ABOUT THE SPEAKER
Gary Flake - Technologist
Gary Flake is a Technical Fellow at Microsoft, and the founder and director of Live Labs.

Why you should listen

Gary Flake is a Technical Fellow at Microsoft, where he focuses on Internet products and technologies including search, advertising, content, portals, community and application development. In this capacity, he helps define and evolve Microsoft's product vision, technical architecture and business strategy for online services. He is also the founder and director of Live Labs, a skunkworks that bridges research and development, and is widely recognized for inventing new best practices for catalyzing and managing innovation.

Prior to joining Microsoft, Flake founded Yahoo! Research Labs, ran Yahoo!'s corporate R&D activities and company-wide innovation effort, and was the Chief Science Officer of Overture, the company that invented the paid search business model. Flake also wrote the award-winning book The Computational Beauty of Nature, which is used in college courses worldwide.

More profile about the speaker
Gary Flake | Speaker | TED.com
TED2010

Gary Flake: Is Pivot a turning point for web exploration?

Gary Flake: Pivot est-il un tournant pour l'exploration du web ?

Filmed:
751,479 views

Gary Flake présente Pivot, une nouvelle manière de parcourir et manipuler d'énormes quantités d'images et de données en ligne. Basé sur la technologie révolutionnaire Seadragon, Pivot permet d'effectuer de spectaculaires zooms sur les bases de données en ligne, et de découvrir des tendances et des relations invisibles lors d'une navigation standard.
- Technologist
Gary Flake is a Technical Fellow at Microsoft, and the founder and director of Live Labs. Full bio

