The human insights missing from big data | Tricia Wang

Çeviri: Ramazan Şen Gözden geçirme: Esra Çakmak

In ancient Greece,

Antik Yunan'da,

when anyone from slaves to soldiers, poets and politicians,

kölesinden askerine, şairinden politikacısına herkes,

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

"Evlenmeli miyim?" veya "Bu yolculuğa çıkmalı mıyım?"

like, "Should I get married?"

veya "Ordumuz bu bölgede ilerlemeli mi?" gibi

or "Should we embark on this voyage?"

or "Should our army advance into this territory?"

hayatın en önemli sorularıyla ilgili

büyük bir karar vermesi gerektiğinde,

they all consulted the oracle.

hepsi kâhine danışırdı.

So this is how it worked:

İşler şöyle yürüyordu:

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

kâhine sorunuzu aktarır ve dizlerinizin üstüne çökerdiniz,

and then she would go into this trance.

sonra o da transa geçerdi.

Birkaç gün sürerdi

It would take a couple of days,

and then eventually she would come out of it,

ve nihayetinde kâhin transtan çıkardı,

giving you her predictions as your answer.

tahminlerini cevaben size söylerdi.

From the oracle bones of ancient China

Antik Çin'in fal yazıtlarından

to ancient Greece to Mayan calendars,

antik Yunan ve Maya takvimine,

people have craved for prophecy

insanlar gelecekte ne olacağını bulmak için

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

kehanetlerin peşinde koşmuştur.

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

Çünkü hepimiz doğru kararı vermek isteriz.

We don't want to miss something.

Bir şeyleri kaçırmak istemeyiz.

The future is scary,

Gelecek korkutucu,

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

sonucu garantileyen bir karar verebileceğimizi bilmek

with some assurance of the outcome.

çok daha hoş olur.

Well, we have a new oracle,

Artık yeni bir kâhinimiz var

and it's name is big data,

ve onun adı büyük veri

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

veya ona "Watson" veya "derin öğrenme" veya "sinir ağı" diyebiliriz.

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

Ve şimdi kâhinimize şu gibi sorular soruyoruz:

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

"Bu telefonları Çin'den İsveç'e göndermenin

from China to Sweden?"

en kolay yolu nedir?"

Or, "What are the odds

Veya "Çocuğumun

of my child being born with a genetic disorder?"

genetik bozuklukla doğma olasılığı nedir?"

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

Veya "Bu ürün için öngörebileceğimiz satış hacmi nedir?"

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

Bir köpeğim var. Adı Elle ve yağmurdan nefret ediyor.

And I have tried everything to untrain her.

Onu eğitmek için her şeyi denedim.

But because I have failed at this,

Bu konuda başarısız olduğum için

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

yürüyüşe çıkmadan önce sonraki 10 dakikanın

every time before we go on a walk,

kesin hava tahmini için

for very accurate weather predictions in the next 10 minutes.

Dark Sky denen kâhine danışmak zorundayım.

She's so sweet.

Çok tatlı.

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

Bu nedenle kâhinimiz 112 milyar dolarlık bir endüstri.

Now, despite the size of this industry,

Şimdi, endüstrinin hacmine karşın,

the returns are surprisingly low.

getirisi şaşırtıcı derecede düşük.

Investing in big data is easy,

Büyük Veri'ye yatırım yapmak kolay,

but using it is hard.

ama onu kullanmak zor.

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

Büyük Veri projelerinin %73'ünden fazlası kârlı bile değil

and I have executives coming up to me saying,

ve yöneticilerden yanıma gelip

"We're experiencing the same thing.

"Aynı şeyi deneyimliyoruz.

We invested in some big data system,

Bazı Büyük Veri sistemlerine yatırım yaptık

and our employees aren't making better decisions.

ama çalışanlarımız daha iyi kararlar vermiyor

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

ve kesinlikle daha çığır açıcı fikirlerle gelmiyorlar." diyor.

