Kenneth Cukier: Big data is better data

번역: Kyo young Chu 검토: Jeong-Lan Kinser

America's favorite pie is?

미국인들이 가장 좋아하는 파이는?

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

청중: 사과요. 케네스 쿠키어: 당연히 사과죠.

How do we know it?

어떻게 알았을까요?

Because of data.

데이터가 있으니까 알죠.

You look at supermarket sales.

슈퍼마켓의 매출을 보면 됩니다.

You look at supermarket sales of 30-centimeter pies

30 센치 크기의 냉동 파이 매출을 보면

that are frozen, and apple wins, no contest.

사과 파이가 선두입니다. 경쟁이 안 되죠.

The majority of the sales are apple.

대부분의 매출이 사과 파이입니다.

But then supermarkets started selling

하지만 슈퍼마켓들이 11센치의 작은파이들을 판매하기 시작했고,

smaller, 11-centimeter pies,

and suddenly, apple fell to fourth or fifth place.

그러자 사과 파이는 4번째, 5번째로 추락했죠.

Why? What happened?

왜요? 무슨 일이 일어난 걸까요?

Okay, think about it.

생각해봅시다.

When you buy a 30-centimeter pie,

30센치 파이를 살 때는

the whole family has to agree,

가족 전원이 동의를 해야 합니다.

and apple is everyone's second favorite.

그리고 사과는 모두가 두 번째로 좋아하는 파이였던 겁니다.

(Laughter)

(웃음)

But when you buy an individual 11-centimeter pie,

하지만 개인이 먹을 11센치 파이를 살 때는

you can buy the one that you want.

자기가 원하는 것을 살 수 있어요.

You can get your first choice.

자기가 가장 원하는 것을 살 수 있는 것이죠.

You have more data.

자료가 더 많아진 겁니다.

You can see something

여러분은 적은 양의 데이터였을 때는 볼 수 없는 뭔가를 볼 수 있죠.

that you couldn't see

when you only had smaller amounts of it.

Now, the point here is that more data

여기서의 요점은 더 많은 데이터가 단지

doesn't just let us see more,

우리가 보는 같은 것에서 더 많은 것만을 보여주는 것이 아니라는 겁니다.

more of the same thing we were looking at.

More data allows us to see new.

더 많은 데이터는 새로운 걸 볼 수 있게 해주죠.

It allows us to see better.

우리가 더 잘 보게 해주고, 우리가 다른 것을 보게 해주고,

It allows us to see different.

In this case, it allows us to see

이 경우에는, 미국인들이 가장 좋아하는 파이가 사과가 아니란 걸 알려줍니다.

what America's favorite pie is:

not apple.

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

다들 빅데이터라는 말을 들어보셨을 겁니다.

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

사실, 그, 빅데이터라는 단어에 식상하셨을거예요.

big data.

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

빅데이터가 구설수에 오르는 건 사실이지만,

and that is very unfortunate,

굉장히 안타깝게 생각합니다.

because big data is an extremely important tool

왜냐하면 빅데이터는 사회의 발전에 있어서 굉장히 중요한 도구이기 때문입니다.

by which society is going to advance.

In the past, we used to look at small data

과거에, 우리는 소량의 자료를 보며

and think about what it would mean

세상을 이해하려 노력하는 게 무엇을 의미하는지 생각했습니다.

to try to understand the world,

and now we have a lot more of it,

지금 우리는 그 어느 때보다도

more than we ever could before.

많은 자료를 가지고 있습니다.

What we find is that when we have

방대한 양의 자료가 있으면

a large body of data, we can fundamentally do things

근본적으로 더 적은 자료로는

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

할 수 없었던 것들을 할 수 있다는 것을 깨달았습니다.

Big data is important, and big data is new,

빅데이터는 중요하고, 빅데이터는 새롭습니다.

and when you think about it,

여러분이 생각해 보시면, 기아와 의료 지원, 전력 공급,

the only way this planet is going to deal

with its global challenges —

to feed people, supply them with medical care,

supply them with energy, electricity,

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

기상변화로그들이 고통받는 문제와 같은 세계적인 난관들을 해쳐나갈 수 있었던

because of global warming —

is because of the effective use of data.

