Kenneth Cukier: Big data is better data

מתרגם: Yubal Masalker מבקר: Sigal Tifferet

America's favorite pie is?

העוגה החביבה על האמריקאים היא...?

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

קהל: תפוחים. קנת קוקיאר: תפוחים, כמובן.

How do we know it?

איך אנו יודעים?

Because of data.

בגלל הנתונים.

You look at supermarket sales.

רואים את המכירות בסופרמרקטים.

You look at supermarket sales of 30-centimeter pies

בודקים את המכירות של כל עוגות

that are frozen, and apple wins, no contest.

30 הס"מ הקפואות, ועוגות התפוחים מנצחות בגדול.

The majority of the sales are apple.

רוב המכירות הן של עוגות תפוחים.

But then supermarkets started selling

אבל אז הסופרמרקטים החלו למכור

smaller, 11-centimeter pies,

עוגות יותר קטנות, בקוטר 11 ס"מ,

and suddenly, apple fell to fourth or fifth place.

ופתאום עוגות התפוחים ירדו למקום הרביעי או החמישי.

Why? What happened?

מדוע? מה קרה?

Okay, think about it.

חישבו על זה.

When you buy a 30-centimeter pie,

כאשר אנו קונים עוגת 30 ס"מ,

the whole family has to agree,

כל המשפחה צריכה להסכים,

and apple is everyone's second favorite.

ועוגת תפוחים היא בעדיפות שניה אצל כל אחד.

(Laughter)

(צחוק)

But when you buy an individual 11-centimeter pie,

אבל כשקונים עוגת 11 ס"מ אישית,

you can buy the one that you want.

אפשר לקנות את זו שכל אחד אוהב אישית.

You can get your first choice.

כל אחד מקבל את מה שבעדיפות ראשונה אצלו.

You have more data.

יש יותר נתונים.

You can see something

ניתן לראות דברים

that you couldn't see

שלא ניתן היה לראות

when you only had smaller amounts of it.

כאשר היו פחות נתונים.

Now, the point here is that more data

העניין הוא שיותר נתונים

doesn't just let us see more,

אינם מאפשרים רק לראות יותר --

more of the same thing we were looking at.

יותר מאותם הדברים שראינו קודם.

More data allows us to see new.

יותר נתונים מאפשרים לראות דברים חדשים.

It allows us to see better.

הם מאפשרים לנו לראות יותר טוב.

It allows us to see different.

הם מאפשרים להסתכל אחרת.

In this case, it allows us to see

במקרה זה, הם מאפשרים לראות

what America's favorite pie is:

מהי העוגה האהובה באמריקה:

not apple.

לא עוגת תפוחים.

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

כולכם בוודאי שמעתם את המושג 'ביג דאטה'.

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

בטח נמאס לכם לשמוע את המושג

big data.

'ביג דאטה'.

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

אכן, יש הרבה הפרזה סביב המושג,

and that is very unfortunate,

וזה חבל מאוד,

because big data is an extremely important tool

כי ביג דאטה הוא כלי חשוב ביותר

by which society is going to advance.

שבאמצעותו החברה עתידה להתקדם.

In the past, we used to look at small data

בעבר, נהגנו להסתכל על נתונים מצומצמים

and think about what it would mean

ולחשוב מה משמעותם

to try to understand the world,

בניסיון להבין את העולם,

and now we have a lot more of it,

וכעת יש לנו הרבה יותר כאלה,

more than we ever could before.

יותר ממה שיכלו להיות אי-פעם בעבר.

What we find is that when we have

מה שאנו מגלים הוא שכאשר יש לנו

a large body of data, we can fundamentally do things

מסד נתונים גדול, ניתן לעשות דברים

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

שלא יכולנו לעשות כאשר היו לנו פחות נתונים.

Big data is important, and big data is new,

ביג דאטה הוא חשוב והוא חדש,

and when you think about it,

וכאשר חושבים על כך,

the only way this planet is going to deal

הדרך היחידה בה עולמנו יוכל

with its global challenges —

להתמודד עם האתגרים הגלובליים --

to feed people, supply them with medical care,

לספק לכולם אוכל, טיפול רפואי,

supply them with energy, electricity,

אנרגיה, חשמל,

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

וגם לוודא שלא ייצלו בגלל

because of global warming —

ההתחממות הגלובלית --

is because of the effective use of data.

