The human insights missing from big data | Tricia Wang

246,282 views ・ 2017-08-02

TED


Videoyu oynatmak için lütfen aşağıdaki İngilizce altyazılara çift tıklayınız.

Çeviri: Ramazan Şen Gözden geçirme: Esra Çakmak
00:12
In ancient Greece,
0
12705
1545
Antik Yunan'da,
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
kölesinden askerine, şairinden politikacısına herkes,
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
"Evlenmeli miyim?" veya "Bu yolculuğa çıkmalı mıyım?"
00:23
like, "Should I get married?"
3
23251
1391
veya "Ordumuz bu bölgede ilerlemeli mi?" gibi
00:24
or "Should we embark on this voyage?"
4
24666
1857
00:26
or "Should our army advance into this territory?"
5
26547
2928
hayatın en önemli sorularıyla ilgili
büyük bir karar vermesi gerektiğinde,
00:29
they all consulted the oracle.
6
29499
2579
hepsi kâhine danışırdı.
00:32
So this is how it worked:
7
32840
1440
İşler şöyle yürüyordu:
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
kâhine sorunuzu aktarır ve dizlerinizin üstüne çökerdiniz,
00:37
and then she would go into this trance.
9
37440
1871
sonra o da transa geçerdi.
Birkaç gün sürerdi
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
ve nihayetinde kâhin transtan çıkardı,
00:43
giving you her predictions as your answer.
12
43095
2536
tahminlerini cevaben size söylerdi.
00:46
From the oracle bones of ancient China
13
46730
2566
Antik Çin'in fal yazıtlarından
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
antik Yunan ve Maya takvimine,
00:51
people have craved for prophecy
15
51689
2296
insanlar gelecekte ne olacağını bulmak için
00:54
in order to find out what's going to happen next.
16
54009
3137
kehanetlerin peşinde koşmuştur.
00:58
And that's because we all want to make the right decision.
17
58336
3239
Çünkü hepimiz doğru kararı vermek isteriz.
01:01
We don't want to miss something.
18
61599
1545
Bir şeyleri kaçırmak istemeyiz.
01:03
The future is scary,
19
63712
1743
Gelecek korkutucu,
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
sonucu garantileyen bir karar verebileceğimizi bilmek
01:08
with some assurance of the outcome.
21
68220
1982
çok daha hoş olur.
01:10
Well, we have a new oracle,
22
70899
1611
Artık yeni bir kâhinimiz var
01:12
and it's name is big data,
23
72534
2145
ve onun adı büyük veri
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
veya ona "Watson" veya "derin öğrenme" veya "sinir ağı" diyebiliriz.
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
Ve şimdi kâhinimize şu gibi sorular soruyoruz:
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
"Bu telefonları Çin'den İsveç'e göndermenin
01:27
from China to Sweden?"
27
87142
1823
en kolay yolu nedir?"
01:28
Or, "What are the odds
28
88989
1800
Veya "Çocuğumun
01:30
of my child being born with a genetic disorder?"
29
90813
3363
genetik bozuklukla doğma olasılığı nedir?"
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
Veya "Bu ürün için öngörebileceğimiz satış hacmi nedir?"
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
Bir köpeğim var. Adı Elle ve yağmurdan nefret ediyor.
01:43
And I have tried everything to untrain her.
32
103999
3306
Onu eğitmek için her şeyi denedim.
01:47
But because I have failed at this,
33
107329
2771
Bu konuda başarısız olduğum için
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
yürüyüşe çıkmadan önce sonraki 10 dakikanın
01:53
every time before we go on a walk,
35
113434
1635
kesin hava tahmini için
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
Dark Sky denen kâhine danışmak zorundayım.
02:01
She's so sweet.
37
121355
1303
Çok tatlı.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
Bu nedenle kâhinimiz 112 milyar dolarlık bir endüstri.
02:09
Now, despite the size of this industry,
39
129826
3376
Şimdi, endüstrinin hacmine karşın,
02:13
the returns are surprisingly low.
40
133226
2456
getirisi şaşırtıcı derecede düşük.
02:16
Investing in big data is easy,
41
136162
2494
Büyük Veri'ye yatırım yapmak kolay,
02:18
but using it is hard.
42
138680
1933
ama onu kullanmak zor.
