TEDxVancouver
Jer Thorp: Make data more human
Filmed:
Readability: 4.1
300,699 views
Jer Thorp creates beautiful data visualizations to put abstract data into a human context. At TEDxVancouver, he shares his moving projects, from graphing an entire year’s news cycle, to mapping the way people share articles across the internet.
(Filmed at TEDxVancouver.)
Jer Thorp - Data artist
Jer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them. Full bio
Jer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them. Full bio
Double-click the English transcript below to play the video.
00:10
I want to talk to you about two
of the most exciting possible things.
of the most exciting possible things.
0
1674
6250
Size en heyecan verici iki olası
şeyden bahsetmek istiyorum.
şeyden bahsetmek istiyorum.
00:16
You've probably guessed what they are --
1
7948
1949
Muhtemelen ne olduklarını
tahmin ettiniz -
tahmin ettiniz -
00:18
data and history.
2
9921
2319
veri ve tarih.
00:21
Right?
3
13211
1171
Değil mi?
00:24
So, I'm not a historian.
4
15871
1982
Ben bir tarihçi değilim.
00:26
I'm not going to give you
a definition of history.
a definition of history.
5
17877
2728
Size tarihin bir tanımını yapmayacağım.
00:29
But let's think instead
of history within a framework.
of history within a framework.
6
20629
3113
Bunun yerine tarihi bir çerçeve
içerisinde düşünelim.
içerisinde düşünelim.
00:32
So, when we're making history,
7
23766
1611
Bizler tarih yazarken
00:33
or when we're creating
historical documents,
historical documents,
8
25401
2892
veya tarihi dökümanlar oluştururken,
00:36
we're taking things
that have happened in the past,
that have happened in the past,
9
28317
2428
geçmişte olmuş şeyleri alıyor
00:39
and we're stitching them
together into a story.
together into a story.
10
30769
2552
ve onları bir hikayede birleştiriyoruz.
00:41
So let me start with a little bit
of my own story.
of my own story.
11
33345
2530
Kendi hikayemi anlatarak
başlamama izin verin.
başlamama izin verin.
00:44
Like anybody my age
who works creatively with computers,
who works creatively with computers,
12
35899
3678
Bilgisayarlarla yaratıcı alanda
çalışan her yaşıtım gibi,
çalışan her yaşıtım gibi,
00:48
I was a popular, socially
well-adjusted young man --
well-adjusted young man --
13
39601
4456
ben de popüler, sosyal olarak
uyumlu genç bir adamdım --
uyumlu genç bir adamdım --
00:52
(Laughter)
14
44081
1122
(Gülüşmeler)
00:53
And sporty!
15
45227
2541
Ayrıca sportiftim!
00:56
Sporty young man.
16
47792
1733
Sportif bir genç adam.
00:58
And like a lot of people my age
in the type of business that I'm in,
in the type of business that I'm in,
17
50075
5353
İçerisinde olduğum sektörde
çalışan her yaşıtım gibi,
çalışan her yaşıtım gibi,
01:03
I was influenced tremendously by Apple.
18
55452
2645
Apple'dan son derece etkilenmiştim.
01:07
But notice my choice of logo here, right?
19
58635
3722
Fakat buradaki logo tercihimi
fark ettiniz, değil mi?
fark ettiniz, değil mi?
01:10
The Apple on the left,
not the Apple on the right.
not the Apple on the right.
20
62381
3585
Soldaki Apple, sağdaki değil.
01:15
I'm influenced as much
by the Apple on the right
by the Apple on the right
21
66621
2293
Sağdaki Apple'dan en az
benden sonraki kişinin
benden sonraki kişinin
01:17
as the next person,
22
68938
2083
etkileneceği kadar etkilendim,
01:19
but the Apple on the left --
I mean, look at that logo!
I mean, look at that logo!
23
71045
2633
fakat soldaki Apple --
yani, logoya bakın!
yani, logoya bakın!
01:22
It's a rainbow.
It's not even in the right order!
It's not even in the right order!
24
73702
2397
Bir gökkuşağı.
Doğru sırada bile değil!
Doğru sırada bile değil!
01:24
(Laughter)
25
76123
1134
(Gülüşmeler)
01:25
That's how crazy Apple was.
26
77281
2273
İşte Apple böyle çılgındı.
01:28
(Laughter)
27
79578
1037
(Gülüşmeler)
01:29
But I don't want to talk too much
about the company.
about the company.
28
80639
2945
Fakat şirket hakkında çok fazla
konuşmak istemiyorum.
konuşmak istemiyorum.
01:32
I'll start talking about
a machine, though.
a machine, though.
29
83608
2177
Ancak bir makineden
bahsederek başlayacağım.
bahsederek başlayacağım.
01:34
How amazing it is to think about this.
I go back and I think about this.
I go back and I think about this.
30
85809
4127
Bunu düşünmek ne kadar da inanılmaz.
Geriye dönüp bunu düşününce.
Geriye dönüp bunu düşününce.
01:38
Wednesday -- one Wednesday,
when I was about 12 years old,
when I was about 12 years old,
31
89960
3314
Çarşamba -- bir Çarşamba,
12 yaşlarındayken,
12 yaşlarındayken,
01:41
I didn't have a computer.
32
93298
2111
bir bilgisayarım yoktu.
01:44
On Thursday, I had a computer.
33
96034
2779
Perşembe günü, bir bilgisayarım oldu.
01:48
Can you imagine that change?
34
99965
1999
Bu değişimi hayal edebiliyor musunuz?
01:50
It's so drastic.
35
102417
1681
Çok keskin bir değişiklik.
01:52
I can't even think about anything
that could change our lives that way.
that could change our lives that way.
36
104122
3451
Hayatlarımızı bu şekilde değiştirebilmiş
başka bir şey düşünemiyorum.
başka bir şey düşünemiyorum.
01:56
But I'm actually not even going
to talk about the computer.
to talk about the computer.
37
107597
2767
Aslında bilgisayarlar hakkında
konuşmayacağım bile.
konuşmayacağım bile.
01:58
I'm going to talk about a program
that came loaded on that computer.
that came loaded on that computer.
38
110388
3230
O bilgisayarda yüklü olarak gelen
bir programdan bahsedeceğim.
bir programdan bahsedeceğim.
02:02
And it was build by,
not the guy on the left,
not the guy on the left,
39
113642
2272
Bunu, soldaki adam değil,
02:04
but the guy on the right.
40
115938
1435
sağdaki geliştirdi.
02:05
Does anybody know
who the guy on the right is?
who the guy on the right is?
41
117397
2144
Sağdaki adamın kim
olduğunu bilen var mı?
olduğunu bilen var mı?
02:09
Nobody ever knows the answer
to this question.
to this question.
42
121161
2410
Bu sorunun cevabını hiç kimse bilmiyor.
02:12
This is Bill Atkinson.
43
123595
1686
O, Bill Atkinson.
