The human insights missing from big data | Tricia Wang

Переводчик: Olga Gruzd Редактор: Natalia Ost

In ancient Greece,

В Древней Греции,

when anyone from slaves to soldiers, poets and politicians,

когда кому-либо — от рабов до воинов, поэтов и политиков —

needed to make a big decision on life's most important questions,

нужно было принять ключевое решение в самых важных жизненных вопросах,

like, "Should I get married?"

вроде: «Стоит ли мне жениться?»,

or "Should we embark on this voyage?"

или «Стоит ли отправляться в путь?»,

or "Should our army advance into this territory?"

или «Стоит ли нашим войскам наступать на эти земли?»,

they all consulted the oracle.

они всегда спрашивали совета у оракула, провидицы.

So this is how it worked:

Вот как это было:

you would bring her a question and you would get on your knees,

придя к ней с вопросом, люди вставали на одно колено,

and then she would go into this trance.

после чего она впадала в транс.

It would take a couple of days,

На это могло уйти два дня,

and then eventually she would come out of it,

и вот, наконец, она выходила из транса,

giving you her predictions as your answer.

и её ответом было предсказание.

From the oracle bones of ancient China

Начиная с гадальных костей Древнего Китая,

to ancient Greece to Mayan calendars,

оракулов Древней Греции и календарей Майя

people have craved for prophecy

люди нуждались в пророчествах,

in order to find out what's going to happen next.

чтобы узнать, что произойдёт дальше.

And that's because we all want to make the right decision.

И всё из-за того, что все мы хотим принять правильное решение.

We don't want to miss something.

Мы не хотим ничего упускать.

The future is scary,

Будущее пугает,

so it's much nicer knowing that we can make a decision

поэтому намного приятнее знать, что можно принять решение

with some assurance of the outcome.

с некой долей уверенности в результате.

Well, we have a new oracle,

И у нас появилась своя провидица,

and it's name is big data,

и имя её — «большие данные» [Big data],

or we call it "Watson" or "deep learning" or "neural net."

которую мы также называем Watson, «глубокое изучение» или «нейронная сеть».

And these are the kinds of questions we ask of our oracle now,

И вот какие вопросы мы задаём нашей провидице сегодня:

like, "What's the most efficient way to ship these phones

«Как наиболее эффективно переправить эти телефоны

from China to Sweden?"

из Китая в Швецию?»,

Or, "What are the odds

или «Каковы шансы родить

of my child being born with a genetic disorder?"

ребёнка с генетическим заболеванием?»,

Or, "What are the sales volume we can predict for this product?"

или «Каков прогноз по объёмам продаж для этого продукта?».

I have a dog. Her name is Elle, and she hates the rain.

У меня есть собака. Её зовут Эл, она терпеть не может дождь.

And I have tried everything to untrain her.

Я всё перепробовала, чтобы это исправить.

But because I have failed at this,

Но у меня ничего не вышло,

I also have to consult an oracle, called Dark Sky,

поэтому мне приходится обращаться к пророку по имени «прогноз погоды»

every time before we go on a walk,

перед каждым выходом на прогулку,

for very accurate weather predictions in the next 10 minutes.

чтобы получить самый точный прогноз на следующие 10 минут.

She's so sweet.

Она просто прелесть.

So because of all of this, our oracle is a $122 billion industry.

Из-за всего этого наша провидица стала 122-миллиардной индустрией.

Now, despite the size of this industry,

Сейчас, несмотря на размер индустрии,

the returns are surprisingly low.

её доходы поразительно малы.

Investing in big data is easy,

Инвестировать в большие данные легко,

but using it is hard.

но использовать их непросто.

Over 73 percent of big data projects aren't even profitable,

Более 73% проектов с большими данными совсем не приносят дохода.

and I have executives coming up to me saying,

Ко мне приходили топ-менеджеры и говорили:

"We're experiencing the same thing.

«И у нас то же самое.

We invested in some big data system,

Мы вложились в такую систему,

and our employees aren't making better decisions.

но наши работники умнее не стали.

And they're certainly not coming up with more breakthrough ideas."

И уж точно ничего передового не придумают».

So this is all really interesting to me,

Всё это меня очень интересует,

because I'm a technology ethnographer.

потому что я технологический этнограф.

I study and I advise companies

Я изучаю и консультирую компании

on the patterns of how people use technology,

в вопросах того, как люди используют технологии,

and one of my interest areas is data.

