The human insights missing from big data | Tricia Wang

247,414 views ・ 2017-08-02

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Maurício Kakuei Tanaka Revisor: Leonardo Silva
00:12
In ancient Greece,
0
12705
1545
Na Grécia antiga,
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
quando alguém, de escravos a soldados, poetas e políticos
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
precisava tomar uma grande decisão nas questões mais importantes da vida,
00:23
like, "Should I get married?"
3
23251
1391
como: "Eu deveria me casar?"
00:24
or "Should we embark on this voyage?"
4
24666
1857
ou: "Devemos embarcar nesta viagem?"
00:26
or "Should our army advance into this territory?"
5
26547
2928
ou: "Nosso exército deve avançar para este território?",
00:29
they all consulted the oracle.
6
29499
2579
todos consultavam o oráculo.
00:32
So this is how it worked:
7
32840
1440
É assim que funcionava:
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
as pessoas levavam uma pergunta a ela e ficavam de joelhos,
00:37
and then she would go into this trance.
9
37440
1871
e então ela caía em transe.
Levava alguns dias,
00:39
It would take a couple of days,
10
39335
1549
00:40
and then eventually she would come out of it,
11
40908
2163
e então, finalmente, ela saía dele,
00:43
giving you her predictions as your answer.
12
43095
2536
dando às pessoas as previsões dela como resposta.
00:46
From the oracle bones of ancient China
13
46730
2566
Dos ossos do oráculo da antiga China à Grécia antiga e aos calendários maias,
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
00:51
people have craved for prophecy
15
51689
2296
as pessoas têm buscado a profecia para descobrir o que acontecerá a seguir.
00:54
in order to find out what's going to happen next.
16
54009
3137
00:58
And that's because we all want to make the right decision.
17
58336
3239
O motivo é que todos queremos tomar a decisão certa.
01:01
We don't want to miss something.
18
61599
1545
Não queremos perder nada.
01:03
The future is scary,
19
63712
1743
O futuro é assustador,
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
então é muito melhor saber que podemos tomar uma decisão
01:08
with some assurance of the outcome.
21
68220
1982
com alguma garantia do resultado.
01:10
Well, we have a new oracle,
22
70899
1611
Bem, temos um novo oráculo,
01:12
and it's name is big data,
23
72534
2145
e o nome dele é "big data",
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
ou o chamamos de "Watson", "aprendizagem profunda" ou "rede neural".
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
Esses são os tipos de perguntas que pedimos agora ao nosso oráculo,
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
como: "Qual é o modo mais eficiente de enviar esses telefones
01:27
from China to Sweden?"
27
87142
1823
da China à Suécia?"
01:28
Or, "What are the odds
28
88989
1800
ou: "Quais são as chances
01:30
of my child being born with a genetic disorder?"
29
90813
3363
de meu filho nascer com uma doença genética?"
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
ou: "Qual é o volume de vendas que podemos prever para este produto?"
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
Tenho um cão. O nome dela é Elle, e ela odeia a chuva.
01:43
And I have tried everything to untrain her.
32
103999
3306
Tenho tentado de tudo para destreiná-la.
01:47
But because I have failed at this,
33
107329
2771
Mas, como tenho fracassado nisso,
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
também tenho que consultar um "oráculo" chamado "Dark Sky",
01:53
every time before we go on a walk,
35
113434
1635
toda vez antes de ir passear,
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
para previsões meteorológicas muito precisas dos dez minutos seguintes.
02:01
She's so sweet.
37
121355
1303
Ela é uma graça.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
Por causa de tudo isso, nosso oráculo é uma indústria de US$ 122 bilhões.
02:09
Now, despite the size of this industry,
39
129826
3376
Apesar do tamanho dessa indústria,
02:13
the returns are surprisingly low.
40
133226
2456
os retornos são surpreendentemente baixos.
02:16
Investing in big data is easy,
41
136162
2494
Investir em big data é fácil,
02:18
but using it is hard.
42
138680
1933
difícil é usá-lo.
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
Mais de 73% dos projetos de big data não são nem mesmo rentáveis,
02:25
and I have executives coming up to me saying,
44
145865
2431
e tenho executivos chegando até mim e dizendo:
02:28
"We're experiencing the same thing.
45
148320
1789
"Estamos passando pela mesma experiência.