02:13
And Bill Atkinson was responsible
for tons of things
for tons of things
44
125305
3107
Her gün bilgisayarınızda
gördüğünüz birçok şeyden
gördüğünüz birçok şeyden
02:16
that you see on your computer every day.
45
128436
2482
Bill Atkinson sorumlu.
02:19
But I want to talk about one program
that Bill Atkinson wrote,
that Bill Atkinson wrote,
46
130942
3107
Ben, Bill Atkinson'ın yazdığı
bir programdan bahsetmek istiyorum,
bir programdan bahsetmek istiyorum,
02:22
called HyperCard.
47
134073
1500
ismi HyperCard.
02:25
Someone's cheering over there.
48
137025
2160
Orada birisi alkışlıyor.
02:27
(Laughter)
49
139209
1205
(Gülüşmeler)
02:28
HyperCard was a program
that shipped with the Mac,
that shipped with the Mac,
50
140438
2602
HyperCard, Mac ile gelen
bir programdı ve
bir programdı ve
02:31
and it was designed
for users of the computer
for users of the computer
51
143064
2569
bilgisayar kullanıcılarının
kendi bilgisayarlarında
kendi bilgisayarlarında
02:34
to make programs on their computers.
52
145657
3197
program geliştirmelerini sağlamak
için tasarlanmıştı.
için tasarlanmıştı.
02:38
Crazy idea today.
53
149505
1597
Bugün için çılgınca bir fikir.
02:39
And these programs were not the apps
that we think about today,
that we think about today,
54
151126
2973
Bu programlar günümüzde aklımıza gelen
büyük bütçeleri olan
büyük bütçeleri olan
02:42
with their large budgets
and their big distribution.
and their big distribution.
55
154123
2449
ve yaygın olan uygulamalardan değil.
02:45
These were small things,
56
156596
1189
Onlar küçük şeyler,
02:46
people making applications to keep track
of their local basketball team scores
of their local basketball team scores
57
157809
3882
insanlar, mahalle basketbol
takımlarının skorunu takip etmek
takımlarının skorunu takip etmek
02:50
or to organize their research
58
161715
2825
veya araştırmalarını düzenlemek
02:53
or to teach people about classical music
59
164564
3016
veya klasik müzik öğretmek
02:56
or to calculate weird astronomical dates.
60
167604
4095
veya ilginç astronomi tarihlerini
hesaplamak için uygulamalar yapıyorlardı.
hesaplamak için uygulamalar yapıyorlardı.
03:00
And then, of course,
there were some art projects.
there were some art projects.
61
171723
2381
Sonra, bazı sanat projeleri de vardı.
03:02
This is my favorite one.
62
174128
1220
Bu benim favorim.
03:03
It's called "If Monks Had Macs,"
63
175372
2089
İsmi, "Keşişlerin Mac'leri Olsaydı"
03:05
and it's a nonlinear
kind of exploratory environment.
kind of exploratory environment.
64
177485
4534
doğrusal olmayan bir keşif ortamıydı.
03:10
I thank the stars for HyperCard
all of the time.
all of the time.
65
182043
5573
Yıldızlara HyperCard için
her zaman teşekkür ederim.
her zaman teşekkür ederim.
03:16
And I thank the stars
for putting me in this era
for putting me in this era
66
187640
2447
Yıldızlara, beni HyperCard
kullanabileceğim dönemde
kullanabileceğim dönemde
03:18
where I got to use HyperCard.
67
190111
2300
dünyaya getirdikleri için teşekkür ederim.
03:20
HyperCard was the last program to ship
on a public computer
on a public computer
68
192435
4640
HyperCard, kullanıcıların program
geliştirmelerine yarayan ve
geliştirmelerine yarayan ve
03:25
that was designed for the users
of the computer to make programs with it.
of the computer to make programs with it.
69
197099
5129
bilgisayarla beraber yüklü olarak gelen
son programdı.
son programdı.
03:30
If you talked to the people
who invented the computer
who invented the computer
70
202252
2705
Eğer bilgisayarın mucitleriyle
konuşsaydınız
konuşsaydınız
ve onlara "İleride bir gün,
herkesin bilgisayarının olacağı
herkesin bilgisayarının olacağı
03:33
and you told them there would be
a day, a magical day,
a day, a magical day,
71
204981
2749
03:36
when everybody had a computer
but none of them knew how to program,
but none of them knew how to program,
72
207754
5062
sihirli bir gün gelecek, ancak hiçbiri
programlama bilmeyecek deseydiniz
programlama bilmeyecek deseydiniz
03:41
they would think you were crazy.
73
212840
1811
çıldırdığınızı düşünürlerdi.
03:43
So let's skip forward a few years.
74
215486
1664
Birkaç yıl ileri saralım.
03:45
I'm starting my career as an artist,
75
217174
2588
Kariyerime bir sanatçı olarak başlıyorum
03:48
and I'm building things
with my computer, small-scale things,
with my computer, small-scale things,
76
219786
3962
ve bilgisayarımla bişeyler geliştiriyorum,
küçük çaplı şeyler,
küçük çaplı şeyler,
03:52
investigating things like
the growth systems of plants.
the growth systems of plants.
77
223772
3603
bitkilerin büyüme sistemleri
gibi şeyleri araştırıyorum.
gibi şeyleri araştırıyorum.
03:55
Or, in this example, I'm building
a simulated economy
a simulated economy
78
227399
2999
Ya da bu örnekteki gibi
piksellerin birbirleriyle arasındaki
piksellerin birbirleriyle arasındaki
03:58
in which pixels are trading color
with one another,
with one another,
79
230422
3961
renk geçişini simüle eden
bir ekonomi geliştiriyorum,
bir ekonomi geliştiriyorum,
04:02
trying to investigate how
these types of systems work,
these types of systems work,
80
234407
2575
bu tür sistemlerin
nasıl çalıştığını bulmayı deniyor
nasıl çalıştığını bulmayı deniyor
04:05
and just kind of having fun.
81
237006
1402
ve sadece eğleniyordum.
Daha sonra bu proje beni
veri ile çalışmaya yönlendirdi.
veri ile çalışmaya yönlendirdi.
04:06
And then this project led me
to start working with data.
to start working with data.
82
238432
2628
04:09
So I'm building graphics like this,
83
241084
2989
Böylece bunun gibi grafiklerle
04:12
which compare "communism" --
84
244097
2594
"komünizm" --
04:15
the frequency of usage of the word
"communism" in the New York Times --
"communism" in the New York Times --
85
246715
3395
New York Times’ta
"komünizm" kelimesinin kullanım sıklığıyla
"komünizm" kelimesinin kullanım sıklığıyla
04:18
to "terrorism," at the top.
86
250134
1937
"terörizm" kelimesini kıyaslayordum.
04:20
You see "terrorism" kind of appears
as "communism" is going away.
as "communism" is going away.
87
252095
4625
Görüldüğü gibi "terörizm" ortaya çıkınca
"komünizm" adeta kayboluyor.