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
Büyük Veri projelerinin %73'ünden fazlası kârlı bile değil
02:25
and I have executives coming up to me saying,
44
145865
2431
ve yöneticilerden yanıma gelip
02:28
"We're experiencing the same thing.
45
148320
1789
"Aynı şeyi deneyimliyoruz.
02:30
We invested in some big data system,
46
150133
1753
Bazı Büyük Veri sistemlerine yatırım yaptık
02:31
and our employees aren't making better decisions.
47
151910
2968
ama çalışanlarımız daha iyi kararlar vermiyor
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
ve kesinlikle daha çığır açıcı fikirlerle gelmiyorlar." diyor.
02:38
So this is all really interesting to me,
49
158734
3184
Bunların hepsi benim için çok ilginç,
02:41
because I'm a technology ethnographer.
50
161942
2010
çünkü ben bir teknoloji etnografıyım.
02:44
I study and I advise companies
51
164450
2564
Hem araştırıyor, hem de insanların
teknolojiyi kullanım modelleri üzerinden şirketlere tavsiyeler veriyorum
02:47
on the patterns of how people use technology,
52
167038
2483
02:49
and one of my interest areas is data.
53
169545
2678
ve ilgi alanlarımdan biri de veri.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
Peki neden daha fazla veriye sahip olmak daha iyi kararlar vermeye yardımcı olmuyor
02:57
especially for companies who have all these resources
55
177464
2783
özellikle de büyük veri sistemlerine
03:00
to invest in these big data systems?
56
180271
1736
yatırım yapacak kaynakları olan şirketlere?
03:02
Why isn't it getting any easier for them?
57
182031
2398
Bu neden onların işini kolaylaştırmıyor?
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
Bu sıkıntıya birebir şahit oldum.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
2009'da Nokia'nın araştırma bölümünde işe başladım.
03:13
And at the time,
60
193052
1158
Ve o zamanlar,
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
Nokia dünyadaki en büyük telefon şirketlerinden biriydi,
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
Çin, Meksika ve Hindistan gibi gelişen pazarlara egemendi.
03:20
all places where I had done a lot of research
63
200642
2502
Tüm bu yerlerde düşük gelirli insanların
03:23
on how low-income people use technology.
64
203168
2676
teknoloji kullanımı üzerine birçok araştırma yaptım.
03:25
And I spent a lot of extra time in China
65
205868
2330
Ve kayıt dışı ekonomiyi öğrenmek için
03:28
getting to know the informal economy.
66
208222
2592
Çin'de epey fazla zaman harcadım.
03:30
So I did things like working as a street vendor
67
210838
2401
İşportacılık gibi şeyler yaptım,
03:33
selling dumplings to construction workers.
68
213263
2574
inşaat işçilerine mantı sattım.
03:35
Or I did fieldwork,
69
215861
1358
Veya saha işi yaptım,
03:37
spending nights and days in internet cafés,
70
217243
2958
gece gündüzümü internet kafelerinde geçirdim,
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
oyunları ve cep telefonlarını
03:42
how they were using games and mobile phones
72
222795
2284
ve bunları köyden kente geçişte
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
nasıl kullandıklarını anlamak için genç Çinlilerle takıldım.
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
Topladığım tüm bu nitel kanıtlarla
03:54
I was starting to see so clearly
75
234106
2824
düşük gelirli Çin halkı içinde
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
büyük bir değişimin olmak üzere olduğunu açık bir şekilde görmeye başlıyordum.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
Süslü tuvaletler -bunu kim istemez ki?- ve binalar, arabalar gibi
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
lüks ürün reklamlarıyla
04:10
and apartments and cars,
79
250750
2890
etrafları çevrili olmasına rağmen,
04:13
through my conversations with them,
80
253664
1820
onlarla yaptığım konuşmalarda
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
onların en çok aklını çelen reklamların
onlara bu yüksek teknoloji hayatına girmeyi vaat eden
04:19
were the ones for iPhones,
82
259373
1996
04:21
promising them this entry into this high-tech life.
83
261393
3052
iPhone reklamları olduğunu öğrendim.