תהיה באמצעות שימוש יעיל בנתונים.

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

אז מה כל-כך שונה בביג דאטה? על מה כל הרעש?

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

כדי לענות על השאלה, הבה נחשוב

what information looked like,

כיצד המידע נראה פעם,

physically looked like in the past.

כיצד הוא נראה בפועל בעבר.

In 1908, on the island of Crete,

ב-1908, באי כרתים,

archaeologists discovered a clay disc.

ארכיאולוגים גילו דיסקה מחימר.

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

הם תיארכו אותה ל-2000 לפנה"ס, כלומר, לפני 4,000 שנה.

Now, there's inscriptions on this disc,

יש כיתוב על הדיסקה

but we actually don't know what it means.

שאין אנו יודעים את פירושו.

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

זוהי תעלומה. אבל מה שחשוב כאן

this is what information used to look like

הוא שכך נראה מידע

4,000 years ago.

לפני 4,000 שנה.

This is how society stored

זו הדרך בה החברה

איחסנה והעבירה מידע.

and transmitted information.

Now, society hasn't advanced all that much.

החברה לא התקדמה מאז כל-כך.

We still store information on discs,

אנו עדיין מאחסנים מידע על דיסקות,

but now we can store a lot more information,

אבל היום אנו יכולים לאחסן הרבה יותר מידע,

more than ever before.

הרבה יותר מאי-פעם.

Searching it is easier. Copying it easier.

יותר קל לחפש אותו. יותר קל להעתיקו.

Sharing it is easier. Processing it is easier.

יותר קל לשתפו. יותר קל לעבדו.

And what we can do is we can reuse this information

ניתן גם להשתמש בו למטרות

for uses that we never even imagined

שאף פעם לא חשבנו עליהן

when we first collected the data.

כאשר אספנו את המידע.

In this respect, the data has gone

בהקשר זה, המידע הפך

from a stock to a flow,

ממצבור לזרם,

from something that is stationary and static

ממשהו שהוא נייח וסטטי

to something that is fluid and dynamic.

למשהו שהוא זורם ודינמי.

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

מתקיימת, אם תרצו, נוזליות של מידע.

The disc that was discovered off of Crete

הדיסקה מלפני 4,000 שנה

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

שנתגלתה בכרתים היא כבדה.

היא אינה מחזיקה הרבה מידע,

it doesn't store a lot of information,

and that information is unchangeable.

והמידע הזה אינו ניתן לשינוי.

By contrast, all of the files

לעומתו, כל הקבצים

that Edward Snowden took

שאדוארד סנודן לקח

from the National Security Agency in the United States

מהסוכנות לביטחון לאומי של ארה"ב

fits on a memory stick

נכנסים בזכרון נייד

the size of a fingernail,

בגודל של ציפורן,

and it can be shared at the speed of light.

וניתן לשתפם במהירות האור.

More data. More.

יותר נתונים. יותר.

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

אחת הסיבות שיש לנו כל-כך הרבה מידע היום

is we are collecting things

היא שאנו אוספים דברים

that we've always collected information on,

שתמיד אספנו עליהם מידע,

but another reason why is we're taking things

אבל סיבה נוספת היא שאנו אוספים דברים

that have always been informational

שתמיד היו קשורים במידע

but have never been rendered into a data format

אבל אף פעם לא היו בתבנית של נתונים

and we are putting it into data.

וכעת אנו הופכים אותם לנתונים.

Think, for example, the question of location.

חישבו למשל על שאלת המיקום.

Take, for example, Martin Luther.

לדוגמא, מרטין לותר.

If we wanted to know in the 1500s

אם היינו רוצים לדעת ב-1500

where Martin Luther was,

איפה נמצא מרטין לותר,

we would have to follow him at all times,

היינו צריכים לעקוב אחריו כל הזמן,

maybe with a feathery quill and an inkwell,

אולי עם קולמוס-נוצה וקסת-דיו,

and record it,

ולרשום את המיקומים.

but now think about what it looks like today.

אבל חישבו כיצד זה היה נראה היום.

You know that somewhere,

אנו יודעים שהיכן שהוא,

probably in a telecommunications carrier's database,

ככל הנראה בבסיס נתונים של חברת תקשורת,

there is a spreadsheet or at least a database entry

ישנו גיליון אלקטרוני או לפחות רשומה

that records your information

הרושמת את המידע על כל אחד

of where you've been at all times.