и в частности меня интересуют данные.

So why is having more data not helping us make better decisions,

Так почему же доступ к бо́льшим данным не помогает принятию лучших решений,

especially for companies who have all these resources

даже компаниям, владеющим ресурсами

to invest in these big data systems?

для инвестиций в большие данные?

Why isn't it getting any easier for them?

Почему им от них не становится легче?

So, I've witnessed the struggle firsthand.

Такая ситуация случилась со мной лично.

In 2009, I started a research position with Nokia.

В 2009 году я устроилась в исследовательский отдел Nokia.

And at the time,

А в то время Nokia была

Nokia was one of the largest cell phone companies in the world,

одним из самых крупных в мире производителей сотовых телефонов,

dominating emerging markets like China, Mexico and India --

лидирующей на растущих рынках Китая, Мексики и Индии,

all places where I had done a lot of research

в странах, где я провела множество исследований того,

on how low-income people use technology.

как используют технологии люди с низким доходом.

And I spent a lot of extra time in China

В Китае я провела особенно много времени,

getting to know the informal economy.

знакомясь с теневым сектором экономики.

So I did things like working as a street vendor

Ради этого я даже поработала уличным торговцем,

selling dumplings to construction workers.

продавала пельмени рабочим со стройки.

Or I did fieldwork,

А ещё собирала информацию,

spending nights and days in internet cafés,

просиживая днями и ночами в интернет-кафешках

hanging out with Chinese youth, so I could understand

и общаясь с китайской молодёжью, чтобы узнать

how they were using games and mobile phones

их отношение к играм и мобильным телефонам,

and using it between moving from the rural areas to the cities.

и как оно менялось с переездом из сельской местности в город.

Through all of this qualitative evidence that I was gathering,

Благодаря всем тем качественным данным, что я собирала,

I was starting to see so clearly

я начала лучше понимать,

that a big change was about to happen among low-income Chinese people.

что в жизни китайцев с низким уровнем дохода грядут большие перемены.

Even though they were surrounded by advertisements for luxury products

Несмотря на то, что они были окружены рекламой предметов роскоши,

like fancy toilets -- who wouldn't want one? --

вроде изысканных унитазов, — и как такой не захотеть? —

and apartments and cars,

рекламой квартир и машин,

through my conversations with them,

пообщавшись с ними,

I found out that the ads the actually enticed them the most

я поняла, что по-настоящему их завлекала

were the ones for iPhones,

только реклама айфонов,

promising them this entry into this high-tech life.

обещавшая перенести их в мир высоких технологий.

And even when I was living with them in urban slums like this one,

Даже когда я жила с ними в городских трущобах, подобных этим,

I saw people investing over half of their monthly income

я видела людей, тративших больше половины месячного дохода

into buying a phone,

на покупку телефона,

and increasingly, they were "shanzhai,"

или ещё хуже — его копии,

which are affordable knock-offs of iPhones and other brands.

одной из дешёвых подделок айфонов или смартфонов других брендов.

They're very usable.

И они в большом ходу.

Does the job.

Работают как надо.

And after years of living with migrants and working with them

И спустя годы жизни с мигрантами и работы с ними бок о бок,

and just really doing everything that they were doing,

делая всё то же, что они,

I started piecing all these data points together --

я начала собирать по кускам всю эту информацию,

from the things that seem random, like me selling dumplings,

начав с того, что казалось случайным, как моя торговля пельменями,

to the things that were more obvious,

до более очевидных вещей,

like tracking how much they were spending on their cell phone bills.

как, например, отслеживание их счетов за телефон.

And I was able to create this much more holistic picture

И я смогла увидеть целостную картину

of what was happening.

того, что происходило.

And that's when I started to realize

И именно тогда я начала понимать,

that even the poorest in China would want a smartphone,

что даже нищий китаец хотел себе смартфон,

and that they would do almost anything to get their hands on one.

и что они были готовы на всё, лишь бы его заполучить.

You have to keep in mind,

При этом не забывайте,

iPhones had just come out, it was 2009,

что айфоны тогда только появились. Это был 2009 год.

so this was, like, eight years ago,

Это сколько? Восемь лет назад.

and Androids had just started looking like iPhones.

И андроиды только начинали выглядеть как айфоны.