So this is all really interesting to me,

Bunların hepsi benim için çok ilginç,

because I'm a technology ethnographer.

çünkü ben bir teknoloji etnografıyım.

I study and I advise companies

Hem araştırıyor, hem de insanların

teknolojiyi kullanım modelleri üzerinden şirketlere tavsiyeler veriyorum

on the patterns of how people use technology,

and one of my interest areas is data.

ve ilgi alanlarımdan biri de veri.

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

Peki neden daha fazla veriye sahip olmak daha iyi kararlar vermeye yardımcı olmuyor

especially for companies who have all these resources

özellikle de büyük veri sistemlerine

to invest in these big data systems?

yatırım yapacak kaynakları olan şirketlere?

Why isn't it getting any easier for them?

Bu neden onların işini kolaylaştırmıyor?

So, I've witnessed the struggle firsthand.

Bu sıkıntıya birebir şahit oldum.

In 2009, I started a research position with Nokia.

2009'da Nokia'nın araştırma bölümünde işe başladım.

And at the time,

Ve o zamanlar,

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

Nokia dünyadaki en büyük telefon şirketlerinden biriydi,

dominating emerging markets like China, Mexico and India --

Çin, Meksika ve Hindistan gibi gelişen pazarlara egemendi.

all places where I had done a lot of research

Tüm bu yerlerde düşük gelirli insanların

on how low-income people use technology.

teknoloji kullanımı üzerine birçok araştırma yaptım.

And I spent a lot of extra time in China

Ve kayıt dışı ekonomiyi öğrenmek için

getting to know the informal economy.

Çin'de epey fazla zaman harcadım.

So I did things like working as a street vendor

İşportacılık gibi şeyler yaptım,

selling dumplings to construction workers.

inşaat işçilerine mantı sattım.

Or I did fieldwork,

Veya saha işi yaptım,

spending nights and days in internet cafés,

gece gündüzümü internet kafelerinde geçirdim,

hanging out with Chinese youth, so I could understand

oyunları ve cep telefonlarını

how they were using games and mobile phones

ve bunları köyden kente geçişte

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

nasıl kullandıklarını anlamak için genç Çinlilerle takıldım.

Through all of this qualitative evidence that I was gathering,

Topladığım tüm bu nitel kanıtlarla

I was starting to see so clearly

düşük gelirli Çin halkı içinde

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

büyük bir değişimin olmak üzere olduğunu açık bir şekilde görmeye başlıyordum.

Even though they were surrounded by advertisements for luxury products

Süslü tuvaletler -bunu kim istemez ki?- ve binalar, arabalar gibi

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

lüks ürün reklamlarıyla

and apartments and cars,

etrafları çevrili olmasına rağmen,

through my conversations with them,

onlarla yaptığım konuşmalarda

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

onların en çok aklını çelen reklamların

onlara bu yüksek teknoloji hayatına girmeyi vaat eden

were the ones for iPhones,

promising them this entry into this high-tech life.

iPhone reklamları olduğunu öğrendim.

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

Ve hatta onlarla burası gibi varoşlarda yaşıyorken

I saw people investing over half of their monthly income

aylık gelirlerinin yarısını bir telefona harcayan

into buying a phone,

insanlar gördüm

and increasingly, they were "shanzhai,"

ve çoğunlukla bunlar "shanzhai" denen

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

iPhone ve diğer markaların uygun fiyatlı taklitleri oluyor.

They're very usable.

Çok kullanışlılar.

Does the job.

İş görüyor.

And after years of living with migrants and working with them

Ve yıllarca göçmenlerle yaşayıp çalıştıktan sonra

and just really doing everything that they were doing,

ve sadece gerçekten onların yaptığı her şeyi yaparak

I started piecing all these data points together --

tüm bu veri noktalarını birleştirmeye başladım;

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

benim mantı satmam gibi rastgele görünen şeylerden,

to the things that were more obvious,

telefon faturalarına ne kadar harcadıklarını

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

takip etmek gibi daha aşikâr olan şeylere kadar.