유일한 방법은 데이터를 효과적으로 사용했기 때문이죠.

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

그러면 빅 데이터가 새롭고 중요한 이유는 뭘까요?

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

글쎄요, 그 질문에 대답 하기 위해,

what information looked like,

과거에는 정보라는 것이 물리적으로 어떤 형태였는지 알아보죠.

physically looked like in the past.

In 1908, on the island of Crete,

1908년에, 크레테 섬에서,

archaeologists discovered a clay disc.

고고학자들이 진흙 접시를 하나 발견했습니다.

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

기원전2000년의 접시로 추정했으니 4000년 정도 됐겠네요.

Now, there's inscriptions on this disc,

그 접시에 뭔가 새겨진 게 있었는데요,

but we actually don't know what it means.

뭘 의미하는 지는 모릅니다. 완전히 미지의 것이지만,

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

요점은, 4000년 전에는 정보가 이런 형태였다는 사실입니다.

this is what information used to look like

4,000 years ago.

This is how society stored

그 사회는 정보를 이런 형태로 저장하고 전파한 것입니다.

and transmitted information.

Now, society hasn't advanced all that much.

아직 사회는 그리 많이 발달하진 않았어요.

We still store information on discs,

우리는 지금도 여전히 디스크에 정보를 저장해요.

but now we can store a lot more information,

하지만 이전의 그 어느때 보다 훨씬 더 많은 양을 저장할 수 있죠.

more than ever before.

Searching it is easier. Copying it easier.

수색하는 것이 더 쉽고, 복사하는 것도 더 쉽고,

Sharing it is easier. Processing it is easier.

공유하기도 더 쉽고, 처리도 더 쉬워졌습니다.

And what we can do is we can reuse this information

우리가 이제 할 수 있는 것은

데이터를 처음 수집했을 때는 상상하지 못한 방법으로

for uses that we never even imagined

when we first collected the data.

이 정보를 다시 사용할 수 있다는 겁니다.

In this respect, the data has gone

이러한 관점에서,

from a stock to a flow,

데이터는 저장된 것에서 흐름으로,

from something that is stationary and static

고정되고 변하지 않는 것에서

to something that is fluid and dynamic.

움직이고 변화하는 유동적인 것으로 바뀌었습니다.

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

여기에 정보의 유동성이 있는 것입니다.

The disc that was discovered off of Crete

크레테 섬에서 발견된 접시는

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

4,000년이나 지났고, 무거웠으며,

it doesn't store a lot of information,

정보의 양도 많지 않았고,

and that information is unchangeable.

이를 바꿀 수도 없었죠.

By contrast, all of the files

이와는 대조적으로

미국 국가안보국에서 에드워드 스노든이 빼낸 모든 파일은

that Edward Snowden took

from the National Security Agency in the United States

fits on a memory stick

손톱만한 메모리 스틱에

the size of a fingernail,

다 들어갔고,

and it can be shared at the speed of light.

빛의 속도로 공유할 수 있었습니다.

More data. More.

더 많은 자료는 계속 늘어갑니다.

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

오늘날 세계에 데이터가 넘쳐나는 이유 중 하나는

is we are collecting things

정보를 제공 받은 자료들을 항상, 언제다 모으기 때문이고요,

that we've always collected information on,

but another reason why is we're taking things

또 다른 이유는

정보로써 가치는 있지만 자료의 형태로 가공되지 못했던 것을 이제는

that have always been informational

but have never been rendered into a data format

and we are putting it into data.

자료의 형태로 가공할 수 있게 되었기 때문입니다.

Think, for example, the question of location.

에를 들어, 위치에 대한 질문을 생각해보죠.

Take, for example, Martin Luther.

마틴 루터를 예로 들어 볼게요.

If we wanted to know in the 1500s

1500년 경에 마틴 루터의 위치를 파악하려면,

where Martin Luther was,

we would have to follow him at all times,

항상 그의 꽁무니를 쫓아다니면서

maybe with a feathery quill and an inkwell,

펜과 잉크병을 들고, 기록을 해야만했죠.

and record it,

but now think about what it looks like today.

하지만 지금의 모습은 어떤지 생각해 보세요.

