Gary Flake: is Pivot a turning point for web exploration?

60,357 views ・ 2010-03-03

TED


אנא לחץ פעמיים על הכתוביות באנגלית למטה כדי להפעיל את הסרטון.

מתרגם: Ido Dekkers מבקר: Shaike Katz
00:16
If I can leave you with one big idea today,
0
16260
2000
אם אוכל להשאיר אתכם עם רעיון גדול אחד היום,
00:18
it's that the whole of the data
1
18260
2000
זה שהמידע בכללותו
00:20
in which we consume
2
20260
2000
שאנו צורכים
00:22
is greater that the sum of the parts,
3
22260
2000
גדול מסכום חלקיו,
00:24
and instead of thinking about information overload,
4
24260
3000
ובמקום לחשוב על עומס יתר של מידע
00:27
what I'd like you to think about is how
5
27260
2000
הייתי רוצה שתחשבו איך
00:29
we can use information so that patterns pop
6
29260
3000
אנחנו יכולים להשתמש במידע כך שתבניות יקפצו
00:32
and we can see trends that would otherwise be invisible.
7
32260
3000
ונוכל לראות טרנדים שאחרת היו בלתי נראים.
00:35
So what we're looking at right here is a typical mortality chart
8
35260
3000
אז מה שאנחנו רואים פה זו טבלת תמותה טיפוסית
00:38
organized by age.
9
38260
2000
מסודרת לפי גיל.
00:40
This tool that I'm using here is a little experiment.
10
40260
2000
הכלי שאני משתמש בו כאן הוא ניסוי קטן.
00:42
It's called Pivot, and with Pivot what I can do
11
42260
3000
הוא ניקרא Pivot, ועם Pivot מה שאני יכול לעשות
00:45
is I can choose to filter in one particular cause of deaths -- say, accidents.
12
45260
4000
זה לבחור לסנן לפי גורם מוות אחד, לדוגמה תאונות.
00:49
And, right away, I see there's a different pattern that emerges.
13
49260
3000
ומייד, אני רואה תבנית שונה צצה.
00:52
This is because, in the mid-area here,
14
52260
2000
זה מפני, שבאזור האמצעי כאן,
00:54
people are at their most active,
15
54260
2000
אנשים בשלב הכי אקטיבי שלהם,
00:56
and over here they're at their most frail.
16
56260
2000
וכאן הם בשלב הכי שברירי.
00:58
We can step back out again
17
58260
2000
אנחנו יכולים ללכת צעד אחורה שוב
01:00
and then reorganize the data by cause of death,
18
60260
2000
ואז לארגן את המידע לפי סיבת המוות,
01:02
seeing that circulatory diseases and cancer
19
62260
3000
ולראות שמחלות לב וסרטן
01:05
are the usual suspects, but not for everyone.
20
65260
3000
הם החשודים העיקריים, אבל לא לכולם.
01:08
If we go ahead and we filter by age --
21
68260
3000
אם נסנן לפי גיל,
01:11
say 40 years or less --
22
71260
2000
נגיד 40 ופחות,
01:13
we see that accidents are actually
23
73260
2000
נראה שבעצם תאונות
01:15
the greatest cause that people have to be worried about.
24
75260
3000
הן הדבר שאנשים צריכים לחשוש ממנו ביותר.
01:18
And if you drill into that, it's especially the case for men.
25
78260
3000
ואם נתמקד בזה, נראה שזה בעיקר אצל גברים.
01:21
So you get the idea
26
81260
2000
אז אתם מבינים את הרעיון
01:23
that viewing information, viewing data in this way,
27
83260
3000
שלראות את המידע, בצורה הזו,
01:26
is a lot like swimming
28
86260
2000
דומה מאוד לשחיה
01:28
in a living information info-graphic.
29
88260
3000
באוקיינוס-מידע חי.
01:31
And if we can do this for raw data,
30
91260
2000
ואם אנחנו יכולים לעשות את זה עם מידע גולמי,
01:33
why not do it for content as well?
31
93260
3000
למה לא לעשות את זה גם עם תוכן?
01:36
So what we have right here
32
96260
2000
אז מה שיש לנו פה,
01:38
is the cover of every single Sports Illustrated
33
98260
3000
זה השערים של כל גליונות ספורטס אילוסטרייטד
01:41
ever produced.
34
101260
2000
שפורסמו אי פעם.