Ve neler olduğunu gösteren bu, çok daha bütüncül olan

And I was able to create this much more holistic picture

of what was happening.

resmi yapabildim.

And that's when I started to realize

Ve işte o zaman

that even the poorest in China would want a smartphone,

en fakir Çinlinin bile bir akıllı telefon istediğini ve onlardan birine

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

el sürebilmek için neredeyse ne olursa yapacaklarını fark etmeye başladım.

You have to keep in mind,

Unutmamalısınız ki,

iPhones had just come out, it was 2009,

iPhone'lar yeni çıkmıştı, 2009 yılıydı,

so this was, like, eight years ago,

yani bu, sekiz yıl kadar önce

and Androids had just started looking like iPhones.

ve Android'ler henüz iPhone'lar gibi gözükmeye başlamıştı.

And a lot of very smart and realistic people said,

Birçok zeki ve gerçekçi kişi şöyle söyledi:

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

"Bu akıllı telefonlar -- bir heves.

Who wants to carry around these heavy things

Pili hemen biten ve her düştüğünde kırılan

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

bu ağır şeyleri kim taşımak ister?"

But I had a lot of data,

Fakat çok fazla verim vardı

and I was very confident about my insights,

ve sezgilerim konusunda kendimden çok emindim,

so I was very excited to share them with Nokia.

bu yüzden bunları Nokia ile paylaşmak için sabırsızlanıyordum.

But Nokia was not convinced,

Ama Nokia ikna olmamıştı,

because it wasn't big data.

çünkü bu büyük veri değildi.

They said, "We have millions of data points,

"Elimizde milyonlarca veri noktası var

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

ve kimsenin akıllı telefon almak istediğine dair bir işaret görmüyoruz

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

ve 100 olan veri kümen çok kapsamlı olsa da,

for us to even take seriously."

ciddiye alamayacağımız kadar zayıf."

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

Ben de, "Nokia, haklısın.

Of course you wouldn't see this,

Tabii ki bunu göremezsiniz,

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

çünkü insanların akıllı telefonun ne olduğunu bilmediğini varsayan

what a smartphone is,

anketler yapıyorsunuz,

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

o yüzden tabii ki iki yıl içinde

about people wanting to buy a smartphone in two years.

akıllı telefon almak isteyen insanlar hakkında veri dönüşü alamazsınız.

Your surveys, your methods have been designed

Anketçileriniz, metodlarınız mevcut bir iş modelini

to optimize an existing business model,

en iyi hale getirmek için tasarlandı

and I'm looking at these emergent human dynamics

ve ben henüz oluşmamış

yeni insan dinamiklerine bakıyorum.

that haven't happened yet.

We're looking outside of market dynamics

Biz pazar dinamikleri dışından bakıyoruz,

so that we can get ahead of it."

ki onların önüne geçebilelim."

Well, you know what happened to Nokia?

Nokia'ya ne olduğunu biliyor musunuz?

Their business fell off a cliff.

İşleri uçurumdan yuvarlandı.

This -- this is the cost of missing something.

Bu, bir şeyi kaçırmanın bedeli.

It was unfathomable.

Bu akıl sır ermez bir şeydi.

But Nokia's not alone.

Ama Nokia yalnız değil.

I see organizations throwing out data all the time

Sürekli verileri görmezden gelen şirketler görüyorum

because it didn't come from a quant model

çünkü bu nicel bir modelden gelmiyor

or it doesn't fit in one.

veya birine uymuyor.

But it's not big data's fault.

Ama bu, büyük verinin hatası değil.

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

Bu bizim büyük veriyi kullanma şeklimiz; bu bizim sorumluluğumuz.

