناعية."
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
وهذه أنواع من الأسئلة التي نطرحها الآن على أوراكل،
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
مثل "ما هي أفضل وسيلة لنقل الهواتف بحريًا
01:27
from China to Sweden?"
27
87142
1823
من الصين إلى السويد؟"
01:28
Or, "What are the odds
28
88989
1800
أو "ما هو احتمال
01:30
of my child being born with a genetic disorder?"
29
90813
3363
أن يولد طفلي باضطراب وراثي؟"
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
أو "ما هو حجم المبيعات المتوقع لهذا المنتج؟"
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
لدي كلبة تُدعى إيل، وتكره المطر.
01:43
And I have tried everything to untrain her.
32
103999
3306
جربت كل شيء لأصرفها عن هذا الإحساس.
01:47
But because I have failed at this,
33
107329
2771
ولكن لأنني فشلت في ذلك،
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
فأنا مضطرة إلى استشارة أوراكل يدعى "دارك سكاي"
01:53
every time before we go on a walk,
35
113434
1635
في كل مرة نذهب في نزهة
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
للحصول على تنبؤات دقيقة عن حالة الطقس في العشر دقائق القادمة.
02:01
She's so sweet.
37
121355
1303
إنها لطيفة للغاية.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
وبسبب كل ذلك، يمثل وسيطنا الروحي قطاعًا تجاريًا بحجم 122 مليار دولاراً.
02:09
Now, despite the size of this industry,
39
129826
3376
حاليًا، على الرغم من حجم هذه الصناعة،
02:13
the returns are surprisingly low.
40
133226
2456
فالأرباح منخفضة بشكل غير متوقع.
02:16
Investing in big data is easy,
41
136162
2494
إن الاستثمار في البيانات الضخمة يسير
02:18
but using it is hard.
42
138680
1933
ولكن استخدامها صعبًا.
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
أكثر من 73% من مشروعات البيانات الضخمة غير مربحة.
02:25
and I have executives coming up to me saying,
44
145865
2431
يقول لي رؤساء تنفيذيون
02:28
"We're experiencing the same thing.
45
148320
1789
"إننا نعيش نفس التجربة.
02:30
We invested in some big data system,
46
150133
1753
استثمرنا في مجال البيانات الضخمة
02:31
and our employees aren't making better decisions.
47
151910
2968
ولا يتخذ الموظفون لدينا قرارات أفضل.
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
وبالتأكيد ليس لديهم المزيد من الأفكار المبدعة."
02:38
So this is all really interesting to me,
49
158734
3184
هذا مثير للاهتمام بالنسبة لي
02:41
because I'm a technology ethnographer.
50
161942
2010
لأنني عالمة في مجال الأعراق البشرية التكنولوجية.
02:44
I study and I advise companies
51
164450
2564
أنا أدرس وأنصح الشركات
02:47
on the patterns of how people use technology,
52
167038
2483
بأنماط استخدام الناس للتكنولوجيا،
02:49
and one of my interest areas is data.
53
169545
2678
والبيانات هي إحدى مجالات إهتمامي.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
فلماذا لا يساعدنا المزيد من البيانات على اتخاذ قرارات أفضل،
02:57
especially for companies who have all these resources
55
177464
2783
خاصة الشركات التي لديها جميع تلك المصادر
03:00
to invest in these big data systems?
56
180271
1736
للاستثمار في أنظمة البيانات الضخمة؟
03:02
Why isn't it getting any easier for them?
57
182031
2398
لماذا لا يسهل الأمر عليهم؟
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
لذلك شاهدت الصراع لأول مرة.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
في عام 2009 بدأت بحثًا مع نوكيا.
03:13
And at the time,
60
193052
1158
في ذلك الوقت،
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
كانت نوكيا إحدى كبرى شركات الهاتف الخلوي في العالم،
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
وكانت تسيطر على الأسواق الناشئة، مثل: الصين والمكسيك والهند--
03:20
all places where I had done a lot of research
63
200642
2502
كل الأماكن التي قمت بها بالكثير من الأبحاث
03:23
on how low-income people use technology.
