The human insights missing from big data | Tricia Wang

247,414 views ・ 2017-08-02

TED


Будь ласка, двічі клацніть на англійські субтитри нижче, щоб відтворити відео.

Перекладач: Inna Fedorenko Утверджено: Khrystyna Romashko
00:12
In ancient Greece,
0
12705
1545
В стародавній Греції,
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
коли комусь: чи рабу чи солдату, поету чи політику
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
потрібно було прийняти найважливіше в житті рішення,
00:23
like, "Should I get married?"
3
23251
1391
типу: "Чи одружитися мені?",
00:24
or "Should we embark on this voyage?"
4
24666
1857
або "Чи повинні ми розпочати цю подорож?",
00:26
or "Should our army advance into this territory?"
5
26547
2928
або " Чи потрібно армії рушати на цю територію?",
00:29
they all consulted the oracle.
6
29499
2579
вони всі йшли за порадою до оракула.
00:32
So this is how it worked:
7
32840
1440
Як це працювало:
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
ви задаєте їй питання, стаєте на коліна
00:37
and then she would go into this trance.
9
37440
1871
і тоді вона впадає в транс.
00:39
It would take a couple of days,
10
39335
1549
Це займало кілька днів,
00:40
and then eventually she would come out of it,
11
40908
2163
і тоді, врешті, вона виходить з нього,
її передбачення і будуть вашою відповіддю.
00:43
giving you her predictions as your answer.
12
43095
2536
Від оракулів стародавнього Китаю
00:46
From the oracle bones of ancient China
13
46730
2566
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
до стародавньої Греції та календарів майя,
00:51
people have craved for prophecy
15
51689
2296
люди чекали на пророцтва,
щоб дізнатися, що відбудеться в майбутньому.
00:54
in order to find out what's going to happen next.
16
54009
3137
Все це тому, що нам потрібно прийняти правильні рішення.
00:58
And that's because we all want to make the right decision.
17
58336
3239
01:01
We don't want to miss something.
18
61599
1545
Ми не хочемо щось пропустити.
01:03
The future is scary,
19
63712
1743
Майбутнє є непевним,
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
тож набагато краще знати, що ми можемо прийняти рішення
01:08
with some assurance of the outcome.
21
68220
1982
з певною гарантією результату.
01:10
Well, we have a new oracle,
22
70899
1611
Що ж, у нас є новий оракул,
01:12
and it's name is big data,
23
72534
2145
його ім'я великі дані,
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
ми звемо його "Ватсон" чи "глибоке вивчення" або "нейронна мережа".
І ось найтиповіші з питань, які ми зараз питаємо нашого оракула,
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
"Який найефективніший спосіб переправити телефони
01:27
from China to Sweden?"
27
87142
1823
з Китаю до Швеції?"
01:28
Or, "What are the odds
28
88989
1800
Або "Які шанси,
01:30
of my child being born with a genetic disorder?"
29
90813
3363
що моя дитина народиться із вродженими вадами?"
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
Чи "Який обсяг продажів можна передбачити для цього товару?"
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
У мене є собака. Її звати Ель і вона ненавидить дощ.
01:43
And I have tried everything to untrain her.
32
103999
3306
Я спробувала все, щоб вона позбулась цього відчуття.
01:47
But because I have failed at this,
33
107329
2771
Але оскільки мені не вдалося,
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
я мала консультуватися з оракулом під назвою Темне Небо
01:53
every time before we go on a walk,
35
113434
1635
кожного разу, коли виходила з нею на прогулянку
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
для точних прогнозів погоди кожні 10 хвилин.
02:01
She's so sweet.
37
121355
1303
Вона така мила.
Через все це наш оракул - це індустрія у 122 мільйони доларів.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
02:09
Now, despite the size of this industry,
39
129826
3376
Та незважаючи на розмір цієї індустрії,
02:13
the returns are surprisingly low.
40
133226
2456
прибутки є надзвичайно низькими.
Дуже легко інвестувати в великі дані,
02:16
Investing in big data is easy,
41
136162
2494
02:18
but using it is hard.
42
138680
1933
але користуватися важко.
Більш ніж 73% проектів гігантських даних навіть не є прибутковими,
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
02:25
and I have executives coming up to me saying,
44
145865
2431
деякі керівники підходять до мене і кажуть,
02:28
"We're experiencing the same thing.