And a lot of very smart and realistic people said,

И многие очень умные и адекватные люди говорили:

"Those smartphones -- that's just a fad.

«Эти смартфоны — лишь временное увлечение.

Who wants to carry around these heavy things

Кто захочет носить с собой такую тяжесть,

where batteries drain quickly and they break every time you drop them?"

при том что батарея быстро садится, и они ломаются, стоит разок уронить?».

But I had a lot of data,

Но я собрала много доказательств

and I was very confident about my insights,

и утвердилась в своих предположениях,

so I was very excited to share them with Nokia.

которыми с нетерпением хотела поделиться с Nokia.

But Nokia was not convinced,

Но в Nokia мне не поверили,

because it wasn't big data.

потому что мои данные не были большими.

They said, "We have millions of data points,

Они сказали: «У нас миллионная выборка,

and we don't see any indicators of anyone wanting to buy a smartphone,

и мы не видим признаков того, что кто-то хотел бы купить смартфон,

and your data set of 100, as diverse as it is, is too weak

а у вас всего 100 наблюдений, — какими бы пёстрыми они ни были, — слишком мало,

for us to even take seriously."

чтобы принимать их всерьёз».

And I said, "Nokia, you're right.

И я сказала: «Nokia, вы правы.

Of course you wouldn't see this,

Естественно, вы их не увидите,

because you're sending out surveys assuming that people don't know

потому что рассылаете анкеты, полагая, что люди не знают,

what a smartphone is,

что такое смартфон,

so of course you're not going to get any data back

поэтому, естественно, вы не получите нужную информацию

about people wanting to buy a smartphone in two years.

о людях, пожелающих купить смартфон через два года.

Your surveys, your methods have been designed

Ваши опросы и ваши методы были разработаны

to optimize an existing business model,

для оптимизации существующей бизнес-модели,

and I'm looking at these emergent human dynamics

а я вижу среди людей динамику роста,

that haven't happened yet.

которая ещё не случилась.

We're looking outside of market dynamics

Если смотреть за пределы динамики рынка,

so that we can get ahead of it."

его можно опередить».

Well, you know what happened to Nokia?

Всем известно, что случилось с Nokia?

Their business fell off a cliff.

Их бизнес потерпел полный крах.

This -- this is the cost of missing something.

Такова была плата за их упущения.

It was unfathomable.

Уму непостижимо.

But Nokia's not alone.

И это случилось не только с Nokia.

I see organizations throwing out data all the time

Я вижу организации, постоянно отбрасывающие наши данные

because it didn't come from a quant model

из-за того, что они пришли не из сухой статистики

or it doesn't fit in one.

или не подтверждают её.

But it's not big data's fault.

Но вины больших данных тут нет.

It's the way we use big data; it's our responsibility.

Просто мы их так используем. Мы сами за это в ответе.

Big data's reputation for success

Репутация залога успеха

comes from quantifying very specific environments,

пришла к большим данным из-за расчётов в очень специфических сферах,

like electricity power grids or delivery logistics or genetic code,

таких как электросети, логистика или генетический код,

when we're quantifying in systems that are more or less contained.

когда мы высчитываем данные в более-менее автономных системах.

But not all systems are as neatly contained.

Но не все системы настолько автономны.

When you're quantifying and systems are more dynamic,

При расчётах в более динамичных системах,

especially systems that involve human beings,

особенно системах, включающих людей,

forces are complex and unpredictable,

факторы сложны и непредсказуемы,

and these are things that we don't know how to model so well.

и мы не знаем, как их правильно смоделировать.

Once you predict something about human behavior,

Стоит вам что-то предсказать в поведении человека,

new factors emerge,

как появляются новые факторы,

because conditions are constantly changing.

потому что условия постоянно меняются.

That's why it's a never-ending cycle.

Поэтому это бесконечный круг.

You think you know something,

Только вы решили, что что-то знаете,

and then something unknown enters the picture.

как появляется что-то неизвестное.

And that's why just relying on big data alone

Поэтому надежда лишь на большие данные

increases the chance that we'll miss something,

увеличивает вероятность что-то упустить из виду.

while giving us this illusion that we already know everything.

Хоть у нас и появляется иллюзия, что мы уже всё знаем.