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

00:16
If I can leavelaisser you with one biggros ideaidée todayaujourd'hui,
0
1000
2000
Si je peux vous transmettre une grande idée aujourd'hui,
00:18
it's that the wholeentier of the dataLes données
1
3000
2000
c'est que l'ensemble des données
00:20
in whichlequel we consumeconsommer
2
5000
2000
que nous consommons
00:22
is greaterplus grand that the sumsomme of the partsles pièces,
3
7000
2000
est plus grand que la somme des parties,
00:24
and insteadau lieu of thinkingen pensant about informationinformation overloadsurcharge,
4
9000
3000
et, plutôt que de penser à la saturation d'information,
00:27
what I'd like you to think about is how
5
12000
2000
ce que j'aimerai vous montrer c'est comment
00:29
we can use informationinformation so that patternsmodèles poppop
6
14000
3000
nous pouvons utiliser l'information de sorte que les structures ressortent
00:32
and we can see trendsles tendances that would otherwiseautrement be invisibleinvisible.
7
17000
3000
et nous pouvons voir émerger des tendances qui sans cela seraient invisibles.
00:35
So what we're looking at right here is a typicaltypique mortalitymortalité chartgraphique
8
20000
3000
Donc ce que nous avons là est un tableau de mortalité classique
00:38
organizedorganisé by ageâge.
9
23000
2000
organisé par âge.
00:40
This tooloutil that I'm usingen utilisant here is a little experimentexpérience.
10
25000
2000
L'outil que j'utilise ici est une petite expérience.
00:42
It's calledappelé PivotPivot, and with PivotPivot what I can do
11
27000
3000
Il s'appelle Pivot, et avec Pivot je peux
00:45
is I can choosechoisir to filterfiltre in one particularparticulier causecause of deathsdes morts -- say, accidentsles accidents.
12
30000
4000
choisir de focaliser sur une cause de décès en particulier, disons les accidents.
00:49
And, right away, I see there's a differentdifférent patternmodèle that emergesémerge.
13
34000
3000
Et, immédiatement, je vois une tendance différente qui émerge.
00:52
This is because, in the mid-areaMid-zone here,
14
37000
2000
C'est parce que, dans la zone du milieu,
00:54
people are at theirleur mostles plus activeactif,
15
39000
2000
les gens sont les plus actifs,
00:56
and over here they're at theirleur mostles plus frailfrêle.
16
41000
2000
et ici ils sont les plus fragiles.
00:58
We can stepétape back out again
17
43000
2000
On peut s'éloigner à nouveau
01:00
and then reorganizeréorganiser les the dataLes données by causecause of deathdécès,
18
45000
2000
et réorganiser les données par causes de décès,
01:02
seeingvoyant that circulatorysystème circulatoire diseasesmaladies and cancercancer
19
47000
3000
on voit que les maladies cardio-vasculaires et le cancer
01:05
are the usualhabituel suspectssuspects, but not for everyonetoutes les personnes.
20
50000
3000
sont les suspects habituels, mais pas pour tout le monde.
01:08
If we go aheaddevant and we filterfiltre by ageâge --
21
53000
3000
Si on continue et qu'on filtre par âge,
01:11
say 40 yearsannées or lessMoins --
22
56000
2000
disons 40 ans ou moins,
01:13
we see that accidentsles accidents are actuallyréellement
23
58000
2000
on voit que les accidents sont en fait
01:15
the greatestplus grand causecause that people have to be worriedinquiet about.
24
60000
3000
la plus grande cause dont les gens devraient se soucier.
01:18
And if you drillpercer into that, it's especiallynotamment the caseCas for menHommes.
25
63000
3000
Et si on creuse encore un peu, c'est particulièrement vrai pour les hommes.
01:21
So you get the ideaidée
26
66000
2000
Bref, vous comprenez l'idée
01:23
that viewingvisualisation informationinformation, viewingvisualisation dataLes données in this way,
27
68000
3000
que voir l'information, voir les données de cette façon,
01:26
is a lot like swimmingla natation
28
71000
2000
ressemble beaucoup à nager
01:28
in a livingvivant informationinformation info-graphicinfo-graphique.
29
73000
3000
dans un bain vivant de données graphiques.
01:31
And if we can do this for rawbrut dataLes données,
30
76000
2000
Et si nous pouvons faire cela avec des données brutes,
01:33
why not do it for contentcontenu as well?
31
78000
3000
pourquoi ne pas le faire avec du contenu aussi ?
01:36
So what we have right here
32
81000
2000
Donc ce que nous avons ici,
01:38
is the covercouverture of everychaque singleunique SportsSport IllustratedIllustrée
33
83000
3000
c'est la couverture de chaque numéro de Sports Illustrated
01:41
ever producedproduit.
34
86000
2000
jamais paru.
01:43
It's all here; it's all on the webweb.
35
88000
2000
Tout est là. Tout est en ligne.
01:45
You can go back to your roomspièces and try this after my talk.
36
90000
3000
Vous pouvez rentrer chez vous et essayer après ma présentation.
01:48
With PivotPivot, you can drillpercer into a decadedécennie.