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
Ve hatta onlarla burası gibi varoşlarda yaşıyorken
04:28
I saw people investing over half of their monthly income
85
268476
2996
aylık gelirlerinin yarısını bir telefona harcayan
04:31
into buying a phone,
86
271496
1623
insanlar gördüm
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
ve çoğunlukla bunlar "shanzhai" denen
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
iPhone ve diğer markaların uygun fiyatlı taklitleri oluyor.
04:40
They're very usable.
89
280123
1625
Çok kullanışlılar.
04:42
Does the job.
90
282710
1322
İş görüyor.
04:44
And after years of living with migrants and working with them
91
284570
5789
Ve yıllarca göçmenlerle yaşayıp çalıştıktan sonra
04:50
and just really doing everything that they were doing,
92
290383
3434
ve sadece gerçekten onların yaptığı her şeyi yaparak
04:53
I started piecing all these data points together --
93
293841
3597
tüm bu veri noktalarını birleştirmeye başladım;
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
benim mantı satmam gibi rastgele görünen şeylerden,
05:00
to the things that were more obvious,
95
300609
1804
telefon faturalarına ne kadar harcadıklarını
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
takip etmek gibi daha aşikâr olan şeylere kadar.
Ve neler olduğunu gösteren bu, çok daha bütüncül olan
05:05
And I was able to create this much more holistic picture
97
305693
2639
05:08
of what was happening.
98
308356
1156
resmi yapabildim.
05:09
And that's when I started to realize
99
309536
1722
Ve işte o zaman
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
en fakir Çinlinin bile bir akıllı telefon istediğini ve onlardan birine
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
el sürebilmek için neredeyse ne olursa yapacaklarını fark etmeye başladım.
05:20
You have to keep in mind,
102
320893
2404
Unutmamalısınız ki,
05:23
iPhones had just come out, it was 2009,
103
323321
3084
iPhone'lar yeni çıkmıştı, 2009 yılıydı,
05:26
so this was, like, eight years ago,
104
326429
1885
yani bu, sekiz yıl kadar önce
05:28
and Androids had just started looking like iPhones.
105
328338
2437
ve Android'ler henüz iPhone'lar gibi gözükmeye başlamıştı.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
Birçok zeki ve gerçekçi kişi şöyle söyledi:
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
"Bu akıllı telefonlar -- bir heves.
05:36
Who wants to carry around these heavy things
108
336063
2996
Pili hemen biten ve her düştüğünde kırılan
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
bu ağır şeyleri kim taşımak ister?"
05:44
But I had a lot of data,
110
344613
1201
Fakat çok fazla verim vardı
05:45
and I was very confident about my insights,
111
345838
2260
ve sezgilerim konusunda kendimden çok emindim,
05:48
so I was very excited to share them with Nokia.
112
348122
2829
bu yüzden bunları Nokia ile paylaşmak için sabırsızlanıyordum.
05:53
But Nokia was not convinced,
113
353152
2517
Ama Nokia ikna olmamıştı,
05:55
because it wasn't big data.
114
355693
2335
çünkü bu büyük veri değildi.
05:58
They said, "We have millions of data points,
115
358842
2404
"Elimizde milyonlarca veri noktası var
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
ve kimsenin akıllı telefon almak istediğine dair bir işaret görmüyoruz
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
ve 100 olan veri kümen çok kapsamlı olsa da,
06:09
for us to even take seriously."
118
369953
1714
ciddiye alamayacağımız kadar zayıf."
06:12
And I said, "Nokia, you're right.
119
372728
1605
Ben de, "Nokia, haklısın.
06:14
Of course you wouldn't see this,
120
374357
1560
Tabii ki bunu göremezsiniz,
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
çünkü insanların akıllı telefonun ne olduğunu bilmediğini varsayan
06:19
what a smartphone is,
122
379336
1159
anketler yapıyorsunuz,
06:20
so of course you're not going to get any data back
123
380519
2366
o yüzden tabii ki iki yıl içinde
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
akıllı telefon almak isteyen insanlar hakkında veri dönüşü alamazsınız.
06:25
Your surveys, your methods have been designed
125
385505
2118
Anketçileriniz, metodlarınız mevcut bir iş modelini
06:27
to optimize an existing business model,
126
387647
2022
en iyi hale getirmek için tasarlandı
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
ve ben henüz oluşmamış
yeni insan dinamiklerine bakıyorum.
