Kenneth Cukier: Big data is better data

کِنِث کوکی ار: دادۀ بزرگ، دادۀ بهتری است

Translator: Roozbeh Fakhr Reviewer: Shahram Eatezadi

America's favorite pie is?

شیرینی پایِ مورد علاقۀ آمریکایی ها چیه؟

Audience: Apple. Kenneth Cukier: Apple. Of course it is.

حضار: سیبه. کنث کوکی اِر: البته که سیبه!

How do we know it?

از کجا می دونیم؟

Because of data.

به خاطر داده ها.

You look at supermarket sales.

از مشاهدۀ فروش فروشگاه ها.

You look at supermarket sales of 30-centimeter pies

از مشاهدۀ فروش پای های ۳۰ سانتی متریِ منجمد در فروشگاه ها

that are frozen, and apple wins, no contest.

و بدون هیچ مسابقه ای، سیب برنده س.

اکثریت فروش متعلق به سیبه.

The majority of the sales are apple.

But then supermarkets started selling

فروشگاه ها شروع کردن به فروش پای کوچک تر،

smaller, 11-centimeter pies,

پای ۱۱ سانتی متری،

and suddenly, apple fell to fourth or fifth place.

و ناگهان سیب به مکان چهارم یا پنجم تنزل کرد.

Why? What happened?

چرا؟ چه اتفاقی افتاد؟

Okay, think about it.

بهش فکر کنید.

When you buy a 30-centimeter pie,

وقتی شما پای ۳۰ سانتی متری می خرید،

the whole family has to agree,

همه ی خانواده باید موافق باشند،

and apple is everyone's second favorite.

و سیب، انتخابِ دوم همه ست.

(Laughter)

(خنده ی حضار)

But when you buy an individual 11-centimeter pie,

اما وقتی پای یک نفره ی ۱۱ سانتی متری می خرید،

you can buy the one that you want.

می تونید اونی رو که دوست دارید بخرید.

You can get your first choice.

می تونید انتخاب اول تون رو بخرید.

You have more data.

داده های بیشتری دارید.

You can see something

می تونید چیزی رو ببینید

that you couldn't see

که وقتی مقدار کم تری از اون رو داشتید

when you only had smaller amounts of it.

نمی دیدید.

Now, the point here is that more data

نکته اینجاست که داده های بیشتر

doesn't just let us see more,

فقط دیدِ وسیع تر نمی دن،

more of the same thing we were looking at.

داده های بیشترِ آنچه بهش نگاه می کردیم؛

More data allows us to see new.

داده های بیشتر به ما اجازه می دهند تازه ها رو ببینیم.

It allows us to see better.

اجازه می دهند بهتر ببینیم.

It allows us to see different.

اجازه می دهند متفاوت ببینیم.

In this case, it allows us to see

در این مورد به ما اجازه می دهند

what America's favorite pie is:

پای مورد علاقه ی آمریکایی ها رو ببینیم:

not apple.

که سیب نیست!

Now, you probably all have heard the term big data.

احتمالاً همۀ شما واژۀ دادۀ بزرگ رو شنیدید.

In fact, you're probably sick of hearing the term

در واقع حالتون از شنیدن این واژه

big data.

به هم می خوره.

It is true that there is a lot of hype around the term,

واقعیته که اعتیاد زیادی به این واژه وجود داره،

and that is very unfortunate,

و این خیلی ناراحت کننده ست،

because big data is an extremely important tool

چون دادۀ بزرگ، ابزار بسیار مهمیه

by which society is going to advance.

برای پیشرفت جامعه.

In the past, we used to look at small data

در گذشته، ما به داده های کوچک نگاه می کردیم

and think about what it would mean

و فکر می کردیم چطور می شه

to try to understand the world,

دنیا رو درک کرد،

and now we have a lot more of it,

و حالا ما کلی از اون داریم،

more than we ever could before.

خیلی بیشتر از آنچه در گذشته داشتیم.