64
203168
2676
عن كيفية استخدام ذوي الدخل المنخفض للتكنولوجيا.
03:25
And I spent a lot of extra time in China
65
205868
2330
قضيت الكثير من الوقت الإضافي في الصين
03:28
getting to know the informal economy.
66
208222
2592
لكي أعرف الاقتصاد غير الرسمي.
03:30
So I did things like working as a street vendor
67
210838
2401
فقمت ببعض الأمور، مثل بائعة متجولة
03:33
selling dumplings to construction workers.
68
213263
2574
كنت أبيع معجنات لعمال البناء.
03:35
Or I did fieldwork,
69
215861
1358
وقمت بأعمال في الحقول،
03:37
spending nights and days in internet cafés,
70
217243
2958
قضيت أيامًا وليال في مقاهي الإنترنت،
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
وتنزهت مع بعض الشباب الصينيين لكي أفهم
03:42
how they were using games and mobile phones
72
222795
2284
كيف كانوا يستخدمون الألعاب والهواتف الخلوية
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
واستخدامها أثناء التنقل من المناطق الريفية إلى المدن.
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
من خلال نوعية الأدلة تلك التي كنت أجمعها،
03:54
I was starting to see so clearly
75
234106
2824
بدأت ألاحظ بوضوح
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
أن تغيرًا كبيرًا كان على وشك الحدوث بين الصينيين ذوي الدخل المنخفض.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
على الرغم من إعلانات السلع الكمالية التي كانت تحاوطهم،
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
مثل المراحيض الفاخرة -- من لا يريد امتلاك واحد؟ --
04:10
and apartments and cars,
79
250750
2890
والشقق السكنية والسيارات،
04:13
through my conversations with them,
80
253664
1820
من خلال محادثاتي معهم
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
وجدت أن الإعلانات التي كانت تجذبهم بشدة
04:19
were the ones for iPhones,
82
259373
1996
هي إعلانات أجهزة الآي فون
04:21
promising them this entry into this high-tech life.
83
261393
3052
التي تعدهم بدخول هذا العالم من التقنية العالية.
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
وحتى عندما كنت أعيش معهم في عشوائيات بالمدينة مثل هذه،
04:28
I saw people investing over half of their monthly income
85
268476
2996
رأيت الناس تستثمر أكثر من نصف دخلها الشهري
04:31
into buying a phone,
86
271496
1623
في شراء هاتف خلوي
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
وكانت تلك الهواتف من نوع "shanzhai"
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
وهي هواتف مقلدة من الآي فون وغيرها من الماركات.
04:40
They're very usable.
89
280123
1625
كانت صالحة للاستخدام.
04:42
Does the job.
90
282710
1322
تقوم بمهامها.
04:44
And after years of living with migrants and working with them
91
284570
5789
بعد عدة سنوات من العيش مع مهاجرين والعمل معهم
04:50
and just really doing everything that they were doing,
92
290383
3434
والقيام بكل شيء يفعلونه،
04:53
I started piecing all these data points together --
93
293841
3597
بدأت جمع تلك البيانات جميعها معًا --
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
بداية من الأشياء التي تبدو عشوائية مثل بيع المعجنات
05:00
to the things that were more obvious,
95
300609
1804
إلى الأشياء الأكثر وضوحًا،
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
مثل متابعة ما ينفقونه علي فواتير هواتفهم المحمولة.
05:05
And I was able to create this much more holistic picture
97
305693
2639
وكنت قادرة على خلق تلك الصورة الشمولية
05:08
of what was happening.
98
308356
1156
عما كان يحدث.
05:09
And that's when I started to realize
99
309536
1722
وهنا عندما بدأت أن أدرك
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
أن حتى أفقر الصينيين يريدون هواتف ذكية،
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
وسيفعلون أي شيء ليحصلوا عليها.
05:20
You have to keep in mind,
102
320893
2404
يجب أن تعرف أن
05:23
iPhones had just come out, it was 2009,
103
323321
3084
أجهزة الأي فون ظهرت عام 2009
05:26
so this was, like, eight years ago,
104
326429
1885
أي منذ ثماني سنوات
05:28
and Androids had just started looking like iPhones.