You know that somewhere,

여러분들의 위치를 실시간으로 기록하는 스프레드시트나 아니면

probably in a telecommunications carrier's database,

there is a spreadsheet or at least a database entry

최소한 데이터베이스 입력 형태로 통신사 데이터베이스라던가,

that records your information

of where you've been at all times.

어딘가에는 아마 있을 겁니다. 휴대전화를 가지고 있고,

If you have a cell phone,

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

그 전화에 GPS가 있다면, 아니 없다고 하더라도,

it can record your information.

여러분의 정보를 기록할 수 있습니다.

In this respect, location has been datafied.

즉, 이제 위치는 데이터화가 되었다는 말이죠.

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

이제 자세를 예로 들어 보겠습니다.

the way that you are all sitting right now,

여러분들이 앉아있는 자세요.

the way that you sit,

이 분의 자세와, 저 분의 자세, 또 저쪽 분의 자세는 모두 다릅니다.

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

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

이는 다리 길이와 등, 또 등의 굽어진 정도에 따른 함수와 같거든요.

and your back and the contours of your back,

and if I were to put sensors, maybe 100 sensors

만약 여러분이 지금 앉아있는 의자에

into all of your chairs right now,

수많은 센서를 단다고 한다면,

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

개개인에 맞는 상수들을 다 만들 수 있었을 겁니다.

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

손가락은 아니지만, 지문과 비슷하겠군요.

So what could we do with this?

이걸로 뭘 할 수 있을까요?

Researchers in Tokyo are using it

도쿄의 연구자들은 이를 통해

as a potential anti-theft device in cars.

자동차 도난 방지기를 만드는 것을 모색하고 있습니다.

The idea is that the carjacker sits behind the wheel,

원리는 이렇습니다. 자동차 도둑이 운전석에 앉아서

tries to stream off, but the car recognizes

차를 움직이려고 하지만 자동차가 운전석에 앉은 사람이

that a non-approved driver is behind the wheel,

인증된 운전자가 아님을 인식하고

and maybe the engine just stops, unless you

엔진을 끄거나 할 겁니다.

type in a password into the dashboard

그 사람이 비밀번호를 입력하거나 해서

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

자신이 허가받았다는 것을 알리지 않는 한 말이죠.

좋아요.

What if every single car in Europe

유럽에 있는 모든 차량에 이 기술이 적용되었다면 어떨까요?

had this technology in it?

What could we do then?

그러면 무엇을 할 수 있을까요?

Maybe, if we aggregated the data,

데이터를 모아 5초 후의 자동차사고를 예측할 수 있는 조짐을 알아낼 수 있죠.

maybe we could identify telltale signs

that best predict that a car accident

is going to take place in the next five seconds.

And then what we will have datafied

또 운전자의 피로를 데이터로 만들어서 운전자가 그 상태에 접어들게 되면

is driver fatigue,

and the service would be when the car senses

that the person slumps into that position,

차량이 이를 감지하고 자동적으로 내부 알람을 작동시키는 거죠.

automatically knows, hey, set an internal alarm

that would vibrate the steering wheel, honk inside

운전대가 진동한다던지, 내부에서, "정신차려! 도로를 봐야지!"하는

to say, "Hey, wake up,

pay more attention to the road."

경보가 울리게 하는 것처럼요.

These are the sorts of things we can do

우리의 삶을 더 분석할 수 있다면 이런 일들이 가능해집니다.

when we datafy more aspects of our lives.

So what is the value of big data?

그렇다면 빅데이터는 어떤 가치를 가지고 있을까요?

Well, think about it.

자, 생각해 보세요.

You have more information.

더 많은 정보가 있으면 전엔 할 수 없었던 일들을 할 수 있어요.

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

One of the most impressive areas

이런 일이 일어나는 가장 인상적인 분야 중 하나는 바로 기계 학습의 영역입니다.

where this concept is taking place

is in the area of machine learning.

Machine learning is a branch of artificial intelligence,

기계학습은 인공지능의 한 분야인데,

which itself is a branch of computer science.

인공지능은 컴퓨터 공학의 일부입니다.

The general idea is that instead of

쉽게 말하자면

instructing a computer what do do,

컴퓨터에게 지시를 내리는 대신에

we are going to simply throw data at the problem

데이터와 문제를 주고

and tell the computer to figure it out for itself.

