ABOUT THE SPEAKER
Kenneth Cukier - Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages.

Why you should listen

As Data Editor of The Economist and co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think, Kenneth Cukier has spent years immersed in big data, machine learning -- and the impact of both. What's the future of big data-driven technology and design? To find out, watch this talk.

More profile about the speaker
Kenneth Cukier | Speaker | TED.com
TEDSalon Berlin 2014

Kenneth Cukier: Big data is better data

کِنِث کوکی ار: دادۀ بزرگ، دادۀ بهتری است

Filmed:
1,663,038 views

خودروهای بدون سرنشین تنها آغاز راه بودند. آیندۀ فناوری و طراحی دادۀ بزرگ چه خواهد بود؟ کنث کوکی ار، در سخنرانی علمی هیجان انگیزی به این مطلب خواهد پرداخت: قدم بعدی در دانش بشریت و یادگیریِ ماشین چه خواهد بود.
- Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages. Full bio

Double-click the English transcript below to play the video.

00:12
America'sآمریكا favoriteمورد علاقه pieپای is?
0
787
3845
شیرینی پایِ مورد علاقۀ آمریکایی ها چیه؟
00:16
Audienceحضار: Appleسیب.
Kennethکنت Cukierکوکی: Appleسیب. Of courseدوره it is.
1
4632
3506
حضار: سیبه.
کنث کوکی اِر: البته که سیبه!
00:20
How do we know it?
2
8138
1231
از کجا می دونیم؟
00:21
Because of dataداده ها.
3
9369
2753
به خاطر داده ها.
00:24
You look at supermarketسوپر مارکت salesحراجی.
4
12122
2066
از مشاهدۀ فروش فروشگاه ها.
00:26
You look at supermarketسوپر مارکت
salesحراجی of 30-centimeterسنسور piesکیک ها
5
14188
2866
از مشاهدۀ فروش پای های ۳۰ سانتی متریِ منجمد
در فروشگاه ها
00:29
that are frozenمنجمد, and appleسیب winsبرنده می شود, no contestمسابقه.
6
17054
4075
و بدون هیچ مسابقه ای، سیب برنده س.
اکثریت فروش متعلق به سیبه.
00:33
The majorityاکثریت of the salesحراجی are appleسیب.
7
21129
5180
00:38
But then supermarketsسوپر مارکت ها startedآغاز شده sellingفروش
8
26309
2964
فروشگاه ها شروع کردن به فروش پای کوچک تر،
00:41
smallerکوچکتر, 11-centimeterسنسور piesکیک ها,
9
29273
2583
پای ۱۱ سانتی متری،
00:43
and suddenlyناگهان, appleسیب fellسقوط to fourthچهارم or fifthپنجم placeمحل.
10
31856
4174
و ناگهان سیب به مکان چهارم یا پنجم تنزل کرد.
00:48
Why? What happenedاتفاق افتاد?
11
36030
2875
چرا؟ چه اتفاقی افتاد؟
00:50
Okay, think about it.
12
38905
2818
بهش فکر کنید.
00:53
When you buyخرید a 30-centimeterسنسور pieپای,
13
41723
3848
وقتی شما پای ۳۰ سانتی متری می خرید،
00:57
the wholeکل familyخانواده has to agreeموافق,
14
45571
2261
همه ی خانواده باید موافق باشند،
00:59
and appleسیب is everyone'sهر کس secondدومین favoriteمورد علاقه.
15
47832
3791
و سیب، انتخابِ دوم همه ست.
01:03
(Laughterخنده)
16
51623
1935
(خنده ی حضار)
01:05
But when you buyخرید an individualفردی 11-centimeterسنسور pieپای,
17
53558
3615
اما وقتی پای یک نفره ی ۱۱ سانتی متری می خرید،
01:09
you can buyخرید the one that you want.
18
57173
3745
می تونید اونی رو که دوست دارید بخرید.
01:12
You can get your first choiceانتخابی.
19
60918
4015
می تونید انتخاب اول تون رو بخرید.
01:16
You have more dataداده ها.
20
64933
1641
داده های بیشتری دارید.
01:18
You can see something
21
66574
1554
می تونید چیزی رو ببینید
01:20
that you couldn'tنمی توانستم see
22
68128
1132
که وقتی مقدار کم تری از اون رو داشتید
01:21
when you only had smallerکوچکتر amountsمقادیر of it.
23
69260
3953
نمی دیدید.
01:25
Now, the pointنقطه here is that more dataداده ها
24
73213
2475
نکته اینجاست که داده های بیشتر
01:27
doesn't just let us see more,
25
75688
2283
فقط دیدِ وسیع تر نمی دن،
01:29
more of the sameیکسان thing we were looking at.
26
77971
1854
داده های بیشترِ آنچه بهش نگاه می کردیم؛
01:31
More dataداده ها allowsاجازه می دهد us to see newجدید.
27
79825
3613
داده های بیشتر به ما اجازه می دهند
تازه ها رو ببینیم.
01:35
It allowsاجازه می دهد us to see better.
28
83438
3094
اجازه می دهند بهتر ببینیم.
01:38
It allowsاجازه می دهد us to see differentناهمسان.
29
86532
3656
اجازه می دهند متفاوت ببینیم.
01:42
In this caseمورد, it allowsاجازه می دهد us to see
30
90188
3173
در این مورد به ما اجازه می دهند
01:45
what America'sآمریكا favoriteمورد علاقه pieپای is:
31
93361
2913
پای مورد علاقه ی آمریکایی ها رو ببینیم:
01:48
not appleسیب.
32
96274
2542
که سیب نیست!
01:50
Now, you probablyشاید all have heardشنیدم the termدوره bigبزرگ dataداده ها.
33
98816
3614
احتمالاً همۀ شما واژۀ دادۀ بزرگ رو شنیدید.
01:54
In factواقعیت, you're probablyشاید sickبیمار of hearingشنیدن the termدوره
34
102430
2057
در واقع حالتون از شنیدن این واژه
01:56
bigبزرگ dataداده ها.
35
104487
1630
به هم می خوره.
01:58
It is trueدرست است that there is a lot of hypeاعتیاد به مواد مخدر around the termدوره,
36
106117
3330
واقعیته که اعتیاد زیادی به این واژه وجود داره،
02:01
and that is very unfortunateمتاسفم,
37
109447
2332
و این خیلی ناراحت کننده ست،
02:03
because bigبزرگ dataداده ها is an extremelyفوق العاده importantمهم toolابزار
38
111779
3046
چون دادۀ بزرگ، ابزار بسیار مهمیه
02:06
by whichکه societyجامعه is going to advanceپیشرفت.