06:32
that haven't happened yet.
128
392325
1354
06:33
We're looking outside of market dynamics
129
393703
2438
Biz pazar dinamikleri dışından bakıyoruz,
06:36
so that we can get ahead of it."
130
396165
1631
ki onların önüne geçebilelim."
06:39
Well, you know what happened to Nokia?
131
399193
2244
Nokia'ya ne olduğunu biliyor musunuz?
06:41
Their business fell off a cliff.
132
401461
2365
İşleri uçurumdan yuvarlandı.
06:44
This -- this is the cost of missing something.
133
404611
3727
Bu, bir şeyi kaçırmanın bedeli.
06:48
It was unfathomable.
134
408983
1999
Bu akıl sır ermez bir şeydi.
06:51
But Nokia's not alone.
135
411823
1651
Ama Nokia yalnız değil.
06:54
I see organizations throwing out data all the time
136
414078
2581
Sürekli verileri görmezden gelen şirketler görüyorum
06:56
because it didn't come from a quant model
137
416683
2561
çünkü bu nicel bir modelden gelmiyor
06:59
or it doesn't fit in one.
138
419268
1768
veya birine uymuyor.
07:02
But it's not big data's fault.
139
422039
2048
Ama bu, büyük verinin hatası değil.
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
Bu bizim büyük veriyi kullanma şeklimiz; bu bizim sorumluluğumuz.
07:09
Big data's reputation for success
141
429550
1911
Büyük verinin başarı şöhreti
07:11
comes from quantifying very specific environments,
142
431485
3759
çok belirli çevrelerin nicelendirilmesinden geliyor.
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
Örneğin; enerji nakil şebekeleri veya dağıtım lojistikleri veya genetik kod gibi
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
az çok kapsamlı sistemler.
07:24
But not all systems are as neatly contained.
145
444547
2969
Ama tüm sistemler bu kadar düzgün belirlenmemiştir.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
Belirleme yaparken ve sistemler daha dinamikse,
07:30
especially systems that involve human beings,
147
450822
3799
özellikle insanı içeren sistemler,
07:34
forces are complex and unpredictable,
148
454645
2426
kuvvetler karmaşık ve kestirilemez
07:37
and these are things that we don't know how to model so well.
149
457095
3486
ve bunlar, nasıl modelleyeceğimizi çok iyi bilmediğimiz sistemler.
07:41
Once you predict something about human behavior,
150
461024
2813
İnsan davranışları hakkında bir tahminde bulunduğunuzda
07:43
new factors emerge,
151
463861
1855
yeni faktörler ortaya çıkar,
07:45
because conditions are constantly changing.
152
465740
2365
çünkü şartlar sürekli değişmektedir.
07:48
That's why it's a never-ending cycle.
153
468129
1803
Bu yüzen hiç bitmeyen bir döngüdür.
07:49
You think you know something,
154
469956
1464
Bir şeyi bildiğinizi düşünürsünüz
07:51
and then something unknown enters the picture.
155
471444
2242
ve sonra bilinmeyen bir şey olaya dahil olur.
07:53
And that's why just relying on big data alone
156
473710
3322
Ve bu yüzden, sadece büyük veriye güvenmek
07:57
increases the chance that we'll miss something,
157
477056
2849
bir şeyleri kaçırma ihtimalini artırarak
07:59
while giving us this illusion that we already know everything.
158
479929
3777
zaten her şeyi bildiğimizi düşündürerek bizi yanıltır.
08:04
And what makes it really hard to see this paradox
159
484226
3856
Ve bu paradoksu görmeyi ve hatta
08:08
and even wrap our brains around it
160
488106
2659
anlam vermemizi zorlaştıran şey
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
nicelleştirme önyargısı olarak adlandırdığım
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
ölçülemez olan yerine ölçülebilir olan şeye değer biçme
08:18
over the immeasurable.
163
498450
1594
bilinç dışı inancıdır.
08:21
And we often experience this at our work.
164
501042
3284
Ve bunu işimizde sık sık yaşıyoruz.
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
Belki bu gibi meslektaşların yanında çalışıyoruz
08:27
or even our whole entire company may be like this,
166
507024
2428
veya hatta belki de tüm şirketimiz böyledir.