"komünizm" adeta kayboluyor.
04:25
And with these graphics, I was really
interested in the aesthetic of the graphs.
interested in the aesthetic of the graphs.
88
256744
3816
Bu grafikler sayesinde onların
estetiğine ilgi duymaya başladım.
estetiğine ilgi duymaya başladım.
04:29
This is Iran and Iraq.
89
260584
1150
Bu İran ve Irak.
04:30
It reads like a clock. It's called
a "timepiece graph."
a "timepiece graph."
90
261758
3910
Bir saat gibi okunuyor.
"Kronometre Grafiği" deniyor.
"Kronometre Grafiği" deniyor.
04:34
This is another timepiece graph,
overlaying "despair" over "hope."
overlaying "despair" over "hope."
91
265692
5711
Bu başka bir kronometre grafiği,
"umut" üzerinde "umutsuzluğun" dağılımı.
"umut" üzerinde "umutsuzluğun" dağılımı.
04:39
And there's only three times -- actually,
it's "crisis" over "hope" --
it's "crisis" over "hope" --
92
271427
3310
Sadece üç kere --
"umut" üzerinde "kriz" var --
"umut" üzerinde "kriz" var --
04:43
there's only three times
when "crisis" eclipses "hope."
when "crisis" eclipses "hope."
93
274761
2609
sadece üç kere
“kriz” ile “umut” kesişiyor.
“kriz” ile “umut” kesişiyor.
04:45
We're in the middle
of one of them right now.
of one of them right now.
94
277394
2155
Şu anda bunlardan birinin
tam ortasındayız.
tam ortasındayız.
04:48
But don't think about that too much.
95
279573
1772
Ama bu konuyu çok düşünmeyin.
04:49
(Laughter)
96
281369
1888
(Gülüşmeler)
04:51
And finally, the culmination of this work
with the New York Times data
with the New York Times data
97
283281
3780
Son olarak birkaç yıl önce
New York Times verileri üzerine
New York Times verileri üzerine
04:55
a few years ago
98
287085
1202
çalışmamın zirve noktası
04:56
was the attempt to combine
an entire year's news cycle
an entire year's news cycle
99
288311
3176
bütün bir yılın haber döngüsünü
tek bir grafik içerisinde
tek bir grafik içerisinde
05:00
into a single graphic.
100
291511
1313
gösterme girişimimdi.
05:01
So these graphics actually show us
a full year of news, all the people,
a full year of news, all the people,
101
292848
4227
Bu grafikler bize bir yıl boyunca
çıkan haberleri, tüm insanları
çıkan haberleri, tüm insanları
05:05
and how they're connected
into a single graphic.
into a single graphic.
102
297099
2630
ve nasıl bağlantılı olduklarını tek
grafikte gösteriyor.
grafikte gösteriyor.
05:08
And from there, I started to be
interested again in more active systems.
interested again in more active systems.
103
299753
3938
Bundan sonra yeniden daha aktif
sistemlerle ilgilenmeye başladım.
sistemlerle ilgilenmeye başladım.
05:12
Here's a project called "Just Landed,"
104
303715
2264
Burada "Yeni İndim" isimli bir projeyle
05:14
where I'm looking at people
tweeting on Twitter.
tweeting on Twitter.
105
306003
3151
Twitter'da tweet atan kişilere bakıyorum
05:17
"Hey! I just landed
in Hawaii!" -- you know,
in Hawaii!" -- you know,
106
309178
2060
"Hey! Hawaii'ye yeni indim!” --
05:19
how people just casually try to sneak
that into their Twitter conversation.
that into their Twitter conversation.
107
311262
3702
insanlar bu tarz şeyleri Twitter
konuşmaları içerisine sokmaya çalışırlar.
konuşmaları içerisine sokmaya çalışırlar.
05:23
"I'm not showing off. Really.
But I did just land in Hawaii."
But I did just land in Hawaii."
108
314988
3117
"Ben gösteriş yapmıyorum. Gerçekten.
Ama Hawaii'ye yeni indim."
Ama Hawaii'ye yeni indim."
05:26
And then I'm plotting
those people's trips,
those people's trips,
109
318129
2743
Daha sonra bu kişilerin gezilerini
işaretliyorum,
işaretliyorum,
05:29
in the hopes that maybe
we can use social network
we can use social network
110
320896
3212
sosyal ağlar ve oradaki veriyi
05:32
and the data that it leaves behind
111
324132
1681
nasıl yer değiştirdiklerine dair
05:34
to provide a model of how people move,
112
325837
2199
bir model oluşturmak için
kullanabileceğimizi umarak,
kullanabileceğimizi umarak,
05:36
which would be valuable
to epidemiologists, among other people.
to epidemiologists, among other people.
113
328060
2975
ki bu da değerli bir bilgi.
Özellikle epidemiologlar için.
Özellikle epidemiologlar için.
05:39
And, more fun -- this
is a similar project,
is a similar project,
114
331059
2579
Daha eğlenceli --
buna benzer bir proje de
buna benzer bir proje de
05:42
looking at people
saying "Good morning" to each other
saying "Good morning" to each other
115
333662
2491
tüm dünyada insanların
karşılıklı "günaydın"
karşılıklı "günaydın"
05:44
all around the world.
116
336177
1183
demesine bakmaktı.
05:45
Which taught me, by the way,
117
337384
1434
Bu arada gördüm ki,
05:47
that it is true that people in Vancouver
on the West Coast wake up much later
on the West Coast wake up much later
118
338842
4350
batı kıyısında, Vancover'da yaşayan
insanlar, doğu yakasındaki yaşayan
insanlar, doğu yakasındaki yaşayan
05:51
and say "Good morning" much later
119
343216
1583
daha maceracı insanlara göre
05:53
than the people on the East Coast,
120
344823
1861
daha geç uyanıyor ve
05:55
who are more adventurous.
121
346708
1799
daha geç "günaydın" diyorlar.
05:57
Here's a more useful -- maybe -- project,
122
348531
1974
Başka daha yaralı bir projeden,
05:59
where I took all the information
from the Kepler Project
from the Kepler Project
123
350529
3351
Kepler Projesi'nden tüm bilgileri aldım
06:02
and tried to put it into some visual form
that made sense to me.
that made sense to me.
124
353904
3043
ve bana mantıklı gelen bazı görsel
formlara dökmeyi denedim.
formlara dökmeyi denedim.
06:05
And I should say that everything
I've shown you up to now --
I've shown you up to now --
125
356971
2884
Şunu söylemeliyim ki,
şimdi size göstereceğim her şeyi
şimdi size göstereceğim her şeyi
06:08
these are all things
that I just did for fun.
that I just did for fun.
126
359879
2152
bütün hepsini eğlence olsun diye yaptım.
06:10
It may seem weird,
but this comes back from HyperCard.
but this comes back from HyperCard.