02:30
We invested in some big data system,
46
150133
1753
Investimos em sistemas de big data,
02:31
and our employees aren't making better decisions.
47
151910
2968
e nossos funcionários não estão tomando as melhores decisões.
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
E, certamente, não estão apresentando mais ideias inovadoras".
02:38
So this is all really interesting to me,
49
158734
3184
Tudo isso é muito interessante para mim,
02:41
because I'm a technology ethnographer.
50
161942
2010
porque sou etnógrafa de tecnologia.
02:44
I study and I advise companies
51
164450
2564
Estudo e aconselho empresas
02:47
on the patterns of how people use technology,
52
167038
2483
sobre os padrões de como as pessoas usam tecnologia,
02:49
and one of my interest areas is data.
53
169545
2678
e uma de minhas áreas de interesse são dados.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
Então por que ter mais dados não está nos ajudando a tomar as melhores decisões,
02:57
especially for companies who have all these resources
55
177464
2783
especialmente para as empresas que têm todos esses recursos
03:00
to invest in these big data systems?
56
180271
1736
para investir em sistemas de big data?
03:02
Why isn't it getting any easier for them?
57
182031
2398
Por que não está ficando mais fácil para eles?
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
Então testemunhei a luta em primeira mão.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
Em 2009, assumi um cargo de pesquisa na Nokia.
03:13
And at the time,
60
193052
1158
Na época,
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
a Nokia era uma das maiores empresas de telefonia celular do mundo,
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
dominando mercados emergentes como China, México e Índia,
03:20
all places where I had done a lot of research
63
200642
2502
todos os lugares onde eu havia feito muita pesquisa
03:23
on how low-income people use technology.
64
203168
2676
sobre como as pessoas de baixa renda usam a tecnologia.
03:25
And I spent a lot of extra time in China
65
205868
2330
Gastei muito tempo extra na China conhecendo a economia informal.
03:28
getting to know the informal economy.
66
208222
2592
03:30
So I did things like working as a street vendor
67
210838
2401
Fiz coisas como trabalhar como vendedora ambulante,
03:33
selling dumplings to construction workers.
68
213263
2574
vendendo bolinhos para trabalhadores da construção civil.
03:35
Or I did fieldwork,
69
215861
1358
Fiz trabalho de campo, passando dias e noites em "cybercafés",
03:37
spending nights and days in internet cafés,
70
217243
2958
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
saindo com os jovens chineses,
para entender como usavam os jogos e telefones celulares
03:42
how they were using games and mobile phones
72
222795
2284
entre o movimento das áreas rurais para as cidades.
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
Ao longo de toda essa evidência qualitativa que eu estava reunindo,
03:54
I was starting to see so clearly
75
234106
2824
começava a ver tão claramente
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
que aconteceria uma grande mudança entre os chineses de baixa renda.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
Mesmo cercados por anúncios de produtos de luxo
como banheiros extravagantes,
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
"Quem não quer um?",
04:10
and apartments and cars,
79
250750
2890
apartamentos e carros,
04:13
through my conversations with them,
80
253664
1820
pelas conversas que tive com eles,
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
descobri que os anúncios que realmente os atraíam mais
04:19
were the ones for iPhones,
82
259373
1996
eram os de "iPhones",
04:21
promising them this entry into this high-tech life.
83
261393
3052
prometendo-lhes a entrada nesta vida de alta tecnologia.
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
Mesmo quando estava vivendo com eles em favelas urbanas como essa,
04:28
I saw people investing over half of their monthly income
85
268476
2996
via pessoas investindo mais da metade de sua renda mensal
04:31
into buying a phone,
86
271496
1623
na compra de um telefone
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
e, cada vez mais, em "shanzhai",
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
que eram imitações baratas de iPhones e outras marcas.
04:40
They're very usable.
89
280123
1625
São muito úteis.
04:42
Does the job.
90
282710
1322
Fazem o trabalho.
04:44
And after years of living with migrants and working with them
91
284570
5789
Após anos vivendo com migrantes, trabalhando com eles
04:50
and just really doing everything that they were doing,
92
290383
3434
e fazendo realmente tudo o que estavam fazendo,
04:53
I started piecing all these data points together --
93
293841
3597
comecei a juntar todas essas unidades de informação,
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
das coisas que pareciam aleatórias, como eu, vendendo bolinhos,
05:00
to the things that were more obvious,
95
300609
1804
para as coisas mais óbvias,
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
como rastrear quanto gastavam em suas contas de telefone celular.