08:29
where people become so fixated on that number,
167
509476
2546
İnsanlar o numaraya sabitlenmiştir,
08:32
that they can't see anything outside of it,
168
512046
2067
onun dışında hiçbir şey göremiyorlardır,
08:34
even when you present them evidence right in front of their face.
169
514137
3948
hatta kanıtları onların gözlerine soktuğunuzda bile.
08:38
And this is a very appealing message,
170
518943
3371
Bu çok albenili bir mesajdır,
08:42
because there's nothing wrong with quantifying;
171
522338
2343
çünkü belirlemenin yanlış bir tarafı yoktur;
08:44
it's actually very satisfying.
172
524705
1430
aslında çok tatmin edicidir.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
Çok basit Excel tablolarına baktığımda bile
08:50
even very simple ones.
174
530545
1401
huzurla doluyorum.
08:51
(Laughter)
175
531970
1014
(Gülüşmeler)
08:53
It's just kind of like,
176
533008
1152
Bu şunun gibidir:
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
"Evet! Formül işe yaradı. Her şey tamam. Her şey kontrol altında."
08:58
But the problem is
178
538612
2390
Ama problem şu ki,
09:01
that quantifying is addictive.
179
541026
2661
belirleme işi bağımlılık yapıyor.
09:03
And when we forget that
180
543711
1382
Ve bunu unuttuğumuzda
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
ve bunu kontrolde tutacak bir şeyimiz yoksa,
09:08
it's very easy to just throw out data
182
548179
2118
veriyi çöpe atmak çok kolaydır
09:10
because it can't be expressed as a numerical value.
183
550321
2718
çünkü sayısal değer olarak ifade edilemez.
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
Basit bir çözüm varmış gibi sihirli değnek düşüncesine girmek
09:16
as if some simple solution existed.
185
556008
2579
çok kolaydır.
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
Çünkü bu her şirket için büyük tehlike anıdır,
09:23
because oftentimes, the future we need to predict --
187
563506
2634
çünkü çoğu zaman, tahmin etmemiz gereken gelecek,
09:26
it isn't in that haystack,
188
566164
2166
ot yığınının içinde değil,
09:28
but it's that tornado that's bearing down on us
189
568354
2538
ahırın dışından üzerimize gelen
09:30
outside of the barn.
190
570916
1488
o kasırgadır.
09:34
There is no greater risk
191
574780
2326
Bilinmeyeni görememekten
09:37
than being blind to the unknown.
192
577130
1666
daha büyük bir risk yoktur.
09:38
It can cause you to make the wrong decisions.
193
578820
2149
Bu, yanlış kararlar vermenize neden olabilir.
09:40
It can cause you to miss something big.
194
580993
1974
Büyük bir şey kaçırmanıza neden olabilir.
09:43
But we don't have to go down this path.
195
583554
3101
Fakat bu yoldan gitmek zorunda değiliz.
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
Meğer antik Yunan kâhinlerinin elinde
09:50
holds the secret key that shows us the path forward.
197
590492
3966
bizi ileriye götürecek olan yolun gizli anahtarı varmış.
09:55
Now, recent geological research has shown
198
595474
2595
Yakın zamanda yapılan jeolojik araştırma
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
en meşhur kâhinin oturduğu Apollo Tapınağının aslında
10:01
was actually built over two earthquake faults.
200
601681
3084
iki deprem fayı üzerine inşa edildiğini gösterdi.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
Ve bu faylar Dünya'nın kabuğu altından
10:07
from underneath the Earth's crust,
202
607699
1685
petro-kimyasal gazlar salıyor
10:09
and the oracle literally sat right above these faults,
203
609408
3866
ve kâhin tam olarak bu fayların üzerine oturmuş,
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
bu yarıklardan gelen muazzam miktarda etilen gazını soluyor.
10:16
(Laughter)
205
616910
1008
(Kahkaha)
10:17
It's true.
206
617942
1173
Bu doğru.
10:19
(Laughter)
207
619139
1017
(Kahkaha)
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
Hepsi doğru ve onun saçmalamasına ve hayal görmesine ve onu
10:23
and go into this trance-like state.
209
623713
1724
trans durumuna sokan şey bu.
10:25
She was high as a kite!
210
625461
1770
Bir uçurtma kadar yüksekte uçuyordu.