127
362055
2735
Tuhaf gelebilir, ama bu bizi
Hypercard'a geri götürüyor.
Hypercard'a geri götürüyor.
06:13
I'm building tools for myself.
128
364814
1830
Kendim için araçlar yapıyorum.
06:15
I may share them with a few other people,
129
366668
1983
Onları bir kaç kişiyle paylaşabilirim
06:17
but they're for fun, they're for me.
130
368675
2107
ancak onlar eğlence için, benim için.
06:21
So, all these tools I show you
kind of occupy this weird space
kind of occupy this weird space
131
373341
3970
Böylece size gösterdiğim bu araçlar
bilim, sanat ve tasarım arasında
bilim, sanat ve tasarım arasında
06:25
somewhere between science, art and design.
132
377335
2544
garip bir yerde kaplıyorlar.
06:28
That's where my practice lies.
133
379903
1805
İşte orada benim çalışmam yatıyor.
06:30
And still today,
from my experience with HyperCard,
from my experience with HyperCard,
134
381732
3156
Bugün hala, HyperCard ile olan
tecrübelerimden
tecrübelerimden
06:33
what I'm doing is building visual tools
to help me understand systems.
to help me understand systems.
135
384912
4230
sistemleri anlamamda bana yardımcı olacak
görsel araçları yapıyorum.
görsel araçları yapıyorum.
06:38
So today, I work at the New York Times.
136
390083
2221
Şimdi, New York Times'ta
çalışıyorum.
çalışıyorum.
06:40
I'm the data artist in residence
at the New York Times.
at the New York Times.
137
392328
2873
New York Times'ta çalışan
bir veri sanatçısıyım.
bir veri sanatçısıyım.
06:43
And I've had an opportunity at the Times
138
395225
1933
Times'ta çeşitli ilginç projelerde
06:45
to work on a variety
of really interesting projects,
of really interesting projects,
139
397182
2464
çalışmak için bir fırsatım oldu ki
06:48
two of which I'm going
to share with you today.
to share with you today.
140
399670
2222
bunlardan ikisini sizinle bugün
paylaşacağım.
paylaşacağım.
06:50
The first one, I've been working on
in conjunction with Mark Hansen.
in conjunction with Mark Hansen.
141
401916
3202
Birincisi Mark Hansen'la
birlikte olan bir çalışma.
birlikte olan bir çalışma.
06:53
Mark Hansen is a professor of statistics
at UCLA. He's also a media artist.
at UCLA. He's also a media artist.
142
405142
5142
Mark Hansen, UCLA'da bir istatistik
profesörü. Ayrıca bir medya sanatçısı.
profesörü. Ayrıca bir medya sanatçısı.
06:58
And Mark came to the Times
with a very interesting question
with a very interesting question
143
410308
2786
Mark, Times'a çok barizmiş gibi görünen
07:01
to what may seem like an obvious problem:
144
413118
2660
çok ilginç bir soru ile geldi:
07:04
When people share content on the internet,
145
415802
3151
İnsanlar internette içerik paylaştığında
07:07
how does that content get
from person A to person B?
from person A to person B?
146
418977
3615
bu paylaşım A kişisinden B kişisine
nasıl ulaşıyor?
nasıl ulaşıyor?
07:11
Or maybe, person A to person B
to person C to person D?
to person C to person D?
147
423358
4724
Ya da belkide A kişisinden B kişisine,
C kişisine, D kişisine?
C kişisine, D kişisine?
07:16
We know that people share content
in the internet,
in the internet,
148
428106
2354
Biliyoruz ki insanlar internette
paylaşım yapıyor,
paylaşım yapıyor,
07:18
but what we don't know
is what happens in that gap
is what happens in that gap
149
430484
2358
fakat bir kişi ile diğeri
arasındaki boşlukta
arasındaki boşlukta
07:21
between one person to the other.
150
432866
1791
ne olduğunu bilmiyoruz.
07:23
So we decided to build
the tool to explore that,
the tool to explore that,
151
434681
2356
Böylece bunu keşfedecek
aracı yapmaya karar verdik
aracı yapmaya karar verdik
07:25
and this tool is called Cascade.
152
437061
1823
ve bu araca "Kademe" dedik.
07:27
If we look at these systems
153
439471
2595
Eğer bu sistemlere bakarsanız
07:30
that start with one event
that leads to other events,
that leads to other events,
154
442090
4430
bir buluşma diğer bir buluşmayı tetikler,
07:35
we call that structure a cascade.
155
446544
2238
biz bu yapıya "kademe" diyoruz.
07:37
And these cascades
actually happen over time.
actually happen over time.
156
448806
2409
Bütün kademeler aslında zamanla oluşuyor.
07:39
So we can model these things over time.
157
451239
2020
Yani bunları zamanla modelleyebiliriz.
07:41
Now, the New York Times has
a lot of people who share our content,
a lot of people who share our content,
158
453283
4031
Şimdi, New York Times’ta
içeriğimizi paylaşan birçok insan var,
içeriğimizi paylaşan birçok insan var,
07:45
so the cascades do not look like that one,
they look more like this.
they look more like this.
159
457338
3491
bu yüzden basamaklar buna değil,
daha çok buna benziyor.
daha çok buna benziyor.
07:49
Here's a typical cascade.
160
460853
1540
İşte tipik bir kademe.
07:50
At the bottom left, the very first event.
161
462417
2714
Sol alttaki ilk an.
07:54
And then as people are sharing
the content from one person to another,
the content from one person to another,
162
466237
4272
Sonrasında insanlar içeriği
bir kişiden diğerine paylaşıyor
bir kişiden diğerine paylaşıyor
07:59
we go up in the Y axis,
degrees of separation,
degrees of separation,
163
470533
3794
Y ekseninde ilerledikçe,
ayrılma dereceleri
ayrılma dereceleri
08:02
and over on the X axis, for time.
164
474351
2768
ve X ekseni zamanı temsil ediyor.
08:05
So we're able to look at that conversation
in a couple of different views:
in a couple of different views:
165
477143
3501
Böylece bir kaç farklı açıdan
konuşmaya bakabiliyoruz:
konuşmaya bakabiliyoruz:
08:09
this one, which shows us
the threads of conversation,
the threads of conversation,
166
480668
2615
Buradaki bize konuşmanın ipuçlarını
gösteriyor
gösteriyor
08:11
and this one, which combines
that stacked view
that stacked view
167
483307
3194
ve buradaki küme görünümü
konuları görmemizi sağlayan
konuları görmemizi sağlayan
08:15
with a view that lets us see the threads.
168
486525
2932
bir görünümle birleştiriyor.
08:18
Now, the Times publishes
about 7,000 pieces of content
about 7,000 pieces of content
169
489924
3345
Günümüzde, Times'ta her ay
yaklaşık 7000 içerik
yaklaşık 7000 içerik
08:21
every month.
170
493293
1210
yayınlanıyor.