105
328338
2437
وبدأت أجهزة الأندرويد تبدو كالآي فون.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
ويقول الكثير من الناس الذكية والواقعية
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
"إن الهواتف الذكية مجرد صيحة."
05:36
Who wants to carry around these heavy things
108
336063
2996
"من يريد اقتناء مثل تلك الأشياء الثقيلة"
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
"حيث تتعطل البطاريات سريعًا، وتنكسر الهواتف عندما تسقط منك"
05:44
But I had a lot of data,
110
344613
1201
ولكن كان لدى بياناتٌ عدة
05:45
and I was very confident about my insights,
111
345838
2260
وكنت واثقة جدًا من رؤيتي.
05:48
so I was very excited to share them with Nokia.
112
348122
2829
لذلك كنت متحمسة للغاية لأشاركها مع نوكيا.
05:53
But Nokia was not convinced,
113
353152
2517
ولكن نوكيا لم تقتنع،
05:55
because it wasn't big data.
114
355693
2335
لأنها لم تكن بيانات ضخمة.
05:58
They said, "We have millions of data points,
115
358842
2404
وقالوا "لدينا الملايين من نقاط البيانات"
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
ولا نرى أية مؤشرات تتنبأ عن أي شخص يريد شراء هاتف ذكي
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
ومجموعة بياناتك المتنوعة كليًا ضعيفة للغاية بالنسبة لنا
06:09
for us to even take seriously."
118
369953
1714
لنأخذها على محمل الجد.
06:12
And I said, "Nokia, you're right.
119
372728
1605
وقلت لهم" لديك حق يا نوكيا"
06:14
Of course you wouldn't see this,
120
374357
1560
"بالتأكيد لن تروا ذلك،"
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
لأنكم تصدرون الدراسات وتفترضون أن الناس لا تعرف
06:19
what a smartphone is,
122
379336
1159
ما هو الهاتف الذكي،
06:20
so of course you're not going to get any data back
123
380519
2366
ولذلك لن تستقبلوا أية بيانات في المقابل
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
عن الراغبين في هاتف لمدة عامين.
06:25
Your surveys, your methods have been designed
125
385505
2118
صممتم أبحاثكم وأساليبكم
06:27
to optimize an existing business model,
126
387647
2022
لتتفاءلوا بنموذج أعمال مثير للاهتمام،
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
وأنا أنظر لتلك الديناميكا البشرية الناشئة
06:32
that haven't happened yet.
128
392325
1354
التي لم تحدث بعد.
06:33
We're looking outside of market dynamics
129
393703
2438
نحن ننظر خارج ديناميكيات الأسواق
06:36
so that we can get ahead of it."
130
396165
1631
حتى نستطيع أن نبعد عنها."
06:39
Well, you know what happened to Nokia?
131
399193
2244
حسنًا، هل تعلمون ماذا حدث لنوكيا؟
06:41
Their business fell off a cliff.
132
401461
2365
كسد نشاطها التجاري.
06:44
This -- this is the cost of missing something.
133
404611
3727
هذا مقابل إغفال شيء ما.
06:48
It was unfathomable.
134
408983
1999
كان الأمر مبهمًا.
06:51
But Nokia's not alone.
135
411823
1651
ولكن نوكيا ليست وحدها هكذا.
06:54
I see organizations throwing out data all the time
136
414078
2581
أرى مؤسسات تتجاهل البيانات طوال الوقت
06:56
because it didn't come from a quant model
137
416683
2561
لأنها لم تنتج عن نموذج كمي
06:59
or it doesn't fit in one.
138
419268
1768
أو لا تتناسب مع واحدٍ.
07:02
But it's not big data's fault.
139
422039
2048
ولكنه ليس خطأ البيانات الضخمة.
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
ولكن الخطأ يوجد في طريقة استخدامها، فهذه مسؤوليتنا.
