Kenneth Cukier: Big data is better data

Перекладач: Elena Pedosyuk Утверджено: Hanna Leliv

America's favorite pie is?

Улюблений пиріг американців?

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

Аудиторія: Яблучний. Кеннет Кук'єр: Яблучний. Звісно ж.

How do we know it?

Звідки нам про це відомо?

Because of data.

Завдяки даним.

You look at supermarket sales.

Дивимось на розпродаж в супермаркеті.

You look at supermarket sales of 30-centimeter pies

На торгівлю 30-сантиметровими замороженими

that are frozen, and apple wins, no contest.

пирогами, і яблучний, без сумніву, виграє.

The majority of the sales are apple.

Більшість продаж - пироги з яблуками.

But then supermarkets started selling

Проте згодом супермаркети почали продавати

smaller, 11-centimeter pies,

менші, 11-сантиметрові пироги,

and suddenly, apple fell to fourth or fifth place.

і раптово рейтинг яблучних знизився до четвертого чи п'ятого місця.

Why? What happened?

Чому? Що трапилось?

Okay, think about it.

Гаразд, поміркуйте про це.

When you buy a 30-centimeter pie,

Коли ви купуєте 30-сантиметровий пиріг,

the whole family has to agree,

уся сім'я змушена погодитись,

and apple is everyone's second favorite.

і пиріг з яблуками виявляється улюбленим кожного другого.

(Laughter)

(Сміх)

But when you buy an individual 11-centimeter pie,

Проте якщо ви купуєте 11-сантиметровий пиріг,

you can buy the one that you want.

ви можете придбати той, який бажаєте.

You can get your first choice.

Ви можете повернутись до першого вибору.

You have more data.

У вас більше інформації.

You can see something

Ви можете помітити щось,

that you couldn't see

що не помічали тоді,

when you only had smaller amounts of it.

коли у вас були лише окремі факти.

Now, the point here is that more data

І ось, ключовим моментом є те, що додаткові дані

doesn't just let us see more,

не тільки дають можливість бачити

more of the same thing we were looking at.

інші аспекти аналізованого об'єкта.

More data allows us to see new.

Більше даних дозволяють бачити нове.

It allows us to see better.

Бачити краще.

It allows us to see different.

Бачити інакше.

In this case, it allows us to see

У цьому випадку, дані дозволяють побачити

what America's favorite pie is:

який же з пирогів є улюбленим серед американців:

not apple.

не з яблуками.

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

Так от, ви всі, напевне, чули визначення "великі дані".

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

Власне, ви, мабуть, втомилися чути про

big data.

великий об'єм даних.

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

Термін є дійсно дуже розрекламованим,

and that is very unfortunate,

і це дуже сумно,

because big data is an extremely important tool

тому що велика кількість даних є важливим інструментом,

by which society is going to advance.

за допомогою якого суспільство розвиватиметься.

In the past, we used to look at small data

В минулому ми брали до уваги невеликі об'єми інформації

and think about what it would mean

і думали, що б вони могли означати

to try to understand the world,

для спроби розуміння світу,

and now we have a lot more of it,

а тепер у нас набагато більше даних -

more than we ever could before.

більше, ніж могло б коли-небудь бути.

What we find is that when we have

Отож, коли ми маємо

a large body of data, we can fundamentally do things

велику масу даних, ми маємо можливість робити те,

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

чого не могли, коли даних було значно менше.

Big data is important, and big data is new,

Великі дані важливі, великі дані інноваційні,

and when you think about it,

і якщо задуматись,

the only way this planet is going to deal

для нашої планети єдиним шляхом подолати

with its global challenges —

виклики світового значення є

to feed people, supply them with medical care,

нагодувати людей, забезпечити їх медичною допомогою,

supply them with energy, electricity,

енергією, електрикою,

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

впевнитись, що вони не згоріли дотла

because of global warming —

через глобальне потепління

is because of the effective use of data.

за допомогою ефективного використання інформації.

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

Що ж нового у великих даних? В чому ж суть?

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

Щоб дати відповідь на запитання, подумаймо

what information looked like,

про те, який вигляд мала інформація,

physically looked like in the past.

як вона фізично виглядала в минулому.

In 1908, on the island of Crete,

У 1908 на острові Крит

archaeologists discovered a clay disc.

археологи знайшли глиняний диск.

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

Він датувався 2000 роком до н.е., отже йому приблизно 4000 років.