Bu yüzden, biz bu aracı geliştirirken,
onu keşfedici bir araç haline getirmek
onu keşfedici bir araç haline getirmek
08:23
So it was important for us,
when we were building this tool,
when we were building this tool,
171
494527
2842
08:25
to make it an exploratory one,
172
497393
1633
bizim için önemliydi
08:27
so that people could dig through
this vast terrain of data.
this vast terrain of data.
173
499050
4207
böylece insanlar bu geniş veri alanını
inceleyebilir.
inceleyebilir.
08:31
I think of it as a vehicle
that we're giving people
that we're giving people
174
503281
2436
İnsanlara bu çok büyük veri arazisini
aşmaları için
aşmaları için
08:34
to traverse this really big
terrain of data.
terrain of data.
175
505741
3473
sağladığımız bir araç olarak düşünüyorum.
08:37
So here's what it really looks like,
176
509238
1718
İşte gerçekte nasıl göründüğü
08:39
and here's the cascade
playing in real time.
playing in real time.
177
510980
2740
ve işte gerçek zamanlı ilerleyen kademe.
08:42
I have to say, this was
a tremendous moment.
a tremendous moment.
178
513744
2079
Söylemeliyim ki, bu muazzam bir andı.
08:44
We had been working with canned
data, fake data, for so long,
data, fake data, for so long,
179
515847
4017
Uzun süredir sahte verilerle
çalışıyorduk
çalışıyorduk
08:48
that when we saw this
for the first moment,
for the first moment,
180
519888
2805
bunu ilk gördüğümüz an
08:51
it was like an archaeologist who had
just dusted off these dinosaur bones.
just dusted off these dinosaur bones.
181
522717
4878
sanki bir arkeologun dinazor kemiklerinin
tozunu alması gibi bir şeydi.
tozunu alması gibi bir şeydi.
08:56
We discovered this thing,
and we were seeing it for the first time,
and we were seeing it for the first time,
182
527619
3878
Biz bu durumu keşfettik ve ilk defa
09:00
these sharing structures
that underlie the internet.
that underlie the internet.
183
531521
3712
internetin temelindeki paylaşım yapısını
gördük.
gördük.
09:04
And maybe the dinosaur
analogy is a good one,
analogy is a good one,
184
536475
2105
Belki de dinozor analojisi gayet yerinde
09:07
because we're actually making
some probabilistic guesses
some probabilistic guesses
185
538604
3047
çünkü biz sahiden bunların nasıl
bağlantılı olduğuna dair bazı
bağlantılı olduğuna dair bazı
olasılık tahminleri yapıyoruz.
09:10
about how these things link.
186
541675
1359
09:11
We're looking at some of these
pieces and making some guesses,
pieces and making some guesses,
187
543058
2926
Bazı parçalara bakıyoruz
ve tahminler yapıyoruz
ve tahminler yapıyoruz
09:14
but we try to make sure that those
are as statistically rigorous as possible.
are as statistically rigorous as possible.
188
546008
3937
ancak mümkün olduğunca istatistiki olarak
doğruluğundan emin olmaya çalışıyoruz.
doğruluğundan emin olmaya çalışıyoruz.
09:19
Now tweets, in this case,
they become parts of stories.
they become parts of stories.
189
550720
4662
Bu duruma göre Tweet'ler
hikayelerin bir parçası haline geldi.
hikayelerin bir parçası haline geldi.
09:23
They become parts of narratives.
190
555406
1925
Anlatılanların parçası oldular.
09:25
So we are building histories here,
191
557355
2420
Yani burada tarihi yeniden yazıyoruz
09:28
but they're very short-term histories.
192
559799
2175
ama bunlar kısa süreli tarihler.
09:30
And sometimes these very large cascades
are the most interesting ones,
are the most interesting ones,
193
561998
3838
Bazen bunlardan çok daha büyük olan
kademeler en ilginçleri oluyor,
kademeler en ilginçleri oluyor,
09:34
but sometimes the small ones
are also interesting.
are also interesting.
194
565860
3135
ama bazen de küçük olanları
çok ilginç olabiliyor.
çok ilginç olabiliyor.
09:37
This is one of my favorites.
We call this the "Rabbi Cascade."
We call this the "Rabbi Cascade."
195
569019
3525
Bu benim favorilerimden biri.
Biz ona "Haham Kademe" diyoruz.
Biz ona "Haham Kademe" diyoruz.
09:41
It's a conversation amongst rabbis
about this article in the New York Times,
about this article in the New York Times,
196
572568
5089
New York Times'ta bu makalede
Haham'lar arasında geçen ve
Haham'lar arasında geçen ve
09:46
about the fact that religious workers
don't get a lot of time off.
don't get a lot of time off.
197
577681
3772
din görevlilerinin çok fazla izin
alamamasıyla ilgili bir konuşmaydı.
alamamasıyla ilgili bir konuşmaydı.
09:49
I guess Saturdays and Sundays are bad days
for them to take off.
for them to take off.
198
581477
4035
Sanırım Cumartesi ve Pazar günleri
çalışmamaları için yanlış günler.
çalışmamaları için yanlış günler.
09:54
So, in this cascade, there's a group
of rabbis having a conversation
of rabbis having a conversation
199
585536
3692
Yani bu kademede bir grup Haham'ın
New York Times hikayesi hakkında
New York Times hikayesi hakkında
09:57
about a New York Times story.
200
589252
1402
yaptığı bir konuşma var.
09:59
One of them has the best
Twitter name ever --
Twitter name ever --
201
590678
2124
Biri şu ana kadarki
Twitter adlarının en iyisi
Twitter adlarının en iyisi
10:01
he's called "The Velveteen Rabbi."
202
592826
1855
"The Velveteen Rabbi".
10:03
(Laughter)
203
594705
2323
(Kahkahalar)
10:05
But we would have never found this
if it weren't for this exploratory tool.
if it weren't for this exploratory tool.
204
597052
4507
Yani bunu bu keşfedici araç olmasa
bulamayacaktık.
bulamayacaktık.
10:10
This would just be sitting somewhere,
205
601583
1802
Öylece bir yerlerde duruyor olacak
10:11
and we would have never
been able to see that.
been able to see that.
206
603409
2186
ve biz bunu asla göremeyecektik.
10:14
But this exercise of taking
single pieces of information
single pieces of information
207
605619
4141
Ancak bu tek parça bilgiyi
bulma çalışmasını
bulma çalışmasını
10:18
and building narrative structures,
building histories out of them,
building histories out of them,
208
609784
4221
ve anlatım yapılarının oluşturulmasını,
onlara ait tarihlerin ortaya çıkarılmasını
onlara ait tarihlerin ortaya çıkarılmasını
10:22
I find tremendously interesting.
209
614029
1925
inanılmaz derece ilginç buluyorum.
10:24
You know, I moved to New York
about two years ago.
about two years ago.
210
616319
2344
Yaklaşık iki yıl önce New York'a taşındım.