스스로 알아내게 만드는 겁니다.

And it will help you understand it

그 기원으로 거슬러 올라가보면

by seeing its origins.

이해에 도움이 될 거예요.

In the 1950s, a computer scientist

1950년경에,

IBM의 컴퓨터 학자인 아서 사무엘은 첵커 게임을 즐겼어요.

at IBM named Arthur Samuel liked to play checkers,

so he wrote a computer program

그래서, 컴퓨터 프로그램을 짜서

so he could play against the computer.

컴퓨터를 상대로 게임을 했죠.

He played. He won.

게임을 했더니 이기고,

He played. He won.

게임을 했더니 또 이기고,

He played. He won,

계속해서 이겼죠.

because the computer only knew

왜냐하면 컴퓨터는 단지

what a legal move was.

게임규칙만 알았지만

Arthur Samuel knew something else.

아서 사무엘은 그 이상을 알았기 때문이죠.

Arthur Samuel knew strategy.

사무엘은 전략이라는 걸 알고 있었던 겁니다.

So he wrote a small sub-program alongside it

그래서 그는 보조 프로그램을 개발했어요.

operating in the background, and all it did

그 프로그램은 안에서 작동하면서 주어진 게임의 형국에서 움직일 때마다

was score the probability

that a given board configuration would likely lead

to a winning board versus a losing board

이길 형국과 질 형국으로 나아갈 확률만을 계산했습니다.

after every move.

He plays the computer. He wins.

그래도 컴퓨터랑 게임을 하면 이기고,

He plays the computer. He wins.

컴퓨터랑 게임을 하면, 또 이기고

He plays the computer. He wins.

컴퓨터랑 게임을 하면, 계속해서 이겼죠.

And then Arthur Samuel leaves the computer

그러고 나서 아서 사무엘은 컴퓨터가

to play itself.

혼자 게임을 하도록 놔뒀습니다.

It plays itself. It collects more data.

스스로 게임을 하면서 더 많은 데이터를 모았죠.

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

자료가 많아질수록 예측의 정확도는 높아졌습니다.

And then Arthur Samuel goes back to the computer

그리고 난 다음에, 사무엘이 컴퓨터와 다시 게임을 했고, 그는 졌습니다.

and he plays it, and he loses,

and he plays it, and he loses,

그는 게임을 하고, 지고

and he plays it, and he loses,

게임을하고 또 졌습니다.

and Arthur Samuel has created a machine

마침내 자신이 가르친 일에 대해서

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

본인의 능력을 초과하는 기계를 만들어 낸겁니다.

And this idea of machine learning

그리고 이 기계학습의 개념은

is going everywhere.

여러 곳으로 전파 되죠.

How do you think we have self-driving cars?

어떻게 무인자동차가 나왔다고 생각하세요?

Are we any better off as a society

소프트웨어에 길에 대한 모든 규칙을 모셔놓은 것이 더 나은

enshrining all the rules of the road into software?

사회로 가는 길일까요?

No. Memory is cheaper. No.

아닙니다. 기억장치가 더 싸기 때문도 아닙니다.

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

알고리즘이 더 빨라져서도 아니고. 프로세서가 더 나아서도 아닙니다.

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

이 모든 것들이 중요하긴 하지만 근본적인 이유는 아닙니다.

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

이유는 우리가 문제의 성격을 바꾸었기 때문입니다.

We changed the nature of the problem from one

컴퓨터에게 운전하는 법을 과도하고 자세하게 설명하려했던 것을 다음처럼 바꾸었죠:

in which we tried to overtly and explicitly

explain to the computer how to drive

to one in which we say,

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

"여기 차량에 대한 많은 자료가 있어. 네가 알아서 잘 해봐.

You figure it out.

You figure it out that that is a traffic light,

저게 신호등인지도 알아내고,

that that traffic light is red and not green,

저 신호등이 초록색이 아니라 빨간색인 것도 직접 알아내야해.

that that means that you need to stop

그건 앞으로 가라는 게 아니라 멈추라는 말인 것도 말이야."

and not go forward."