07:09
Big data's reputation for success
141
429550
1911
إن سمعة نجاح البيانات الضخمة
07:11
comes from quantifying very specific environments,
142
431485
3759
تأتي من قياس بيئات محددة جدًا،
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
مثل شبكات الطاقة الكهربائية أو التسليم اللوجيستي أو الشفرة الجينية
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
عندما نحدد المقدار في الأنظمة المتضمنة.
07:24
But not all systems are as neatly contained.
145
444547
2969
ولكن ليست كل الأنظمة تشارك بدقة.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
عندما تقيس، وتكون الأنظمة أكثر ديناميكية
07:30
especially systems that involve human beings,
147
450822
3799
وخاصة الأنظمة التي تتضمن بشرًا،
07:34
forces are complex and unpredictable,
148
454645
2426
القوى معقدة وغير متوقعة،
07:37
and these are things that we don't know how to model so well.
149
457095
3486
وهذه أشياء لا نستطيع إعمالها بشكل جيد.
07:41
Once you predict something about human behavior,
150
461024
2813
عندما تتوقع شيئًا عن سلوك الإنسان
07:43
new factors emerge,
151
463861
1855
تظهر عوامل أخرى
07:45
because conditions are constantly changing.
152
465740
2365
لأن الظروف تتغير باستمرار.
07:48
That's why it's a never-ending cycle.
153
468129
1803
ولذلك فهي دورة لا تنتهي.
07:49
You think you know something,
154
469956
1464
تعتقد أنك تعلم أمرًا،
07:51
and then something unknown enters the picture.
155
471444
2242
وبعد ذلك يظهر شيء غير معلوم في الصورة.
07:53
And that's why just relying on big data alone
156
473710
3322
لذلك الاعتماد على البيانات الضخمة وحدها
07:57
increases the chance that we'll miss something,
157
477056
2849
يزيد فرصة إغفال شيء ما،
07:59
while giving us this illusion that we already know everything.
158
479929
3777
في الوقت الذي يتهيأ لنا أننا نعرف بالفعل كل شيء.
08:04
And what makes it really hard to see this paradox
159
484226
3856
وما يجعل من الصعب رؤية هذه المفارقة
08:08
and even wrap our brains around it
160
488106
2659
وحتي يركز انتباهنا عليه
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
هو أن لدينا ما أُسميه الانحياز الكمي،
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
وهوالاعتقاد اللاإرادي بتصديق ما يمكن قياسه
08:18
over the immeasurable.
163
498450
1594
عن ما لا يمكن قياسه.
08:21
And we often experience this at our work.
164
501042
3284
وغالبًا ما نواجه ذلك في عملنا.
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
من الممكن أن نعمل بجانب زملاء هكذا
08:27
or even our whole entire company may be like this,
166
507024
2428
أو أن تكون الشركة بأكملها مثل ذلك
08:29
where people become so fixated on that number,
167
509476
2546
حيث يصبح الناس مركزين انتباههم على الأرقام
08:32
that they can't see anything outside of it,
168
512046
2067
إلى أن يتعذر عليهم رؤية أي شيء بدونها،
08:34
even when you present them evidence right in front of their face.
169
514137
3948
حتى لو وضعت الدليل مباشرةً أمام أعينهم.
08:38
And this is a very appealing message,
170
518943
3371
وهذه رسالة رائعة،
08:42
because there's nothing wrong with quantifying;
171
522338
2343
لأنه لا يوجد عيب في القياس
08:44
it's actually very satisfying.
172
524705
1430
فهو في الواقع مُرضٍ.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
ينتابني إحساس كبير بالراحة عند النظر في جدول بيانات على برنامج إكسل
08:50
even very simple ones.
174
530545
1401
حتى الجداول البسيطة.
08:51
(Laughter)
175
531970
1014
(ضحك)
08:53
It's just kind of like,
176
533008
1152
فالأمر مثل
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
"حسنًا! نجحت المعادلة. كل شيء على ما يرام."
08:58
But the problem is
178
538612
2390
ولكن المشكلة هي
09:01
that quantifying is addictive.
179
541026
2661
أن القياس إدماني.