10:27
And in New York, everybody has a story
211
618687
2720
New York'ta herkesin
10:29
that surrounds this
tremendously impactful event
tremendously impactful event
212
621431
2960
son derece etkili olayla çerçevelenen
10:32
that happened on September 11 of 2001.
213
624415
2299
bir 11 Eylül 2001 hikayesi var.
10:35
And my own story with September 11
has really become a more intricate one,
has really become a more intricate one,
214
627373
6367
Ve benim 11 Eylül hikayem de gerçekten
karışık bir hale geldi
karışık bir hale geldi
10:42
because I spent a great deal of time
215
633764
2064
çünkü çok zamanımı alacak olan
10:44
working on a piece
of the 9/11 Memorial in Manhattan.
of the 9/11 Memorial in Manhattan.
216
635852
4149
Manhattan'daki 9/11 Anıtının
bir parçası üzerinde çalışıyordum.
bir parçası üzerinde çalışıyordum.
10:49
The central idea about the 9/11 Memorial
217
640530
2564
9/11 Anıtı hakkındaki temel fikirde
10:51
is that the names in the memorial
are not laid out in alphabetical order
are not laid out in alphabetical order
218
643118
4459
anıttaki isimler
alfabetik sıraya göre dizilmemiş
alfabetik sıraya göre dizilmemiş
10:56
or chronological order,
219
647601
1685
ya da kronolojik sıralanmamış
10:57
but instead, they're laid out in a way
220
649310
1824
ama onun yerine
10:59
in which the relationships
between the people who were killed
between the people who were killed
221
651158
3424
ölen insanların arasındaki
ilişkilerin durumuna göre
ilişkilerin durumuna göre
11:03
are embodied in the memorial.
222
654606
1960
anıtta toplu olarak belirtilmişti.
11:05
Brothers are placed next to brothers,
223
657153
2538
Kardeşler kardeşlerin yanında,
11:08
coworkers are placed together.
224
659715
2185
çalışanlar da birlikte yerleştirilmişti.
11:10
So this memorial actually considers
all of these myriad connections
all of these myriad connections
225
661924
4665
Öyle ki bu anıt aslında bu insanların
hayatlarının bir parçası olan
hayatlarının bir parçası olan
11:15
that were part of these people's lives.
226
666613
2421
sayısız bağlantıyı kapsıyor.
11:18
I worked with a company
called Local Projects
called Local Projects
227
670310
3433
Ben "Local Projects" isimli bir şirketle
11:22
to work on an algorithm
and a software tool
and a software tool
228
673767
2674
bir algoritma hazırlamak için
ve anıtın düzeninde
ve anıtın düzeninde
11:24
to help the architects build
the layout for the memorial:
the layout for the memorial:
229
676465
3004
mimarlara yardımcı olacak
bir yazılım aracı için çalıştım:
bir yazılım aracı için çalıştım:
11:28
almost 3,000 names
230
680331
1722
Neredeyse 3.000 isim
11:30
and almost 1,500 of these
adjacency requests,
adjacency requests,
231
682077
3627
ve yaklaşık 1.500'ü bitişik olma talebi,
11:34
these requests for connection --
232
685728
1610
bağlantılı olan bu talepler...
11:35
so a very dense story,
a very dense narrative,
a very dense narrative,
233
687362
3386
yani çok yoğun bir hikaye,
çok yoğun bir anlatı,
çok yoğun bir anlatı,
11:39
that becomes an embodied part
of this memorial.
of this memorial.
234
690772
2816
bu anıtın somutlaştırılarak
bir parçası haline geliyor.
bir parçası haline geliyor.
11:42
Working with Jake Barton,
we produce the software tool,
we produce the software tool,
235
694195
3331
Jake Barton ile çalışarak
biz yazılım aracı geliştiriyoruz
biz yazılım aracı geliştiriyoruz
11:46
which allows the architects to,
first of all, generate a layout
first of all, generate a layout
236
697550
4119
ki bu mimarlar için
ilk olarak bütün bitişiklik isteklerini
ilk olarak bütün bitişiklik isteklerini
11:50
that satisfied all of those
adjacency requests,
adjacency requests,
237
701693
3129
karşılayan bir düzen oluşturabilsinler,
11:53
but then second, make little adjustments
where they needed to
where they needed to
238
704846
3033
ama ikincisi de anlatmak istenilen
hikayeleri anlatmak için
hikayeleri anlatmak için
11:56
to tell the stories
that they wanted to tell.
that they wanted to tell.
239
707903
2348
ihtiyaç duyulan küçük ayarlamaları
yapabilsinler.
yapabilsinler.
11:59
So this memorial, I think,
has an incredibly timely concept
has an incredibly timely concept
240
711219
4135
Bu yüzden bu anıt sanıyorum ki,
önemli derecede zamanın bir anlayışa sahip
önemli derecede zamanın bir anlayışa sahip
12:03
in our era of social networks,
241
715378
2990
Sosyal ağ çağında
12:06
because these networks -- these real-life
networks that make up people's lives --
networks that make up people's lives --
242
718392
3975
çünkü bu ağlar - insanların hayatlarını
oluşturan bu gerçek yaşam ağları -
oluşturan bu gerçek yaşam ağları -
12:10
are actually embodied
inside of the memorial.
inside of the memorial.
243
722391
2432
aslında anıtta yer alıyor.
12:13
And one of the most tremendously
moving experiences
moving experiences
244
725286
3471
Bu muazzam dokunaklı
deneyimlerden biri
deneyimlerden biri
12:17
is to go to the memorial
245
728781
1661
anıta gitmek
12:18
and see how these people
are placed next to each other,
are placed next to each other,
246
730466
4200
ve insanların nasıl yan yana
yerleştirildiğini görmek,
yerleştirildiğini görmek,
12:23
so that this memorial
is representing their own lives.
is representing their own lives.
247
734690
2862
yani bu anıt onların kendi yaşamlarını
temsil ediyor.
temsil ediyor.
12:27
How does this affect our lives?
248
738859
1687
Bu hayatlarımızı nasıl etkiler?
12:29
Well, I don't know if you remember,
249
741133
1676
Hatırlar mısınız bilmiyorum
12:31
but in the spring,
there was a controversy,
there was a controversy,
250
742833
2713
fakat bir ilkbaharda
bir tartışma olmuştu
bir tartışma olmuştu
12:34
because it was discovered
that on the iPhone
that on the iPhone
251
745570
2198
çünkü o zaman iPhone'da
12:36
and, actually, on your computer,
252
747792
1606
ve aslında bilgisayarlarınızda
12:37
we were storing a tremendous amount
of the location data.
of the location data.
253
749422
3315
muazzam konum verisi depolandığını
keşfedilmişti.
keşfedilmişti.