And what makes it really hard to see this paradox

Увидеть этот парадокс

and even wrap our brains around it

и тем более уложить его в голове сложнее оттого,

is that we have this thing that I call the quantification bias,

что в нас есть такая штука, которую я называю «креном к подсчёту количества»,

which is the unconscious belief of valuing the measurable

когда всё измеряемое

подсознательно ценится больше, чем неизмеряемое.

over the immeasurable.

And we often experience this at our work.

И мы часто сталкиваемся с этим на работе.

Maybe we work alongside colleagues who are like this,

Мы, возможно, работаем бок о бок с такими людьми

or even our whole entire company may be like this,

или, может, таковой является вся наша организация,

where people become so fixated on that number,

когда люди так сильно углубляются в цифры,

that they can't see anything outside of it,

что больше ничего за ними не видят,

even when you present them evidence right in front of their face.

даже если подсунуть доказательства им прямо под нос.

And this is a very appealing message,

И это очень увлекает,

because there's nothing wrong with quantifying;

ведь в подсчёте количества нет ничего плохого,

it's actually very satisfying.

получается очень убедительно.

I get a great sense of comfort from looking at an Excel spreadsheet,

Для меня смотреть на таблицы Excel — такой бальзам на душу!

even very simple ones.

Даже на самые простые.

(Laughter)

(Смех)

It's just kind of like,

Будто я такая:

"Yes! The formula worked. It's all OK. Everything is under control."

«Ага! Формула сработала. Всё в порядке. Всё идёт как надо».

But the problem is

Но проблема в том,

that quantifying is addictive.

что к подсчётам количества привыкаешь.

And when we forget that

И когда мы забываемся,

and when we don't have something to kind of keep that in check,

и когда нам не с чем свериться,

it's very easy to just throw out data

очень легко просто выбросить данные

because it can't be expressed as a numerical value.

из-за того, что не получается выразить их в цифровой форме.

It's very easy just to slip into silver-bullet thinking,

Очень легко уйти в размышления о простых, но верных решениях,

as if some simple solution existed.

будто такие бывают.

Because this is a great moment of danger for any organization,

Потому что в этом и состоит опасность для любой организации,

because oftentimes, the future we need to predict --

потому что зачастую будущее, которое мы хотим предсказать,

it isn't in that haystack,

лежит не в стогу,

but it's that tornado that's bearing down on us

а в торнадо, которое несётся на нас из-за стен сарая.

outside of the barn.

There is no greater risk

Нет бо́льшего риска,

than being blind to the unknown.

чем не видеть того, что неизвестно.

It can cause you to make the wrong decisions.

Из-за этого можно принять неверное решение.

It can cause you to miss something big.

Из-за этого что-то важное может пройти мимо.

But we don't have to go down this path.

Но нам не обязательно идти по этому пути.

It turns out that the oracle of ancient Greece

Оказывается, у провидиц Древней Греции

holds the secret key that shows us the path forward.

был секретный ключ, который укажет нам дорогу вперёд.

Now, recent geological research has shown

Недавние геологические исследования доказали,

that the Temple of Apollo, where the most famous oracle sat,

что храм Аполлона, где обитал самый известный оракул,

was actually built over two earthquake faults.

на самом деле был построен на месте двух разломов в земной коре.

And these faults would release these petrochemical fumes

Из тех разломов в земной коре выходили петрохимические пары,

from underneath the Earth's crust,

and the oracle literally sat right above these faults,

то есть провидица сидела прямо над этими разломами

inhaling enormous amounts of ethylene gas, these fissures.

и вдыхала немыслимое количество этилена, исходящего из этих трещин.

(Laughter)

(Смех)

It's true.

Так и было.

(Laughter)

(Смех)

It's all true, and that's what made her babble and hallucinate

Всё это правда. Вот из-за чего провидица бормотала, видела галлюцинации

and go into this trance-like state.

и впадала в транс.

She was high as a kite!

Да она просто обкуренная была!

(Laughter)

(Смех)

So how did anyone --

Как вообще кто-то...?

How did anyone get any useful advice out of her

Как кто-то мог получить от неё ценный совет

in this state?

в таком состоянии?

Well, you see those people surrounding the oracle?

Видите этих людей вокруг неё?

You see those people holding her up,

Видите, как они поддерживали её,

because she's, like, a little woozy?

потому что она слегка одурманена?

And you see that guy on your left-hand side

И видите того парня слева от неё,

holding the orange notebook?

который держит оранжевую тетрадь?

Well, those were the temple guides,

Так вот, это были жрецы храма,

and they worked hand in hand with the oracle.