45
148320
1789
"Ми помічаємо те ж саме.
02:30
We invested in some big data system,
46
150133
1753
Ми інвестували в певну систему даних,
02:31
and our employees aren't making better decisions.
47
151910
2968
та наші співробітники не приймають кращі рішення.
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
І у них вже точно не з'являються проривні ідеї."
02:38
So this is all really interesting to me,
49
158734
3184
Це все дійсно мене цікавить,
02:41
because I'm a technology ethnographer.
50
161942
2010
оскільки я технологічний етнограф.
Я вивчаю та надаю компаніям
02:44
I study and I advise companies
51
164450
2564
зразки, як використовувати технології,
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
і одним із моїх інтересів є дані.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
Чому накопичення більшої кількості даних не допомагає приймати кращі рішення,
02:57
especially for companies who have all these resources
55
177464
2783
особливо для тих компаній, котрі мають всі ці ресурси
03:00
to invest in these big data systems?
56
180271
1736
для інвестицій у великі системи даних?
03:02
Why isn't it getting any easier for them?
57
182031
2398
Чому їм не стає легше?
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
Тож я на власні очі бачила цю боротьбу.
В 2009 році я розпочала своє дослідження в Nokia.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
В той час
03:13
And at the time,
60
193052
1158
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
Nokia була однією з найбільших компаній мобільного зв'язку у світі,
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
з основними ринками в Китаї, Мексиці та Індії --
03:20
all places where I had done a lot of research
63
200642
2502
це все місця, де я провела чимало досліджень про те,
03:23
on how low-income people use technology.
64
203168
2676
як люди із низьким доходом користуються технологіями.
03:25
And I spent a lot of extra time in China
65
205868
2330
І я провела чимало часу в Китаї,
03:28
getting to know the informal economy.
66
208222
2592
ознайомлюючись із неформальною економікою.
03:30
So I did things like working as a street vendor
67
210838
2401
Тож я працювала вуличним постачальником,
03:33
selling dumplings to construction workers.
68
213263
2574
продавала пельмені будівельникам.
03:35
Or I did fieldwork,
69
215861
1358
Або ж я працювала в полі,
03:37
spending nights and days in internet cafés,
70
217243
2958
проводила дні та ночі в інтернет-кафе,
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
проводила час з китайською молоддю, щоб зрозуміти,
03:42
how they were using games and mobile phones
72
222795
2284
як вони використовують ігри та мобільні телефони
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
та користуються ними між поїздками від сільських районів до міст.
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
Завдяки зібраним мною всім якісним доказам,
03:54
I was starting to see so clearly
75
234106
2824
я почала ясно бачити
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
ту велику зміну, яка мала відбутися серед китайців з низьким доходом.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
Хоча їх оточувала реклама продуктів для високого класу,
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
як чудернацькі туалети -- хто б такий не хотів? --
04:10
and apartments and cars,
79
250750
2890
чи квартира, чи автомобіль,
04:13
through my conversations with them,
80
253664
1820
розмовляючи з ними
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
я побачила, що їх найбільше вабила реклама
04:19
were the ones for iPhones,
82
259373
1996
одного з айфонів,
04:21
promising them this entry into this high-tech life.
83
261393
3052
що обіцяло їм квиток до такого високотехнологічного життя.
Навіть, коли я жила з ними в таких міських нетрях, як ось це місце,
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
04:28
I saw people investing over half of their monthly income
85
268476
2996
то бачила людей, котрі інвестували більшу половину свого місячного доходу
04:31
into buying a phone,
86
271496
1623
в покупку телефона,
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
і переважно це були "шанджай",
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
дешеві підробки айфонів та інших марок.
Ними можна було користуватися.
04:40
They're very usable.
89
280123
1625
Вони робили свою роботу.
04:42
Does the job.
90
282710
1322
Після кількох років спільного проживання з мігрантами та роботи з ними
04:44
And after years of living with migrants and working with them
91
284570
5789
04:50
and just really doing everything that they were doing,
92
290383
3434
і просто виконуючи все, що робили і вони,
04:53
I started piecing all these data points together --
93
293841
3597
я почала складати докупи всі ці дані --
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
від речей, що видаються випадковими, тоді, коли я продавала пельмені,
05:00
to the things that were more obvious,
95
300609
1804
до більш очевидних речей,
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
коли відслідковувала, скільки грошей вони витрачають на мобільні телефони.