01:43
It's all here; it's all on the web.
35
103260
2000
הכל פה. הכל ברשת.
01:45
You can go back to your rooms and try this after my talk.
36
105260
3000
אתם יכולים לחזור לחדרים שלכם ולנסות אחרי ההרצאה שלי.
01:48
With Pivot, you can drill into a decade.
37
108260
3000
עם Pivot, אפשר להתמקד בעשור מסויים.
01:51
You can drill into a particular year.
38
111260
2000
אפשר להתמקד בשנה מסויימת.
01:53
You can jump right into a specific issue.
39
113260
3000
אפשר לקפוץ ישר לגיליון מסויים.
01:56
So I'm looking at this; I see the athletes
40
116260
2000
אז אני מסתכל על זה; אני רואה את האתלטים
01:58
that have appeared in this issue, the sports.
41
118260
2000
שהופיעו בגיליון הזה, את הענפים.
02:00
I'm a Lance Armstrong fan, so I'll go ahead and I'll click on that,
42
120260
3000
אני אוהד של לאנס ארמסטרונג, אז אני אבחר בו,
02:03
which reveals, for me, all the issues
43
123260
2000
מה שמראה בשבילי, את כל הגיליונות
02:05
in which Lance Armstrong's been a part of.
44
125260
2000
שבהם לאנס ארמסטרונג הופיע.
02:07
(Applause)
45
127260
3000
(מחיאות כפיים)
02:10
Now, if I want to just kind of take a peek at these,
46
130260
3000
עכשיו, אם אני רוצה רק להביט באלה,
02:13
I might think,
47
133260
2000
אולי אני אחשוב,
02:15
"Well, what about taking a look at all of cycling?"
48
135260
2000
"מה אם אני רוצה להביט על כל המאמרים על אופניים?"
02:17
So I can step back, and expand on that.
49
137260
2000
אז אני יכול ללכת אחורה, ולהרחיב על הנושא.
02:19
And I see Greg LeMond now.
50
139260
2000
ואני רואה את גרג למונד עכשיו.
02:21
And so you get the idea that when you
51
141260
2000
אז אתם רואים את הרעיון שכשאתם
02:23
navigate over information this way --
52
143260
2000
מנווטים במידע ככה,
02:25
going narrower, broader,
53
145260
2000
נכנסים פנימה, יוצאים החוצה,
02:27
backing in, backing out --
54
147260
2000
בחזרה פנימה, ושוב החוצה,
02:29
you're not searching, you're not browsing.
55
149260
2000
אתם לא מחפשים, אתם לא גולשים.
02:31
You're doing something that's actually a little bit different.
56
151260
2000
אתם בעצם עושים משהו קצת שונה.
02:33
It's in between, and we think it changes
57
153260
3000
זה משהו באמצע, ואנחנו חושבים שזה משנה
02:36
the way information can be used.
58
156260
2000
את הדרך שבה אפשר להשתמש במידע.
02:38
So I want to extrapolate on this idea a bit
59
158260
2000
אז אני רוצה להרחיב על הנושא קצת
02:40
with something that's a little bit crazy.
60
160260
2000
משהו שהוא קצת משוגע.
02:42
What we're done here is we've taken every single Wikipedia page
61
162260
3000
מה שעשינו פה זה לקחת את כל העמודים של ויקיפדיה
02:45
and we reduced it down to a little summary.
62
165260
3000
וקיצרנו אותם לסיכום קטן.
02:48
So the summary consists of just a little synopsis
63
168260
3000
אז הסיכום הכיל רק תקציר קטן
02:51
and an icon to indicate the topical area that it comes from.
64
171260
3000
וסמליל שיראה מאיזה נושא המאמר הגיע.
02:54
I'm only showing the top 500
65
174260
3000
אני מראה כאן רק את 500
02:57
most popular Wikipedia pages right here.
66
177260
2000
העמודים הפופולריים ביותר בוויקיפדיה כאן.
02:59
But even in this limited view,
67
179260
2000
אבל אפילו בתצוגה הצרה הזו,
03:01
we can do a lot of things.
68
181260
2000
אפשר לעשות הרבה דברים.
03:03
Right away, we get a sense of what are the topical domains
69
183260
2000
מייד מבינים מהם הנושאים העיקריים
03:05
that are most popular on Wikipedia.
70
185260
2000
שהכי פופולריים בוויקיפדיה.