05:05
And I was able to create this much more holistic picture
97
305693
2639
Consegui criar essa imagem muito mais completa
05:08
of what was happening.
98
308356
1156
do que estava acontecendo.
05:09
And that's when I started to realize
99
309536
1722
Comecei, então, a perceber
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
que até mesmo os mais pobres da China queriam um smartphone,
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
e fariam de tudo para colocar as mãos em um aparelho.
05:20
You have to keep in mind,
102
320893
2404
Vocês precisam ter em mente
05:23
iPhones had just come out, it was 2009,
103
323321
3084
que os iPhones tinham acabado de ser lançados, era 2009,
05:26
so this was, like, eight years ago,
104
326429
1885
oito anos atrás,
05:28
and Androids had just started looking like iPhones.
105
328338
2437
e os "Androids" começavam a se parecer com os iPhones.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
Muitas pessoas inteligentes e realistas disseram:
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
"Esses smartphones, é apenas uma moda.
05:36
Who wants to carry around these heavy things
108
336063
2996
Quem vai querer levar essas coisas pesadas,
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
com baterias que se esgotam rapidamente, e que quebram quando deixamos cair?"
05:44
But I had a lot of data,
110
344613
1201
Mas eu tinha muitos dados,
05:45
and I was very confident about my insights,
111
345838
2260
e estava tão confiante de minhas ideias
05:48
so I was very excited to share them with Nokia.
112
348122
2829
que fiquei muito animada em compartilhá-las com a Nokia.
05:53
But Nokia was not convinced,
113
353152
2517
Mas a Nokia não estava convencida,
05:55
because it wasn't big data.
114
355693
2335
porque não eram informações importantes.
05:58
They said, "We have millions of data points,
115
358842
2404
Disseram: "Temos milhões de unidades de informação,
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
e não vemos nenhum indicador de quem quer comprar um smartphone,
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
e seu conjunto de dados de 100, tão heterogêneo, é muito fraco
06:09
for us to even take seriously."
118
369953
1714
para até mesmo levarmos a sério".
06:12
And I said, "Nokia, you're right.
119
372728
1605
Eu disse: "Nokia, vocês têm razão.
06:14
Of course you wouldn't see this,
120
374357
1560
Claro, não veem isso,
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
porque estão enviando pesquisas
supondo que as pessoas não sabem o que é um smartphone.
06:19
what a smartphone is,
122
379336
1159
06:20
so of course you're not going to get any data back
123
380519
2366
Então é claro que não terão de volta
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
os dados sobre quem quer comprar um smartphone em dois anos.
06:25
Your surveys, your methods have been designed
125
385505
2118
As pesquisas e os métodos de vocês foram projetados
06:27
to optimize an existing business model,
126
387647
2022
para otimizar um modelo de negócios existente,
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
e estou analisando essas dinâmicas humanas emergentes
06:32
that haven't happened yet.
128
392325
1354
que ainda não aconteceram.
06:33
We're looking outside of market dynamics
129
393703
2438
Estamos olhando fora da dinâmica do mercado
06:36
so that we can get ahead of it."
130
396165
1631
para que possamos ficar à frente disso".
06:39
Well, you know what happened to Nokia?
131
399193
2244
Bem, sabem o que aconteceu com a Nokia?
06:41
Their business fell off a cliff.
132
401461
2365
O negócio deles caiu de um penhasco.
06:44
This -- this is the cost of missing something.
133
404611
3727
Este é o custo de deixar escapar alguma coisa.
06:48
It was unfathomable.
134
408983
1999
Era impossível de entender.
06:51
But Nokia's not alone.
135
411823
1651
Mas a Nokia não está sozinha.
06:54
I see organizations throwing out data all the time
136
414078
2581
Vejo organizações jogando os dados fora o tempo todo
06:56
because it didn't come from a quant model
137
416683
2561
porque não vieram de um modelo quantitativo
06:59
or it doesn't fit in one.
138
419268
1768
ou não se encaixam em um.
07:02
But it's not big data's fault.
139
422039
2048
Mas não é culpa do big data.
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
É o modo como o usamos; é nossa responsabilidade.