What we find is that when we have

چیزی که متوجه می شیم اینه که

a large body of data, we can fundamentally do things

وقتی مقدار زیادی داده داریم، اساساً قادر به انجام کارهایی هستیم

that we couldn't do when we only had smaller amounts.

که با داشتن داده های کم نمی تونستیم.

Big data is important, and big data is new,

دادۀ بزرگ مهمه، و دادۀ بزرگ جدیده،

and when you think about it,

و وقتی بهش فکر می کنید،

the only way this planet is going to deal

تنها راهِ رویارویی این سیاره

with its global challenges —

با چالش های جهانیش،

to feed people, supply them with medical care,

تغذیۀ مردم، تامین بهداشت شون،

supply them with energy, electricity,

تامین انرژی، الکتریسیته،

and to make sure they're not burnt to a crisp

اطمینان از جزغاله نشدن شون

because of global warming —

به خاطر گرم شدن کرۀ زمین؛

is because of the effective use of data.

به دلیل استفادۀ موثر از داده هاست.

So what is new about big data? What is the big deal?

خُب نکتۀ جدید در مورد دادۀ بزرگ چیه؟ نکتۀ قابل توجه؟

Well, to answer that question, let's think about

خُب... برای پاسخ به این سوال به این فکر کنید که

what information looked like,

اطلاعات چه شکلی بوده،

physically looked like in the past.

در گذشته و به صورت فیزیکی.

In 1908, on the island of Crete,

در سال ۱۹۰۸، بر روی جزیرۀ کِرِت،

archaeologists discovered a clay disc.

باستان شناسان لوحی رُسی کشف کردند.

They dated it from 2000 B.C., so it's 4,000 years old.

عمر آن را ۲۰۰۰ سال قبل از میلاد تخمین زدند، یعنی ۴۰۰۰ سال.

Now, there's inscriptions on this disc,

نوشته هایی روی این لوح هست،

but we actually don't know what it means.

اما اِشرافی به معانیش نداریم.

It's a complete mystery, but the point is that

کاملاً یک رازه. اما نکته اینه که

this is what information used to look like

اطلاعات به این شکل بودند

4,000 years ago.

۴۰۰۰ سال پیش.

This is how society stored

جامعه اطلاعات رو به این شکل

and transmitted information.

نگهداری و منتقل می کرد.

Now, society hasn't advanced all that much.

امروز، جامعه آنقدرها پیشرفت نکرده.

We still store information on discs,

ما هنوز اطلاعات رو در لوح ها ذخیره می کنیم.

but now we can store a lot more information,

اما امروز ما می تونیم بیشتر اطلاعات ذخیره کنیم،

more than ever before.

بیشتر از گذشته.

Searching it is easier. Copying it easier.

جستجوش راحت تر شده، و کپی کردنش...

Sharing it is easier. Processing it is easier.

پردازش و به اشتراک گذاشتنش.

And what we can do is we can reuse this information

ما می تونیم دوباره از این اطلاعات استفاده کنیم

for uses that we never even imagined

برای مصارفی که وقتی مشغول جمع آوری داده ها بودیم

when we first collected the data.

حتا تصورش رو هم نمی کردیم.

In this respect, the data has gone

به همین منوال، داده تغییر کرد

from a stock to a flow,

از سکون به جریان،

from something that is stationary and static

از چیزی راکد و بی حرکت،

to something that is fluid and dynamic.

به چیزی سیال و متحرک.

There is, if you will, a liquidity to information.

اگر بخواهید، متوجه سیالیت اطلاعات می شید.

The disc that was discovered off of Crete

لوح مکشوفه از کِرِت

that's 4,000 years old, is heavy,

چهار هزار ساله ست، و سنگین،

it doesn't store a lot of information,

ظرفیت زیادی نداره،

and that information is unchangeable.

و این اطلاعات متغییر نیست.

By contrast, all of the files

از سوی دیگر، کل فایل هایی که

that Edward Snowden took

اِدوارد اِسنودِن

from the National Security Agency in the United States

از آژانس امنیت ملی آمریکا به سرقت برد

fits on a memory stick

روی یک حافظۀ فلش

the size of a fingernail,

به اندازۀ ناخن بود.

and it can be shared at the speed of light.