09:03
And when we forget that
180
543711
1382
وعندما ننسى ذلك
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
وعندما لا نملك ما نستطيع التأكد منه
09:08
it's very easy to just throw out data
182
548179
2118
من السهل إلقاء البيانات جانبًا
09:10
because it can't be expressed as a numerical value.
183
550321
2718
لأنه لا يمكن ترجمتها كقيمة رقمية.
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
من اليسير اللجوء للتفكير السهل
09:16
as if some simple solution existed.
185
556008
2579
كأنه يوجد حل بسيط بالفعل.
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
ولأن هذه لحظة خطر لأية مؤسسة
09:23
because oftentimes, the future we need to predict --
187
563506
2634
ولأن في معظم الوقت نحتاج إلى التنبؤ بالمستقبل --
09:26
it isn't in that haystack,
188
566164
2166
فهو ليس إبرة في كومة قش،
09:28
but it's that tornado that's bearing down on us
189
568354
2538
ولكنه ينقض علينا كالثور الهائج
09:30
outside of the barn.
190
570916
1488
الخارج من الحظيرة.
09:34
There is no greater risk
191
574780
2326
لا يوجد شيء
09:37
than being blind to the unknown.
192
577130
1666
أخطر من كونك مسلِّمًا بالمجهول.
09:38
It can cause you to make the wrong decisions.
193
578820
2149
يمكن أن يجعلك ذلك تتخذ قرارات خاطئة.
09:40
It can cause you to miss something big.
194
580993
1974
يمكن أن تغفل شيئًا مهمًا،
09:43
But we don't have to go down this path.
195
583554
3101
ولكن لسنا مضطرين أن نسلك هذا الدرب.
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
اتضح أن الوسيطة الروحية في اليونان القديمة
09:50
holds the secret key that shows us the path forward.
197
590492
3966
تمتلك المفتاح السري الذي يرينا الطريق للأمام.
09:55
Now, recent geological research has shown
198
595474
2595
والآن أوضح بحث جيولوجي حديث
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
أن معبد أبولو حيث جلست الوسيطة الروحية الأشهر،
10:01
was actually built over two earthquake faults.
200
601681
3084
كان مبنيًا فوق صدعين زلزاليين.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
وبعث الصدعان تلك الأبخرة البتروكيماوية
10:07
from underneath the Earth's crust,
202
607699
1685
الموجودة تحت القشرة الأرضية
10:09
and the oracle literally sat right above these faults,
203
609408
3866
وجلست الوسيطة حرفيًا فوق الصدعين مباشرةً
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
مستنشقة كميات ضخمة من غاز الإيثيلين، هذان الصدعان.
10:16
(Laughter)
205
616910
1008
10:17
It's true.
206
617942
1173
(ضحك)
هذا حقيقي.
10:19
(Laughter)
207
619139
1017
(ضحك)
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
هذا ما جعلها تخرج الفقاقيع
10:23
and go into this trance-like state.
209
623713
1724
وتدخل في هذه الحالة من النشوة.
10:25
She was high as a kite!
210
625461
1770
كانت منتشية للغاية.
10:27
(Laughter)
211
627255
4461
(ضحك)
10:31
So how did anyone --
212
631740
2779
كيف استطاع أي شخص..
10:34
How did anyone get any useful advice out of her
213
634543
3030
كيف استطاع أي شخص أن يأخذ منها نصيحة
10:37
in this state?
214
637597
1190
في هذه الحالة؟
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
حسنًا، هل ترون هؤلاء المحيطين بالوسيطة الروحية؟
10:41
You see those people holding her up,
216
641722
1879
ترون الأشخاص الذين يرفعونها لأعلى
10:43
because she's, like, a little woozy?
217
643625
1717
لأنها كالمشوشة الذهن قليلًا؟
10:45
And you see that guy on your left-hand side
218
645366
2308
هل ترون الرجل تجاه اليسار
10:47
holding the orange notebook?
219
647698
1598
الممسك بالدفتر البرتقالي؟
10:49
Well, those were the temple guides,
220
649925
1730
هؤلاء كانوا مرشدي المعبد،
10:51
and they worked hand in hand with the oracle.