05:05
And I was able to create this much more holistic picture
97
305693
2639
Я змогла створити більш цілісне зображення
05:08
of what was happening.
98
308356
1156
того, що відбувається.
05:09
And that's when I started to realize
99
309536
1722
Саме тоді я почала усвідомлювати,
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
що навіть найбідніша людина в Китаї хотіла смартфон,
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
і що вони зроблять майже все, щоб отримати його.
Не забувайте,
05:20
You have to keep in mind,
102
320893
2404
05:23
iPhones had just come out, it was 2009,
103
323321
3084
що Айфон тільки щойно вийшов, це було в 2009,
05:26
so this was, like, eight years ago,
104
326429
1885
тож це було 8 років тому,
05:28
and Androids had just started looking like iPhones.
105
328338
2437
і андроїд тільки почав виглядати як айфон.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
І чимало розумних та реалістичних людей говорили:
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
"Ці смартфони - це просто примха.
Хто захоче носитися із цими тяжкими речами,
05:36
Who wants to carry around these heavy things
108
336063
2996
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
коли батареї швидко розряджаються і розбиваються, коли падають?"
05:44
But I had a lot of data,
110
344613
1201
Та у мене було чимало даних,
05:45
and I was very confident about my insights,
111
345838
2260
я була впевнена у своїх поглядах,
05:48
so I was very excited to share them with Nokia.
112
348122
2829
тому я поспішила поділитися ними з Nokia.
05:53
But Nokia was not convinced,
113
353152
2517
Але Nokia було не переконати,
05:55
because it wasn't big data.
114
355693
2335
бо це не були великі дані.
Вони сказали: " У нас мільйони точок даних
05:58
They said, "We have millions of data points,
115
358842
2404
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
і ми не бачимо жодних ознак, що хтось хоче купити смартфон,
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
а ваші дані базовані лише на ста точках, при такому різноманітті це занадто мало,
06:09
for us to even take seriously."
118
369953
1714
щоб ми сприйняли це серйозно."
Я сказала, "Nokia, ви праві.
06:12
And I said, "Nokia, you're right.
119
372728
1605
06:14
Of course you wouldn't see this,
120
374357
1560
Звичайно, ви цього не побачите,
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
бо ви проводите ваші дослідження на базі того, що люди не знають,
06:19
what a smartphone is,
122
379336
1159
що таке смартфони,
06:20
so of course you're not going to get any data back
123
380519
2366
і тому ви не отримаєте жодної інформації,
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
про людей, які захочуть купити смартфони через два роки.
06:25
Your surveys, your methods have been designed
125
385505
2118
Ваші дослідженя, методи створені,
06:27
to optimize an existing business model,
126
387647
2022
щоб оптимізувати вже існуючу бізнес-модель,
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
а я шукаю серед цієї людської динаміки,
06:32
that haven't happened yet.
128
392325
1354
яка навіть ще не почала діяти.
06:33
We're looking outside of market dynamics
129
393703
2438
Ми шукаємо поза ринковою динамікою,
06:36
so that we can get ahead of it."
130
396165
1631
щоб йти попереду неї."
Ви знаєте, що трапилось із Nokia?
06:39
Well, you know what happened to Nokia?
131
399193
2244
06:41
Their business fell off a cliff.
132
401461
2365
Їх бізнес розвалився.
Це ціна того, на що вони не звернули увагу.
06:44
This -- this is the cost of missing something.
133
404611
3727
06:48
It was unfathomable.
134
408983
1999
Цього не можна було передбачити.
Та Nokia не єдині.
06:51
But Nokia's not alone.
135
411823
1651
Я бачила організації, які весь час зневажали дані,
06:54
I see organizations throwing out data all the time
136
414078
2581
06:56
because it didn't come from a quant model
137
416683
2561
бо вони брались не від статистичної моделі,
06:59
or it doesn't fit in one.
138
419268
1768
або не узгоджувались із нею.
Але це не вина великих даних.
07:02
But it's not big data's fault.
139
422039
2048
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
Це спосіб, у який ми користуємось великими даними; це наша відповідальність.
Успішна репутація великих даних
07:09
Big data's reputation for success
141
429550
1911
07:11
comes from quantifying very specific environments,
142
431485
3759
береться зі статистичної оцінки дуже специфічних середовищ,
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
таких як електромережі, логістика доставок чи генетичний код,
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
коли ми оцінюємо більш-менш локалізовані системи.