07:09
Big data's reputation for success
141
429550
1911
A reputação para o sucesso do big data
07:11
comes from quantifying very specific environments,
142
431485
3759
vem da quantificação de ambientes muito específicos,
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
como redes de energia elétrica, logística de entrega ou código genético,
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
quando quantificamos em sistemas mais ou menos controlados.
07:24
But not all systems are as neatly contained.
145
444547
2969
Mas nem todos os sistemas estão tão bem controlados.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
Quando estamos quantificando e os sistemas são mais dinâmicos,
07:30
especially systems that involve human beings,
147
450822
3799
especialmente sistemas que envolvem seres humanos,
07:34
forces are complex and unpredictable,
148
454645
2426
as forças são complexas e imprevisíveis,
07:37
and these are things that we don't know how to model so well.
149
457095
3486
e são coisas que não sabemos tão bem como modelar.
07:41
Once you predict something about human behavior,
150
461024
2813
Depois de prever algo sobre o comportamento humano,
07:43
new factors emerge,
151
463861
1855
surgem novos fatores,
07:45
because conditions are constantly changing.
152
465740
2365
porque as condições estão em constante mudança.
07:48
That's why it's a never-ending cycle.
153
468129
1803
Por isso é um ciclo sem fim.
07:49
You think you know something,
154
469956
1464
Achamos que conhecemos algo, e então surge algo desconhecido.
07:51
and then something unknown enters the picture.
155
471444
2242
07:53
And that's why just relying on big data alone
156
473710
3322
É por isso que confiar apenas no big data
07:57
increases the chance that we'll miss something,
157
477056
2849
aumenta a chance de deixar escapar alguma coisa,
07:59
while giving us this illusion that we already know everything.
158
479929
3777
ao nos dar essa ilusão de que já sabemos tudo.
08:04
And what makes it really hard to see this paradox
159
484226
3856
O que torna muito difícil ver esse paradoxo
08:08
and even wrap our brains around it
160
488106
2659
e até mesmo envolver nossos cérebros em torno disso
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
é que temos o que chamo de viés de quantificação,
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
que é a crença inconsciente de valorizar o mensurável sobre o imensurável.
08:18
over the immeasurable.
163
498450
1594
08:21
And we often experience this at our work.
164
501042
3284
Muitas vezes passamos por isso em nosso trabalho.
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
Talvez trabalhemos ao lado de colegas assim,
08:27
or even our whole entire company may be like this,
166
507024
2428
ou até mesmo toda a nossa empresa pode ser assim,
08:29
where people become so fixated on that number,
167
509476
2546
onde as pessoas ficam tão obcecadas com aquela quantidade,
08:32
that they can't see anything outside of it,
168
512046
2067
que não podem ver nada fora dela,
mesmo quando apresentamos evidências bem diante dos olhos delas.
08:34
even when you present them evidence right in front of their face.
169
514137
3948
08:38
And this is a very appealing message,
170
518943
3371
Esta é uma mensagem muito interessante,
08:42
because there's nothing wrong with quantifying;
171
522338
2343
porque não há nada errado em quantificar;
08:44
it's actually very satisfying.
172
524705
1430
é realmente muito gratificante.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
Tenho uma grande sensação de conforto ao olhar para uma planilha do Excel,
08:50
even very simple ones.
174
530545
1401
mesmo as mais simples.
08:51
(Laughter)
175
531970
1014
(Risos)
08:53
It's just kind of like,
176
533008
1152
É meio como: "Sim! A fórmula funcionou. Está tudo bem. Está tudo sob controle".
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
08:58
But the problem is
178
538612
2390
Mas o problema é
09:01
that quantifying is addictive.
179
541026
2661
que quantificar é viciante.
09:03
And when we forget that
180
543711
1382
Quando nos esquecemos disso
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
e não temos algo para manter esse controle,
09:08
it's very easy to just throw out data
182
548179
2118
é muito fácil simplesmente jogar os dados fora
09:10
because it can't be expressed as a numerical value.
183
550321
2718
porque não podem ser expressos como um valor numérico.
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
É muito fácil ter apenas um pensamento imediatista,
como se houvesse alguma solução simples.
09:16
as if some simple solution existed.