39
114825
3734
برای پیشرفت جامعه.
02:10
In the pastگذشته, we used to look at smallکوچک dataداده ها
40
118559
3561
در گذشته، ما به داده های کوچک نگاه می کردیم
02:14
and think about what it would mean
41
122120
1704
و فکر می کردیم چطور می شه
02:15
to try to understandفهمیدن the worldجهان,
42
123824
1496
دنیا رو درک کرد،
02:17
and now we have a lot more of it,
43
125320
1991
و حالا ما کلی از اون داریم،
02:19
more than we ever could before.
44
127311
2722
خیلی بیشتر از آنچه در گذشته داشتیم.
02:22
What we find is that when we have
45
130033
1877
چیزی که متوجه می شیم اینه که
02:23
a largeبزرگ bodyبدن of dataداده ها, we can fundamentallyاساسا do things
46
131910
2724
وقتی مقدار زیادی داده داریم،
اساساً قادر به انجام کارهایی هستیم
02:26
that we couldn'tنمی توانستم do when we
only had smallerکوچکتر amountsمقادیر.
47
134634
3276
که با داشتن داده های کم نمی تونستیم.
02:29
Bigبزرگ dataداده ها is importantمهم, and bigبزرگ dataداده ها is newجدید,
48
137910
2641
دادۀ بزرگ مهمه، و دادۀ بزرگ جدیده،
02:32
and when you think about it,
49
140551
1777
و وقتی بهش فکر می کنید،
02:34
the only way this planetسیاره is going to dealمعامله
50
142328
2216
تنها راهِ رویارویی این سیاره
02:36
with its globalجهانی است challengesچالش ها —
51
144544
1789
با چالش های جهانیش،
02:38
to feedخوراک people, supplyعرضه them with medicalپزشکی careاهميت دادن,
52
146333
3537
تغذیۀ مردم، تامین بهداشت شون،
02:41
supplyعرضه them with energyانرژی, electricityالکتریسیته,
53
149870
2810
تامین انرژی، الکتریسیته،
02:44
and to make sure they're not burntسوخته to a crispترد
54
152680
1789
اطمینان از جزغاله نشدن شون
02:46
because of globalجهانی است warmingگرمایش —
55
154469
1238
به خاطر گرم شدن کرۀ زمین؛
02:47
is because of the effectiveتاثير گذار use of dataداده ها.
56
155707
4195
به دلیل استفادۀ موثر از داده هاست.
02:51
So what is newجدید about bigبزرگ
dataداده ها? What is the bigبزرگ dealمعامله?
57
159902
3870
خُب نکتۀ جدید در مورد دادۀ بزرگ چیه؟
نکتۀ قابل توجه؟
02:55
Well, to answerپاسخ that questionسوال, let's think about
58
163772
2517
خُب... برای پاسخ به این سوال
به این فکر کنید که
02:58
what informationاطلاعات lookedنگاه کرد like,
59
166289
1896
اطلاعات چه شکلی بوده،
03:00
physicallyاز لحاظ جسمی lookedنگاه کرد like in the pastگذشته.
60
168185
3034
در گذشته و به صورت فیزیکی.
03:03
In 1908, on the islandجزیره of Creteکرت,
61
171219
3611
در سال ۱۹۰۸، بر روی جزیرۀ کِرِت،
03:06
archaeologistsباستان شناسان discoveredکشف شده a clayخاک رس discدیسک.
62
174830
4735
باستان شناسان لوحی رُسی کشف کردند.
03:11
They datedتاریخی it from 2000 B.C., so it's 4,000 yearsسالها oldقدیمی.
63
179565
4059
عمر آن را ۲۰۰۰ سال قبل از میلاد تخمین زدند،
یعنی ۴۰۰۰ سال.
03:15
Now, there's inscriptionsکتیبه ها on this discدیسک,
64
183624
2004
نوشته هایی روی این لوح هست،
03:17
but we actuallyدر واقع don't know what it meansبه معنای.
65
185628
1327
اما اِشرافی به معانیش نداریم.
03:18
It's a completeتکمیل mysteryرمز و راز, but the pointنقطه is that
66
186955
2098
کاملاً یک رازه. اما نکته اینه که
03:21
this is what informationاطلاعات used to look like
67
189053
1928
اطلاعات به این شکل بودند
03:22
4,000 yearsسالها agoپیش.
68
190981
2089
۴۰۰۰ سال پیش.
03:25
This is how societyجامعه storedذخیره شده است
69
193070
2548
جامعه اطلاعات رو به این شکل
03:27
and transmittedفرستاده شده informationاطلاعات.
70
195618
3524
نگهداری و منتقل می کرد.
03:31
Now, societyجامعه hasn'tنه advancedپیشرفته all that much.
71
199142
4160
امروز، جامعه آنقدرها پیشرفت نکرده.
03:35
We still storeفروشگاه informationاطلاعات on discsدیسک ها,
72
203302
3474
ما هنوز اطلاعات رو در لوح ها ذخیره می کنیم.
03:38
but now we can storeفروشگاه a lot more informationاطلاعات,
73
206776
3184
اما امروز ما می تونیم بیشتر اطلاعات ذخیره کنیم،
03:41
more than ever before.
74
209960
1260
بیشتر از گذشته.
03:43
Searchingجستجوکردن it is easierآسان تر. Copyingکپی برداری it easierآسان تر.
75
211220
3093
جستجوش راحت تر شده، و کپی کردنش...
03:46
Sharingاشتراک گذاری it is easierآسان تر. Processingدر حال پردازش it is easierآسان تر.
76
214313
3500
پردازش و به اشتراک گذاشتنش.
03:49
And what we can do is we can reuseاستفاده مجدد this informationاطلاعات
77
217813
2766
ما می تونیم دوباره از این اطلاعات استفاده کنیم
03:52
for usesاستفاده می کند that we never even imaginedتصور
78
220579
1834
برای مصارفی که وقتی مشغول جمع آوری داده ها بودیم
03:54
when we first collectedجمع آوری شده the dataداده ها.
79
222413
3195
حتا تصورش رو هم نمی کردیم.
03:57
In this respectتوجه, the dataداده ها has goneرفته
80
225608
2252
به همین منوال، داده تغییر کرد
03:59
from a stockموجودی to a flowجریان,
81
227860
3532
از سکون به جریان،
04:03
from something that is stationaryایستاده and staticاستاتیک
82
231392
3938
از چیزی راکد و بی حرکت،
04:07
to something that is fluidمایع and dynamicپویا.