37
93000
3000
Avec Pivot, vous pouvez zoomer sur une décennie.
01:51
You can drillpercer into a particularparticulier yearan.
38
96000
2000
Vous pouvez zoomer sur une année particulière.
01:53
You can jumpsaut right into a specificspécifique issueproblème.
39
98000
3000
Vous pouvez vous rendre directement sur un numéro spécifique.
01:56
So I'm looking at this; I see the athletesles athlètes
40
101000
2000
Donc je regarde ça; je vois les athlètes
01:58
that have appearedest apparu in this issueproblème, the sportsdes sports.
41
103000
2000
qui sont apparus dans ce numéro, les sports.
02:00
I'm a LanceLance ArmstrongArmstrong fanventilateur, so I'll go aheaddevant and I'll clickCliquez on that,
42
105000
3000
Je suis un fan de Lance Armstrong, donc je vais cliquer là-dessus,
02:03
whichlequel revealsrévèle, for me, all the issuesproblèmes
43
108000
2000
ce qui me révèle tous les numéros
02:05
in whichlequel LanceLance Armstrong'sArmstrong been a partpartie of.
44
110000
2000
dans lesquels Lance Armstrong est mentionné.
02:07
(ApplauseApplaudissements)
45
112000
3000
(Applaudissements)
02:10
Now, if I want to just kindgentil of take a peekcoup d’oeil at these,
46
115000
3000
A présent, si je veux juste y jeter un coup d'oeil,
02:13
I mightpourrait think,
47
118000
2000
je pourrais me dire,
02:15
"Well, what about takingprise a look at all of cyclingvélos de route?"
48
120000
2000
"Bien, et si on regardait tout ce qui parle de cyclisme ?"
02:17
So I can stepétape back, and expanddévelopper on that.
49
122000
2000
Donc je peux prendre un peu de recul, et explorer cette idée.
02:19
And I see GregGreg LeMondLeMond now.
50
124000
2000
Et je vois Greg Lemond maintenant.
02:21
And so you get the ideaidée that when you
51
126000
2000
Et vous commencez à comprendre l'idée que quand vous
02:23
navigatenaviguer over informationinformation this way --
52
128000
2000
naviguez dans l'information de cette façon,
02:25
going narrowerplus étroit, broaderplus large,
53
130000
2000
en affinant, en élargissant
02:27
backingsupport in, backingsupport out --
54
132000
2000
en vous approchant, vous éloignant
02:29
you're not searchingrecherche, you're not browsingla navigation.
55
134000
2000
vous ne cherchez pas, vous ne naviguez pas.
02:31
You're doing something that's actuallyréellement a little bitbit differentdifférent.
56
136000
2000
Vous faites quelque chose qui est en réalité un peu différent.
02:33
It's in betweenentre, and we think it changeschangements
57
138000
3000
C'est entre les deux, et nous pensons que cela change
02:36
the way informationinformation can be used.
58
141000
2000
la façon dont l'information peut être utilisée.
02:38
So I want to extrapolateextrapoler on this ideaidée a bitbit
59
143000
2000
Et je voudrais extrapoler sur cette idée un peu
02:40
with something that's a little bitbit crazyfou.
60
145000
2000
avec quelque chose qui est légèrement fou.
02:42
What we're doneterminé here is we'venous avons takenpris everychaque singleunique WikipediaWikipedia pagepage
61
147000
3000
Ce que nous avons fait ici c'est que nous avons pris chaque page de Wikipédia
02:45
and we reducedréduit it down to a little summaryRésumé.
62
150000
3000
et les avons réduite à un petit résumé.
02:48
So the summaryRésumé consistsconsiste of just a little synopsiscarnet de bord
63
153000
3000
Donc le résumé est juste constitué de petits synopsis
02:51
and an iconicône to indicateindiquer the topicaltopique arearégion that it comesvient from.
64
156000
3000
et d'une icône pour indiquer le thème dont il provient.
02:54
I'm only showingmontrer the topHaut 500
65
159000
3000
Je ne montre ici que les 500 premières pages
02:57
mostles plus popularpopulaire WikipediaWikipedia pagespages right here.
66
162000
2000
les plus populaires de Wikipédia.
02:59
But even in this limitedlimité viewvue,
67
164000
2000
Mais même dans cette vue limitée,
03:01
we can do a lot of things.
68
166000
2000
on peut faire un tas de choses.
03:03
Right away, we get a sensesens of what are the topicaltopique domainsdomaines
69
168000
2000
Immédiatement, on a une idée des domaines thématiques
03:05
that are mostles plus popularpopulaire on WikipediaWikipedia.
70
170000
2000
qui sont les plus populaires sur Wikipédia.
03:07
I'm going to go aheaddevant and selectsélectionner governmentgouvernement.
71
172000
2000
Je vais me lancer et choisir gouvernement.
03:09
Now, havingayant selectedchoisi governmentgouvernement,
72
174000
3000
Maintenant, ayant selectionné gouvernement,
03:12
I can now see that the WikipediaWikipedia categoriescategories
73
177000
2000
je peux désormais voir que les catégories de Wikipédia
03:14
that mostles plus frequentlyfréquemment correspondcorrespondent to that
74
179000
2000
qui correspondent le plus fréquement à cela
03:16
are Time magazinemagazine People of the YearAnnée.