03:07
I'm going to go ahead and select government.
71
187260
2000
אני אבחר בממשל.
03:09
Now, having selected government,
72
189260
3000
עכשיו שבחרתי בממשל,
03:12
I can now see that the Wikipedia categories
73
192260
2000
אני יכול לראות שהקטגוריות של וויקיפדיה
03:14
that most frequently correspond to that
74
194260
2000
שהכי מתייחסות לנושא
03:16
are Time magazine People of the Year.
75
196260
3000
הן איש השנה של מגזין טיים.
03:19
So this is really important because this is an insight
76
199260
3000
אז זה ממש חשוב מפני שזו תובנה
03:22
that was not contained within any one Wikipedia page.
77
202260
3000
שלא נמצאת באף דף של וויקיפדיה.
03:25
It's only possible to see that insight
78
205260
2000
אפשר לראות את התובנה הזו רק
03:27
when you step back and look at all of them.
79
207260
3000
כשיוצאים החוצה ורואים את כולם.
03:30
Looking at one of these particular summaries,
80
210260
2000
כשמתמקדים במאמר ספציפי,
03:32
I can then drill into the concept of
81
212260
3000
אני יכול להתמקד ברעיון של
03:35
Time magazine Person of the Year,
82
215260
2000
איש השנה של מגזין טיים,
03:37
bringing up all of them.
83
217260
2000
ולהעלות את כולם.
03:39
So looking at these people,
84
219260
2000
וכשמביטים בכולם,
03:41
I can see that the majority come from government;
85
221260
3000
אני יכול לראות שרובם מגיעים מהממשל.
03:45
some have come from natural sciences;
86
225260
3000
חלק הגיעו ממדעים.
03:49
some, fewer still, have come from business --
87
229260
3000
חלק, אבל פחות, מעסקים.
03:53
there's my boss --
88
233260
2000
הנה הבוס שלי.
03:55
and one has come from music.
89
235260
5000
ואחד הגיע ממוזיקה.
04:00
And interestingly enough,
90
240260
2000
ומה שמעניין,
04:02
Bono is also a TED Prize winner.
91
242260
3000
שבונו הוא גם זוכה פרס TED.
04:05
So we can go, jump, and take a look at all the TED Prize winners.
92
245260
3000
אז אנחנו יכולים לעבור, לקפוץ, ולבחון את כל זוכי פרס TED.
04:08
So you see, we're navigating the web for the first time
93
248260
3000
אז אתם רואים, אנחנו מנווטים ברשת בפעם הראשונה
04:11
as if it's actually a web, not from page-to-page,
94
251260
3000
כאילו זו באמת רשת, ולא מדף לדף.
04:14
but at a higher level of abstraction.
95
254260
2000
אבל בהפשטה גדולה יותר.
04:16
And so I want to show you one other thing
96
256260
2000
אז אני רוצה להראות לכם משהו נוסף.
04:18
that may catch you a little bit by surprise.
97
258260
3000
שאולי יפתיע אתכם.
04:21
I'm just showing the New York Times website here.
98
261260
3000
אני רק מראה כאן את אתר הניו יורק טיימס.
04:24
So Pivot, this application --
99
264260
2000
אז Pivot, האפליקציה הזו -
04:26
I don't want to call it a browser; it's really not a browser,
100
266260
2000
אני לא רוצה לקרוא לה דפדפן, זה באמת לא דפדפן,
04:28
but you can view web pages with it --
101
268260
3000
אבל אפשר לראות איתה דפי רשת -
04:31
and we bring that zoomable technology
102
271260
2000
ואנחנו מביאים את טכנולוגית הזום הזו
04:33
to every single web page like this.
103
273260
3000
לכל דף אינטרנט ככה.
04:36
So I can step back,
104
276260
3000
אז אני יכול ללכת אחורה,
04:39
pop right back into a specific section.
105
279260
2000
ולקפוץ בחזרה לחלק מסויים.
04:41
Now the reason why this is important is because,
106
281260
2000
והסיבה שזה חשוב היא,
04:43
by virtue of just viewing web pages in this way,
107
283260
3000
שרק על ידי צפייה בדפי אינטרנט בשיטה הזו,
04:46
I can look at my entire browsing history
108
286260
2000
אני יכול להביט בכל הסטוריית הגלישה
04:48
in the exact same way.
109
288260
2000
באותה דרך.