و به سرعت نور تکثیر می شه.

More data. More.

داده های بیشتر... بیشتر.

Now, one reason why we have so much data in the world today

یکی از دلایل وجود خیل اطلاعات امروز

is we are collecting things

جمع آوری چیزهایی ست

that we've always collected information on,

که ما همیشه اطلاعات را روی آنها جمع می کردیم؛

but another reason why is we're taking things

دلیل دیگر این که ما چیزهایی جمع آوری می کنیم

that have always been informational

که همیشه جنبۀ اطلاعاتی داشته اند

but have never been rendered into a data format

اما هرگز به قالب داده تبدیل نشده اند

and we are putting it into data.

و ما آنها را به داده تبدیل می کنیم.

Think, for example, the question of location.

برای مثال به موقعیت چغرافیایی فکر کنید.

Take, for example, Martin Luther.

مثلاً مارتین لوثِر.

If we wanted to know in the 1500s

اگر بخواهیم بدونیم سال ۱۵۰۰

where Martin Luther was,

مارتین لوثر کجا بوده،

we would have to follow him at all times,

باید همیشه دنبالش می کردیم،

maybe with a feathery quill and an inkwell,

شاید با یک قلم پر و یک دوات،

and record it,

تا ثبتش کنیم.

but now think about what it looks like today.

اما فکر کنید امروز چگونه است.

You know that somewhere,

می دونید در جایی،

probably in a telecommunications carrier's database,

احتمالاً در پایگاه دادۀ یک شرکت مخابراتی،

there is a spreadsheet or at least a database entry

صفحه گسترده یا حداقل پایگاه داده ای وجود دارد

that records your information

که اطلاعات را ذخیره می کند

of where you've been at all times.

همۀ مکان هایی که آنجا بوده اید.

If you have a cell phone,

اگر تلفن همراه داشته باشید،

and that cell phone has GPS, but even if it doesn't have GPS,

و تلفن شما جی.پی.اس داشته باشد، یا حتا نداشته باشد،

it can record your information.

اطلاعات شما را ذخیره می کند.

In this respect, location has been datafied.

به این ترتیب، موقعیت جغرافیایی به داده بدل می شه.

Now think, for example, of the issue of posture,

حالا برای مثال به موردِ حالت بدن فکر کنید.

the way that you are all sitting right now,

جوری که الان نشسته اید.

the way that you sit,

جوری که شما نشستید،

the way that you sit, the way that you sit.

جوری که شما نشستید، جوری که شما نشستید،

It's all different, and it's a function of your leg length

کاملاً متفاوته، و مربوط به طول پاهاتون

and your back and the contours of your back,

و پشت، و خطوط پشت،

and if I were to put sensors, maybe 100 sensors

و اگه الان حسگر وصل بود، شاید ۱۰۰ تا

into all of your chairs right now,

به صندلی هاتون،

I could create an index that's fairly unique to you,

می تونستم نموداری مختص شما ایجاد کنم.

sort of like a fingerprint, but it's not your finger.

چیزی شبیه اثر انگشت! ولی اثر انگشت شما نیست.

So what could we do with this?

خُب این کار چه فایده ای برامون داره؟

Researchers in Tokyo are using it

محققان در توکیو، از اون به عنوان

as a potential anti-theft device in cars.

یک دستگاه ضد سرقت خودرو استفاده می کنند.

The idea is that the carjacker sits behind the wheel,

به این شکل که دزد پشت فرمون می شینه،

tries to stream off, but the car recognizes

سعی می کنه خودرو رو بدزده، و خودرو

that a non-approved driver is behind the wheel,

تشخیص می ده که راننده، ذیصلاح نیست.

and maybe the engine just stops, unless you

و ممکنه موتور خاموش شه، تا شما

type in a password into the dashboard

کلمۀ عبور رو جایی روی داشبورد وارد کنید

to say, "Hey, I have authorization to drive." Great.

و بگین: "هی! من مجوز رانندگی دارم". عالیه!