07:24
But not all systems are as neatly contained.
145
444547
2969
Та не всі системи є струнко організованими.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
Коли ви робите перелік, а системи є більш динамічними,
07:30
especially systems that involve human beings,
147
450822
3799
особливо системи, які залучають людський фактор,
07:34
forces are complex and unpredictable,
148
454645
2426
складні та непередбачувані сили,
07:37
and these are things that we don't know how to model so well.
149
457095
3486
і всі інші речі, які ми не знаємо, як саме внести до плану.
Коли ти передбачиш щось у людській поведінці,
07:41
Once you predict something about human behavior,
150
461024
2813
07:43
new factors emerge,
151
463861
1855
то виникне новий фактор,
07:45
because conditions are constantly changing.
152
465740
2365
бо умови постійно змінюються.
07:48
That's why it's a never-ending cycle.
153
468129
1803
Саме тому це нескінченний цикл.
07:49
You think you know something,
154
469956
1464
Ви думаєте, що щось знаєте,
07:51
and then something unknown enters the picture.
155
471444
2242
а тоді на картинці з'являється щось невідоме.
07:53
And that's why just relying on big data alone
156
473710
3322
Саме тому залежність лише від великих даних
збільшує шанси, на те що щось пройде повз нашу увагу,
07:57
increases the chance that we'll miss something,
157
477056
2849
07:59
while giving us this illusion that we already know everything.
158
479929
3777
але в той же час дає нам ілюзію того, що ми вже все знаємо.
Через що ми дійсно не помічаємо цей парадокс,
08:04
And what makes it really hard to see this paradox
159
484226
3856
08:08
and even wrap our brains around it
160
488106
2659
та навіть озброюємо себе цим,
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
це річ, яку я називаю кількісним зміщенням,
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
кількісна несвідома віра у перевагу вимірюваного
08:18
over the immeasurable.
163
498450
1594
над невимірним.
Ми часто спостерігаємо це на роботі.
08:21
And we often experience this at our work.
164
501042
3284
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
Можливо, ми працюємо поруч із такими колегами
чи, можливо, з цілою компанією,
08:27
or even our whole entire company may be like this,
166
507024
2428
08:29
where people become so fixated on that number,
167
509476
2546
де люди стають такими націленими на числа,
що не помічають нічого поза ними,
08:32
that they can't see anything outside of it,
168
512046
2067
08:34
even when you present them evidence right in front of their face.
169
514137
3948
навіть, коли ви показуєте їм очевидні речі прямо перед їх носом.
08:38
And this is a very appealing message,
170
518943
3371
Це повідомлення із закликом,
08:42
because there's nothing wrong with quantifying;
171
522338
2343
бо в кількісній оцінці немає нічого поганого,
08:44
it's actually very satisfying.
172
524705
1430
власне, це дуже добре.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
Я відчуваю такий комфорт при перегляді таблиці Excel,
08:50
even very simple ones.
174
530545
1401
навіть дуже простої.
08:51
(Laughter)
175
531970
1014
(Сміх)
Хочеться сказати:
08:53
It's just kind of like,
176
533008
1152
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
"Так! Формула працює. Все чудово. Все під контролем.
Але проблема в тому,
08:58
But the problem is
178
538612
2390
що кількісна оцінка викликає звикання.
09:01
that quantifying is addictive.
179
541026
2661
09:03
And when we forget that
180
543711
1382
І коли ми це забуваємо,
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
у нас немає нічого, що можна нанести на чек,
09:08
it's very easy to just throw out data
182
548179
2118
тож викинути дані дуже легко,
09:10
because it can't be expressed as a numerical value.
183
550321
2718
бо їх не можна показати кількісно.
Дуже легко просто шукати парочку-виручалочку,
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
ніби існує якесь просте рішення.
09:16
as if some simple solution existed.
185
556008
2579
Це небезпечний момент для будь-якої організації,
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
09:23
because oftentimes, the future we need to predict --
187
563506
2634
бо часто майбутнє, яке нам потрібно передбачити --
09:26
it isn't in that haystack,
188
566164
2166
не в тому стозі сіна,
09:28
but it's that tornado that's bearing down on us
189
568354
2538
а в торнадо, яке викидає нас
09:30
outside of the barn.