Big data's reputation for success

Büyük verinin başarı şöhreti

comes from quantifying very specific environments,

çok belirli çevrelerin nicelendirilmesinden geliyor.

like electricity power grids or delivery logistics or genetic code,

Örneğin; enerji nakil şebekeleri veya dağıtım lojistikleri veya genetik kod gibi

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

az çok kapsamlı sistemler.

But not all systems are as neatly contained.

Ama tüm sistemler bu kadar düzgün belirlenmemiştir.

When you're quantifying and systems are more dynamic,

Belirleme yaparken ve sistemler daha dinamikse,

especially systems that involve human beings,

özellikle insanı içeren sistemler,

forces are complex and unpredictable,

kuvvetler karmaşık ve kestirilemez

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

ve bunlar, nasıl modelleyeceğimizi çok iyi bilmediğimiz sistemler.

Once you predict something about human behavior,

İnsan davranışları hakkında bir tahminde bulunduğunuzda

new factors emerge,

yeni faktörler ortaya çıkar,

because conditions are constantly changing.

çünkü şartlar sürekli değişmektedir.

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

Bu yüzen hiç bitmeyen bir döngüdür.

You think you know something,

Bir şeyi bildiğinizi düşünürsünüz

and then something unknown enters the picture.

ve sonra bilinmeyen bir şey olaya dahil olur.

And that's why just relying on big data alone

Ve bu yüzden, sadece büyük veriye güvenmek

increases the chance that we'll miss something,

bir şeyleri kaçırma ihtimalini artırarak

while giving us this illusion that we already know everything.

zaten her şeyi bildiğimizi düşündürerek bizi yanıltır.

And what makes it really hard to see this paradox

Ve bu paradoksu görmeyi ve hatta

and even wrap our brains around it

anlam vermemizi zorlaştıran şey

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

nicelleştirme önyargısı olarak adlandırdığım

which is the unconscious belief of valuing the measurable

ölçülemez olan yerine ölçülebilir olan şeye değer biçme

over the immeasurable.

bilinç dışı inancıdır.

And we often experience this at our work.

Ve bunu işimizde sık sık yaşıyoruz.

Maybe we work alongside colleagues who are like this,

Belki bu gibi meslektaşların yanında çalışıyoruz

or even our whole entire company may be like this,

veya hatta belki de tüm şirketimiz böyledir.

where people become so fixated on that number,

İnsanlar o numaraya sabitlenmiştir,

that they can't see anything outside of it,

onun dışında hiçbir şey göremiyorlardır,

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

hatta kanıtları onların gözlerine soktuğunuzda bile.

And this is a very appealing message,

Bu çok albenili bir mesajdır,

because there's nothing wrong with quantifying;

çünkü belirlemenin yanlış bir tarafı yoktur;

it's actually very satisfying.

aslında çok tatmin edicidir.

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

Çok basit Excel tablolarına baktığımda bile

even very simple ones.

huzurla doluyorum.

(Laughter)

(Gülüşmeler)

It's just kind of like,

Bu şunun gibidir:

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

"Evet! Formül işe yaradı. Her şey tamam. Her şey kontrol altında."

But the problem is

Ama problem şu ki,

that quantifying is addictive.

belirleme işi bağımlılık yapıyor.

And when we forget that

Ve bunu unuttuğumuzda

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

ve bunu kontrolde tutacak bir şeyimiz yoksa,

it's very easy to just throw out data

veriyi çöpe atmak çok kolaydır

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

çünkü sayısal değer olarak ifade edilemez.

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

Basit bir çözüm varmış gibi sihirli değnek düşüncesine girmek

as if some simple solution existed.

çok kolaydır.

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

Çünkü bu her şirket için büyük tehlike anıdır,

because oftentimes, the future we need to predict --

çünkü çoğu zaman, tahmin etmemiz gereken gelecek,

it isn't in that haystack,

ot yığınının içinde değil,

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

ahırın dışından üzerimize gelen

outside of the barn.

o kasırgadır.