What if every single car in Europe

چی می شه اگر تمام خودروهای داخل اروپا

had this technology in it?

از این فناوری برخوردار باشند؟

What could we do then?

چه کاری می تونستیم انجام بدیم؟

Maybe, if we aggregated the data,

اگر داده ها رو جمع کنیم،

maybe we could identify telltale signs

شاید بتونیم علامت های ثبت شده رو ببینیم

that best predict that a car accident

بهترین راه تشخیص این که

is going to take place in the next five seconds.

در ۵ ثانیۀ آینده، یک تصادف اتفاق می افته.

And then what we will have datafied

و نکتۀ بعدی که ازش بهره می گیریم،

is driver fatigue,

خستگیِ راننده است،

and the service would be when the car senses

خدمات به این شکل ارائه می شه که مثلاً

that the person slumps into that position,

وقتی ماشین متوجه این حالت راننده می شه،

automatically knows, hey, set an internal alarm

آلارم داخلی رو به صورت خودکار فعال می کنه

that would vibrate the steering wheel, honk inside

که مثلاً فرمون رو می لرزونه، یا یه بوق می زنه

to say, "Hey, wake up,

که بگه: "هی! بیدار شو،

pay more attention to the road."

بیشتر به جاده توجه کن"

These are the sorts of things we can do

این ها مصداق هایی از توانایی هامون هستند،

when we datafy more aspects of our lives.

وقتی جنبه های بیشتری از زندگی رو به داده بدل می کنیم.

So what is the value of big data?

حالا ارزش دادۀ بزرگ چیه؟

Well, think about it.

خب... بهش فکر کنید.

You have more information.

اطلاعات بیشتری دارید.

You can do things that you couldn't do before.

می تونید کارهایی انجام بدبد که قبلاً نمی تونستید.

One of the most impressive areas

یکی از تاثیرگذارترین جاهایی که

where this concept is taking place

این مفهوم کاربردیه

is in the area of machine learning.

زمینۀ یادگیریه ماشینه.

Machine learning is a branch of artificial intelligence,

یادگیریه ماشین، شاخه ای از هوش مصنوعی ست،

which itself is a branch of computer science.

که خود شاخه ای از علوم رایانه ست.

The general idea is that instead of

ایدۀ کلی به این شکله که

instructing a computer what do do,

به جای آموزش رایانه برای کاری،

we are going to simply throw data at the problem

ما خیلی ساده، داده ها رو کنار مشکل میگذاریم

and tell the computer to figure it out for itself.

و به رایانه می گیم، خودت حلش کن.

And it will help you understand it

دانستن منشا این مسئله،

by seeing its origins.

به درکش کمک می کنه.

In the 1950s, a computer scientist

در سال ۱۹۵۰، یک دانشمند رایانه در آی.بی.ام

at IBM named Arthur Samuel liked to play checkers,

به نام آرتور ساموئل به چکِرز علاقه داشت

so he wrote a computer program

و برنامه ای برایش نوشت

so he could play against the computer.

تا بتونه مقابل رایانه بازی کنه.

He played. He won.

او بازی کرد. و او برد.

He played. He won.

بازی کرد. برد.

He played. He won,

بازی کرد. برد.

because the computer only knew

چون رایانه، تنها حرکت های

what a legal move was.

قانونی رو می دونست.

Arthur Samuel knew something else.

آرتور ساموئل چیز دیگه می دونست.

Arthur Samuel knew strategy.

آرتور ساموئل استراتژی می دونست.

So he wrote a small sub-program alongside it

پس یه برنامۀ تکمیلی در کنارش نوشت

operating in the background, and all it did

که پشت زمینه کار کنه،

was score the probability

و این احتمال رو بسنجه

that a given board configuration would likely lead

که بعد از هر حرکت

to a winning board versus a losing board

ترکیب مهره های صفحه، به سمت برد می ره

after every move.

یا باخت.

He plays the computer. He wins.

او با رایانه بازی می کنه. و می بره.

He plays the computer. He wins.

بازی می کنه. و می بره.