ואיפה הוא היה בכל עת.

If you have a cell phone,

אם יש לך טלפון נייד,

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

ובו יש איכון לווייני, אבל גם אם אין,

it can record your information.

הוא יכול לתעד את המידע עליך.

In this respect, location has been datafied.

מבחינה זו, המיקום הפך לנתון.

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

חישבו למשל על תנוחה,

the way that you are all sitting right now,

האופן בו אתם ישובים כרגע,

the way that you sit,

האופן בו אתה יושב,

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

האופן בו אתה יושב, האופן בו את יושבת.

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

אצל כל אחד זה שונה וזו פונקציה

and your back and the contours of your back,

של אורך הרגל, הגב והקימור שלו,

and if I were to put sensors, maybe 100 sensors

ואם הייתי שם חיישנים, אולי 100 חיישנים

into all of your chairs right now,

בכל הכיסאות שלכם,

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

הייתי יכול ליצור תבנית די ייחודית לכל אחד,

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

מין טביעת אצבע, אבל לא מאצבע.

So what could we do with this?

אז מה היינו עושים עם זה?

Researchers in Tokyo are using it

חוקרים בטוקיו משתמשים בזה

as a potential anti-theft device in cars.

בתור אמצעי אפשרי נגד גניבת מכוניות.

The idea is that the carjacker sits behind the wheel,

הרעיון הוא שכאשר הפורץ יישב מאחורי ההגה

tries to stream off, but the car recognizes

וינסה להתניע, המכונית תזהה

that a non-approved driver is behind the wheel,

שנהג לא מורשה יושב מאחורי ההגה,

and maybe the engine just stops, unless you

ואולי המנוע ייכבה, אלא אם

תוקלד סיסמה בלוח המחוונים

type in a password into the dashboard

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

כדי לומר, "יש לי הרשאה לנהוג." מצוין.

What if every single car in Europe

מה אם בכל מכונית באירופה

had this technology in it?

תהיה טכנולוגיה זו?

What could we do then?

מה היינו יכולים לעשות אז?

Maybe, if we aggregated the data,

אם היינו צוברים את הנתונים,

maybe we could identify telltale signs

אולי היינו יכולים לזהות סימנים מקדימים

that best predict that a car accident

לתאונת דרכים

is going to take place in the next five seconds.

העומדת להתרחש תוך 5 השניות הקרובות.

And then what we will have datafied

ומה שנאגור אז כנתונים

is driver fatigue,

זו עייפות הנהג,

and the service would be when the car senses

והמענה יהיה כאשר המכונית

that the person slumps into that position,

תחוש שהאדם צונח לאותו מצב,

automatically knows, hey, set an internal alarm

היא תדע זאת אוטומטית, תפעיל אתראה פנימית

that would vibrate the steering wheel, honk inside

שתרעיד את ההגה, תצפור,

to say, "Hey, wake up,

כדי לומר, "אדוני, תתעורר,

pay more attention to the road."

שים לב לכביש."

These are the sorts of things we can do

דברים כאלה נוכל לבצע כאשר

when we datafy more aspects of our lives.

נהפוך לנתונים יותר ויותר היבטים מחיינו.

So what is the value of big data?

מה הערך של ביג דאטה?

Well, think about it.

חישבו על זה.

You have more information.

יש לנו יותר מידע.

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

ניתן לעשות דברים שלא ניתן היה קודם.

One of the most impressive areas

אחד התחומים הכי מרשימים

where this concept is taking place

שבו זה קורה

is in the area of machine learning.

הוא התחום של מכונות לומדות.

Machine learning is a branch of artificial intelligence,

מכונות לומדות הוא ענף של אינטליגנציה מלאכותית,

which itself is a branch of computer science.

שהיא בעצמה ענף של מדעי המחשב.

The general idea is that instead of

הרעיון באופן כללי הוא

instructing a computer what do do,

שבמקום להורות למחשב מה לעשות,

we are going to simply throw data at the problem

פשוט נזרוק נתונים בנוגע לבעיה

and tell the computer to figure it out for itself.

ונאמר למחשב שימצא פיתרון לבד.

And it will help you understand it

כדי להבין את הרעיון

by seeing its origins.