83
235330
3609
به چیزی سیال و متحرک.
04:10
There is, if you will, a liquidityنقدینگی to informationاطلاعات.
84
238939
4023
اگر بخواهید، متوجه سیالیت اطلاعات می شید.
04:14
The discدیسک that was discoveredکشف شده off of Creteکرت
85
242962
3474
لوح مکشوفه از کِرِت
04:18
that's 4,000 yearsسالها oldقدیمی, is heavyسنگین,
86
246436
3764
چهار هزار ساله ست، و سنگین،
04:22
it doesn't storeفروشگاه a lot of informationاطلاعات,
87
250200
1962
ظرفیت زیادی نداره،
04:24
and that informationاطلاعات is unchangeableغیر قابل تغییر است.
88
252162
3116
و این اطلاعات متغییر نیست.
04:27
By contrastتضاد, all of the filesفایل ها
89
255278
4011
از سوی دیگر، کل فایل هایی که
04:31
that Edwardادوارد Snowdenاسنودن tookگرفت
90
259289
1861
اِدوارد اِسنودِن
04:33
from the Nationalملی Securityامنیت
Agencyآژانس in the Unitedیونایتد Statesایالت ها
91
261150
2621
از آژانس امنیت ملی آمریکا به سرقت برد
04:35
fitsمتناسب است on a memoryحافظه stickچوب
92
263771
2419
روی یک حافظۀ فلش
04:38
the sizeاندازه of a fingernailناخن,
93
266190
3010
به اندازۀ ناخن بود.
04:41
and it can be sharedبه اشتراک گذاشته شده at the speedسرعت of lightسبک.
94
269200
4745
و به سرعت نور تکثیر می شه.
04:45
More dataداده ها. More.
95
273945
5255
داده های بیشتر... بیشتر.
04:51
Now, one reasonدلیل why we have
so much dataداده ها in the worldجهان todayامروز
96
279200
1974
یکی از دلایل وجود خیل اطلاعات امروز
04:53
is we are collectingجمع آوری things
97
281174
1432
جمع آوری چیزهایی ست
04:54
that we'veما هستیم always collectedجمع آوری شده informationاطلاعات on,
98
282606
3280
که ما همیشه اطلاعات را روی آنها جمع می کردیم؛
04:57
but anotherیکی دیگر reasonدلیل why is we're takingگرفتن things
99
285886
2656
دلیل دیگر این که ما چیزهایی جمع آوری می کنیم
05:00
that have always been informationalاطلاعاتی
100
288542
2812
که همیشه جنبۀ اطلاعاتی داشته اند
05:03
but have never been renderedارائه شده into a dataداده ها formatفرمت
101
291354
2486
اما هرگز به قالب داده تبدیل نشده اند
05:05
and we are puttingقرار دادن it into dataداده ها.
102
293840
2419
و ما آنها را به داده تبدیل می کنیم.
05:08
Think, for exampleمثال, the questionسوال of locationمحل.
103
296259
3308
برای مثال به موقعیت چغرافیایی فکر کنید.
05:11
Take, for exampleمثال, Martinمارتین Lutherلوتر.
104
299567
2249
مثلاً مارتین لوثِر.
05:13
If we wanted to know in the 1500s
105
301816
1597
اگر بخواهیم بدونیم سال ۱۵۰۰
05:15
where Martinمارتین Lutherلوتر was,
106
303413
2667
مارتین لوثر کجا بوده،
05:18
we would have to followدنبال کردن him at all timesبار,
107
306080
2092
باید همیشه دنبالش می کردیم،
05:20
maybe with a featheryپرتقال quillسوزاندن and an inkwellجوجه کشی,
108
308172
2137
شاید با یک قلم پر و یک دوات،
05:22
and recordرکورد it,
109
310309
1676
تا ثبتش کنیم.
05:23
but now think about what it looksبه نظر می رسد like todayامروز.
110
311985
2183
اما فکر کنید امروز چگونه است.
05:26
You know that somewhereجایی,
111
314168
2122
می دونید در جایی،
احتمالاً در پایگاه دادۀ یک شرکت مخابراتی،
05:28
probablyشاید in a telecommunicationsارتباطات مخابراتی carrier'sحامل databaseبانک اطلاعاتی,
112
316290
2446
05:30
there is a spreadsheetصفحه گسترده or at leastکمترین a databaseبانک اطلاعاتی entryورودی
113
318736
3036
صفحه گسترده یا حداقل پایگاه داده ای وجود دارد
05:33
that recordsسوابق your informationاطلاعات
114
321772
2088
که اطلاعات را ذخیره می کند
05:35
of where you've been at all timesبار.
115
323860
2063
همۀ مکان هایی که آنجا بوده اید.
05:37
If you have a cellسلول phoneتلفن,
116
325923
1360
اگر تلفن همراه داشته باشید،
05:39
and that cellسلول phoneتلفن has GPSجیپیاس,
but even if it doesn't have GPSجیپیاس,
117
327283
2847
و تلفن شما جی.پی.اس داشته باشد،
یا حتا نداشته باشد،
05:42
it can recordرکورد your informationاطلاعات.
118
330130
2385
اطلاعات شما را ذخیره می کند.
05:44
In this respectتوجه, locationمحل has been datafieddatafied.
119
332515
4084
به این ترتیب، موقعیت جغرافیایی به داده بدل می شه.
05:48
Now think, for exampleمثال, of the issueموضوع of postureاستقرار,
120
336599
4601
حالا برای مثال به موردِ حالت بدن فکر کنید.
05:53
the way that you are all sittingنشسته right now,
121
341200
1285
جوری که الان نشسته اید.
05:54
the way that you sitنشستن,
122
342485
2030
جوری که شما نشستید،
05:56
the way that you sitنشستن, the way that you sitنشستن.
123
344515
2771
جوری که شما نشستید، جوری که شما نشستید،
05:59
It's all differentناهمسان, and it's a functionعملکرد of your legپا lengthطول
124
347286
2077
کاملاً متفاوته، و مربوط به طول پاهاتون
06:01
and your back and the contoursخطوط of your back,
125
349363
2093
و پشت، و خطوط پشت،
06:03
and if I were to put sensorsسنسورها,
maybe 100 sensorsسنسورها
126
351456
2531
و اگه الان حسگر وصل بود، شاید ۱۰۰ تا
06:05
into all of your chairsصندلی ها right now,
127
353987
1766
به صندلی هاتون،
06:07
I could createايجاد كردن an indexشاخص that's fairlyمنصفانه uniqueمنحصر بفرد to you,
128
355753
3600
می تونستم نموداری مختص شما ایجاد کنم.