190
570916
1488
із амбару.
09:34
There is no greater risk
191
574780
2326
Небає більшого ризику,
09:37
than being blind to the unknown.
192
577130
1666
ніж не бачити невідоме.
09:38
It can cause you to make the wrong decisions.
193
578820
2149
Ви можете прийняти неправильне рішення.
09:40
It can cause you to miss something big.
194
580993
1974
Ви можете пропустити щось велике.
Але ми не маємо йти цією стежкою.
09:43
But we don't have to go down this path.
195
583554
3101
Виявляється, що оракул стародавньої Греції,
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
09:50
holds the secret key that shows us the path forward.
197
590492
3966
має таємний ключ, який направляє нас по стежці.
Сучасні геологічні дослідження показали,
09:55
Now, recent geological research has shown
198
595474
2595
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
що храм Аполлона, одне з найбільших місць розташування оракулів,
10:01
was actually built over two earthquake faults.
200
601681
3084
був побудований на двох геологічних розломах.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
І ці розломи вивільняли нафтохімічні випаровування
10:07
from underneath the Earth's crust,
202
607699
1685
з-під земної кори,
10:09
and the oracle literally sat right above these faults,
203
609408
3866
тож оракули буквально сиділи на цих розломах
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
і вдихали неймовірну кількість етиленового газу з цих тріщин.
10:16
(Laughter)
205
616910
1008
(Сміх)
10:17
It's true.
206
617942
1173
Це правда.
10:19
(Laughter)
207
619139
1017
(Сміх)
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
Це все правда, саме це змушувало її бубніти та бачити галюцинації
10:23
and go into this trance-like state.
209
623713
1724
і поринати в стан трансу.
10:25
She was high as a kite!
210
625461
1770
Вона літала в височині!
10:27
(Laughter)
211
627255
4461
(Сміх)
10:31
So how did anyone --
212
631740
2779
Як комусь...
10:34
How did anyone get any useful advice out of her
213
634543
3030
Як комусь вдавалось отримати від неї корисну пораду
10:37
in this state?
214
637597
1190
в такому стані?
Ви бачите людей поруч з оракулом?
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
10:41
You see those people holding her up,
216
641722
1879
Ви бачите, що вони піднімають її,
10:43
because she's, like, a little woozy?
217
643625
1717
бо вона наче сп'яніла?
10:45
And you see that guy on your left-hand side
218
645366
2308
І бачите того хлопця зліва,
10:47
holding the orange notebook?
219
647698
1598
котрий тримає оранжеву книгу?
10:49
Well, those were the temple guides,
220
649925
1730
Вони були охоронцями храму
10:51
and they worked hand in hand with the oracle.
221
651679
3016
і працювали пліч-о-пліч з оракулом.
Коли приходили прохачі і ставали на коліна,
10:55
When inquisitors would come and get on their knees,
222
655904
2516
10:58
that's when the temple guides would get to work,
223
658444
2340
саме тоді починали працювати охоронці храму,
11:00
because after they asked her questions,
224
660808
1864
бо коли вони задавали їй питання,
11:02
they would observe their emotional state,
225
662696
2001
вони дивились на їх емоційний стан
11:04
and then they would ask them follow-up questions,
226
664721
2324
і запитували наступне:
11:07
like, "Why do you want to know this prophecy? Who are you?
227
667069
2834
"Чому ти хочеш це пророцтво? Хто ти?
11:09
What are you going to do with this information?"
228
669927
2264
Що ти хочеш зробити з цією інформацієїю?"
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
А потім охоронці храму візьмуть цю етнографічну,
11:15
this more qualitative information,
230
675421
2156
більш якісну інформацію,
11:17
and interpret the oracle's babblings.
231
677601
2075
і перекладуть бурмотіння оракула.
11:21
So the oracle didn't stand alone,
232
681248
2292
Тож оракул не працює один,
11:23
and neither should our big data systems.
233
683564
2148
так само має бути із нашою системою великих даних.
Пояснюю ще раз,
11:26
Now to be clear,
234
686450
1161
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
я не хочу сказати, що система великих даних вдихає етиленовий газ
11:31
or that they're even giving invalid predictions.
236
691118
2353
або видає неправильні передбачення.
11:33
The total opposite.
237
693495
1161
Ні, зовсім протилежне.