נסתכל על המקור שלו.

In the 1950s, a computer scientist

בשנות ה-50, איש מדעי המחשב

at IBM named Arthur Samuel liked to play checkers,

באיי-בי-אם, בשם ארתור סמואל, אהב לשחק דמקה,

so he wrote a computer program

אז הוא כתב תוכנת מחשב

so he could play against the computer.

כדי שיוכל לשחק נגד המחשב.

He played. He won.

הוא שיחק וניצח.

He played. He won.

הוא שיחק וניצח.

He played. He won,

הוא שיחק וניצח,

because the computer only knew

כי המחשב ידע

what a legal move was.

רק מהלכים חוקיים.

Arthur Samuel knew something else.

ארתור סמואל ידע משהו אחר.

Arthur Samuel knew strategy.

ארתור סמואל ידע אסטרטגיה.

So he wrote a small sub-program alongside it

לכן הוא כתב תוכנת-משנה

operating in the background, and all it did

שפעלה ברקע, וכל מה שהיא עשתה

was score the probability

היה לאמוד את הסבירות

that a given board configuration would likely lead

שסידור נתון על הלוח יוביל

to a winning board versus a losing board

לעמדת ניצחון לעומת עמדת הפסד

after every move.

לאחר כל מהלך.

He plays the computer. He wins.

הוא שיחק נגד המחשב וניצח.

He plays the computer. He wins.

הוא שיחק נגד המחשב וניצח

He plays the computer. He wins.

הוא שיחק נגד המחשב וניצח.

And then Arthur Samuel leaves the computer

ואז ארתור סמואל עזב את המחשב

to play itself.

כדי שישחק עם עצמו.

It plays itself. It collects more data.

הוא שיחק עם עצמו ואסף יותר מידע.

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

הוא אסף יותר מידע וזה הגדיל את הדיוק של החיזוי שלו.

And then Arthur Samuel goes back to the computer

ואז ארתור סמואל חזר למחשב,

and he plays it, and he loses,

שיחק נגדו והפסיד,

and he plays it, and he loses,

ושיחק נגדו והפסיד,

and he plays it, and he loses,

ושיחק נגדו והפסיד,

and Arthur Samuel has created a machine

וכך ארתור סמואל יצר מכונה

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

שהתעלתה על יכולתו, במשימה שהוא עצמו לימד אותה.

And this idea of machine learning

והרעיון הזה של למידת מכונה

is going everywhere.

מגיע לכל מקום.

How do you think we have self-driving cars?

איך לדעתכם יש לנו מכוניות ללא נהג?

Are we any better off as a society

האם נהיה במצב יותר טוב כחברה

enshrining all the rules of the road into software?

אם נכניס את כל חוקי התנועה לתוך תוכנה?

No. Memory is cheaper. No.

לא. האם הזיכרון זול יותר? לא.

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

האלגוריתמים מהירים יותר? לא. המעבדים טובים יותר? לא.

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

כל הדברים הללו חשובים, אבל הם לא הסיבה.

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

הסיבה היא ששינינו את אופי הבעיה.

We changed the nature of the problem from one

שינינו את אופי הבעיה

in which we tried to overtly and explicitly

ממצב שבו ניסינו באופן מוגזם ובגלוי

explain to the computer how to drive

להסביר למחשב כיצד לנהוג

to one in which we say,

למצב בו אנו אומרים,

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

"הנה, קח לך המון נתונים על הרכב.

You figure it out.

ואתה תמצא את הפיתרון.

You figure it out that that is a traffic light,

אתה תמצא שזה רמזור,

that that traffic light is red and not green,

שהרמזור אדום ולא ירוק,

that that means that you need to stop

פירושו שצריך לעצור

and not go forward."

ולא להתקדם."

Machine learning is at the basis

למידת מכונות נמצאת

of many of the things that we do online:

ביסוד הרבה דברים שאנו מבצעים ברשת:

search engines,

מנועי חיפוש,

Amazon's personalization algorithm,

אלגוריתמים של אמזון להתאמה אישית,

computer translation,

תרגום ממוחשב,

voice recognition systems.

מערכות לזיהוי קול.