12:41
So Apple responded, saying,
this was not location data about you,
this was not location data about you,
254
753173
3861
Bu sebeple Apple şunu dedi:
"Bu konum verileri sizin hakkınızda değil
"Bu konum verileri sizin hakkınızda değil
12:45
it was location data
about wireless networks
about wireless networks
255
757058
2805
bulunduğunuz bölgedeki kablosuz ağlar
12:48
that were in the area where you are.
256
759887
2287
hakkındaki konum verileriydi."
12:50
So it's not about you,
257
762198
1428
Yani bu sizinle ilgili değil
12:52
but it's about where you are.
258
763650
1584
ama nerede olduğunuzla ilgili.
12:53
(Laughter)
259
765258
1648
(Kahkahalar)
12:55
This is very valuable data.
260
766930
2808
Bu çok değerli bir veri.
12:58
It's like gold to researchers,
this human-mobility data.
this human-mobility data.
261
769762
4625
Bu mobil insanların verisi
araştırmalar için bir altın gibidir.
araştırmalar için bir altın gibidir.
13:02
So we thought, "Man!
How many people have iPhones?"
How many people have iPhones?"
262
774411
3664
Yani "Hey! Ne kadar insanın iPhone'u var?"
diye düşündüğünüzde...
diye düşündüğünüzde...
13:06
How many of you have iPhones?
263
778099
1448
Kaçınızda iPhone var?
13:09
So in this room, we have this tremendous
database of location data
database of location data
264
780608
5478
Bu odada, konum verilerinin
muazzam veri tabanına sahibiz
muazzam veri tabanına sahibiz
13:14
that researchers
would really, really like.
would really, really like.
265
786110
3775
ki araştırmacılar gerçekten,
gerçekten çok severdi.
gerçekten çok severdi.
13:18
So we built this system called Open Paths,
266
789909
2031
Bu yüzden "Açık Yollar" adını verdiğimiz
13:20
which lets people upload their iPhone data
267
791964
2656
insanların iPhone verilerini
yükleyebilecekleri
yükleyebilecekleri
13:23
and broker relationships
with researchers to share that data,
with researchers to share that data,
268
794644
3796
ve araştırmacılarla bunları paylaşacakları
ilişkileri kurarak, bu verileri
ilişkileri kurarak, bu verileri
13:26
to donate that data to people
that can actually put it to use.
that can actually put it to use.
269
798464
3387
kullanacak kişilere bağışlamalarını
sağlayacak bir sistem kurduk.
sağlayacak bir sistem kurduk.
13:30
Open Paths was a great
success as a prototype.
success as a prototype.
270
802256
2350
"Açık Yollar" prototip olarak
büyük bir başarıydı.
büyük bir başarıydı.
13:33
We received thousands of data sets,
271
804630
3433
Binlerce veri kümesi topladık
13:36
and we built this interface
272
808087
1349
ve insanların cihazlarının
13:37
which allows people to actually
see their lives unfolding
see their lives unfolding
273
809460
3318
arkasında bıraktığı bu izlerden
onların bilinen yaşamlarını
onların bilinen yaşamlarını
13:41
from these traces
that are left behind on your devices.
that are left behind on your devices.
274
812802
3156
gördüğümüz bir arayüz geliştirdik.
13:45
Now, what we didn't expect
was how moving this experience would be.
was how moving this experience would be.
275
816593
5267
Ummadığımız şey bu deneyimin bizi
ne kadar etkileyeceğiydi.
ne kadar etkileyeceğiydi.
13:50
When I uploaded my data,
I thought, "Big deal.
I thought, "Big deal.
276
821884
2227
Verilerimi yüklerken "İşte büyük anlaşma.
13:52
I know where I live. I know where I work.
What am I going to see here?"
What am I going to see here?"
277
824135
3416
Nerede yaşadığım, çalıştığım belliydi.
Burada ne göreceğim?" düşündüm.
Burada ne göreceğim?" düşündüm.
13:56
Well, it turns out, what I saw
was that moment I got off the plane
was that moment I got off the plane
278
827575
3501
O an gördüklerim New York'ta yeni
hayatıma başlamak için
hayatıma başlamak için
13:59
to start my new life in New York;
279
831100
1623
uçaktan indiğim,
14:02
the restaurant where I had Thai food
that first night,
that first night,
280
833588
2606
ilk akşam Tayland yemeği yediğim restoran,
14:04
thinking about this new experience
of being in New York;
of being in New York;
281
836218
2953
New York'ta olmanın
yeni deneyimlerini düşünürken;
yeni deneyimlerini düşünürken;
14:07
the day that I met my girlfriend.
282
839195
1623
kız arkadaşımla buluştuğum gün.
14:11
This is LaGuardia airport.
283
842587
2275
Bu LaGuardia havaalanı.
14:13
(Laughter)
284
844886
1487
(Kahkahalar)
14:14
This is this Thai restaurant
on Amsterdam Avenue.
on Amsterdam Avenue.
285
846397
3641
Amsterdam Bulvarı'ndaki Tayland restoranı.
14:19
This is the moment I met my girlfriend.
286
850559
2050
Kız arkadaşımla tanıştığım an.
14:22
See how that changes the first time
I told you about those stories
I told you about those stories
287
854146
3451
Size ilk anlattığım hikayeler
ve ikinci anlattıklarım arasında
ve ikinci anlattıklarım arasında
14:26
and the second time I told
you about those stories?
you about those stories?
288
857621
2468
bu değişimlerin nasıl olduğunu
gördünüz mü?
gördünüz mü?
14:28
Because what we do
in the tool, inadvertently,
in the tool, inadvertently,
289
860113
3207
Çünkü istemeden de olsa araçla yaptığımız
14:31
is we put these pieces of data
into a human context.
into a human context.
290
863344
3115
bir veriyi insani bir hale dökmek.
14:35
And by placing data into a human context,
291
866935
2498
Veriyi bir insan çerçevesine
yerleştirdiğinizde
yerleştirdiğinizde
14:37
it gains meaning.
292
869457
1474
bir anlam kazanıyor.
14:39
And I think this is tremendously,
tremendously important,
tremendously important,
293
870955
3328
Sanırım bu konu muazzam önemli
14:42
because these are our histories
that are being stored on these devices.
that are being stored on these devices.
294
874307
4918
çünkü bu cihazlarda depolananlar
bizim geçmişimiz.
bizim geçmişimiz.
14:49
And by thinking about them that way,
295
880809
1994
Onları bu şekilde düşünerek,
14:52
putting them in a human context --
296
883543
1902
yani insan bağlamında düşünerek --
14:53
first of all, what we do with our own data
is get a better understanding
is get a better understanding
297
885469
3662
her şeyden önce
kendi verilerimizle yaptığımız şey
kendi verilerimizle yaptığımız şey
14:57
of the type of information
that we're sharing.
that we're sharing.
298
889155
2479
paylaştığımız bilgi türünü
daha iyi anlamaktır.
daha iyi anlamaktır.