06:11
sortمرتب سازی of like a fingerprintاثر انگشت, but it's not your fingerانگشت.
129
359353
4409
چیزی شبیه اثر انگشت! ولی اثر انگشت شما نیست.
06:15
So what could we do with this?
130
363762
2969
خُب این کار چه فایده ای برامون داره؟
06:18
Researchersمحققان in Tokyoتوکیو are usingاستفاده كردن it
131
366731
2397
محققان در توکیو، از اون به عنوان
06:21
as a potentialپتانسیل anti-theftضد سرقت deviceدستگاه in carsماشین ها.
132
369128
4388
یک دستگاه ضد سرقت خودرو استفاده می کنند.
06:25
The ideaاندیشه is that the carjackercarjacker sitsنشسته behindپشت the wheelچرخ,
133
373516
2924
به این شکل که دزد پشت فرمون می شینه،
06:28
triesتلاش می کند to streamجریان off, but the carماشین recognizesبه رسمیت می شناسد
134
376440
2104
سعی می کنه خودرو رو بدزده، و خودرو
06:30
that a non-approvedبدون تایید driverراننده is behindپشت the wheelچرخ,
135
378544
2362
تشخیص می ده که راننده، ذیصلاح نیست.
06:32
and maybe the engineموتور just stopsمتوقف می شود, unlessمگر اینکه you
136
380906
2164
و ممکنه موتور خاموش شه، تا شما
06:35
typeتایپ کنید in a passwordکلمه عبور into the dashboardداشبورد
137
383070
3177
کلمۀ عبور رو جایی روی داشبورد وارد کنید
06:38
to say, "Hey, I have authorizationمجوز to driveراندن." Great.
138
386247
4658
و بگین: "هی! من مجوز رانندگی دارم". عالیه!
06:42
What if everyهرکدام singleتنها carماشین in Europeاروپا
139
390905
2553
چی می شه اگر تمام خودروهای داخل اروپا
06:45
had this technologyتکنولوژی in it?
140
393458
1457
از این فناوری برخوردار باشند؟
06:46
What could we do then?
141
394915
3165
چه کاری می تونستیم انجام بدیم؟
06:50
Maybe, if we aggregatedجمع شده the dataداده ها,
142
398080
2240
اگر داده ها رو جمع کنیم،
06:52
maybe we could identifyشناسایی telltaleگواهینامه signsعلائم
143
400320
3814
شاید بتونیم علامت های ثبت شده رو ببینیم
06:56
that bestبهترین predictپیش بینی that a carماشین accidentتصادف
144
404134
2709
بهترین راه تشخیص این که
06:58
is going to take placeمحل in the nextبعد fiveپنج secondsثانیه.
145
406843
5893
در ۵ ثانیۀ آینده، یک تصادف اتفاق می افته.
07:04
And then what we will have datafieddatafied
146
412736
2557
و نکتۀ بعدی که ازش بهره می گیریم،
07:07
is driverراننده fatigueخستگی,
147
415293
1783
خستگیِ راننده است،
07:09
and the serviceسرویس would be when the carماشین sensesاحساسات
148
417076
2334
خدمات به این شکل ارائه می شه که مثلاً
07:11
that the personفرد slumpsدامنه into that positionموقعیت,
149
419410
3437
وقتی ماشین متوجه این حالت راننده می شه،
07:14
automaticallyبطور خودکار knowsمی داند, hey, setتنظیم an internalداخلی alarmزنگ خطر
150
422847
3994
آلارم داخلی رو به صورت خودکار فعال می کنه
07:18
that would vibrateارتعاش the steeringفرمان wheelچرخ, honkصدای بوق insideداخل
151
426841
2025
که مثلاً فرمون رو می لرزونه، یا
یه بوق می زنه
07:20
to say, "Hey, wakeاز خواب بیدار up,
152
428866
1721
که بگه: "هی! بیدار شو،
07:22
payپرداخت more attentionتوجه to the roadجاده."
153
430587
1904
بیشتر به جاده توجه کن"
07:24
These are the sortsانواع of things we can do
154
432491
1853
این ها مصداق هایی از توانایی هامون هستند،
07:26
when we datafydatafy more aspectsجنبه های of our livesزندگی می کند.
155
434344
2821
وقتی جنبه های بیشتری از زندگی رو
به داده بدل می کنیم.
07:29
So what is the valueارزش of bigبزرگ dataداده ها?
156
437165
3675
حالا ارزش دادۀ بزرگ چیه؟
07:32
Well, think about it.
157
440840
2190
خب... بهش فکر کنید.
07:35
You have more informationاطلاعات.
158
443030
2412
اطلاعات بیشتری دارید.
07:37
You can do things that you couldn'tنمی توانستم do before.
159
445442
3341
می تونید کارهایی انجام بدبد که قبلاً نمی تونستید.
07:40
One of the mostاکثر impressiveچشمگیر areasمناطق
160
448783
1676
یکی از تاثیرگذارترین جاهایی که
07:42
where this conceptمفهوم is takingگرفتن placeمحل
161
450459
1729
این مفهوم کاربردیه
07:44
is in the areaمنطقه of machineدستگاه learningیادگیری.
162
452188
3307
زمینۀ یادگیریه ماشینه.
07:47
Machineدستگاه learningیادگیری is a branchشاخه of artificialمصنوعی intelligenceهوش,
163
455495
3077
یادگیریه ماشین، شاخه ای از هوش مصنوعی ست،
07:50
whichکه itselfخودش is a branchشاخه of computerکامپیوتر scienceعلوم پایه.
164
458572
3378
که خود شاخه ای از علوم رایانه ست.
07:53
The generalعمومی ideaاندیشه is that insteadبجای of
165
461950
1543
ایدۀ کلی به این شکله که
07:55
instructingدستورالعمل a computerکامپیوتر what do do,
166
463493
2117
به جای آموزش رایانه برای کاری،
07:57
we are going to simplyبه سادگی throwپرت كردن dataداده ها at the problemمسئله
167
465610
2620
ما خیلی ساده، داده ها رو کنار مشکل میگذاریم
08:00
and tell the computerکامپیوتر to figureشکل it out for itselfخودش.