He plays the computer. He wins.

بازی می کنه. و می بره.

And then Arthur Samuel leaves the computer

و سپس آرتور ساموئل رایانه رو تنها می گذاره

to play itself.

تا با خودش بازی کنه.

It plays itself. It collects more data.

بازی می کنه. و دادۀ بیشتر جمع می کنه.

It collects more data. It increases the accuracy of its prediction.

دادۀ بیشتر جمع می کنه. و دقت پیش بینی رو بالا می بره.

And then Arthur Samuel goes back to the computer

بعد آرتور ساموئل برمی گرده به رایانه

and he plays it, and he loses,

و بازی می کنه، می بازه.

and he plays it, and he loses,

و بازی می کنه، و می بازه،

and he plays it, and he loses,

و بازی می کنه، و می بازه،

and Arthur Samuel has created a machine

و آرتور ساموئل ماشینی ابداع می کنه

that surpasses his ability in a task that he taught it.

که از اون در توانایی ای که یادش داده بود، سبقت می گیره.

And this idea of machine learning

و این ایدۀ یادگیری ماشین

is going everywhere.

به همه جا می ره.

How do you think we have self-driving cars?

فکر می کنید ماشین های بدون راننده از کجا اومدن؟

Are we any better off as a society

آیا ما جامعه ای هستیم که

enshrining all the rules of the road into software?

تمام قوانین جاده رو به نرم افزار بدیم؟

No. Memory is cheaper. No.

نه! حافظه ارزون تره، نه!

Algorithms are faster. No. Processors are better. No.

الگوریتم ها سریع ترند، نه! پردازنده ها بهترند، نه!

All of those things matter, but that's not why.

همۀ اینها مهم اند، اما پاسخ ما نیستند.

It's because we changed the nature of the problem.

پاسخ اینه که ما ماهیت مسئله رو تغییر دادیم.

We changed the nature of the problem from one

ماهیت مسئله رو از این که سعی کنیم

in which we tried to overtly and explicitly

آشکارا و به جزء به رایانه بگیم

explain to the computer how to drive

که چطور رانندگی کنه،

to one in which we say,

به این شکل تغییر دادیم:

"Here's a lot of data around the vehicle.

این مقدار اطلاعات در مورد خودرو هست.

You figure it out.

خودت حلش کن.

You figure it out that that is a traffic light,

خودت بفهم که این چراغ راهنماییه،

that that traffic light is red and not green,

که چراغ راهنما قرمزه و نه سبز،

that that means that you need to stop

که این یعنی باید بایستی

and not go forward."

و جلو نری.

Machine learning is at the basis

یادگیری ماشین، پایۀ

of many of the things that we do online:

بسیاری از کارهای آنلاین ماست.

search engines,

موتورهای جستجو،

Amazon's personalization algorithm,

الگوریتم شخصی سازی آمازون،

computer translation,

مترجم رایانه ای،

voice recognition systems.

سیستم های تشخیص صدا.

Researchers recently have looked at

محققین اخیرن

به مسئلۀ بافت برداری پرداختند،

the question of biopsies,

cancerous biopsies,

بافت های سرطانی.

and they've asked the computer to identify

آنها از رایانه خواستند

by looking at the data and survival rates

که با مشاهدۀ داده ها و میزان نجات

to determine whether cells are actually

بررسی کند که آیا در واقع

cancerous or not,

سلول ها سرطانی اند یا نه،

and sure enough, when you throw the data at it,

و مطمئناً، با افزودن داده به آن،

through a machine-learning algorithm,

به الگوریتم یادگیریِ ماشین،

the machine was able to identify

ماشین قادر بود به شناساییِ

the 12 telltale signs that best predict

۱۲ تا از بهترین نشانه های پیش بینی

that this biopsy of the breast cancer cells

که نمونۀ سلول های سرطان پستان

are indeed cancerous.

واقعاً سرطانی اند.

The problem: The medical literature

مسئله: دایرۀ المعارف پزشکی

only knew nine of them.

تنها ۹ تای آنان را می شناخت.