There is no greater risk

Bilinmeyeni görememekten

than being blind to the unknown.

daha büyük bir risk yoktur.

It can cause you to make the wrong decisions.

Bu, yanlış kararlar vermenize neden olabilir.

It can cause you to miss something big.

Büyük bir şey kaçırmanıza neden olabilir.

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

Fakat bu yoldan gitmek zorunda değiliz.

It turns out that the oracle of ancient Greece

Meğer antik Yunan kâhinlerinin elinde

holds the secret key that shows us the path forward.

bizi ileriye götürecek olan yolun gizli anahtarı varmış.

Now, recent geological research has shown

Yakın zamanda yapılan jeolojik araştırma

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

en meşhur kâhinin oturduğu Apollo Tapınağının aslında

was actually built over two earthquake faults.

iki deprem fayı üzerine inşa edildiğini gösterdi.

And these faults would release these petrochemical fumes

Ve bu faylar Dünya'nın kabuğu altından

from underneath the Earth's crust,

petro-kimyasal gazlar salıyor

and the oracle literally sat right above these faults,

ve kâhin tam olarak bu fayların üzerine oturmuş,

inhaling enormous amounts of ethylene gas, these fissures.

bu yarıklardan gelen muazzam miktarda etilen gazını soluyor.

(Laughter)

(Kahkaha)

It's true.

Bu doğru.

(Laughter)

(Kahkaha)

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

Hepsi doğru ve onun saçmalamasına ve hayal görmesine ve onu

and go into this trance-like state.

trans durumuna sokan şey bu.

She was high as a kite!

Bir uçurtma kadar yüksekte uçuyordu.

(Laughter)

(Kahkaha)

So how did anyone --

Peki bir kimse nasıl --

How did anyone get any useful advice out of her

Peki bir kimse kadın bu haldeyken

in this state?

ondan nasıl faydalı bir tavsiye alır?

Well, you see those people surrounding the oracle?

Kâhinin etrafını saran insanları görüyor musunuz?

You see those people holding her up,

Bu insanların onu tutmasının sebebi

because she's, like, a little woozy?

kadının kafasının güzel olması mı?

And you see that guy on your left-hand side

Peki sol tarafta turuncu defteri tutan

holding the orange notebook?

adamı görüyor musunuz?

Well, those were the temple guides,

Bunlar tapınak rehberleriydi

and they worked hand in hand with the oracle.

ve kâhinle el ele çalışıyorlardı.

When inquisitors would come and get on their knees,

Talepte bulunanlar gelip dizlerinin üzerine çöktüklerinde

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

tapınak rehberleri işe koyulur,

because after they asked her questions,

çünkü kâhine sorularını sorduktan sonra

they would observe their emotional state,

rehberler kişinin duygusal durumunu gözlemler

and then they would ask them follow-up questions,

ve ona sorular sorarlar:

"Bu kehaneti neden bilmek istiyorsun? Sen kimsin?

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

What are you going to do with this information?"

Bu bilgi ile ne yapacaksın?"

Ve sonra tapınak rehberleri bu daha çok kültürel,

And then the temple guides would take this more ethnographic,

this more qualitative information,

bu daha çok nitel bilgiyi alır

and interpret the oracle's babblings.

ve kâhinin zırvalamalarını yorumlardı.

So the oracle didn't stand alone,

Yani kâhin tek başına değildi

and neither should our big data systems.

ve bizim büyük verimiz de öyle olmalı.

Now to be clear,

Yanlış anlaşılmasın,

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

büyük veri sistemlerinin etilen gazı olduğunu

or that they're even giving invalid predictions.

veya geçersiz tahminlerde bulunduğunu söylemiyorum.

The total opposite.

Tam tersi.

But what I am saying

Ama söylediğim şey şu;

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

kâhinin tapınak rehberlerine ihtiyaç duyması gibi

our big data systems need them, too.

büyük veri sistemlerimiz de buna ihtiyaç duyar.