Now, there's inscriptions on this disc,

На диску є надписи,

but we actually don't know what it means.

але їхнє значення невідоме.

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

Повна таємниця, але суть в тому, що

this is what information used to look like

таким чином інформація виглядала

4,000 years ago.

4000 років тому.

This is how society stored

Отак суспільство накопичувало

and transmitted information.

і передавало дані.

Now, society hasn't advanced all that much.

Відтоді суспільство не дуже розвинулось.

We still store information on discs,

Ми все ще накопичуємо інформацію на дисках,

but now we can store a lot more information,

проте сьогодні можна зберігати набагато більше даних

more than ever before.

ніж коли-небудь раніше.

Searching it is easier. Copying it easier.

Пошук даних спростився. Спростилося й копіювання.

Sharing it is easier. Processing it is easier.

А також обмін та обробка.

And what we can do is we can reuse this information

І ми можемо повторно використовувати інформацію

for uses that we never even imagined

для цілей, яких не могли навіть уявити

when we first collected the data.

під час первинного збору даних.

In this respect, the data has gone

В цьому плані дані пройшли шлях

from a stock to a flow,

від запасів до потоку,

from something that is stationary and static

від стаціонарного і статичного

to something that is fluid and dynamic.

до чогось швидкоплинного і динамічного.

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

Плинність інформації, якщо бажаєте.

The disc that was discovered off of Crete

Диск, знайдений на Криті

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

і якому 4000 років, досить важкий,

it doesn't store a lot of information,

не зберігає багато інформації,

and that information is unchangeable.

і ця інформація незмінна.

By contrast, all of the files

Для порівняння, усі файли,

that Edward Snowden took

взяті Едвардом Сноуденом

from the National Security Agency in the United States

з Агентства національної безпеки США,

fits on a memory stick

вміщуються на карті пам'яті,

the size of a fingernail,

завбільшки з ніготь,

and it can be shared at the speed of light.

і її можна поширити зі швидкістю світла.

More data. More.

Більше даних. Більше.

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

Однією з причин, чому нині ми маємо стільки

is we are collecting things

даних є те, що ми збираємо пристрої,

that we've always collected information on,

на яких досі збирали інформацію,

but another reason why is we're taking things

а ще те, що ми зберігаємо матеріали,

that have always been informational

які завжди були інформаційними,

but have never been rendered into a data format

але ніколи не трансформувалися у формат даних,

and we are putting it into data.

а зараз ми це їх переводимо в цифровий формат.

Think, for example, the question of location.

Тепер подумаймо, наприклад, про місцезнаходження.

Take, for example, Martin Luther.

Візьмемо для прикладу Мартіна Лютера.

If we wanted to know in the 1500s

Якщо б у 1500-ті ми захотіли

where Martin Luther was,

дізнатись, де був Мартін Лютер,

we would have to follow him at all times,

ми б мусили слідкувати за ним весь час,

maybe with a feathery quill and an inkwell,

можливо, навіть з пером і чорнильницею,

and record it,

і занотовувати,

but now think about what it looks like today.

проте подумаймо, як все це виглядає тепер.

You know that somewhere,

Вам відомо, що десь,

probably in a telecommunications carrier's database,

мабуть, в базі даних постачальника телекомунікацій

there is a spreadsheet or at least a database entry

є таблиця чи, принаймні, запис

that records your information

з інформацією про те,

of where you've been at all times.

де ви весь час бували.

If you have a cell phone,

Якщо у вас є мобільний телефон,

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

і в ньому є GPS, і навіть якщо GPS немає,

it can record your information.

він все одно може записувати інформацію про вас.

In this respect, location has been datafied.

В цьому відношенні місцезнаходження задокументовано.

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

Тепер візьмемо до уваги, наприклад, позу,

the way that you are all sitting right now,

те, як ми зараз сидимо,

the way that you sit,

те, як ви сидите,

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

те, як сидите ви, чи ви.

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

Всі сидять по-різному залежно від

and your back and the contours of your back,

довжини ніг, спини і форми спини,

and if I were to put sensors, maybe 100 sensors

а якщо б я зараз встановив сенсори, десь 100 сенсорів

into all of your chairs right now,

у ваші сидіння,

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

я б зміг вивести індивідуальний індекс для кожного з вас,

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

щось на кшталт відбитка пальця, але це не пальці.

So what could we do with this?

Що ж можна з усім цим зробити?