75
181000
3000
sont les Personnalités de l'Année du magazine Time.
03:19
So this is really importantimportant because this is an insightperspicacité
76
184000
3000
Et c'est important car c'est une infromation
03:22
that was not containedcontenu withindans any one WikipediaWikipedia pagepage.
77
187000
3000
qui n'était contenue dans aucune des pages de Wikipédia.
03:25
It's only possiblepossible to see that insightperspicacité
78
190000
2000
Il n'est possible de faire cette observation
03:27
when you stepétape back and look at all of them.
79
192000
3000
qu'en prenant du recul et en les regardant toutes.
03:30
Looking at one of these particularparticulier summariesrésumés,
80
195000
2000
En regardant l'un de ces résumés en particulier,
03:32
I can then drillpercer into the conceptconcept of
81
197000
3000
je peux maintenant creuser le concept de
03:35
Time magazinemagazine PersonPersonne of the YearAnnée,
82
200000
2000
Personnalité de l'Année du magazine Time,
03:37
bringingapportant up all of them.
83
202000
2000
en les affichant toutes.
03:39
So looking at these people,
84
204000
2000
En regardant ces personnes,
03:41
I can see that the majoritymajorité come from governmentgouvernement;
85
206000
3000
je vois que la majorité viennent du gouvernement.
03:45
some have come from naturalNaturel sciencesles sciences;
86
210000
3000
Certains viennent des sciences naturelles.
03:49
some, fewermoins still, have come from businessEntreprise --
87
214000
3000
D'autres, moins nombreux encore, viennent du monde des affaires.
03:53
there's my bosspatron --
88
218000
2000
Voilà mon patron.
03:55
and one has come from musicla musique.
89
220000
5000
Et un vient du monde de la musique.
04:00
And interestinglyintéressant enoughassez,
90
225000
2000
Et de façon interessante,
04:02
BonoBono is alsoaussi a TEDTED PrizePrix winnergagnant.
91
227000
3000
Bono est également un lauréat du Prix TED.
04:05
So we can go, jumpsaut, and take a look at all the TEDTED PrizePrix winnersgagnants.
92
230000
3000
Ainsi on peut continuer, passer, et jeter un oeil à tous les lauréats du Prix TED.
04:08
So you see, we're navigatingnavigation dans the webweb for the first time
93
233000
3000
Et vous voyez, nous parcourons le réseau pour la première fois
04:11
as if it's actuallyréellement a webweb, not from page-to-pagepage à page,
94
236000
3000
comme si c'était effectivement un réseau, pas de page en page,
04:14
but at a higherplus haute levelniveau of abstractionabstraction.
95
239000
2000
mais à un plus haut degré d'abstraction.
04:16
And so I want to showmontrer you one other thing
96
241000
2000
Et aussi je voudrais vous montrer une autre chose
04:18
that maymai catchcapture you a little bitbit by surprisesurprise.
97
243000
3000
qui pourrait bien vous prendre un peu par surprise.
04:21
I'm just showingmontrer the NewNouveau YorkYork TimesFois websitesite Internet here.
98
246000
3000
Je vous montre juste le site web du New York Times là.
04:24
So PivotPivot, this applicationapplication --
99
249000
2000
Donc Pivot, cette application --
04:26
I don't want to call it a browserNavigateur; it's really not a browserNavigateur,
100
251000
2000
je ne veux pas l'appeler un navigateur; ce n'est vraiment pas un navigateur,
04:28
but you can viewvue webweb pagespages with it --
101
253000
3000
mais vous pouvez visiter des pages web avec --
04:31
and we bringapporter that zoomablezoomable technologyLa technologie
102
256000
2000
et nous introduisons cette technologie de zoom
04:33
to everychaque singleunique webweb pagepage like this.
103
258000
3000
pour chaque page web comme ceci.
04:36
So I can stepétape back,
104
261000
3000
Donc je peux m'éloigner,
04:39
poppop right back into a specificspécifique sectionsection.
105
264000
2000
revenir directement à une section particulière.
04:41
Now the reasonraison why this is importantimportant is because,
106
266000
2000
Et la raison pour laquelle c'est important c'est que,
04:43
by virtuevertu of just viewingvisualisation webweb pagespages in this way,
107
268000
3000
étant capable de consulter des pages web de cette façon
04:46
I can look at my entiretout browsingla navigation historyhistoire
108
271000
2000
je peux regarder tout l'historique de ma navigation
04:48
in the exactexact sameMême way.
109
273000
2000
exactement de la même manière.
04:50
So I can drillpercer into what I've doneterminé
110
275000
2000
Donc je peux creuser dans ce que j'ai fait
04:52
over specificspécifique time framescadres.
111
277000
2000
au cours de certains laps de temps.
04:54
Here, in factfait, is the stateEtat
112
279000
2000
La, en fait, c'est l'état
04:56
of all the demodémo that I just gavea donné.
113
281000
2000
de toute la démo que je viens de donner.
04:58
And I can sortTrier of replayReplay some stuffdes trucs that I was looking at earlierplus tôt todayaujourd'hui.