они работали рука об руку с провидицей.

When inquisitors would come and get on their knees,

Когда просители приходили и вставали на колени,

that's when the temple guides would get to work,

в тот же момент жрецы храма приступали к работе:

because after they asked her questions,

после того, как вопрос был задан, жрецы следили за эмоциями просителей,

they would observe their emotional state,

and then they would ask them follow-up questions,

а потом задавали им дополнительные вопросы:

«А почему вы хотите знать это пророчество? Кто вы такие?

like, "Why do you want to know this prophecy? Who are you?

What are you going to do with this information?"

Что вы будете делать с этой информацией?».

And then the temple guides would take this more ethnographic,

Так жрецы храма собирали более этнографическую,

this more qualitative information,

более качественную информацию,

and interpret the oracle's babblings.

после чего трактовали лепет провидицы.

So the oracle didn't stand alone,

Так что она работала не одна.

and neither should our big data systems.

Также и системам больших данных нужна помощь.

Now to be clear,

Поясню: я говорю не о том,

I'm not saying that big data systems are huffing ethylene gas,

что наши системы больших данных надышались этилена,

or that they're even giving invalid predictions.

или что они делают неправильные прогнозы.

The total opposite.

Совсем наоборот.

But what I am saying

Я говорю о том, что,

is that in the same way that the oracle needed her temple guides,

как провидица нуждалась в жрецах,

our big data systems need them, too.

так в них нуждаются и наши системы больших данных.

They need people like ethnographers and user researchers

Им нужны такие люди, как этнографы и исследователи пользователей,

who can gather what I call thick data.

кто мог бы собрать то, что я называю «плотными данными».

This is precious data from humans,

Это вся та ценная информация от людей,

like stories, emotions and interactions that cannot be quantified.

как истории, эмоции, общение, которые нельзя представить количественно.

It's the kind of data that I collected for Nokia

Это всё то, что я собирала для Nokia,

that comes in in the form of a very small sample size,

что поступало ко мне мельчайшими крупицами,

but delivers incredible depth of meaning.

но несло в себе значение невероятной глубины.

And what makes it so thick and meaty

Что делает их такими плотными и содержательными,

is the experience of understanding the human narrative.

так это опыт правильного восприятия того, что тебе рассказывают люди.

And that's what helps to see what's missing in our models.

И именно это помогает увидеть прорехи в наших моделях.

Thick data grounds our business questions in human questions,

Плотные данные погружают вопросы бизнеса в проблемы человека,

and that's why integrating big and thick data

поэтому совмещение больших и плотных данных

forms a more complete picture.

создаёт более полную картину.

Big data is able to offer insights at scale

Тогда как большие данные способны объяснять процессы

and leverage the best of machine intelligence,

на самом высоком уровне машинного интеллекта,

whereas thick data can help us rescue the context loss

плотные данные могут помочь сохранить контекст,

that comes from making big data usable,

теряющийся при использовании только больших данных,

and leverage the best of human intelligence.

и достичь высот человеческого интеллекта.

And when you actually integrate the two, that's when things get really fun,

При объединении обоих видов данных происходит удивительное,

because then you're no longer just working with data

потому что вы не просто работаете

you've already collected.

с уже собранными данными.

You get to also work with data that hasn't been collected.

Теперь вы также работаете с ещё несобранными данными.

You get to ask questions about why:

Вы хотите спросить о причине:

Why is this happening?

почему так происходит?

Now, when Netflix did this,

Когда это делал Netflix,

they unlocked a whole new way to transform their business.

они открыли совершенно новый способ трансформации бизнеса.

Netflix is known for their really great recommendation algorithm,

Netflix прославился своим действительно отличным алгоритмом рекомендаций,

and they had this $1 million prize for anyone who could improve it.

они объявили о призе в 1 миллион долларов тому, кто сможет его улучшить.

And there were winners.

И победители были.

But Netflix discovered the improvements were only incremental.

Но Netflix обнаружил, что улучшения были неравномерными.

So to really find out what was going on,

Чтобы узнать, что происходило,

they hired an ethnographer, Grant McCracken,

они наняли этнографа Гранта МакКрекена проанализировать плотные данные.

to gather thick data insights.

And what he discovered was something that they hadn't seen initially

И он выяснил нечто, чего не было видно изначально

in the quantitative data.

в количественных данных.