185
556008
2579
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
Este é um grande momento de perigo para qualquer organização,
09:23
because oftentimes, the future we need to predict --
187
563506
2634
porque, muitas vezes, o futuro que precisamos prever
09:26
it isn't in that haystack,
188
566164
2166
não está nesse palheiro,
09:28
but it's that tornado that's bearing down on us
189
568354
2538
mas é aquele tornado que está vindo em nossa direção
09:30
outside of the barn.
190
570916
1488
do lado de fora do celeiro.
09:34
There is no greater risk
191
574780
2326
Não há risco maior do que ficar cego para o desconhecido.
09:37
than being blind to the unknown.
192
577130
1666
09:38
It can cause you to make the wrong decisions.
193
578820
2149
Isso pode nos fazer tomar decisões erradas.
09:40
It can cause you to miss something big.
194
580993
1974
Pode nos fazer perder algo grande.
09:43
But we don't have to go down this path.
195
583554
3101
Mas não precisamos seguir esse caminho.
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
Acontece que o oráculo da Grécia antiga
09:50
holds the secret key that shows us the path forward.
197
590492
3966
guarda a chave secreta que nos mostra o caminho adiante.
09:55
Now, recent geological research has shown
198
595474
2595
Pesquisas geológicas recentes mostraram
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
que o Templo de Apolo, onde estava o oráculo mais famoso,
10:01
was actually built over two earthquake faults.
200
601681
3084
foi, na verdade, construído sobre duas falhas de terremoto.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
Essas falhas liberavam gases petroquímicos debaixo da crosta terrestre.
10:07
from underneath the Earth's crust,
202
607699
1685
10:09
and the oracle literally sat right above these faults,
203
609408
3866
O oráculo literalmente se sentava bem acima dessas falhas,
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
inalando enormes quantidades de gás etileno, essas fissuras.
10:16
(Laughter)
205
616910
1008
(Risos)
10:17
It's true.
206
617942
1173
É verdade.
(Risos)
10:19
(Laughter)
207
619139
1017
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
Tudo isso é verdade, e era o que a fazia murmurar e alucinar
10:23
and go into this trance-like state.
209
623713
1724
e entrar nesse estado de transe.
10:25
She was high as a kite!
210
625461
1770
Ela ficava alta como uma pipa!
10:27
(Laughter)
211
627255
4461
(Risos)
10:31
So how did anyone --
212
631740
2779
Como alguém conseguiria algum conselho útil dela naquele estado?
10:34
How did anyone get any useful advice out of her
213
634543
3030
10:37
in this state?
214
637597
1190
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
Estão vendo aquelas pessoas que cercam o oráculo?
10:41
You see those people holding her up,
216
641722
1879
Veem aquelas pessoas que a apoiam, porque ela está um pouco zonza?
10:43
because she's, like, a little woozy?
217
643625
1717
10:45
And you see that guy on your left-hand side
218
645366
2308
E aquele cara do lado esquerdo dela segurando o caderno laranja?
10:47
holding the orange notebook?
219
647698
1598
10:49
Well, those were the temple guides,
220
649925
1730
Aqueles eram os guias do templo, e trabalhavam de mãos dadas com o oráculo.
10:51
and they worked hand in hand with the oracle.
221
651679
3016
10:55
When inquisitors would come and get on their knees,
222
655904
2516
Quando os interrogadores vinham e ficavam de joelhos,
10:58
that's when the temple guides would get to work,
223
658444
2340
os guias do templo chegavam ao trabalho.
11:00
because after they asked her questions,
224
660808
1864
Depois de fazerem perguntas a ela, observavam o estado emocional deles.
11:02
they would observe their emotional state,
225
662696
2001
11:04
and then they would ask them follow-up questions,
226
664721
2324
Então lhes faziam perguntas como:
"Por que querem conhecer esta profecia? Quem são vocês?
11:07
like, "Why do you want to know this prophecy? Who are you?
227
667069
2834
11:09
What are you going to do with this information?"
228
669927
2264
O que irão fazer com esta informação?"
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
Então os guias do templo levavam esta informação etnográfica e qualitativa
11:15
this more qualitative information,
230
675421
2156
11:17
and interpret the oracle's babblings.
231
677601
2075
e interpretavam os murmúrios do oráculo.
11:21
So the oracle didn't stand alone,
232
681248
2292
O oráculo não ficava sozinho,
11:23
and neither should our big data systems.
233
683564
2148
e nossos sistemas de big data também não deveriam ficar.