Researchers in Tokyo are using it

Дослідники з Токіо використовують це

as a potential anti-theft device in cars.

як потенційний протиугінний пристрій в автомобілях.

The idea is that the carjacker sits behind the wheel,

Суть в тому, що водій сідає за кермо,

tries to stream off, but the car recognizes

намагається втекти, але машина розпізнає

that a non-approved driver is behind the wheel,

водія без належного доступу за кермом,

and maybe the engine just stops, unless you

і мабуть, двигун затихне, аж поки не

type in a password into the dashboard

ввести пароль на приборній панелі,

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

щоб прозвучало, "Агов, у мене є доступ до водіння". Чудово.

What if every single car in Europe

Що якщо б кожне авто Європи було

had this technology in it?

обладнане цією технологією?

What could we do then?

Що б ми змогли зробити?

Maybe, if we aggregated the data,

Мабуть, якщо б зібрати усі дані,

maybe we could identify telltale signs

ми б могли розпізнати індикатори приборної панелі,

that best predict that a car accident

які найкраще сповіщають про можливе зіткнення

is going to take place in the next five seconds.

у наступні п'ять секунд.

And then what we will have datafied

І тоді б була задокументована

is driver fatigue,

втома водія,

and the service would be when the car senses

а машина б розпізнавала,

that the person slumps into that position,

що водій безпосередньо провалюється в ту позу,

automatically knows, hey, set an internal alarm

автоматично визначала й посилала внутрішній сигнал:

that would vibrate the steering wheel, honk inside

вібрація керма, салонний гудок,

to say, "Hey, wake up,

і сповіщала: "Агов, прокидайся,

pay more attention to the road."

сконцентруйся на дорозі".

These are the sorts of things we can do

Ось такого типу речі ми можемо робити,

when we datafy more aspects of our lives.

документуючи й інші аспекти нашого життя.

So what is the value of big data?

В чому цінність великих даних?

Well, think about it.

Що ж, подумайте про це.

You have more information.

У вас більше інформації.

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

Ви можете робити речі, які перед тим робити не доводилось.

One of the most impressive areas

Однією з вражаючих сфер

їхнього використання

where this concept is taking place

є машинне навчання.

is in the area of machine learning.

Машинне навчання є частиною штучного інтелекту,

Machine learning is a branch of artificial intelligence,

який, своєю чергою, належить до інформатики.

which itself is a branch of computer science.

Ідея в тому, що замість

The general idea is that instead of

того, щоб задати певний алгоритм дій,

instructing a computer what do do,

ми просто спрямуємо дані на проблему

we are going to simply throw data at the problem

і дамо можливість комп'ютеру розібратись самому.

and tell the computer to figure it out for itself.

Зрозуміти це допоможе

And it will help you understand it

розгляд походження.

by seeing its origins.

У 1950-х вчений-інформатик

In the 1950s, a computer scientist

компанії IBM Артур Семюел полюбляв грати в шашки,

at IBM named Arthur Samuel liked to play checkers,

отож він створив програму,

so he wrote a computer program

щоб грати проти комп'ютера.

so he could play against the computer.

Він грав. Він перемагав.

He played. He won.

Грав. Перемагав.

He played. He won.

Грав. Перемагав,

He played. He won,

тому що комп'ютеру було відомо тільки

because the computer only knew

правильні ходи.

what a legal move was.

Артур Семюел знав дещо інше.

Arthur Samuel knew something else.

Артур Семюел знав стратегію.

Arthur Samuel knew strategy.

Тому він написав невелику під-програму,

So he wrote a small sub-program alongside it

яка працювала у фоновому режимі

operating in the background, and all it did

і вираховувала ймовірність

was score the probability

того, що задана конфігурація призведе

that a given board configuration would likely lead

до перемоги, а не зазнає поразки

to a winning board versus a losing board

після кожного ходу.

after every move.

Він грає проти комп'ютера. Він перемагає.

He plays the computer. He wins.

Грає проти комп'ютера. Перемагає.

He plays the computer. He wins.

Грає проти комп'ютера. Перемагає.

He plays the computer. He wins.

А потім Артур Семюел залишає комп'ютер

And then Arthur Samuel leaves the computer

грати із самим собою.

to play itself.

Він грає сам з собою. Збирає більше даних.

It plays itself. It collects more data.

Зберігає більше даних. Підвищує точність передбачення.