Researchers recently have looked at

לאחרונה, חוקרים התעמקו

the question of biopsies,

בסוגיית הביופסיה,

cancerous biopsies,

של דגימת רקמות סרטניות,

and they've asked the computer to identify

והם ביקשו ממחשב לקבוע,

by looking at the data and survival rates

באמצעות בחינת הנתונים

to determine whether cells are actually

ושיעורי התמותה, אם התאים

הם באמת סרטניים,

cancerous or not,

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

וכשהנתונים הוזנו למחשב,

through a machine-learning algorithm,

באמצעות אלגוריתם למידת מכונה,

the machine was able to identify

המכונה היתה מסוגלת לזהות

the 12 telltale signs that best predict

את 12 הסימנים המחשידים שמנבאים הכי טוב

that this biopsy of the breast cancer cells

שריקמה זו מתאי סרטן-שד

are indeed cancerous.

היא אכן ממאירה.

The problem: The medical literature

הבעיה: הספרות הרפואית

only knew nine of them.

הכירה רק 9 מהם.

Three of the traits were ones

שלושה מהסימנים היו כאלה

that people didn't need to look for,

שלא היה צורך שאנשים יחפשו,

but that the machine spotted.

אבל המכונה איתרה אותם.

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

אבל, ישנם גם צדדים אפלים לביג דאטה.

It will improve our lives, but there are problems

ביג דאטה ישפר את חיינו,

that we need to be conscious of,

אבל יש גם בעיות שצריך להיות מודעים אליהן.

and the first one is the idea

הראשונה היא האפשרות

that we may be punished for predictions,

שאנו עשויים לסבול מביצוע ניבויים,

that the police may use big data for their purposes,

כי המשטרה עלולה להשתמש בביג דאטה למטרותיה,

a little bit like "Minority Report."

משהו כמו בסרט "דו"ח מיוחד".

Now, it's a term called predictive policing,

זה נקרא "שיטור מנבא",

or algorithmic criminology,

או "חקר פשיעה אלגוריתמי".

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

הרעיון הוא שאם לוקחים המון נתונים,

for example where past crimes have been,

לדוגמא, היכן התרחשו פשעים בעבר,

we know where to send the patrols.

נדע לאן לשגר את סיורי המשטרה.

That makes sense, but the problem, of course,

זה נראה הגיוני, אבל הבעיה

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

היא שזה לא ייעצר רק בנתוני המיקום,

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

אלא זה יירד לרמת הפרט.

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

למה שלא נשתמש בנתונים

מתעודת התיכון של האדם?

high school transcript?

Maybe we should use the fact that

אולי עלינו להשתמש בנתונים כמו,

they're unemployed or not, their credit score,

אם האדם עובד או מובטל, רמת האשראי שלו,

their web-surfing behavior,

הרגלי גלישתו באינטרנט,

whether they're up late at night.

אם הוא ער עד מאוחר בלילה.

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

מכשיר הניטור הגופני, אם הוא מסוגל לזהות

will show that they have aggressive thoughts.

תגובות כימיות, יראה שיש לו מחשבות תוקפניות.

We may have algorithms that are likely to predict

עשויים להיות אלגוריתמים שיכולים לנבא

what we are about to do,

מה אנו עומדים לעשות,

and we may be held accountable

ואנו עלולים להיחשב

before we've actually acted.

לאחראים לדברים שטרם ביצענו בפועל.

Privacy was the central challenge

פרטיות היוותה אתגר מרכזי

in a small data era.

בעידן של נתונים מועטים.

In the big data age,

בעידן ביג דאטה,

the challenge will be safeguarding free will,

האתגר יהיה לשמור מכל משמר על הרצון החופשי,

moral choice, human volition,

על הבחירה המוסרית, על רצון האדם,

human agency.

על העצמאות האנושית.

There is another problem:

ישנה בעיה נוספת:

Big data is going to steal our jobs.

ביג דאטה יגזול מאיתנו את עבודותינו.

Big data and algorithms are going to challenge

ביג דאטה והאלגוריתמים עומדים לקרוא תיגר

white collar, professional knowledge work

על עבודות הצווארון הלבן המקצועיות

in the 21st century

של המאה ה-21

in the same way that factory automation

באותו אופן שהמיכון התעשייתי

and the assembly line

וקו הייצור קראו תיגר

challenged blue collar labor in the 20th century.

על עבודות הצווארון הכחול במאה ה-20.