11:34
But what I am saying
238
694680
2068
Я хочу сказати,
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
що так само, як оракулові були потрібні охоронці храму,
11:40
our big data systems need them, too.
240
700628
2288
так само їх потребує і наша система.
11:42
They need people like ethnographers and user researchers
241
702940
4109
Їм потрібні такі люди, як етнографи, дослідники користувачів,
11:47
who can gather what I call thick data.
242
707073
2506
щоб зібрати те, що я називаю насиченими даними.
Це цінні дані від людей,
11:50
This is precious data from humans,
243
710322
2991
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
як історії, емоції та спілкування, які не перевести в числа.
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
Це ті дані, які я зібрала для Nokia,
11:59
that comes in in the form of a very small sample size,
246
719809
2669
що мають форму дуже маленького зразка,
12:02
but delivers incredible depth of meaning.
247
722502
2955
але несуть в собі неймовірне значення.
12:05
And what makes it so thick and meaty
248
725481
3680
Такими насиченими та значними їх робить
досвід розуміння людської природи.
12:10
is the experience of understanding the human narrative.
249
730265
4029
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
Це допомагає побачити, чого не вистачає в наших моделях.
насичені дані приземляють питання бізнесу до питань людини,
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
12:22
and that's why integrating big and thick data
252
742740
3562
і саме тому інтеграція великих та насичених даних
12:26
forms a more complete picture.
253
746326
1689
дає більш комплексну картину.
Великі дані можуть показати масштабне розуміння
12:28
Big data is able to offer insights at scale
254
748592
2881
12:31
and leverage the best of machine intelligence,
255
751497
2647
та використовують всі можливості машинного інтелекту,
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
в той час, як насичені дані можуть допомогти врятувати контекст,
12:37
that comes from making big data usable,
257
757764
2098
що втрачається при використанні великих даних,
12:39
and leverage the best of human intelligence.
258
759886
2181
та зможуть використати всі можливості людського інтелекту.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
І коли ви поєднаєте їх, то буде справді цікаво,
12:45
because then you're no longer just working with data
260
765667
2436
бо ви вже не працюватимете
12:48
you've already collected.
261
768127
1196
із зібраними даними.
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
Ви будете працювати із ще не зібраними даними.
12:52
You get to ask questions about why:
263
772108
1719
Ви ставитимете питання чому:
12:53
Why is this happening?
264
773851
1317
Чому це відбувається?
12:55
Now, when Netflix did this,
265
775598
1379
Коли в компанії Netflix зробили це,
вони відкрили абсолютно новий шлях для зміни бізнесу.
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
Netflix стали відомими за свій справді чудовий алгоритм корисних дій,
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
і вони мали приз для кожного, хто зміг би поліпшити його.
І були переможці.
13:10
And there were winners.
269
790027
1314
Та Netflix помітили, що всі зміни підходили лише для першого етапу.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
Щоб зрозуміти, що відбувається насправді,
13:17
So to really find out what was going on,
271
797224
1964
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
вони запросили етнографа Гранта МакКракена,
13:22
to gather thick data insights.
273
802977
1546
щоб він зібрав насичені дані.
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
Він відкрив те, що вони спочатку і не помічали
13:28
in the quantitative data.
275
808495
1355
в числових даних.
Він помітив, що люди обожнюють тупитися в телевізор.
13:30
He discovered that people loved to binge-watch.
276
810892
2728
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
Фактично, їх за це не мучить совість.
Їм це подобається.
13:36
They enjoyed it.
278
816021
1255
13:37
(Laughter)
279
817300
1026
(Сміх)
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
Тож Netflix сказали: "О. Це новий погляд."
13:40
So they went to their data science team,
281
820730
1938
Вони звернулися до своєї наукової команди з даних,
13:42
and they were able to scale this big data insight
282
822692
2318
і вже змогли виміряти нові дані
поруч із чисельними даними.
13:45
in with their quantitative data.
283
825034
2587
13:47
And once they verified it and validated it,
284
827645
3170
Як тільки вони засвідчили це,
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
Netflix вирішили зробити дещо просте, але значне.
Вони сказали, що замість того, щоб пропонувати те ж саме шоу в різних жанрах
13:56
They said, instead of offering the same show from different genres
286
836654
6492
14:03
or more of the different shows from similar users,
287
843170
3888
чи різні шоу від подібних ведучих,
14:07
we'll just offer more of the same show.