221
651679
3016
وتعاونوا مع الوسيطة الروحية.
10:55
When inquisitors would come and get on their knees,
222
655904
2516
عندما يأتي الباحثون عن الحقيقة ويركعون أمامها،
10:58
that's when the temple guides would get to work,
223
658444
2340
يبدأ مرشدو المعبد عملهم،
11:00
because after they asked her questions,
224
660808
1864
لأن بعد سؤالها أسئلتهم
11:02
they would observe their emotional state,
225
662696
2001
سيراقبون حالاتهم الشعورية
11:04
and then they would ask them follow-up questions,
226
664721
2324
وسيطلبون منهم إجابة الأسئلة
11:07
like, "Why do you want to know this prophecy? Who are you?
227
667069
2834
مثل " لماذا تريد أن تعرف هذه النبؤة؟ من أنت؟"
11:09
What are you going to do with this information?"
228
669927
2264
" ماذا تنوي أن تفعل بهذه المعلومة؟"
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
يأخذ مرشدو المعبد هذا على محمل علم الأعراق البشرية.
11:15
this more qualitative information,
230
675421
2156
تلك المعلومات الكمية
11:17
and interpret the oracle's babblings.
231
677601
2075
ويفسرون فقاعات الوسيطة الروحية.
11:21
So the oracle didn't stand alone,
232
681248
2292
حتى لا تعمل الوسيطة بمفردها،
11:23
and neither should our big data systems.
233
683564
2148
وكذلك أنظمة البيانات الضخمة خاصتنا.
11:26
Now to be clear,
234
686450
1161
وحتى أكون واضحة،
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
لا أعني أن الأنظمة تبعث غاز الإيثيلين
11:31
or that they're even giving invalid predictions.
236
691118
2353
أو أنها تعطي تنبؤات غير صحيحة،
11:33
The total opposite.
237
693495
1161
بل على العكس.
11:34
But what I am saying
238
694680
2068
ولكن ما أقوله هو أن
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
كما احتاجت الوسيطة الروحية لمرشدي المعبد
11:40
our big data systems need them, too.
240
700628
2288
تحتاج أنظمة البيانات الضخمة أيضا لهم.
11:42
They need people like ethnographers and user researchers
241
702940
4109
تحتاج أشخاص كعلماء الأعراق البشرية
11:47
who can gather what I call thick data.
242
707073
2506
الذين يستطيعون جمع ما أسميه البيانات الكثيفة.
11:50
This is precious data from humans,
243
710322
2991
هذه بيانات عن البشر لا تقدر بثمن
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
مثل القصص و المشاعر والتفاعلات التي لا يمكن قياسها.
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
هذه هي فئة البيانات التي جمعتها لنوكيا
11:59
that comes in in the form of a very small sample size,
246
719809
2669
التي تكون في حجم عينة صغيرة للغاية،
12:02
but delivers incredible depth of meaning.
247
722502
2955
ولكن توصل عمقًا هائلًا من المعنى.
12:05
And what makes it so thick and meaty
248
725481
3680
والذي يجعلها كثيفة وغنية
12:10
is the experience of understanding the human narrative.
249
730265
4029
هي خبرة فهم الرواية الإنسانية.
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
وهذا ما يساعد على رؤية المفقود في نماذجنا.
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
تبنى البيانات الكثيفة أسئلة نشاطنا التجاري على أسئلة الناس.
12:22
and that's why integrating big and thick data
252
742740
3562
ولذلك تكامل البيانات الضخمة والبيانات الكثيفة
12:26
forms a more complete picture.
253
746326
1689
يُكون صورةً كاملةً.
12:28
Big data is able to offer insights at scale
254
748592
2881
تستطيع البيانات الضخمة تقديم وجهات نظرعلى قدر ما هو مطلوب
12:31
and leverage the best of machine intelligence,
255
751497
2647
وتدعم عمل أفضل الماكينات
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
ولكن البيانات الكثيفة تساعد في إنقاذ السياق المفقود
12:37
that comes from making big data usable,
257
757764
2098
الذي يأتي من جعل البيانات الضخمة صالحة للاستعمال
12:39
and leverage the best of human intelligence.