Machine learning is at the basis

기계학습은 인터넷에서 많은 것들의 기반입니다.

of many of the things that we do online:

search engines,

그 중에는 검색엔진이나 아마존의 개인화 알고리즘, 컴퓨터 번역,

Amazon's personalization algorithm,

computer translation,

voice recognition systems.

그리고 음성 인식 시스템들이 있죠.

Researchers recently have looked at

연구자들은 최근에 암세포 조직 검사를 살펴보고 있습니다.

the question of biopsies,

cancerous biopsies,

and they've asked the computer to identify

컴퓨터가 데이터와 생존율로 세포들이 실제로 암세포인지를 판별했죠.

by looking at the data and survival rates

to determine whether cells are actually

cancerous or not,

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

당연히 데이터를 주면 기계학습 알고리즘을 통해

through a machine-learning algorithm,

the machine was able to identify

유방암 조직의 검사가 암인지를 예측할 수 있는 12개의 조짐을 판별할 수 있었죠.

the 12 telltale signs that best predict

that this biopsy of the breast cancer cells

are indeed cancerous.

The problem: The medical literature

문제는 의학 저서에는 단지 9개만이 알려저 있다는 겁니다.

only knew nine of them.

Three of the traits were ones

사람은 살펴볼 필요가 없었던 3가지 특성을 기계가 포착한 겁니다.

that people didn't need to look for,

but that the machine spotted.

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

자, 빅데이터의 어두운 면도 있습니다.

It will improve our lives, but there are problems

빅데이터는 우리의 삶을 나아지게 만들 겁니다.

that we need to be conscious of,

하지만 문제점이 있다는 사실도 우리는 알고 있어야 합니다.

and the first one is the idea

첫 번째는

우리가 예측에 의해 처벌을 받을 수도 있다는 개념입니다.

that we may be punished for predictions,

that the police may use big data for their purposes,

경찰이 영화, "마이너리티 리포트"처럼

자신들의 목적을 위해 빅데이터를 사용할 수도 있다는 겁니다.

a little bit like "Minority Report."

Now, it's a term called predictive policing,

이를 예측 치안, 또는 논리 범죄학 이라고 합니다.

or algorithmic criminology,

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

과거에 범죄가 일어난 지역에 데이터를 많이 모은다면

for example where past crimes have been,

we know where to send the patrols.

어디로 순찰을 보내야할 지 알 수 있다는 겁니다.

That makes sense, but the problem, of course,

맞는 말이죠. 하지만 문제는,

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

단순히 위치 자료에만 머무는 것이 아니라

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

개인 수준에까지 이를 것이라는 겁니다.

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

개인의 고등학교 성적표에 대한 자료를 사용하는 건 어떨까요?

high school transcript?

Maybe we should use the fact that

사람들의 고용 상태나, 신용점수, 인터넷 이용 행적, 또는

they're unemployed or not, their credit score,

their web-surfing behavior,

whether they're up late at night.

밤에 자지않고 깨어있는 지의 상태 등을 써야할 지도 모르죠.

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

Fitbit이 신체 생리를 알 수 있다면

will show that they have aggressive thoughts.

사람들이 공격적인 생각을 하고 있는지 보여줄 겁니다.

We may have algorithms that are likely to predict

우리가 취할 행동을 예상하는 알고리즘을

what we are about to do,

가질 수도 있을 것이고,

and we may be held accountable

행동을 취하기도 전에 그것에 대해 책임을 져야할 지도 모릅니다.

before we've actually acted.

Privacy was the central challenge

자료가 적을 당시에는 사생활 보호가 쟁점이었습니다.

in a small data era.

In the big data age,

빅데이터 시대에는

the challenge will be safeguarding free will,

자유의지, 도덕적 선택, 인간의 의지, 또 선택을 보호하는 게 쟁점이 됩니다.

moral choice, human volition,

human agency.

There is another problem:

또 다른 문제가 있어요.

Big data is going to steal our jobs.

빅데이터 때문에 일자리는 줄어들 겁니다.

Big data and algorithms are going to challenge

빅데이터와 알고리즘은

21세기의 전문 지식분야의 일에 종사하고 있는

white collar, professional knowledge work

in the 21st century

화이트 칼라에 도전장을 내밀 것입니다.

in the same way that factory automation

20세기에 공장 자동화와 생산 라인이

and the assembly line

블루 칼라 노동자들에게 도전한 것처럼 말이죠.

challenged blue collar labor in the 20th century.