288
847082
2554
ми просто запропонуємо більше того самого шоу.
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
Ваше зависання з телевізором ми зробимо легшим.
14:11
And they didn't stop there.
290
851789
1486
Вони на зупинились на цьому.
14:13
They did all these things
291
853299
1474
Вони зробили все можливе,
14:14
to redesign their entire viewer experience,
292
854797
2959
щоб переробити весь глядацький досвід,
14:17
to really encourage binge-watching.
293
857780
1758
щоб справді заохотити споглядання телевізора.
Саме тому люди та їх знайомі зникають на цілі вихідні в один і той же час,
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
присівши на шоу типу "Майстер не на всі руки".
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
Поєднавши великі дані та грубі дані, вони не тільки покращили свій бізнес,
14:29
but they transformed how we consume media.
297
869879
2812
але і трансформували спосіб споживання телебачення.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
А зараз їх акції у наступні кілька років за прогнозами збільшаться.
Це не просто означає більше дивитися більше відео
14:38
But this isn't just about watching more videos
299
878100
3830
14:41
or selling more smartphones.
300
881954
1620
чи продавати більше смартфонів.
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
Для деяких приєднання насичених даних до алгоритмів
буде питанням життя і смерті,
14:48
could mean life or death,
302
888037
2263
14:50
especially for the marginalized.
303
890324
2146
особливо для соціально відокремлених.
По всій країні поліцейські відділи використовують великі дані
14:53
All around the country, police departments are using big data
304
893558
3434
для прогнозу поліцейської діяльності,
14:57
for predictive policing,
305
897016
1963
щоб встановити сталі числа та рекомендації щодо винесення вироку,
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
15:02
in ways that reinforce existing biases.
307
902111
3147
щоб змінити існуючі настрої.
Алгоритм НАСА навчання машин Skynet (Скайнет)
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
можливо, посприяв смерті тисяч цивільних в Пакистані
від неправильного прочитання метаданих стільникового пристрою.
15:14
from misreading cellular device metadata.
310
914031
2721
15:18
As all of our lives become more automated,
311
918951
3403
Життя всіх стало більш автоматизованим,
15:22
from automobiles to health insurance or to employment,
312
922378
3080
від автомобілів до медичної страхівки чи до пошуку роботи,
15:25
it is likely that all of us
313
925482
2350
ймовірно, на всіх нас
15:27
will be impacted by the quantification bias.
314
927856
2989
впливають чисельні дані.
15:32
Now, the good news is that we've come a long way
315
932792
2621
Тепер, гарні новини, до яких ми довго йшли
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
від запаху етиленового газу до прогнозів.
15:37
We have better tools, so let's just use them better.
317
937911
3070
У нас є кращі пристрої, тож давайте їх краще використовувати.
Давайте інтегрувати великі дані з насиченими даними.
15:41
Let's integrate the big data with the thick data.
318
941005
2323
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
Давайте поєднаємо наших охоронців храму з оракулом,
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
немає значення, чи це трапляється в компаніях, благодійних організаціях,
урядах чи навіть в програмах,
15:49
or government or even in the software,
321
949037
2469
15:51
all of it matters,
322
951530
1792
все це має значення,
15:53
because that means we're collectively committed
323
953346
3023
бо означає, що ми всі разом змогли
15:56
to making better data,
324
956393
2191
створити кращі дані,
15:58
better algorithms, better outputs
325
958608
1836
кращі алгоритми, кращі результати
16:00
and better decisions.
326
960468
1643
та кращі рішення.
16:02
This is how we'll avoid missing that something.
327
962135
3558
Саме так ми не пропустимо чогось важливого.
16:07
(Applause)
328
967042
3948
(Оплески)
Про цей сайт

Цей сайт познайомить вас з відеороликами YouTube, корисними для вивчення англійської мови. Ви побачите уроки англійської мови, які проводять першокласні викладачі з усього світу. Двічі клацніть на англійських субтитрах, що відображаються на кожній сторінці відео, щоб відтворити відео з цієї сторінки. Субтитри прокручуються синхронно з відтворенням відео. Якщо у вас є коментарі або побажання, будь ласка, зв'яжіться з нами за допомогою цієї контактної форми.

https://forms.gle/WvT1wiN1qDtmnspy7