258
759886
2181
وتدعم ذكاء البشر.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
عندما تدمج الاثنين، تصبح الأمور أكثر مرحًا
12:45
because then you're no longer just working with data
260
765667
2436
لأنك لم تعد تعمل مع البيانات فقط
12:48
you've already collected.
261
768127
1196
التي قد جمعتها بالفعل.
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
أنت مضطر للعمل مع البيانات التي لم تجمعها بعد.
12:52
You get to ask questions about why:
263
772108
1719
ستسأل أسئلة عن:
12:53
Why is this happening?
264
773851
1317
لماذا يحدث هذا؟
12:55
Now, when Netflix did this,
265
775598
1379
عندما فعلت شركة نتفليكس هذا،
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
فتحوا طريقًا جديدًا لتغيير نشاطهم التجاري.
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
تُعرف نتفليكس بخوارزمية اقتراحات رائعة،
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
وقد قدمت جائزة بقيمة مليون دولار لمن يستطيع تحسينها.
13:10
And there were winners.
269
790027
1314
وكان يوجد فائزون.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
ولكن وجدت نتفليكس أن الاقتراحات كانت تزايدية فقط.
13:17
So to really find out what was going on,
271
797224
1964
وحتى تتأكد أنها تتقدم
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
عينت العالم في وصف الأعراق البشرية، غرانت مكراكين،
13:22
to gather thick data insights.
273
802977
1546
لجمع وجهات نظر البيانات الضخمة.
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
وما اكتشفه كان شيئًا لم يروه في البداية
13:28
in the quantitative data.
275
808495
1355
في البيانات الكمية.
13:30
He discovered that people loved to binge-watch.
276
810892
2728
اكتشف أن الناس أحبت الإفراط في المشاهدة.
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
في الواقع المشاهدون لم يشعروا بالذنب لذلك.
13:36
They enjoyed it.
278
816021
1255
ولكن استمتعوا به.
13:37
(Laughter)
279
817300
1026
(ضحك)
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
كان لسان حال نتفليكس: "هذا رأي جديد".
13:40
So they went to their data science team,
281
820730
1938
لذلك ذهبت لفريقها العلمي
13:42
and they were able to scale this big data insight
282
822692
2318
واستطاعوا قياس هذا المنظور
13:45
in with their quantitative data.
283
825034
2587
من البيانات الضخمة مع البيانات الكمية.
13:47
And once they verified it and validated it,
284
827645
3170
وعندما تأكدوا من ذلك
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
قررت نتفليكس عمل شيء بسيط، ولكنه مؤثر.
13:56
They said, instead of offering the same show from different genres
286
836654
6492
فقالوا بدلًا من عرض نفس البرنامج من فئات مختلفة
14:03
or more of the different shows from similar users,
287
843170
3888
أو برامج أكثر من مستخدمين متشابهين،
14:07
we'll just offer more of the same show.
288
847082
2554
سنعرض حلقات أكثر من نفس البرنامج.
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
سنجعل فكرة مشاهدة عدة حلقات مسلسلة أسهل.
14:11
And they didn't stop there.
290
851789
1486
ولم تتوقف عند ذلك.
14:13
They did all these things
291
853299
1474
فعلوا كل هذه الأشياء
14:14
to redesign their entire viewer experience,
292
854797
2959
لإعادة تشكيل خبرة المشاهد كلها
14:17
to really encourage binge-watching.
293
857780
1758
لتشجيع فكرة المشاهدة التسلسلية.
14:20
It's why people and friends disappear for whole weekends at a time,
294
860050
3241
هذا سبب اختفاء الناس والأصدقاء في العطلات الأسبوعية.
14:23
catching up on shows like "Master of None."
295
863315
2343
لمتابعة البرامج مثل "ماستر أوف نن".
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
استطاعت تحسين عملها بدمج البيانات الضخمة مع البيانات الكثيفة
14:29
but they transformed how we consume media.