Think about a lab technician

תחשבו על טכנאי מעבדה

who is looking through a microscope

שמסתכל דרך מיקרוסקופ

at a cancer biopsy

על ריקמה סרטנית

and determining whether it's cancerous or not.

ומחליט אם היא ממאירה או לא.

The person went to university.

האדם למד באוניברסיטה.

The person buys property.

הוא קנה רכוש.

He or she votes.

הוא או היא מצביעים בבחירות.

He or she is a stakeholder in society.

הוא או היא בעלי עניין בחברה.

And that person's job,

והעבודה של אותו אדם,

as well as an entire fleet

כמו גם צי שלם

of professionals like that person,

של אנשי מקצוע כמו אותו אדם,

is going to find that their jobs are radically changed

ימצאו שהעבודות שלהם השתנו באופן ניכר

or actually completely eliminated.

או למעשה התחסלו כליל.

Now, we like to think

אנו אוהבים לחשוב

that technology creates jobs over a period of time

שהטכנולוגיה יוצרת עם הזמן עבודות,

after a short, temporary period of dislocation,

לאחר תקופת-מעבר קצרה וזמנית,

and that is true for the frame of reference

וזה נכון ביחס למציאות שאנו

with which we all live, the Industrial Revolution,

חיים בה, שהיא המהפכה התעשייתית,

because that's precisely what happened.

כי זה בדיוק מה שקרה.

But we forget something in that analysis:

אבל אנו שוכחים משהו בניתוח זה:

There are some categories of jobs

ישנם כמה תחומי עבודה

that simply get eliminated and never come back.

שפשוט נמחקים ולעולם לא שבים.

The Industrial Revolution wasn't very good

המהפכה התעשייתית

לא היתה טובה במיוחד עבור סוסים.

if you were a horse.

So we're going to need to be careful

לכן יהיה עלינו להיזהר

and take big data and adjust it for our needs,

ולהתאים את ביג דאטה לצרכינו,

our very human needs.

צרכינו האנושיים ביותר.

We have to be the master of this technology,

יהיה עלינו להיות אדוניה של טכנולוגיה זו,

not its servant.

לא משרתיה.

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

אנו נמצאים רק בתחילתו של עידן ביג דאטה,

and honestly, we are not very good

והאמת היא שאנו לא מצטיינים

at handling all the data that we can now collect.

בטיפול בכל הנתונים שאנו מסוגלים לאסוף כיום.

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

זו לא רק בעיה הנוגעת לסוכנות לביטחון לאומי.

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

חברות אוספות המון נתונים והן גם משתמשות בו לרעה,

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

ועלינו להשתפר בתחום זה, וזה יקח זמן.

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

זה קצת כמו האתגר שניצב

by primitive man and fire.

בפני האדם הקדמון עם האש.

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

זהו כלי, אבל כלי שאם

unless we're careful, will burn us.

לא נהיה זהירים איתו, הוא ישרוף אותנו.

Big data is going to transform how we live,

ביג דאטה עומד לשנות את דרך חיינו,

how we work and how we think.

את דרך עבודתנו וחשיבתנו.

It is going to help us manage our careers

הוא יסייע לנו לנהל את הקריירות שלנו

and lead lives of satisfaction and hope

ולנהל חיים של סיפוק, תקווה

and happiness and health,

אושר ובריאות.

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

אבל בעבר, הסתכלנו על "טכנולוגיית מידע"

and our eyes have only seen the T,

וראינו רק את ה-"ט",

the technology, the hardware,

את הטכנולוגיה, החומרה,

because that's what was physical.

כי הם היו הדברים הפיזיקליים.

We now need to recast our gaze at the I,

כעת אנו צריכים להסתכל על ה-"מ",

the information,

המידע,

which is less apparent,

הבולט פחות לעין,

but in some ways a lot more important.

אבל במובנים מסויימים הוא הרבה יותר חשוב.

Humanity can finally learn from the information

האנושות יכולה סוף-סוף ללמוד מהמידע

that it can collect,

שהיא מסוגלת לאסוף,

as part of our timeless quest

כחלק ממסעינו הנצחי

to understand the world and our place in it,

להבנת העולם ומקומנו בתוכו,

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

וזו הסיבה מדוע ביג דאטה הוא עניין כה חשוב.

(Applause)

(מחיאות כפיים)