15:00
But if we can do this with other data,
if we can put data into a human context,
if we can put data into a human context,
299
891658
4053
Fakat bunu diğer verilerle yapabilir,
verileri insani bir ortama koyabilirsek,
verileri insani bir ortama koyabilirsek,
15:04
I think we can change a lot of things,
300
895735
2918
sanırım biz birçok şeyi değiştirebiliriz
15:07
because it builds, automatically, empathy
for the people involved in these systems.
for the people involved in these systems.
301
898677
6385
çünkü bu sistemlere dahil olan insanlarla
otomatik olarak empati kurar.
otomatik olarak empati kurar.
15:14
And that, in turn, results
in a fundamental respect,
in a fundamental respect,
302
905602
2953
Bu sonunda temel saygıya dönüşür ki
15:17
which, I believe, is missing
in a large part of technology,
in a large part of technology,
303
908579
3163
teknolojinin büyük bir bölümünde
eksik olduğuna inanıyorum,
eksik olduğuna inanıyorum,
15:20
when we start to deal
with issues like privacy,
with issues like privacy,
304
912329
2938
mahremiyet gibi konularla
uzlaşmaya başladığımızda
uzlaşmaya başladığımızda
15:25
by understanding that these numbers
are not just numbers,
are not just numbers,
305
916765
2717
bu rakamların da
sadece rakamlar olmadığını anlarız.
sadece rakamlar olmadığını anlarız.
15:28
but instead they're attached, tethered to,
pieces of the real world.
pieces of the real world.
306
919506
3619
Ama gerçek dünyanın parçalarına
bağlı, birleşiktirler.
bağlı, birleşiktirler.
15:31
They carry weight.
307
923149
1506
Onlar yükü taşırlar.
15:33
By understanding that,
the dialog becomes a lot different.
the dialog becomes a lot different.
308
924679
3332
Bunu anladığımızda
bu diyolog çok farklı hale gelir.
bu diyolog çok farklı hale gelir.
15:38
How many of you have ever clicked a button
309
929595
2331
Kaçınız üçüncü bir kişinin telefonunuzdaki
15:40
that enables a third party to access
your location data on your phone?
your location data on your phone?
310
931950
4987
konum verisine erişim sağlaması için
izin verdi?
izin verdi?
15:46
Lots of you.
311
937595
1555
Bir çoğunuz.
15:47
So the third party is the developer,
312
939174
2245
Yani üçüncü taraf geliştirici,
15:49
the second party is Apple.
313
941443
1801
ikinci taraf Apple.
15:52
The only party that never gets access
to this information is the first party!
to this information is the first party!
314
943954
4823
Bu bilgilere ulaşımı asla olmayanlarsa
birinci tarafta.
birinci tarafta.
15:58
And I think that's because we think
about these pieces of data
about these pieces of data
315
950198
3135
Bence nedeni biz bu verileri
16:01
in this stranded, abstract way.
316
953357
2055
kısıtlı, soyut olduğunu düşünüyoruz.
16:03
We don't put them into a context
317
955436
1897
Biz onları önemli bir konuma koymayız
16:05
which, I think, makes them
a lot more important.
a lot more important.
318
957357
2309
sanırım bu da onları çok daha önemli
kılıyor.
kılıyor.
16:08
So what I'm asking you
to do is really simple:
to do is really simple:
319
959690
2166
Yani sizden yapmanızı istediğim şey
çok basit:
çok basit:
16:10
start to think about data
in a human context.
in a human context.
320
961880
2323
veriyi bir insan bağlamında
düşünmeye başlayın.
düşünmeye başlayın.
16:13
It doesn't really take anything.
321
964918
1657
Hiçbir kaybınız olmayacak.
16:15
When you read stock prices,
think about them in a human context.
think about them in a human context.
322
966599
3359
Hisse senedi fiyatlarını okurken
onları insan bağlamında düşünün.
onları insan bağlamında düşünün.
16:18
When you think about mortgage reports,
think about them in a human context.
think about them in a human context.
323
969982
3542
İpotek raporlarını değerlendirirken
onları insan bağlamında düşünün
onları insan bağlamında düşünün
16:22
There's no doubt that big data
is big business.
is big business.
324
973548
3930
Şüphesiz ki büyük veri büyük iş demektir.
16:26
There's an industry being developed here.
325
977502
3018
Burada gelişmekte olan bir sektör var.
16:30
Think about how well we've done
326
981520
1501
Kaynaklar dahilinde geliştirilen
16:31
in previous industries
that we've developed involving resources.
that we've developed involving resources.
327
983045
3369
önceki sektörleri ne kadar iyi hale
getirdiğimizi düşünün.
getirdiğimizi düşünün.
16:34
Not very well at all.
328
986438
1300
Hiç iyi değil.
16:36
I think part of that problem is, we've had
a lack of participation in these dialogues
a lack of participation in these dialogues
329
987762
4522
Sanırım bu problemin bir kısmı da
bir çok insan topluluğunda
bir çok insan topluluğunda
16:40
from multiple pieces of human society.
330
992308
4428
bu diyaloglara katılım eksikliği olması.
16:45
So the other thing that I'm asking for
331
996760
1992
Bu yüzden istediğim diğer şey
16:48
is an inclusion in this dialogue
from artists, from poets, from writers --
from artists, from poets, from writers --
332
999669
4378
bu tartışmaya insan öğesini
katabilecek insanları,
katabilecek insanları,
16:52
from people who can bring a human element
into this discussion.
into this discussion.
333
1004071
4013
yazarları, şairleri, artistleri
bu diyaloga dahil edebilmek.
bu diyaloga dahil edebilmek.
16:57
Because I believe that this world of data
334
1008725
2356
Çünkü inanıyorum ki, bu veri dünyası
16:59
is going to be transformative for us.
335
1011105
3025
bizler için bir dönüştürücü olacak.
17:03
And unlike our attempts
with the resource industry
with the resource industry
336
1014687
3169
Kaynak endüstrisiyle yaptığımız
girişimlerden farklı olarak
girişimlerden farklı olarak
17:06
and our attempts
with the financial industry,
with the financial industry,
337
1017880
2153
finans sektörü girişimlerinde
17:08
by bringing the human
element into this story,
element into this story,
338
1020057
2931
bu hikayeye insan öğesini katarsak
17:11
I think we can take it
to tremendous places.
to tremendous places.
339
1023012
2178
sanırım onu muazzam yerlere taşıyabiliriz.
17:14
Thank you.
340
1026203
1155
Teşekkürler.
17:15
(Applause)
341
1027382
4052
(Alkış)
Translated by Ozay Ozaydin
ABOUT THE SPEAKER
Jer Thorp - Data artistJer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them.
Why you should listen
Currently the data artist in residence at the New York Times, Jer’s software-based art has been featured all over the world. His former career as a data artist explains why his art often brings big data sets to life and is deeply influenced by science. Originally from Vancouver, he lives in New York City, where, along with his work at the New York Times, he teaches in NYU’s ITP program.
Jer Thorp | Speaker | TED.com