11:26
Now to be clear,
234
686450
1161
Para ser clara,
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
não estou dizendo que os sistemas de big data estão inalando gás de etileno,
11:31
or that they're even giving invalid predictions.
236
691118
2353
ou que estão até mesmo dando previsões inválidas.
11:33
The total opposite.
237
693495
1161
Muito pelo contrário, o que estou dizendo
11:34
But what I am saying
238
694680
2068
é que, da mesma forma que o oráculo precisava dos guias de templo dela,
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
11:40
our big data systems need them, too.
240
700628
2288
nossos sistemas de big data precisam deles também.
11:42
They need people like ethnographers and user researchers
241
702940
4109
Precisam de pessoas como etnógrafos e pesquisadores de usuários
11:47
who can gather what I call thick data.
242
707073
2506
que podem reunir o que chamo de "thick data".
11:50
This is precious data from humans,
243
710322
2991
São dados valiosos de pessoas,
como histórias, emoções e interações que não podem ser quantificadas.
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
É o tipo de dados que coletei para a Nokia,
11:59
that comes in in the form of a very small sample size,
246
719809
2669
que chega na forma de um tamanho de amostra muito pequeno,
12:02
but delivers incredible depth of meaning.
247
722502
2955
mas oferece uma profundidade de significado incrível.
12:05
And what makes it so thick and meaty
248
725481
3680
O que o torna tão denso e significante
12:10
is the experience of understanding the human narrative.
249
730265
4029
é a experiência de compreender a narrativa humana.
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
Isso é o que ajuda a ver o que está faltando em nossos modelos.
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
Thick data baseia nossas questões de negócio em questões humanas,
12:22
and that's why integrating big and thick data
252
742740
3562
e é por isso que integrar big data e thick data
12:26
forms a more complete picture.
253
746326
1689
forma uma imagem mais completa.
12:28
Big data is able to offer insights at scale
254
748592
2881
Big data é capaz de oferecer compreensões sobre a escala
12:31
and leverage the best of machine intelligence,
255
751497
2647
e alavancar o melhor da inteligência da máquina,
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
enquanto thick data pode nos ajudar a resgatar a perda de contexto,
12:37
that comes from making big data usable,
257
757764
2098
que vem de tornar o big data utilizável,
12:39
and leverage the best of human intelligence.
258
759886
2181
e a aproveitar o melhor da inteligência humana.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
Quando os dois são integrados, as coisas ficam muito divertidas,
12:45
because then you're no longer just working with data
260
765667
2436
porque não estamos mais apenas trabalhando com dados já coletados.
12:48
you've already collected.
261
768127
1196
Também trabalhamos com dados que não foram coletados.
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
Fazemos perguntas sobre o porquê:
12:52
You get to ask questions about why:
263
772108
1719
12:53
Why is this happening?
264
773851
1317
"Por que está acontecendo isso?"
12:55
Now, when Netflix did this,
265
775598
1379
Quando a Netflix fez isso,
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
foi revelada uma forma totalmente nova de transformar os negócios.
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
A Netflix é conhecida por seu excelente algoritmo de recomendação,
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
e ofereceu um prêmio de US$ 1 milhão para quem pudesse melhorá-lo.
13:10
And there were winners.
269
790027
1314
Houve ganhadores.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
Mas a Netflix descobriu que as melhorias eram apenas incrementais.
13:17
So to really find out what was going on,
271
797224
1964
Para descobrir o que estava acontecendo, contratou um etnógrafo, Grant McCracken,
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
13:22
to gather thick data insights.
273
802977
1546
para reunir ideias de thick data.
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
O que ele descobriu foi algo não visto inicialmente nos dados quantitativos:
13:28
in the quantitative data.
275
808495
1355
13:30
He discovered that people loved to binge-watch.
276
810892
2728
as pessoas adoravam assistir às maratonas de séries na TV.
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
De fato, nem se sentiam culpadas por isso; elas gostavam.
13:36
They enjoyed it.
278
816021
1255
13:37
(Laughter)
279
817300
1026
(Risos)
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
Para a Netflix era como: "Ah, esta é uma nova visão".
13:40
So they went to their data science team,
281
820730
1938
Levou para a equipe de ciência de dados,
13:42
and they were able to scale this big data insight
282
822692
2318
que conseguiu dimensionar esta visão do big data com os dados quantitativos.