297
869879
2812
ولكنها غيرت طريقة استهلاكنا للإعلام.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
والآن من المتوقع أن تتضاعف مبيعاتهم في السنوات القليلة القادمة.
14:38
But this isn't just about watching more videos
299
878100
3830
ولكن هذا ليس فقط عن مشاهدة المزيد من الفيديوهات
14:41
or selling more smartphones.
300
881954
1620
أو بيع المزيد من الهواتف الذكية.
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
بالنسبة للبعض، إدماج البيانات الكثيفة في خوارزمياتهم
14:48
could mean life or death,
302
888037
2263
قد يعني حياة أو موت،
14:50
especially for the marginalized.
303
890324
2146
خاصة للمهمشين.
14:53
All around the country, police departments are using big data
304
893558
3434
تستخدم أقسام الشرطة في كل أنحاء الدولة البيانات الضخمة
14:57
for predictive policing,
305
897016
1963
لضبط الأمن التنبؤي
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
لكي تضع أرقامًا للسندات واقتراحات للعقوبة
15:02
in ways that reinforce existing biases.
307
902111
3147
بطرق تعزز الانحياز الموجود.
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
إن خوارزمية التعلم الآلي (سكاي نت) لدى الأمن القومي الأمريكي
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
أدت إلى وفاة آلاف المواطنين في باكستان
15:14
from misreading cellular device metadata.
310
914031
2721
نتيجة سوء قراءة البيانات الوصفية للجهاز الخلوي.
15:18
As all of our lives become more automated,
311
918951
3403
ولأن حياتنا أصبحت أكثر آلية
15:22
from automobiles to health insurance or to employment,
312
922378
3080
من السيارات حتى التأمين الصحي أو التوظيف
15:25
it is likely that all of us
313
925482
2350
فعلى الأرجح أن جميعنا
15:27
will be impacted by the quantification bias.
314
927856
2989
سيتأثر بالانحياز القياسي.
15:32
Now, the good news is that we've come a long way
315
932792
2621
والآن، الخبر الجيد هو أننا سلكنا طريقًا طويلًا
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
من استنشاق غاز الايثيلين إلى صنع التنبؤات.
15:37
We have better tools, so let's just use them better.
317
937911
3070
لدينا أدوات أفضل، فهيا نستخدمها بشكل أفضل.
15:41
Let's integrate the big data with the thick data.
318
941005
2323
لندمج البيانات الضخمة مع البيانات الكثيفة.
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
لِنُحضر مرشدي المعبد مع الوسيطة الروحية،
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
وسواء إذا كان هذا العمل داخل شركات أو جمعيات غير حكومية
15:49
or government or even in the software,
321
949037
2469
أو الحكومة أو حتي في البرمجيات،
15:51
all of it matters,
322
951530
1792
كل ذلك مهم،
15:53
because that means we're collectively committed
323
953346
3023
لأنه يعني أننا ملتزمون بشكل جماعي
15:56
to making better data,
324
956393
2191
لصنع بيانات أفضل
15:58
better algorithms, better outputs
325
958608
1836
وخوارزميات ونتائج أفضل
16:00
and better decisions.
326
960468
1643
وقرارات أفضل.
16:02
This is how we'll avoid missing that something.
327
962135
3558
هكذا سنتجنب إغفال ذلك الشيء.
16:07
(Applause)
328
967042
3948
(تصفيق)
حول هذا الموقع

سيقدم لك هذا الموقع مقاطع فيديو YouTube المفيدة لتعلم اللغة الإنجليزية. سترى دروس اللغة الإنجليزية التي يتم تدريسها من قبل مدرسين من الدرجة الأولى من جميع أنحاء العالم. انقر نقرًا مزدوجًا فوق الترجمة الإنجليزية المعروضة على كل صفحة فيديو لتشغيل الفيديو من هناك. يتم تمرير الترجمات بالتزامن مع تشغيل الفيديو. إذا كان لديك أي تعليقات أو طلبات ، يرجى الاتصال بنا باستخدام نموذج الاتصال هذا.

https://forms.gle/WvT1wiN1qDtmnspy7