10:27
(Laughter)
211
627255
4461
(Kahkaha)
10:31
So how did anyone --
212
631740
2779
Peki bir kimse nasıl --
10:34
How did anyone get any useful advice out of her
213
634543
3030
Peki bir kimse kadın bu haldeyken
10:37
in this state?
214
637597
1190
ondan nasıl faydalı bir tavsiye alır?
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
Kâhinin etrafını saran insanları görüyor musunuz?
10:41
You see those people holding her up,
216
641722
1879
Bu insanların onu tutmasının sebebi
10:43
because she's, like, a little woozy?
217
643625
1717
kadının kafasının güzel olması mı?
10:45
And you see that guy on your left-hand side
218
645366
2308
Peki sol tarafta turuncu defteri tutan
10:47
holding the orange notebook?
219
647698
1598
adamı görüyor musunuz?
10:49
Well, those were the temple guides,
220
649925
1730
Bunlar tapınak rehberleriydi
10:51
and they worked hand in hand with the oracle.
221
651679
3016
ve kâhinle el ele çalışıyorlardı.
10:55
When inquisitors would come and get on their knees,
222
655904
2516
Talepte bulunanlar gelip dizlerinin üzerine çöktüklerinde
10:58
that's when the temple guides would get to work,
223
658444
2340
tapınak rehberleri işe koyulur,
11:00
because after they asked her questions,
224
660808
1864
çünkü kâhine sorularını sorduktan sonra
11:02
they would observe their emotional state,
225
662696
2001
rehberler kişinin duygusal durumunu gözlemler
11:04
and then they would ask them follow-up questions,
226
664721
2324
ve ona sorular sorarlar:
"Bu kehaneti neden bilmek istiyorsun? Sen kimsin?
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
Bu bilgi ile ne yapacaksın?"
Ve sonra tapınak rehberleri bu daha çok kültürel,
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
11:15
this more qualitative information,
230
675421
2156
bu daha çok nitel bilgiyi alır
11:17
and interpret the oracle's babblings.
231
677601
2075
ve kâhinin zırvalamalarını yorumlardı.
11:21
So the oracle didn't stand alone,
232
681248
2292
Yani kâhin tek başına değildi
11:23
and neither should our big data systems.
233
683564
2148
ve bizim büyük verimiz de öyle olmalı.
11:26
Now to be clear,
234
686450
1161
Yanlış anlaşılmasın,
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
büyük veri sistemlerinin etilen gazı olduğunu
11:31
or that they're even giving invalid predictions.
236
691118
2353
veya geçersiz tahminlerde bulunduğunu söylemiyorum.
11:33
The total opposite.
237
693495
1161
Tam tersi.
11:34
But what I am saying
238
694680
2068
Ama söylediğim şey şu;
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
kâhinin tapınak rehberlerine ihtiyaç duyması gibi
11:40
our big data systems need them, too.
240
700628
2288
büyük veri sistemlerimiz de buna ihtiyaç duyar.
11:42
They need people like ethnographers and user researchers
241
702940
4109
Yoğun veri dediğim şeyleri toplayabilen
etnograflar ve kullanıcı araştırmacıları gibi insanlara ihtiyaçları var.
11:47
who can gather what I call thick data.
242
707073
2506
11:50
This is precious data from humans,
243
710322
2991
Bu, insanlardan gelen, nicelleştirilemeyen
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
hikâyeler, duygular ve etkileşimler gibi değerli verilerdir.
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
Nokia için topladığım benzer veri
11:59
that comes in in the form of a very small sample size,
246
719809
2669
çok küçük bir örnek boyutu formundaydı
12:02
but delivers incredible depth of meaning.
247
722502
2955
ancak inanılmaz derin mana katmaktaydı.
12:05
And what makes it so thick and meaty
248
725481
3680
Onu bu kadar yoğun ve özlü yapan şey
12:10
is the experience of understanding the human narrative.
249
730265
4029
insan anlatısını anlama deneyimidir.
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
Ve modellerimizde neyin eksik olduğunu görmeye yardım eden de bu.
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
Yoğun veri işle ilgili sorularımızı insanla ilgili sorularımızla temellendirir
12:22
and that's why integrating big and thick data
252
742740
3562
ve bu nedenle büyük ve yoğun veriyi birleştirmek
12:26
forms a more complete picture.