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

І ось Артур Семюел повертається до комп' ютера,

And then Arthur Samuel goes back to the computer

і грає, і програє,

and he plays it, and he loses,

грає, і програє,

and he plays it, and he loses,

грає, і програє,

and he plays it, and he loses,

і от Артур Семюел створює пристрій,

and Arthur Samuel has created a machine

що випереджує його здатність виконувати певні завдання.

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

Ця ідея машинного навчання

And this idea of machine learning

поширюється усюди.

is going everywhere.

Як, на вашу думку, з'явились самокеровані авто?

How do you think we have self-driving cars?

Стали б ми розвиненішим суспільством, довіряючи

Are we any better off as a society

правила дорожнього руху комп'ютерам?

enshrining all the rules of the road into software?

Ні. Пам'ять дешевша? Ні.

No. Memory is cheaper. No.

Алгоритми швидші? Ні. Процесори кращі? Ні.

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

Усі ці речі мають значення, але суть не в тому.

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

Все тому, що ми змінили саму проблему.

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

Ми змінили проблему з однієї,

We changed the nature of the problem from one

у якій намагалися чітко і ясно

in which we tried to overtly and explicitly

пояснити комп'ютеру як керувати,

explain to the computer how to drive

до такої, де кажемо:

to one in which we say,

"Ось багато даних про авто.

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

З'ясовуй.

You figure it out.

Зрозумій, що таке світлофор,

You figure it out that that is a traffic light,

що він червоний, а не зелений,

that that traffic light is red and not green,

що він означає зупинитись,

that that means that you need to stop

а не рухатись далі".

and not go forward."

Машинне навчання є основою

Machine learning is at the basis

багатьох речей онлайн:

of many of the things that we do online:

пошукових систем,

search engines,

алгоритму персоналізації Amazon,

Amazon's personalization algorithm,

комп'ютерного перекладу,

computer translation,

систем голосового розпізнавання.

voice recognition systems.

Дослідники недавно зосередились на

Researchers recently have looked at

проблемі біопсії,

the question of biopsies,

біопсії ракових клітин,

cancerous biopsies,

вони дали завдання комп'ютеру ідентифікувати

and they've asked the computer to identify

за допомогою даних і процентів виживання,

by looking at the data and survival rates

чи клітини дійсно

to determine whether cells are actually

уражені раком чи ні,

cancerous or not,

і справді, коли ви спрямовуєте на це дані,

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

через алгоритм машинного навчання,

through a machine-learning algorithm,

пристрій може ідентифікувати

the machine was able to identify

12 ознак, які найкраще визначають,

the 12 telltale signs that best predict

що біоптат ракових клітин

that this biopsy of the breast cancer cells

дійсно раковий.

are indeed cancerous.

Проблема: медичній літературі

The problem: The medical literature

відомо тільки 9 з них.

only knew nine of them.

Три з ознак раніше

Three of the traits were ones

не були взагалі відомі,

that people didn't need to look for,

проте машина їх знайшла.

but that the machine spotted.

Так от, у великих даних є й вади.

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

Вони покращують наше життя, але існують й проблеми,

It will improve our lives, but there are problems

про які ми мусимо знати,

that we need to be conscious of,

і найпершою є ідея того,

and the first one is the idea

що нас можуть покарати за передбачення,

that we may be punished for predictions,

що поліція використовуватиме дані на власний розсуд,

that the police may use big data for their purposes,

щось на кшталт "Особливої думки."

a little bit like "Minority Report."

Термін має назву прогностичної

Now, it's a term called predictive policing,

політики або алгоритмічної кримінології,

or algorithmic criminology,

і якщо ми візьмемо до уваги багато відомостей,

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

наприклад, колишні місця злочинів,

for example where past crimes have been,

ми б знали, куди посилати патрулі.

we know where to send the patrols.

Логічно, але, звісно ж, проблема

That makes sense, but the problem, of course,

в тому, що все не зупиниться на даних про локацію,

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

а пошириться й на приватний рівень.

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

Чому б не використати інформацію

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

про чийсь атестат?

high school transcript?

Можливо, нам згодяться факти про

Maybe we should use the fact that

роботу, кредитний рейтинг,

they're unemployed or not, their credit score,

поведінку в глобальній мережі,

their web-surfing behavior,

чи хтось не спить допізна.

whether they're up late at night.

Прилади, які вимірюють біологічні дані,

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

покажуть наявність агресивних думок.

will show that they have aggressive thoughts.