13:45
in with their quantitative data.
283
825034
2587
13:47
And once they verified it and validated it,
284
827645
3170
Uma vez verificados e validados,
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
a Netflix decidiu fazer algo muito simples, mas de grande impacto.
13:56
They said, instead of offering the same show from different genres
286
836654
6492
Disse que, em vez de oferecer o mesmo programa de diferentes gêneros
14:03
or more of the different shows from similar users,
287
843170
3888
ou mais dos diferentes programas de usuários semelhantes,
14:07
we'll just offer more of the same show.
288
847082
2554
iria apenas oferecer mais do mesmo programa,
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
fazer com que seja mais fácil assistir.
14:11
And they didn't stop there.
290
851789
1486
E não parou por aí.
Ela fez tudo isso
14:13
They did all these things
291
853299
1474
14:14
to redesign their entire viewer experience,
292
854797
2959
para replanejar toda a experiência do telespectador,
14:17
to really encourage binge-watching.
293
857780
1758
e realmente incentivá-lo a assistir.
14:20
It's why people and friends disappear for whole weekends at a time,
294
860050
3241
É por isso que as pessoas e os amigos somem em finais de semana inteiros,
14:23
catching up on shows like "Master of None."
295
863315
2343
colocando em dia as séries como "Master of None".
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
Ao integrar big data e thick data, ela não só melhorou os negócios,
14:29
but they transformed how we consume media.
297
869879
2812
mas transformou a forma como consumimos a mídia.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
Agora as ações dela estão projetadas para duplicar nos próximos anos.
14:38
But this isn't just about watching more videos
299
878100
3830
Mas não se trata apenas de assistir a mais vídeos
14:41
or selling more smartphones.
300
881954
1620
ou de vender mais smartphones.
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
Para alguns, integrar thick data ao algoritmo
14:48
could mean life or death,
302
888037
2263
pode ser uma questão de vida ou morte,
14:50
especially for the marginalized.
303
890324
2146
especialmente para os marginalizados.
14:53
All around the country, police departments are using big data
304
893558
3434
Em todo o país, os departamentos de polícia estão usando o big data
para o policiamento preditivo,
14:57
for predictive policing,
305
897016
1963
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
para estabelecer valores de títulos e recomendações de sentença
15:02
in ways that reinforce existing biases.
307
902111
3147
de forma a reforçar as prevenções existentes.
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
O algoritmo de aprendizagem de máquina Skynet da NSA
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
ajudou possivelmente na morte de milhares de civis no Paquistão
15:14
from misreading cellular device metadata.
310
914031
2721
pela leitura errada de metadados do dispositivo celular.
15:18
As all of our lives become more automated,
311
918951
3403
À medida que toda a nossa vida se torna mais automatizada,
15:22
from automobiles to health insurance or to employment,
312
922378
3080
dos automóveis aos planos de saúde ou ao emprego,
15:25
it is likely that all of us
313
925482
2350
é provável que todos nós
15:27
will be impacted by the quantification bias.
314
927856
2989
sejamos impactados pelo viés da quantificação.
15:32
Now, the good news is that we've come a long way
315
932792
2621
A boa notícia é que percorremos um longo caminho,
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
de inalar gás de etileno a fazer previsões.
15:37
We have better tools, so let's just use them better.
317
937911
3070
Temos ferramentas melhores, então vamos apenas usá-las melhor.
15:41
Let's integrate the big data with the thick data.
318
941005
2323
Vamos integrar o big data ao thick data,
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
trazer nossos guias do templo com os oráculos,
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
e se este trabalho acontecer em empresas ou organizações sem fins lucrativos,
15:49
or government or even in the software,
321
949037
2469
no governo ou mesmo no software,
15:51
all of it matters,
322
951530
1792
tudo isso importa.
15:53
because that means we're collectively committed
323
953346
3023
Significa que estamos comprometidos coletivamente
15:56
to making better data,
324
956393
2191
a elaborar dados melhores,
15:58
better algorithms, better outputs
325
958608
1836
algoritmos melhores, resultados melhores e decisões melhores.
16:00
and better decisions.
326
960468
1643
16:02
This is how we'll avoid missing that something.
327
962135
3558
É assim que evitaremos deixar escapar esse algo.
16:07
(Applause)
328
967042
3948
(Aplausos)
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7