114
283000
3000
Et je peux rejouer certains trucs que j'ai consulté plus tôt aujourd'hui.
05:01
And, if I want to stepétape back and look at everything,
115
286000
3000
Et, si je veux m'éloigner et tout regarder
05:04
I can slicetranche and dice my historyhistoire,
116
289000
2000
je peux décortiquer mon historique
05:06
perhapspeut être by my searchchercher historyhistoire --
117
291000
2000
peut-être mon historique de recherche.
05:08
here, I was doing some nepotisticnépotisme searchingrecherche,
118
293000
2000
Là, je faisais des recherches népotiques,
05:10
looking for BingBing, over here for LiveVivre LabsLabs PivotPivot.
119
295000
3000
faisant des recherches pour Bing, ici pour le Live Labs Pivot.
05:13
And from these, I can drillpercer into the webweb pagepage
120
298000
2000
Et à partir de ça, je peux plonger dans la page web
05:15
and just launchlancement them again.
121
300000
2000
et simplement les lancer à nouveau.
05:17
It's one metaphormétaphore repurposedréaffectés multipleplusieurs timesfois,
122
302000
3000
C'est une métaphore réutilisée de multiples fois,
05:20
and in eachchaque caseCas it makesfait du the wholeentier greaterplus grand
123
305000
2000
et à chaque fois ça rend le tout plus grand
05:22
than the sumsomme of the partsles pièces with the dataLes données.
124
307000
2000
que la somme des parties avec les données.
05:24
So right now, in this worldmonde,
125
309000
3000
Et à cet instant, dans ce monde,
05:27
we think about dataLes données as beingétant this cursemalédiction.
126
312000
3000
on pense que les données sont cette malédiction.
05:30
We talk about the cursemalédiction of informationinformation overloadsurcharge.
127
315000
3000
On parle du problème de la surcharge d'information.
05:33
We talk about drowningla noyade in dataLes données.
128
318000
3000
On parle d'être noyé sous les données.
05:36
What if we can actuallyréellement turntour that upsideà l'envers down
129
321000
2000
Et si on pouvait en fait retourner la situation
05:38
and turntour the webweb upsideà l'envers down,
130
323000
2000
et renverser le web,
05:40
so that insteadau lieu of navigatingnavigation dans from one thing to the nextprochain,
131
325000
3000
de sorte que au lieu d'une chose à l'autre,
05:43
we get used to the habithabitude of beingétant ablecapable to go from manybeaucoup things to manybeaucoup things,
132
328000
3000
on prenne l'habitude d'aller d'un ensemble de choses à un autre ensemble de choses,
05:46
and then beingétant ablecapable to see the patternsmodèles
133
331000
2000
et ce faisant d'être capable de discerner les tendances
05:48
that were otherwiseautrement hiddencaché?
134
333000
2000
qui sans cela auraient été cachées?
05:50
If we can do that, then insteadau lieu of beingétant trappedpiégé in dataLes données,
135
335000
5000
Si nous pouvons faire ça, alors, plutôt que d'être prisonnier des données,
05:55
we mightpourrait actuallyréellement extractextrait informationinformation.
136
340000
3000
nous pourrions en fait extraire de l'information.
05:58
And, insteadau lieu of dealingtransaction just with informationinformation,
137
343000
2000
Et, plutôt que seulement gérer l'information,
06:00
we can teasetease out knowledgeconnaissance.
138
345000
2000
nous pouvons en extraire de la connaissance.
06:02
And if we get the knowledgeconnaissance, then maybe even there's wisdomsagesse to be founda trouvé.
139
347000
3000
Et si nous avons la connaissance, alors il y a peut-être même de la sagesse à en tirer.
06:05
So with that, I thank you.
140
350000
2000
Et avec ça, je vous remercie.
06:07
(ApplauseApplaudissements)
141
352000
8000
(Applaudissements)
Translated by Stephane Varin
Reviewed by Mia C.

▲Back to top

ABOUT THE SPEAKER
Gary Flake - Technologist
Gary Flake is a Technical Fellow at Microsoft, and the founder and director of Live Labs.

Why you should listen

Gary Flake is a Technical Fellow at Microsoft, where he focuses on Internet products and technologies including search, advertising, content, portals, community and application development. In this capacity, he helps define and evolve Microsoft's product vision, technical architecture and business strategy for online services. He is also the founder and director of Live Labs, a skunkworks that bridges research and development, and is widely recognized for inventing new best practices for catalyzing and managing innovation.

Prior to joining Microsoft, Flake founded Yahoo! Research Labs, ran Yahoo!'s corporate R&D activities and company-wide innovation effort, and was the Chief Science Officer of Overture, the company that invented the paid search business model. Flake also wrote the award-winning book The Computational Beauty of Nature, which is used in college courses worldwide.

More profile about the speaker
Gary Flake | Speaker | TED.com