Ми можемо виробити алгоритми, які зможуть

We may have algorithms that are likely to predict

передбачити наші дії, але є ймовірність

what we are about to do,

притягнення до відповідальності

and we may be held accountable

ще перед самою спробою.

before we've actually acted.

Конфіденційність була основним викликом

Privacy was the central challenge

епохи невеликих даних.

in a small data era.

У періоді великого об'єму даних

In the big data age,

проблемою є безпека свободи волі,

the challenge will be safeguarding free will,

морального вибору, бажань,

moral choice, human volition,

свободи дій.

human agency.

Існує й інша проблема:

There is another problem:

великі дані скоротять робочі місця.

Big data is going to steal our jobs.

Вони разом з алгоритмами поставлять під сумнів роботу

Big data and algorithms are going to challenge

"білих комірців", професійні знання

white collar, professional knowledge work

21-го століття

in the 21st century

таким же чином, як автоматизація

in the same way that factory automation

і конвеєризація кинули виклик

and the assembly line

"синім комірцям" у 20-му столітті.

challenged blue collar labor in the 20th century.

Подумайте про лаборанта,

Think about a lab technician

що розглядає у мікроскоп

who is looking through a microscope

раковий біоптат

at a cancer biopsy

і визначає, чи він дійсно раковий.

and determining whether it's cancerous or not.

Ця людина закінчила університет.

The person went to university.

Ця людина купує речі.

The person buys property.

Він або вона голосує.

He or she votes.

Він або вона змінює суспільство.

He or she is a stakeholder in society.

І робота цієї людини,

And that person's job,

як і цілої флотилії таких же

as well as an entire fleet

професіоналів,

of professionals like that person,

радикально зміниться

is going to find that their jobs are radically changed

або й взагалі зникне.

or actually completely eliminated.

Так от, ми звикли думати, що технології створюють

Now, we like to think

місця на довгий час

that technology creates jobs over a period of time

після короткого, тимчасового періоду дезорганізації,

after a short, temporary period of dislocation,

і дійсно, таке відбувається в умовах,

and that is true for the frame of reference

в яких ми живемо, Індустріальній

with which we all live, the Industrial Revolution,

Революції, тому що саме так трапилось.

because that's precisely what happened.

Проче чогось бракує в цьому аналізі:

But we forget something in that analysis:

є деякі категорії праці, що просто

There are some categories of jobs

нівелюються і з часом зникають.

that simply get eliminated and never come back.

Індустріальна Революція мала б негативне значення,

The Industrial Revolution wasn't very good

якщо ви були б конем.

if you were a horse.

Отже, нам варто бути обережними

So we're going to need to be careful

і регулювати дані лише для певних потреб,

and take big data and adjust it for our needs,

головних людських потреб.

our very human needs.

Ми мусимо стати господарями цієї технології,

We have to be the master of this technology,

а не її рабами.

not its servant.

Ми на початку епохи великих даних,

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

і чесно кажучи, нам не вдається оперувати

and honestly, we are not very good

усіма даними, які можемо зібрати.

at handling all the data that we can now collect.

Це проблема не тільки АНБ.

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

Підприємства володіють багатьма даними, проте зложивають ними,

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

тому ми повинні покращити становище, хоч це й забере час.

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

Трохи схоже на виклик

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

перших людей і вогню.

by primitive man and fire.

Це не тільки інструмент, але й те, що,

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

доки ми не обережні, знищить нас.

unless we're careful, will burn us.

Великі дані змінять наше життя,

Big data is going to transform how we live,

працю і мислення.

how we work and how we think.

Вони допоможуть управляти працею

It is going to help us manage our careers

і бути задоволеним, повним сподівань,

and lead lives of satisfaction and hope

щасливим і здоровим,

and happiness and health,

але в минулому ми дивились на інформаційні технології

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

і бачили лише Т,

and our eyes have only seen the T,

технології, пристрої,

the technology, the hardware,

тому що все це було матеріальним.

because that's what was physical.

Тепер ж потрібно зосередитись на І,

We now need to recast our gaze at the I,

інформації,

the information,

яка, певно, є менш очевидною,

which is less apparent,

проте набагато важливішою.

but in some ways a lot more important.

Людство нарешті мати вигоду

Humanity can finally learn from the information

із зібраних відомостей,

that it can collect,

як частини наших вічних пошуків

as part of our timeless quest

розуміння світу і місця в ньому,

to understand the world and our place in it,

і ось тому великі дані мають велике значення.

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

(Applause)