Three of the traits were ones

سه تا از ویژگی ها، آنهایی بودند که

that people didn't need to look for,

مردم نیازی به پیدا کردن آنها نداشتند،

but that the machine spotted.

اما ماشین آنها را پیدا کرد.

Now, there are dark sides to big data as well.

ابعاد تاریکی هم برای دادۀ بزرگ وجود دارد.

It will improve our lives, but there are problems

زندگی مان را بهبود می بخشد اما مشکلاتی هم هست،

that we need to be conscious of,

که باید به آنها آگاه باشیم.

and the first one is the idea

اولی، ایده ایست که

that we may be punished for predictions,

شاید برای این پیش بینی ها مجازات شویم!

that the police may use big data for their purposes,

مثلن پلیس برای مقاصدش از آن استفاده کند.

a little bit like "Minority Report."

کمی شبیه فیلم "گزارش اقلیت".

Now, it's a term called predictive policing,

امروزه واژۀ پیش بینیِ پلیسی هست،

or algorithmic criminology,

یا جرم شناسی الگوریتمی

and the idea is that if we take a lot of data,

که اگر داده های زیادی داشته باشیم،

for example where past crimes have been,

مثلاً محل وقوع جرم های پیشین،

we know where to send the patrols.

می دانیم گشت ها را به کجا اعزام کنیم.

That makes sense, but the problem, of course,

به نظر منطقی می آد، اما مشکل اینه که

is that it's not simply going to stop on location data,

مسئله به دادۀ موقعیت ختم نمی شه،

it's going to go down to the level of the individual.

و به مسائل فردی وارد خواهد شد.

Why don't we use data about the person's

چرا از ریزنمرات فردی در دوران دبیرستان

high school transcript?

استفاده نکنیم؟

Maybe we should use the fact that

شاید باید از این حقایق استفاده کنیم که

they're unemployed or not, their credit score,

آیا بیکارند یا نه، اعتبار بانکی شان،

their web-surfing behavior,

رفتاروب گردی آنها

whether they're up late at night.

آیا تا دیروقت بیدارند.

Their Fitbit, when it's able to identify biochemistries,

دست بندشان، اگر قادر به تشخیص بیوشیمی باشد،

will show that they have aggressive thoughts.

تصورات تهاجمی شان را نشان خواهد داد.

We may have algorithms that are likely to predict

می شه الگوریتم هایی اشته باشیم که تقریباً

what we are about to do,

کارهایمان را پیش بینی می کنند،

and we may be held accountable

و ممکنه قبل از ارتکاب جرم

before we've actually acted.

دستگیر شیم.

Privacy was the central challenge

حریم خصوصی، چالش اصلی

in a small data era.

در عصر دادۀ کوچک بود.

In the big data age,

در دورۀ دادۀ بزرگ،

the challenge will be safeguarding free will,

چالش، حفاظت از اختیار است،

moral choice, human volition,

انتخاب اخلاقی، ارادۀ انسان

human agency.

وکالت انسان.

There is another problem:

مشکل دیگری هم هست:

Big data is going to steal our jobs.

دادۀ بزرگ ما را بیکار می کند.

Big data and algorithms are going to challenge

دادۀ بزرگ و الگوریتم ها به مصاف

white collar, professional knowledge work

کارمندان و کار حرفه ای می روند

in the 21st century

در قرن ۲۱.

in the same way that factory automation

به همان ترتیب که اتوماسیون کارخانه ها

and the assembly line

و خطوط تولید

challenged blue collar labor in the 20th century.

در قرن بیستم به مصاف کارگران رفتند.

Think about a lab technician

مثلاً تکنسین آزمایشگاه

who is looking through a microscope

که زیر میکروسکوپ

at a cancer biopsy

نمونۀ سرطانی می بیند

and determining whether it's cancerous or not.

و نتیجه می گیرد که آیا سرطانی ست یا نه.

The person went to university.

شخص به دانشگاه رفته.

The person buys property.

شخص املاک می خره.

He or she votes.

او رای می دهد.

He or she is a stakeholder in society.