168
468230
3206
و به رایانه می گیم، خودت حلش کن.
08:03
And it will help you understandفهمیدن it
169
471436
1777
دانستن منشا این مسئله،
08:05
by seeingدیدن its originsریشه ها.
170
473213
3552
به درکش کمک می کنه.
08:08
In the 1950s, a computerکامپیوتر scientistدانشمند
171
476765
2388
در سال ۱۹۵۰، یک دانشمند رایانه در آی.بی.ام
08:11
at IBMآی بی ام namedتحت عنوان Arthurآرتور Samuelساموئل likedدوست داشت to playبازی checkersچکرز,
172
479153
3592
به نام آرتور ساموئل به چکِرز علاقه داشت
08:14
so he wroteنوشت a computerکامپیوتر programبرنامه
173
482745
1402
و برنامه ای برایش نوشت
08:16
so he could playبازی againstدر برابر the computerکامپیوتر.
174
484147
2813
تا بتونه مقابل رایانه بازی کنه.
08:18
He playedبازی کرد. He wonبرنده شد.
175
486960
2711
او بازی کرد. و او برد.
08:21
He playedبازی کرد. He wonبرنده شد.
176
489671
2103
بازی کرد. برد.
08:23
He playedبازی کرد. He wonبرنده شد,
177
491774
3015
بازی کرد. برد.
08:26
because the computerکامپیوتر only knewمی دانست
178
494789
1778
چون رایانه، تنها حرکت های
08:28
what a legalقانونی moveحرکت was.
179
496567
2227
قانونی رو می دونست.
08:30
Arthurآرتور Samuelساموئل knewمی دانست something elseچیز دیگری.
180
498794
2087
آرتور ساموئل چیز دیگه می دونست.
08:32
Arthurآرتور Samuelساموئل knewمی دانست strategyاستراتژی.
181
500881
4629
آرتور ساموئل استراتژی می دونست.
08:37
So he wroteنوشت a smallکوچک sub-programزیر برنامه alongsideدر کنار it
182
505510
2396
پس یه برنامۀ تکمیلی در کنارش نوشت
08:39
operatingعامل in the backgroundزمینه, and all it did
183
507906
1974
که پشت زمینه کار کنه،
08:41
was scoreنمره the probabilityاحتمال
184
509880
1817
و این احتمال رو بسنجه
08:43
that a givenداده شده boardهیئت مدیره configurationپیکربندی would likelyاحتمال دارد leadسرب
185
511697
2563
که بعد از هر حرکت
08:46
to a winningبرنده شدن boardهیئت مدیره versusدر مقابل a losingاز دست دادن boardهیئت مدیره
186
514260
2910
ترکیب مهره های صفحه، به سمت برد می ره
08:49
after everyهرکدام moveحرکت.
187
517170
2508
یا باخت.
08:51
He playsنمایشنامه the computerکامپیوتر. He winsبرنده می شود.
188
519678
3150
او با رایانه بازی می کنه. و می بره.
08:54
He playsنمایشنامه the computerکامپیوتر. He winsبرنده می شود.
189
522828
2508
بازی می کنه. و می بره.
08:57
He playsنمایشنامه the computerکامپیوتر. He winsبرنده می شود.
190
525336
3731
بازی می کنه. و می بره.
09:01
And then Arthurآرتور Samuelساموئل leavesبرگها the computerکامپیوتر
191
529067
2277
و سپس آرتور ساموئل رایانه رو تنها می گذاره
09:03
to playبازی itselfخودش.
192
531344
2227
تا با خودش بازی کنه.
09:05
It playsنمایشنامه itselfخودش. It collectsجمع می کند more dataداده ها.
193
533571
3509
بازی می کنه. و دادۀ بیشتر جمع می کنه.
09:09
It collectsجمع می کند more dataداده ها. It increasesافزایش
the accuracyدقت of its predictionپیش بینی.
194
537080
4309
دادۀ بیشتر جمع می کنه. و دقت
پیش بینی رو بالا می بره.
09:13
And then Arthurآرتور Samuelساموئل goesمی رود back to the computerکامپیوتر
195
541389
2104
بعد آرتور ساموئل برمی گرده به رایانه
09:15
and he playsنمایشنامه it, and he losesاز دست می دهد,
196
543493
2318
و بازی می کنه، می بازه.
09:17
and he playsنمایشنامه it, and he losesاز دست می دهد,
197
545811
2069
و بازی می کنه، و می بازه،
09:19
and he playsنمایشنامه it, and he losesاز دست می دهد,
198
547880
2047
و بازی می کنه، و می بازه،
09:21
and Arthurآرتور Samuelساموئل has createdایجاد شده a machineدستگاه
199
549927
2599
و آرتور ساموئل ماشینی ابداع می کنه
09:24
that surpassesپیشی می گیرد his abilityتوانایی in a taskوظیفه that he taughtتدریس کرد it.
200
552526
6288
که از اون در توانایی ای که یادش داده بود،
سبقت می گیره.
09:30
And this ideaاندیشه of machineدستگاه learningیادگیری
201
558814
2498
و این ایدۀ یادگیری ماشین
09:33
is going everywhereدر همه جا.
202
561312
3927
به همه جا می ره.
09:37
How do you think we have self-drivingخود رانندگی carsماشین ها?
203
565239
3149
فکر می کنید ماشین های بدون راننده از کجا اومدن؟
09:40
Are we any better off as a societyجامعه
204
568388
2137
آیا ما جامعه ای هستیم که
09:42
enshriningتثبیت all the rulesقوانین of the roadجاده into softwareنرم افزار?
205
570525
3285
تمام قوانین جاده رو به نرم افزار بدیم؟
09:45
No. Memoryحافظه is cheaperارزانتر است. No.
206
573810
2598
نه! حافظه ارزون تره، نه!
09:48
Algorithmsالگوریتم ها are fasterسریعتر. No. Processorsپردازنده ها are better. No.
207
576408
3994
الگوریتم ها سریع ترند، نه!
پردازنده ها بهترند، نه!
09:52
All of those things matterموضوع, but that's not why.
208
580402
2772
همۀ اینها مهم اند، اما پاسخ ما نیستند.
09:55
It's because we changedتغییر کرد the natureطبیعت of the problemمسئله.
209
583174
3141
پاسخ اینه که ما ماهیت مسئله رو تغییر دادیم.