They need people like ethnographers and user researchers

Yoğun veri dediğim şeyleri toplayabilen

etnograflar ve kullanıcı araştırmacıları gibi insanlara ihtiyaçları var.

who can gather what I call thick data.

This is precious data from humans,

Bu, insanlardan gelen, nicelleştirilemeyen

like stories, emotions and interactions that cannot be quantified.

hikâyeler, duygular ve etkileşimler gibi değerli verilerdir.

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

Nokia için topladığım benzer veri

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

çok küçük bir örnek boyutu formundaydı

but delivers incredible depth of meaning.

ancak inanılmaz derin mana katmaktaydı.

And what makes it so thick and meaty

Onu bu kadar yoğun ve özlü yapan şey

is the experience of understanding the human narrative.

insan anlatısını anlama deneyimidir.

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

Ve modellerimizde neyin eksik olduğunu görmeye yardım eden de bu.

Thick data grounds our business questions in human questions,

Yoğun veri işle ilgili sorularımızı insanla ilgili sorularımızla temellendirir

and that's why integrating big and thick data

ve bu nedenle büyük ve yoğun veriyi birleştirmek

forms a more complete picture.

daha bütün bir resim oluşturur.

Big data is able to offer insights at scale

Büyük veri ölçekli sezgi sağlayıp

and leverage the best of machine intelligence,

en iyi makine zekâsını geliştirebilir,

whereas thick data can help us rescue the context loss

oysa yoğun veri bize büyük veriyi kullanılabilir yaparken

that comes from making big data usable,

oluşan içerik kaybını kurtarmamızda yardım edebilir

and leverage the best of human intelligence.

ve en iyi insan zekâsını geliştirir.

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

Ve bu ikisini birleştirdiğinizde işler eğlenceli hale gelir,

çünkü artık sadece topladığınız veriyle

because then you're no longer just working with data

çalışıyor olmazsınız.

you've already collected.

Ayrıca henüz toplanmamış veriyle çalışabilirsiniz.

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

Kendinize nedenlerle ilgili sorular sorabilirsiniz:

You get to ask questions about why:

Why is this happening?

Bu neden oluyor?

Now, when Netflix did this,

Netflix bunu yaptığında,

they unlocked a whole new way to transform their business.

işlerini dönüştürmek için tamamen yeni bir yolun kilidini açtı.

Netflix is known for their really great recommendation algorithm,

Netflix gerçekten harika tavsiye algoritmasıyla bilinir

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

ve bunu geliştirecek kişi için 1 milyon dolarlık ödül koydular

And there were winners.

ve kazananlar oldu.

But Netflix discovered the improvements were only incremental.

Ama Netflix yapılan geliştirmelerin sadece aşamalı olduğunu keşfetti.

So to really find out what was going on,

Ve gerçekte neler olduğunu bulması,

they hired an ethnographer, Grant McCracken,

yoğun veri içgörülerini toplaması için

to gather thick data insights.

etnograf Grant McCracken'i işe aldılar.

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

Ve o, kantitatif veride ilk başta görmedikleri

in the quantitative data.

bir şeyi keşfetti.

He discovered that people loved to binge-watch.

İnsanların dizileri peş peşe izlemeyi sevdiğini keşfetti.

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

Doğrusu insanlar bu konuda suçlu da hissetmiyorlardı.

They enjoyed it.

Bu onları eğlendiriyordu.

(Laughter)

(Kahkaha)

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

Netflix de, "Bu yeni bir anlayış" dedi.

So they went to their data science team,

Onlar da veri araştırma ekiplerine gittiler

and they were able to scale this big data insight

ve ekipleri de büyük veri içgörülerini nicel veri içinde

in with their quantitative data.

ölçeklendirmeyi başardı.