او در جامعه ذینفع است.

And that person's job,

و شغل اون شخص،

as well as an entire fleet

مثل همۀ ناوگانِ

of professionals like that person,

حرفه ای ها مانند اون شخص،

is going to find that their jobs are radically changed

خواهند فهمید که شغلشان کاملاً تغییر کرده

or actually completely eliminated.

یا کاملاً از بین رفته.

Now, we like to think

ما دوست داریم اینگونه فکر کنیم

that technology creates jobs over a period of time

که فناوری بعد از مدتی ایجاد شغل می کنه

after a short, temporary period of dislocation,

بعد از مدت کوتاه یا موقت جابجایی،

and that is true for the frame of reference

و این برای ارجاع به انقلاب صنعتی

with which we all live, the Industrial Revolution,

که با اون زندگی می کنیم، درسته

because that's precisely what happened.

چون دقیقاً همونیه که اتفاق افتاده.

But we forget something in that analysis:

اما چیزی رو در اون آنالیز فراموش کردیم:

There are some categories of jobs

دسته ای از مشاغل هستند که

that simply get eliminated and never come back.

به راحتی از بین می رن و بر نمی گردند.

The Industrial Revolution wasn't very good

انقلاب صنعتی خیلی خوب نبود،

if you were a horse.

اگر شما اسب بودید.

So we're going to need to be careful

پس باید دقت کنیم

and take big data and adjust it for our needs,

our very human needs.

خواسته های انسانی مون.

We have to be the master of this technology,

باید ارباب این فناوری باشیم،

not its servant.

نه بنده اش.

We are just at the outset of the big data era,

ما هنوز در ابتدای عصر دادۀ بزرگ هستیم،

and honestly, we are not very good

و صادقانه، خیلی خوب نیستیم

at handling all the data that we can now collect.

در ادارۀ داده هایی که امروز می تونیم جمع کنیم.

It's not just a problem for the National Security Agency.

این فقط مشکلی برای آزانس امنیت ملی نیست.

Businesses collect lots of data, and they misuse it too,

شرکت ها داده های زیادی جمع می کنند از آنها استفادۀ نادرست هم می کنند،

and we need to get better at this, and this will take time.

باید این قسمت رو بهبود بدیم، و این زمان بره.

It's a little bit like the challenge that was faced

کمی مشابه چالشی که انسان اولیه

by primitive man and fire.

با آتش داشت.

This is a tool, but this is a tool that,

این یک ابزار است. اما ابزاری که

unless we're careful, will burn us.

بر اثر استفادۀ نادرست، ما را به آتش می کشد.

Big data is going to transform how we live,

دادۀ بزرگ، روند زندگی ما را متحول خواهد کرد،

how we work and how we think.

روند کارمان را و روند تفکرمان را.

It is going to help us manage our careers

به ما کمک می کند در مدیریت سوابق مان

and lead lives of satisfaction and hope

در هدایت زندگیِ راضی کننده و امیدبخش

and happiness and health,

در خوشحالی و در سلامت

but in the past, we've often looked at information technology

اما در گذشته، اغلب به فناوری اطلاعات نگاه می کردیم

and our eyes have only seen the T,

و چشم هایمان فقط "ف" را دیده اند

the technology, the hardware,

فناوری... سخت افزار...

because that's what was physical.

چون آنها فیزیکی بودند.

We now need to recast our gaze at the I,

اکنون باید به "ا" بنگریم،

the information,

اطلاعات...

which is less apparent,

که کمتر اشکار است.

but in some ways a lot more important.

اما در برخی جهات بسیار مهم تر.

Humanity can finally learn from the information

بشریت سرانجام از اطلاعات خواهد آموخت

that it can collect,

اطلاعاتی که جمع می کند،

as part of our timeless quest

در راستای تلاش بی پایان مان

to understand the world and our place in it,

برای فهمیدن جهان و جایگاهمان در آن،

and that's why big data is a big deal.

و به این دلیله که دادۀ بزرگ مهمه.

(Applause)

(تشویق حضار)