09:58
We changedتغییر کرد the natureطبیعت of the problemمسئله from one
210
586315
1530
ماهیت مسئله رو از این که سعی کنیم
09:59
in whichکه we triedتلاش کرد to overtlyآشکارا and explicitlyبه صراحت
211
587845
2245
آشکارا و به جزء به رایانه بگیم
10:02
explainتوضیح to the computerکامپیوتر how to driveراندن
212
590090
2581
که چطور رانندگی کنه،
10:04
to one in whichکه we say,
213
592671
1316
به این شکل تغییر دادیم:
10:05
"Here'sاینجاست a lot of dataداده ها around the vehicleوسیله نقلیه.
214
593987
1876
این مقدار اطلاعات در مورد خودرو هست.
10:07
You figureشکل it out.
215
595863
1533
خودت حلش کن.
10:09
You figureشکل it out that that is a trafficترافیک lightسبک,
216
597396
1867
خودت بفهم که این چراغ راهنماییه،
10:11
that that trafficترافیک lightسبک is redقرمز and not greenسبز,
217
599263
2081
که چراغ راهنما قرمزه و نه سبز،
10:13
that that meansبه معنای that you need to stop
218
601344
2014
که این یعنی باید بایستی
10:15
and not go forwardرو به جلو."
219
603358
3083
و جلو نری.
10:18
Machineدستگاه learningیادگیری is at the basisپایه
220
606441
1518
یادگیری ماشین، پایۀ
10:19
of manyبسیاری of the things that we do onlineآنلاین:
221
607959
1991
بسیاری از کارهای آنلاین ماست.
10:21
searchجستجو کردن enginesموتورها,
222
609950
1857
موتورهای جستجو،
10:23
Amazon'sآمازون personalizationشخصی algorithmالگوریتم,
223
611807
3801
الگوریتم شخصی سازی آمازون،
10:27
computerکامپیوتر translationترجمه,
224
615608
2212
مترجم رایانه ای،
10:29
voiceصدای recognitionبه رسمیت شناختن systemsسیستم های.
225
617820
4290
سیستم های تشخیص صدا.
10:34
Researchersمحققان recentlyبه تازگی have lookedنگاه کرد at
226
622110
2835
محققین اخیرن
به مسئلۀ بافت برداری پرداختند،
10:36
the questionسوال of biopsiesبیوپسی ها,
227
624945
3195
10:40
cancerousسرطانی biopsiesبیوپسی ها,
228
628140
2767
بافت های سرطانی.
10:42
and they'veآنها دارند askedپرسید: the computerکامپیوتر to identifyشناسایی
229
630907
2315
آنها از رایانه خواستند
10:45
by looking at the dataداده ها and survivalبقاء ratesنرخ ها
230
633222
2471
که با مشاهدۀ داده ها و میزان نجات
10:47
to determineتعیین کنید whetherچه cellsسلول ها are actuallyدر واقع
231
635693
4667
بررسی کند که آیا در واقع
10:52
cancerousسرطانی or not,
232
640360
2544
سلول ها سرطانی اند یا نه،
10:54
and sure enoughکافی, when you throwپرت كردن the dataداده ها at it,
233
642904
1778
و مطمئناً، با افزودن داده به آن،
10:56
throughاز طریق a machine-learningفراگیری ماشین algorithmالگوریتم,
234
644682
2047
به الگوریتم یادگیریِ ماشین،
10:58
the machineدستگاه was ableتوانایی to identifyشناسایی
235
646729
1877
ماشین قادر بود به شناساییِ
11:00
the 12 telltaleگواهینامه signsعلائم that bestبهترین predictپیش بینی
236
648606
2262
۱۲ تا از بهترین نشانه های پیش بینی
11:02
that this biopsyبیوپسی of the breastپستان cancerسرطان cellsسلول ها
237
650868
3299
که نمونۀ سلول های سرطان پستان
11:06
are indeedدر واقع cancerousسرطانی.
238
654167
3218
واقعاً سرطانی اند.
11:09
The problemمسئله: The medicalپزشکی literatureادبیات
239
657385
2498
مسئله: دایرۀ المعارف پزشکی
11:11
only knewمی دانست nineنه of them.
240
659883
2789
تنها ۹ تای آنان را می شناخت.
11:14
Threeسه of the traitsصفات were onesآنهایی که
241
662672
1800
سه تا از ویژگی ها، آنهایی بودند که
11:16
that people didn't need to look for,
242
664472
2975
مردم نیازی به پیدا کردن آنها نداشتند،
11:19
but that the machineدستگاه spottedپابند.
243
667447
5531
اما ماشین آنها را پیدا کرد.
11:24
Now, there are darkتاریک است sidesدو طرف to bigبزرگ dataداده ها as well.
244
672978
5925
ابعاد تاریکی هم برای دادۀ بزرگ وجود دارد.
11:30
It will improveبهتر کردن our livesزندگی می کند, but there are problemsمشکلات
245
678903
2074
زندگی مان را بهبود می بخشد
اما مشکلاتی هم هست،
11:32
that we need to be consciousآگاهانه of,
246
680977
2640
که باید به آنها آگاه باشیم.
11:35
and the first one is the ideaاندیشه
247
683617
2623
اولی، ایده ایست که
11:38
that we mayممکن است be punishedمجازات for predictionsپیش بینی ها,
248
686240
2686
شاید برای این پیش بینی ها مجازات شویم!
11:40
that the policeپلیس mayممکن است use bigبزرگ dataداده ها for theirخودشان purposesاهداف,
249
688926
3870
مثلن پلیس برای مقاصدش از آن استفاده کند.
11:44
a little bitبیت like "Minorityاقلیت Reportگزارش."
250
692796
2351
کمی شبیه فیلم "گزارش اقلیت".
11:47
Now, it's a termدوره calledبه نام predictiveپیش بینی policingپلیس,
251
695147
2441
امروزه واژۀ پیش بینیِ پلیسی هست،
11:49
or algorithmicالگوریتمیک criminologyجرمشناسی,
252
697588
2363
یا جرم شناسی الگوریتمی
11:51
and the ideaاندیشه is that if we take a lot of dataداده ها,
253
699951
2036
که اگر داده های زیادی داشته باشیم،
11:53
for exampleمثال where pastگذشته crimesجرایم have been,
254
701987
2159
مثلاً محل وقوع جرم های پیشین،
11:56
we know where to sendارسال the patrolsگشت زنی.
255
704146
2543
می دانیم گشت ها را به کجا اعزام کنیم.