And once they verified it and validated it,

Ve bunu onaylayıp doğruladıklarında,

Netflix decided to do something very simple but impactful.

Netflix çok basit ama çok etkili bir şey yapmaya karar verdi.

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

Şunu söylediler: Aynı şovu farklı türlerden

veya benzer kullanıcılardan gelen farklı şovlardan daha fazla sunmak yerine,

or more of the different shows from similar users,

we'll just offer more of the same show.

aynı şovdan daha fazlasını sunacağız.

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

Bölümlerini peş peşe izlemeyi kolaylaştıracağız.

And they didn't stop there.

Ve orada da durmadılar.

They did all these things

Tüm bunları tüm izleyici deneyimini

to redesign their entire viewer experience,

tekrar tasarlamak ve seri izlemeyi

to really encourage binge-watching.

desteklemek için yaptılar.

Bu yüzden insanlar ve arkadaşlarınız, "Master of None" gibi dizileri izlemek

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

catching up on shows like "Master of None."

için tüm hafta sonu birden kayboluyordu.

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

Büyük veri ve yoğun veriyi birleştirerek işlerini geliştirmekle kalmadılar,

but they transformed how we consume media.

medyayı tüketim şeklimizi de değiştirdiler.

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

Ve şimdi hisse senetlerinin sonraki birkaç yılda iki katına çıkacağı öngörülüyor.

But this isn't just about watching more videos

Fakat mesele sadece daha çok video izlemek

veya daha çok akıllı telefon satmak değil.

or selling more smartphones.

For some, integrating thick data insights into the algorithm

Kimisi için, yoğun veri içgörüsünü algoritmaya entegre etmek

could mean life or death,

ölüm kalım meselesidir,

especially for the marginalized.

özellikle de ötekileştirilenler için.

All around the country, police departments are using big data

Tüm ülke çapında, polis merkezleri

for predictive policing,

öngörücü polislik için,

to set bond amounts and sentencing recommendations

mevcut önyargıları güçlendirecek şekilde kefalet miktarını ayarlamak

in ways that reinforce existing biases.

ve cezalandırma önerileri için büyük veriyi kullanıyor.

NSA's Skynet machine learning algorithm

Ulusal Güvenlik Teşkilatı'nın Skynet makine öğrenimi algoritması

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

muhtemelen mobil cihaz verilerinin yanlış okunması nedeniyle

from misreading cellular device metadata.

binlerce Pakistanlının ölmesine sebep oldu.

As all of our lives become more automated,

Otomobillerden sağlık sigortasına veya istihdama,

from automobiles to health insurance or to employment,

tüm hayatımız otomatikleştikçe

it is likely that all of us

muhtemelen hepimiz

will be impacted by the quantification bias.

nicelleştirme önyargısından etkileneceğiz.

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

Şimdi, iyi haber şu ki, etilen gazından

from huffing ethylene gas to make predictions.

tahminlerde bulunmaya kadar uzun bir yol geldik.

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

Daha iyi araçlarımız var, gelin onları daha iyi kullanalım.

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

Gelin büyük veriyi yoğun veriyle entegre edelim.

Let's bring our temple guides with the oracles,

Gelin tapınak rehberleriyle kâhinleri bir araya getirelim

and whether this work happens in companies or nonprofits

ve bu işin şirketlerde, kâr amacı gütmeyen kuruluşlarda,

or government or even in the software,

devlette veya yazılımda çalışıp çalışmadığını öğrenelim,

all of it matters,

hepsi önemlidir,

because that means we're collectively committed

çünkü bu, toplu olarak veriyi, algoritmaları,

to making better data,

sonuçları ve verilen kararları

better algorithms, better outputs

daha iyi hale getirmeye

and better decisions.

kararlı olduğumuz anlamına gelir.

This is how we'll avoid missing that something.

İşte bu şekilde o bir şeyleri kaçırmaktan sakınacağız.

(Applause)

(Alkış)