04:50
So I can drill into what I've done
110
290260
2000
אז אני יכול לההתמקד במה שעשיתי
04:52
over specific time frames.
111
292260
2000
בזמן מסויים.
04:54
Here, in fact, is the state
112
294260
2000
הנה, לדוגמה, כל המצב
04:56
of all the demo that I just gave.
113
296260
2000
של ההדגמה שכרגע הצגתי.
04:58
And I can sort of replay some stuff that I was looking at earlier today.
114
298260
3000
ואני בערך יכול להריץ שוב דברים שעשיתי מוקדם יותר היום.
05:01
And, if I want to step back and look at everything,
115
301260
3000
ואם אני רוצה לקחת צעד אחורה אני יכול להביט בהכל,
05:04
I can slice and dice my history,
116
304260
2000
אני יכול לבחון את כל ההסטוריה
05:06
perhaps by my search history --
117
306260
2000
אולי לפי הסטוריית החיפוש שלי.
05:08
here, I was doing some nepotistic searching,
118
308260
2000
כאן עשיתי חיפוש קצת משוחד,
05:10
looking for Bing, over here for Live Labs Pivot.
119
310260
3000
חיפשתי את Bing, וכאן את מעבדת Pivot.
05:13
And from these, I can drill into the web page
120
313260
2000
ומכאן, אני יכול להתמקד בדפי האינטרנט
05:15
and just launch them again.
121
315260
2000
ופשוט לפתוח אותם שוב.
05:17
It's one metaphor repurposed multiple times,
122
317260
3000
זו מטאפורה אחת שהשתמשנו בה פעמים רבות.
05:20
and in each case it makes the whole greater
123
320260
2000
ובכל מקרה היא הפכה את השלם לגדול
05:22
than the sum of the parts with the data.
124
322260
2000
מחלקי המידע שממנו הורכב.
05:24
So right now, in this world,
125
324260
3000
אז עכשיו, בעולם,
05:27
we think about data as being this curse.
126
327260
3000
אנחנו חושבים על מידע כעל מין קללה.
05:30
We talk about the curse of information overload.
127
330260
3000
אנחנו מדברים על הקללה של עומס יתר של מידע.
05:33
We talk about drowning in data.
128
333260
3000
אנחנו מדברים על טביעה במידע.
05:36
What if we can actually turn that upside down
129
336260
2000
מה אם נוכל בעצם להפוך את זה
05:38
and turn the web upside down,
130
338260
2000
ולהפוך את הרשת,
05:40
so that instead of navigating from one thing to the next,
131
340260
3000
כך שבמקום מדבר אחד לבא אחריו,
05:43
we get used to the habit of being able to go from many things to many things,
132
343260
3000
נתרגל לרעיון של ללכת מהרבה דברים להרבה דברים,
05:46
and then being able to see the patterns
133
346260
2000
וליכולת לראות תבניות
05:48
that were otherwise hidden?
134
348260
2000
שאחרת היו נסתרות ?
05:50
If we can do that, then instead of being trapped in data,
135
350260
5000
אם נעשה את זה, אז במקום להיות לכודים במידע,
05:55
we might actually extract information.
136
355260
3000
נוכל באמת להפיק מידע.
05:58
And, instead of dealing just with information,
137
358260
2000
ובמקום להתעסק רק במידע,
06:00
we can tease out knowledge.
138
360260
2000
נוכל לשאוב ידע.
06:02
And if we get the knowledge, then maybe even there's wisdom to be found.
139
362260
3000
ואם נקבל את הידע, אז אולי נוכל אפילו למצוא חוכמה.
06:05
So with that, I thank you.
140
365260
2000
אז עם זאת, אני מודה לכם
06:07
(Applause)
141
367260
8000
(מחיאות כפיים)
על אתר זה

אתר זה יציג בפניכם סרטוני YouTube המועילים ללימוד אנגלית. תוכלו לראות שיעורי אנגלית המועברים על ידי מורים מהשורה הראשונה מרחבי העולם. לחץ פעמיים על הכתוביות באנגלית המוצגות בכל דף וידאו כדי להפעיל את הסרטון משם. הכתוביות גוללות בסנכרון עם הפעלת הווידאו. אם יש לך הערות או בקשות, אנא צור איתנו קשר באמצעות טופס יצירת קשר זה.

https://forms.gle/WvT1wiN1qDtmnspy7