253
746326
1689
daha bütün bir resim oluşturur.
12:28
Big data is able to offer insights at scale
254
748592
2881
Büyük veri ölçekli sezgi sağlayıp
12:31
and leverage the best of machine intelligence,
255
751497
2647
en iyi makine zekâsını geliştirebilir,
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
oysa yoğun veri bize büyük veriyi kullanılabilir yaparken
12:37
that comes from making big data usable,
257
757764
2098
oluşan içerik kaybını kurtarmamızda yardım edebilir
12:39
and leverage the best of human intelligence.
258
759886
2181
ve en iyi insan zekâsını geliştirir.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
Ve bu ikisini birleştirdiğinizde işler eğlenceli hale gelir,
çünkü artık sadece topladığınız veriyle
12:45
because then you're no longer just working with data
260
765667
2436
çalışıyor olmazsınız.
12:48
you've already collected.
261
768127
1196
Ayrıca henüz toplanmamış veriyle çalışabilirsiniz.
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
Kendinize nedenlerle ilgili sorular sorabilirsiniz:
12:52
You get to ask questions about why:
263
772108
1719
12:53
Why is this happening?
264
773851
1317
Bu neden oluyor?
12:55
Now, when Netflix did this,
265
775598
1379
Netflix bunu yaptığında,
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
işlerini dönüştürmek için tamamen yeni bir yolun kilidini açtı.
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
Netflix gerçekten harika tavsiye algoritmasıyla bilinir
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
ve bunu geliştirecek kişi için 1 milyon dolarlık ödül koydular
13:10
And there were winners.
269
790027
1314
ve kazananlar oldu.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
Ama Netflix yapılan geliştirmelerin sadece aşamalı olduğunu keşfetti.
13:17
So to really find out what was going on,
271
797224
1964
Ve gerçekte neler olduğunu bulması,
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
yoğun veri içgörülerini toplaması için
13:22
to gather thick data insights.
273
802977
1546
etnograf Grant McCracken'i işe aldılar.
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
Ve o, kantitatif veride ilk başta görmedikleri
13:28
in the quantitative data.
275
808495
1355
bir şeyi keşfetti.
13:30
He discovered that people loved to binge-watch.
276
810892
2728
İnsanların dizileri peş peşe izlemeyi sevdiğini keşfetti.
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
Doğrusu insanlar bu konuda suçlu da hissetmiyorlardı.
13:36
They enjoyed it.
278
816021
1255
Bu onları eğlendiriyordu.
13:37
(Laughter)
279
817300
1026
(Kahkaha)
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
Netflix de, "Bu yeni bir anlayış" dedi.
13:40
So they went to their data science team,
281
820730
1938
Onlar da veri araştırma ekiplerine gittiler
13:42
and they were able to scale this big data insight
282
822692
2318
ve ekipleri de büyük veri içgörülerini nicel veri içinde
13:45
in with their quantitative data.
283
825034
2587
ölçeklendirmeyi başardı.
13:47
And once they verified it and validated it,
284
827645
3170
Ve bunu onaylayıp doğruladıklarında,
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
Netflix çok basit ama çok etkili bir şey yapmaya karar verdi.
13:56
They said, instead of offering the same show from different genres
286
836654
6492
Şunu söylediler: Aynı şovu farklı türlerden
veya benzer kullanıcılardan gelen farklı şovlardan daha fazla sunmak yerine,
14:03
or more of the different shows from similar users,
287
843170
3888
14:07
we'll just offer more of the same show.
288
847082
2554
aynı şovdan daha fazlasını sunacağız.
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
Bölümlerini peş peşe izlemeyi kolaylaştıracağız.
14:11
And they didn't stop there.
290
851789
1486
Ve orada da durmadılar.
14:13
They did all these things
291
853299
1474
Tüm bunları tüm izleyici deneyimini
14:14
to redesign their entire viewer experience,
292
854797
2959
tekrar tasarlamak ve seri izlemeyi
14:17
to really encourage binge-watching.
293
857780
1758
desteklemek için yaptılar.
Bu yüzden insanlar ve arkadaşlarınız, "Master of None" gibi dizileri izlemek
14:20
It's why people and friends disappear for whole weekends at a time,
294
860050
3241
14:23
catching up on shows like "Master of None."