11:58
That makesباعث می شود senseاحساس, but the problemمسئله, of courseدوره,
256
706689
2115
به نظر منطقی می آد، اما مشکل اینه که
12:00
is that it's not simplyبه سادگی going to stop on locationمحل dataداده ها,
257
708804
4544
مسئله به دادۀ موقعیت ختم نمی شه،
12:05
it's going to go down to the levelسطح of the individualفردی.
258
713348
2959
و به مسائل فردی وارد خواهد شد.
12:08
Why don't we use dataداده ها about the person'sفردی
259
716307
2250
چرا از ریزنمرات فردی در دوران دبیرستان
12:10
highبالا schoolمدرسه transcriptرونوشت?
260
718557
2228
استفاده نکنیم؟
12:12
Maybe we should use the factواقعیت that
261
720785
1561
شاید باید از این حقایق استفاده کنیم که
12:14
they're unemployedبیکار or not, theirخودشان creditاعتبار scoreنمره,
262
722346
2028
آیا بیکارند یا نه، اعتبار بانکی شان،
12:16
theirخودشان web-surfingوبگردی behaviorرفتار,
263
724374
1552
رفتاروب گردی آنها
12:17
whetherچه they're up lateدیر است at night.
264
725926
1878
آیا تا دیروقت بیدارند.
12:19
Theirآنها FitbitFitbit, when it's ableتوانایی
to identifyشناسایی biochemistriesبیوشیمی,
265
727804
3161
دست بندشان، اگر قادر به تشخیص
بیوشیمی باشد،
12:22
will showنشان بده that they have aggressiveخشونت آمیز thoughtsاندیشه ها.
266
730965
4236
تصورات تهاجمی شان را نشان خواهد داد.
12:27
We mayممکن است have algorithmsالگوریتم ها that are likelyاحتمال دارد to predictپیش بینی
267
735201
2221
می شه الگوریتم هایی اشته باشیم که تقریباً
12:29
what we are about to do,
268
737422
1633
کارهایمان را پیش بینی می کنند،
12:31
and we mayممکن است be heldبرگزار شد accountableپاسخگو
269
739055
1244
و ممکنه قبل از ارتکاب جرم
12:32
before we'veما هستیم actuallyدر واقع actedعمل کرد.
270
740299
2590
دستگیر شیم.
12:34
Privacyحریم خصوصی was the centralمرکزی challengeچالش
271
742889
1732
حریم خصوصی، چالش اصلی
12:36
in a smallکوچک dataداده ها eraدوران.
272
744621
2880
در عصر دادۀ کوچک بود.
12:39
In the bigبزرگ dataداده ها ageسن,
273
747501
2149
در دورۀ دادۀ بزرگ،
12:41
the challengeچالش will be safeguardingحفاظت freeرایگان will,
274
749650
4523
چالش، حفاظت از اختیار است،
12:46
moralاخلاقی choiceانتخابی, humanانسان volitionولایت,
275
754173
3779
انتخاب اخلاقی، ارادۀ انسان
12:49
humanانسان agencyآژانس.
276
757952
3068
وکالت انسان.
12:54
There is anotherیکی دیگر problemمسئله:
277
762540
2225
مشکل دیگری هم هست:
12:56
Bigبزرگ dataداده ها is going to stealسرقت کن our jobsشغل ها.
278
764765
3556
دادۀ بزرگ ما را بیکار می کند.
13:00
Bigبزرگ dataداده ها and algorithmsالگوریتم ها are going to challengeچالش
279
768321
3512
دادۀ بزرگ و الگوریتم ها به مصاف
13:03
whiteسفید collarیقه, professionalحرفه ای knowledgeدانش work
280
771833
3061
کارمندان و کار حرفه ای می روند
13:06
in the 21stخیابان centuryقرن
281
774894
1653
در قرن ۲۱.
13:08
in the sameیکسان way that factoryکارخانه automationاتوماسیون
282
776547
2434
به همان ترتیب که اتوماسیون کارخانه ها
13:10
and the assemblyمونتاژ lineخط
283
778981
2189
و خطوط تولید
13:13
challengedبه چالش کشیده شد blueآبی collarیقه laborنیروی کار in the 20thth centuryقرن.
284
781170
3026
در قرن بیستم به مصاف کارگران رفتند.
13:16
Think about a labآزمایشگاه technicianتکنسین
285
784196
2092
مثلاً تکنسین آزمایشگاه
13:18
who is looking throughاز طریق a microscopeمیکروسکوپ
286
786288
1409
که زیر میکروسکوپ
13:19
at a cancerسرطان biopsyبیوپسی
287
787697
1624
نمونۀ سرطانی می بیند
13:21
and determiningتعیین کردن whetherچه it's cancerousسرطانی or not.
288
789321
2637
و نتیجه می گیرد که آیا سرطانی ست یا نه.
13:23
The personفرد wentرفتی to universityدانشگاه.
289
791958
1972
شخص به دانشگاه رفته.
13:25
The personفرد buysخرید می کند propertyویژگی.
290
793930
1430
شخص املاک می خره.
13:27
He or she votesرای.
291
795360
1741
او رای می دهد.
13:29
He or she is a stakeholderذینفع in societyجامعه.
292
797101
3666
او در جامعه ذینفع است.
13:32
And that person'sفردی jobکار,
293
800767
1394
و شغل اون شخص،
13:34
as well as an entireکل fleetناوگان
294
802161
1609
مثل همۀ ناوگانِ
13:35
of professionalsحرفه ای ها like that personفرد,
295
803770
1969
حرفه ای ها مانند اون شخص،
13:37
is going to find that theirخودشان jobsشغل ها are radicallyبه طور اساسی changedتغییر کرد
296
805739
3150
خواهند فهمید که شغلشان کاملاً تغییر کرده
13:40
or actuallyدر واقع completelyبه صورت کامل eliminatedحذف شد.
297
808889
2357
یا کاملاً از بین رفته.
13:43
Now, we like to think
298
811246
1284
ما دوست داریم اینگونه فکر کنیم
13:44
that technologyتکنولوژی createsایجاد می کند jobsشغل ها over a periodدوره زمانی of time
299
812530
3187
که فناوری بعد از مدتی ایجاد شغل می کنه
13:47
after a shortکوتاه, temporaryموقت periodدوره زمانی of dislocationجابجایی,
300
815717
3465
بعد از مدت کوتاه یا موقت جابجایی،
13:51
and that is trueدرست است for the frameفریم of referenceمرجع
301
819182
1941
و این برای ارجاع به انقلاب صنعتی
13:53
with whichکه we all liveزنده, the Industrialصنعتی Revolutionانقلاب,
302
821123
2142
که با اون زندگی می کنیم، درسته
13:55
because that's preciselyدقیقا what happenedاتفاق افتاد.