Think about a lab technician

현미경으로 암 조직검사를 살펴보고 암인지를 판별하는 실험실의 연구자를 떠올려보세요.

who is looking through a microscope

at a cancer biopsy

and determining whether it's cancerous or not.

The person went to university.

대학도 나왔고, 부동산도 사고, 투표도 하고, 또 사회의 구성원이죠.

The person buys property.

He or she votes.

He or she is a stakeholder in society.

And that person's job,

그 직업군 뿐만 아니라, 비슷한 직종에 있는 모든 사람들은,

as well as an entire fleet

of professionals like that person,

is going to find that their jobs are radically changed

자신들의 직업이 엄청나게 변하거나, 완전히 사라지는 것을 보게 될 겁니다.

or actually completely eliminated.

Now, we like to think

우리는 단기의 손실 후, 장기간에 걸쳐 기술은 일자리를 만든다고 알고 있죠.

that technology creates jobs over a period of time

after a short, temporary period of dislocation,

and that is true for the frame of reference

그리고 우리가 겪은 산업혁명기간 동안이 이랬기에 맞다고 생각이라고 할 수 있죠.

with which we all live, the Industrial Revolution,

because that's precisely what happened.

But we forget something in that analysis:

하지만 그 분석에서, 우리가 잊은 게 있습니다.

There are some categories of jobs

어떤 직업들은 없어지고나서 다시 생기진 않았습니다.

that simply get eliminated and never come back.

The Industrial Revolution wasn't very good

여러분이 말이었다면

if you were a horse.

산업혁명은 결코 좋은 게 아니었을 겁니다.

So we're going to need to be careful

우리는 주의를 많이 기울여야 하고,

and take big data and adjust it for our needs,

빅데이터를 우리 인간의 필요에 맞게 조정해야 할 것입니다.

our very human needs.

We have to be the master of this technology,

우리는 이 기술의 노예가 아니라 주인이 되어야만 합니다.

not its servant.

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

빅데이터 시대는 이제 막 시작됐고, 솔직히 우리는 현재의 자료를 다루는 것도

and honestly, we are not very good

at handling all the data that we can now collect.

제대로 못하고 있습니다.

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

국가안보국만의 문제가 아닙니다.

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

기업들도 많은 자료를 모아서 오용하고 있습니다.

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

이를 더 잘해야 하는데 시간이 좀 걸리긴 할 겁니다.

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

원시인이 불을 처음 봤을 때의 어려움과 비슷하다고 할 수 있겠네요.

by primitive man and fire.

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

빅데이터는 도구이지만

unless we're careful, will burn us.

조심하지 않으면 데일 위험이 있는 도구입니다.

Big data is going to transform how we live,

빅데이터는 우리가 살고, 일하고,

how we work and how we think.

생각하는 방식을 바꿔놓을 겁니다.

It is going to help us manage our careers

빅데이터는 우리의 경력 관리에 도움을 주고, 만족스럽고 희망찬,

and lead lives of satisfaction and hope

그리고 행복하고 건강한 삶으로 우리를 이끌어 줄 겁니다.

and happiness and health,

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

하지만 과거에 우리는 정보 기술을 종종 떠올렸습니다.

and our eyes have only seen the T,

우리의 눈은 기술과 제품에만 눈을 뒀습니다.

the technology, the hardware,

because that's what was physical.

물질적인 것이니까요.

We now need to recast our gaze at the I,

이제는 정보로 눈을 돌려야 할 때죠. 덜 가시적이지만

the information,

which is less apparent,

but in some ways a lot more important.

어떤 의미에서는 더욱 중요한 것이죠.

Humanity can finally learn from the information

세상과 그 안에서의 우리의 위치를 이해하는

that it can collect,

무한한 탐험의 일부로써

as part of our timeless quest

인류는 마침내 우리가 수집할 수 있는 정보로부터

to understand the world and our place in it,

많은 것을 배울 수 있습니다.

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

그리고 이게 빅데이터가 중요한 관건인 이유입니다.

(Applause)

(박수)