He discovered that people loved to binge-watch.

Он обнаружил, что люди любят «приклеиваться» к телевизору.

In fact, people didn't even feel guilty about it.

Люди даже своей вины за это не чувствуют.

They enjoyed it.

Они балдеют от этого.

(Laughter)

(Смеется)

So Netflix was like, "Oh. This is a new insight."

Поэтому Netflix такой: «Это что-то новенькое».

So they went to their data science team,

Поэтому они пошли к своим обработчикам данных,

and they were able to scale this big data insight

где смогли свести этот вывод из плотных данных

in with their quantitative data.

со своими количественными данными.

And once they verified it and validated it,

Стоило им сверить и утвердить их,

Netflix decided to do something very simple but impactful.

как в Netflix решили сделать кое-что простое, но эффективное.

They said, instead of offering the same show from different genres

Они сказали: «Вместо того, чтобы предлагать всё те же разножанровые сериалы

or more of the different shows from similar users,

или чаще показывать разные сериалы для одной категории пользователей,

we'll just offer more of the same show.

мы просто будем больше показывать один и тот же сериал.

We'll make it easier for you to binge-watch.

Облегчим им прилипание к телевизору».

And they didn't stop there.

И на этом они не остановились.

They did all these things

Они сделали всё,

to redesign their entire viewer experience,

чтобы изменить всю практику трансляций,

to really encourage binge-watching.

чтобы ещё сильнее притянуть людей к телевизору.

It's why people and friends disappear for whole weekends at a time,

Поэтому люди и друзья разом исчезают на все выходные,

catching up on shows like "Master of None."

боясь пропустить сериал вроде «Мастера не на все руки».

By integrating big data and thick data, they not only improved their business,

Сведя вместе большие и плотные данные, они не только улучшили свой бизнес,

but they transformed how we consume media.

но также изменили процесс потребления людьми медиа-информации.

And now their stocks are projected to double in the next few years.

Ожидается, что их акции вырастут вдвое в следующие несколько лет.

But this isn't just about watching more videos

Но дело не только в том, чтобы больше смотреть телевизор

or selling more smartphones.

или продавать больше смартфонов.

For some, integrating thick data insights into the algorithm

Для некоторых привлечение плотных данных в алгоритм —

could mean life or death,

это дело жизни и смерти,

especially for the marginalized.

особенно для тех, чьё положение шатко.

All around the country, police departments are using big data

По всей стране полиция использует большие данные

for predictive policing,

для прогнозирования своей работы,

to set bond amounts and sentencing recommendations

чтобы установить размер залога и рекомендовать меру пресечения,

in ways that reinforce existing biases.

и это только усиливает существующую дискриминацию.

NSA's Skynet machine learning algorithm

Алгоритм машинного обучения АНБ США — Skynet —

has possibly aided in the deaths of thousands of civilians in Pakistan

вероятно, поспособствовал смертям тысяч жителей Пакистана

из-за неправильного прочтения метаданных с мобильного устройства.

from misreading cellular device metadata.

As all of our lives become more automated,

По мере того, как наша жизнь всё больше автоматизируется,

from automobiles to health insurance or to employment,

от автомобилей до медицинской страховки или устройства на работу,

it is likely that all of us

скорее всего, мы все

will be impacted by the quantification bias.

будем склоняться к подсчёту количества.

Now, the good news is that we've come a long way

Сегодня хорошая новость в том, что прошло много времени

from huffing ethylene gas to make predictions.

с тех пор, когда для предсказаний нужно было дышать этиленом.

We have better tools, so let's just use them better.

У нас есть способы получше, и их можно ещё улучшить.

Let's integrate the big data with the thick data.

Давайте совмещать большие данные с плотными.

Let's bring our temple guides with the oracles,

Давайте сведём жрецов храма с провидицей,

and whether this work happens in companies or nonprofits

и если провести эту работу в коммерческих или некоммерческих организациях,

or government or even in the software,

или в правительстве, или даже в программном обеспечении,

all of it matters,

всё это будет иметь смысл,

because that means we're collectively committed

потому что это будет значить, что мы действуем сообща

to making better data,

ради бо́льших данных,

better algorithms, better outputs

лучших алгоритмов, лучших результатов

and better decisions.

и лучших решений.

This is how we'll avoid missing that something.

Так мы ничего не потеряем.

(Аплодисменты)

(Applause)