303
823265
2328
چون دقیقاً همونیه که اتفاق افتاده.
13:57
But we forgetفراموش کردن something in that analysisتحلیل و بررسی:
304
825593
2333
اما چیزی رو در اون آنالیز فراموش کردیم:
13:59
There are some categoriesدسته بندی ها of jobsشغل ها
305
827926
1830
دسته ای از مشاغل هستند که
14:01
that simplyبه سادگی get eliminatedحذف شد and never come back.
306
829756
3420
به راحتی از بین می رن و بر نمی گردند.
14:05
The Industrialصنعتی Revolutionانقلاب wasn'tنبود very good
307
833176
2004
انقلاب صنعتی خیلی خوب نبود،
14:07
if you were a horseاسب.
308
835180
4002
اگر شما اسب بودید.
14:11
So we're going to need to be carefulمراقب باشید
309
839182
2055
پس باید دقت کنیم
14:13
and take bigبزرگ dataداده ها and adjustتنظیم کنید it for our needsنیاز دارد,
310
841237
3514
و دادۀ بزرگ رو برای خواسته هامون به کار بگیریم،
14:16
our very humanانسان needsنیاز دارد.
311
844751
3185
خواسته های انسانی مون.
14:19
We have to be the masterاستاد of this technologyتکنولوژی,
312
847936
1954
باید ارباب این فناوری باشیم،
14:21
not its servantخدمتگزار.
313
849890
1656
نه بنده اش.
14:23
We are just at the outsetآغاز of the bigبزرگ dataداده ها eraدوران,
314
851546
2958
ما هنوز در ابتدای عصر دادۀ بزرگ هستیم،
14:26
and honestlyصادقانه, we are not very good
315
854504
3150
و صادقانه، خیلی خوب نیستیم
14:29
at handlingرسیدگی all the dataداده ها that we can now collectجمع کن.
316
857654
4207
در ادارۀ داده هایی که امروز
می تونیم جمع کنیم.
14:33
It's not just a problemمسئله for
the Nationalملی Securityامنیت Agencyآژانس.
317
861861
3330
این فقط مشکلی برای
آزانس امنیت ملی نیست.
14:37
Businessesکسب و کار collectجمع کن lots of
dataداده ها, and they misuseسوء استفاده it too,
318
865191
3038
شرکت ها داده های زیادی جمع می کنند
از آنها استفادۀ نادرست هم می کنند،
14:40
and we need to get better at
this, and this will take time.
319
868229
3667
باید این قسمت رو بهبود بدیم،
و این زمان بره.
14:43
It's a little bitبیت like the challengeچالش that was facedدر مواجهه
320
871896
1822
کمی مشابه چالشی که انسان اولیه
14:45
by primitiveاولیه man and fireآتش.
321
873718
2407
با آتش داشت.
14:48
This is a toolابزار, but this is a toolابزار that,
322
876125
1885
این یک ابزار است. اما ابزاری که
14:50
unlessمگر اینکه we're carefulمراقب باشید, will burnسوزاندن us.
323
878010
3559
بر اثر استفادۀ نادرست، ما را به آتش می کشد.
14:56
Bigبزرگ dataداده ها is going to transformتبدیل how we liveزنده,
324
884008
3120
دادۀ بزرگ، روند زندگی ما را متحول خواهد کرد،
14:59
how we work and how we think.
325
887128
2801
روند کارمان را و روند تفکرمان را.
15:01
It is going to help us manageمدیریت کردن our careersشغل
326
889929
1889
به ما کمک می کند در مدیریت سوابق مان
15:03
and leadسرب livesزندگی می کند of satisfactionرضایت and hopeامید
327
891818
3634
در هدایت زندگیِ راضی کننده و امیدبخش
15:07
and happinessشادی and healthسلامتی,
328
895452
2992
در خوشحالی و در سلامت
15:10
but in the pastگذشته, we'veما هستیم oftenغالبا
lookedنگاه کرد at informationاطلاعات technologyتکنولوژی
329
898444
3306
اما در گذشته،
اغلب به فناوری اطلاعات نگاه می کردیم
15:13
and our eyesچشم ها have only seenمشاهده گردید the T,
330
901750
2208
و چشم هایمان فقط "ف" را دیده اند
15:15
the technologyتکنولوژی, the hardwareسخت افزار,
331
903958
1686
فناوری... سخت افزار...
15:17
because that's what was physicalفیزیکی.
332
905644
2262
چون آنها فیزیکی بودند.
15:19
We now need to recastنوشتن our gazeخیره شدن at the I,
333
907906
2924
اکنون باید به "ا" بنگریم،
15:22
the informationاطلاعات,
334
910830
1380
اطلاعات...
15:24
whichکه is lessکمتر apparentآشکار,
335
912210
1373
که کمتر اشکار است.
15:25
but in some waysراه ها a lot more importantمهم.
336
913583
4109
اما در برخی جهات بسیار مهم تر.
15:29
Humanityبشریت can finallyسرانجام learnیاد گرفتن from the informationاطلاعات
337
917692
3465
بشریت سرانجام از اطلاعات خواهد آموخت
15:33
that it can collectجمع کن,
338
921157
2418
اطلاعاتی که جمع می کند،
15:35
as partبخشی of our timelessبی انتها questجستجو
339
923575
2115
در راستای تلاش بی پایان مان
15:37
to understandفهمیدن the worldجهان and our placeمحل in it,
340
925690
3159
برای فهمیدن جهان و جایگاهمان در آن،
15:40
and that's why bigبزرگ dataداده ها is a bigبزرگ dealمعامله.
341
928849
5631
و به این دلیله که دادۀ بزرگ مهمه.
15:46
(Applauseتشویق و تمجید)
342
934480
3568
(تشویق حضار)
Translated by Roozbeh Fakhr
Reviewed by Shahram Eatezadi

▲Back to top

ABOUT THE SPEAKER
Kenneth Cukier - Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages.

Why you should listen

As Data Editor of The Economist and co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think, Kenneth Cukier has spent years immersed in big data, machine learning -- and the impact of both. What's the future of big data-driven technology and design? To find out, watch this talk.

More profile about the speaker
Kenneth Cukier | Speaker | TED.com
THE ORIGINAL VIDEO ON TED.COM
کِنِث کوکی ار: دادۀ بزرگ، دادۀ بهتری است | TED Talk | TED.com