295
863315
2343
için tüm hafta sonu birden kayboluyordu.
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
Büyük veri ve yoğun veriyi birleştirerek işlerini geliştirmekle kalmadılar,
14:29
but they transformed how we consume media.
297
869879
2812
medyayı tüketim şeklimizi de değiştirdiler.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
Ve şimdi hisse senetlerinin sonraki birkaç yılda iki katına çıkacağı öngörülüyor.
14:38
But this isn't just about watching more videos
299
878100
3830
Fakat mesele sadece daha çok video izlemek
veya daha çok akıllı telefon satmak değil.
14:41
or selling more smartphones.
300
881954
1620
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
Kimisi için, yoğun veri içgörüsünü algoritmaya entegre etmek
14:48
could mean life or death,
302
888037
2263
ölüm kalım meselesidir,
14:50
especially for the marginalized.
303
890324
2146
özellikle de ötekileştirilenler için.
14:53
All around the country, police departments are using big data
304
893558
3434
Tüm ülke çapında, polis merkezleri
14:57
for predictive policing,
305
897016
1963
öngörücü polislik için,
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
mevcut önyargıları güçlendirecek şekilde kefalet miktarını ayarlamak
15:02
in ways that reinforce existing biases.
307
902111
3147
ve cezalandırma önerileri için büyük veriyi kullanıyor.
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
Ulusal Güvenlik Teşkilatı'nın Skynet makine öğrenimi algoritması
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
muhtemelen mobil cihaz verilerinin yanlış okunması nedeniyle
15:14
from misreading cellular device metadata.
310
914031
2721
binlerce Pakistanlının ölmesine sebep oldu.
15:18
As all of our lives become more automated,
311
918951
3403
Otomobillerden sağlık sigortasına veya istihdama,
15:22
from automobiles to health insurance or to employment,
312
922378
3080
tüm hayatımız otomatikleştikçe
15:25
it is likely that all of us
313
925482
2350
muhtemelen hepimiz
15:27
will be impacted by the quantification bias.
314
927856
2989
nicelleştirme önyargısından etkileneceğiz.
15:32
Now, the good news is that we've come a long way
315
932792
2621
Şimdi, iyi haber şu ki, etilen gazından
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
tahminlerde bulunmaya kadar uzun bir yol geldik.
15:37
We have better tools, so let's just use them better.
317
937911
3070
Daha iyi araçlarımız var, gelin onları daha iyi kullanalım.
15:41
Let's integrate the big data with the thick data.
318
941005
2323
Gelin büyük veriyi yoğun veriyle entegre edelim.
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
Gelin tapınak rehberleriyle kâhinleri bir araya getirelim
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
ve bu işin şirketlerde, kâr amacı gütmeyen kuruluşlarda,
15:49
or government or even in the software,
321
949037
2469
devlette veya yazılımda çalışıp çalışmadığını öğrenelim,
15:51
all of it matters,
322
951530
1792
hepsi önemlidir,
15:53
because that means we're collectively committed
323
953346
3023
çünkü bu, toplu olarak veriyi, algoritmaları,
15:56
to making better data,
324
956393
2191
sonuçları ve verilen kararları
15:58
better algorithms, better outputs
325
958608
1836
daha iyi hale getirmeye
16:00
and better decisions.
326
960468
1643
kararlı olduğumuz anlamına gelir.
16:02
This is how we'll avoid missing that something.
327
962135
3558
İşte bu şekilde o bir şeyleri kaçırmaktan sakınacağız.
16:07
(Applause)
328
967042
3948
(Alkış)
Bu web sitesi hakkında

Bu site size İngilizce öğrenmek için yararlı olan YouTube videolarını tanıtacaktır. Dünyanın dört bir yanından birinci sınıf öğretmenler tarafından verilen İngilizce derslerini göreceksiniz. Videoyu oradan oynatmak için her video sayfasında görüntülenen İngilizce altyazılara çift tıklayın. Altyazılar video oynatımı ile senkronize olarak kayar. Herhangi bir yorumunuz veya isteğiniz varsa, lütfen bu iletişim formunu kullanarak bizimle iletişime geçin.

https://forms.gle/WvT1wiN1qDtmnspy7