TED2009
Tim Berners-Lee: The next web
Ο Τιμ Μπερνερς-Λι μιλάει για το επόμενο Διαδίκτυο
Filmed:
Readability: 3.8
1,638,798 views
Πριν 20 χρόνια, ο Τιμ Μπέρνερς-Λι δημιούργησε τον Παγκόσμιο Ιστό. Για την επόμενή του δουλειά, αναπτύσσει ένα δίκτυο για ανοιχτά, συνδεδεμένα δεδομένα, το οποίο θα μπορεί να χειρίζεται νούμερα, με τον ίδιο τρόπο που το σημερινό Διαδίκτυο χρησιμοποιεί λέξεις, εικόνες και βίντεο: ένα δίκτυο που θα ξεκλειδώσει τα δεδομένα μας και θα αλλάξει τον τρόπο με τον οποίο τα χρησιμοποιούμε.
Tim Berners-Lee - Inventor
Tim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development. Full bio
Tim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development. Full bio
Double-click the English transcript below to play the video.
00:18
Time flies.
0
0
2000
Ο χρόνος περνάει γρήγορα.
00:20
It's actually almost 20 years ago
1
2000
2000
Έχουν περάσει σχεδόν 20 χρόνια
00:22
when I wanted to reframe the way we use information,
2
4000
4000
από τότε που ήθελα να αλλάξω τον τρόπο με τον οποίο χρησιμοποιούμε την πληροφορία,
00:26
the way we work together: I invented the World Wide Web.
3
8000
3000
τον τρόπο με τον οποίο δουλεύουμε μαζί: Δημιούργησα τον Παγκόσμιο Ιστό.
00:29
Now, 20 years on, at TED,
4
11000
3000
Τώρα, 20 χρόνια μετά, στο TED,
00:32
I want to ask your help in a new reframing.
5
14000
4000
θέλω να ζητήσω τη βοήθειά σας για μία καινούρια αλλαγή.
00:37
So going back to 1989,
6
19000
4000
Πάμε λοιπόν πίσω στο 1989,
00:41
I wrote a memo suggesting the global hypertext system.
7
23000
3000
όταν έγραψα ένα υπόμνημα στο οποίο περιέγραφα το παγκόσμιο σύστημα υπερκειμένου.
00:44
Nobody really did anything with it, pretty much.
8
26000
3000
Τότε κανένας δεν έδωσε σημασία.
00:47
But 18 months later -- this is how innovation happens --
9
29000
4000
Αλλά 18 μήνες αργότερα -- κάπως έτσι συμβαίνουν οι καινοτομίες --
00:51
18 months later, my boss said I could do it on the side,
10
33000
4000
18 μήνες αργότερα, το αφεντικό μου είπε ότι θα μπορούσα να δουλέψω πάνω σε αυτό αλλα όχι σαν κυρίως δουλειά
00:55
as a sort of a play project,
11
37000
2000
αλλά περίπου σαν χόμπι,
00:57
kick the tires of a new computer we'd got.
12
39000
2000
και να το δοκιμάσω σε έναν καινούριο υπολογιστή που είχαμε αγοράσει.
00:59
And so he gave me the time to code it up.
13
41000
3000
Έτσι μου έδωσε το χρόνο να γράψω τον κώδικα.
01:02
So I basically roughed out what HTML should look like:
14
44000
5000
Οπότε βασικά έφτιαξα κάτι που έμοιαζε με HTML
01:07
hypertext protocol, HTTP;
15
49000
3000
ένα πρωτόκολλο υπερκειμένου, HTTP
01:10
the idea of URLs, these names for things
16
52000
3000
την ιδέα των συνδέσμων, αυτά τα ονόματα για τα διάφορα πράγματα
01:13
which started with HTTP.
17
55000
2000
που ξεκινούσαν με HTTP.
01:15
I wrote the code and put it out there.
18
57000
2000
Έγραψα τον κώδικα και τον έβγαλα εκεί έξω.
01:17
Why did I do it?
19
59000
2000
Γιατί το έκανα;
01:19
Well, it was basically frustration.
20
61000
2000
Βασικά ήταν κυρίως εκνευρισμός.
01:21
I was frustrated -- I was working as a software engineer
21
63000
4000
Ήμουνα εκνευρισμένος -- δούλευα σαν μηχανικός λογισμικού
01:25
in this huge, very exciting lab,
22
67000
2000
σε αυτό το τεράστιο, συναρπαστικό εργαστήριο,
01:27
lots of people coming from all over the world.
23
69000
2000
στο οποίο ερχόντουσαν πολλοί άνθρωποι από όλο τον κόσμο.
01:29
They brought all sorts of different computers with them.
24
71000
3000
Έφερναν όλων των ειδών τους υπολογιστές μαζί τους.
01:32
They had all sorts of different data formats,
25
74000
3000
Είχαν τόσες πολλές διαφορετικές μορφοποιήσεις δεδομένων,
01:35
all sorts, all kinds of documentation systems.
26
77000
2000
και άλλα τόσα διαφορετικά συστήματα εγγραφής.
01:37
So that, in all that diversity,
27
79000
3000
Μέσα σε όλη αυτή την ποικιλομορφία,
01:40
if I wanted to figure out how to build something
28
82000
2000
αν ήθελα να καταλάβω πως να αναπτύξω κάτι
01:42
out of a bit of this and a bit of this,
29
84000
2000
παίρνοντας λίγο απο αυτό και λίγο από εκέινο,
01:44
everything I looked into, I had to connect to some new machine,
30
86000
4000
οτι και αν έψαχνα, έπρεπε να συνδεθώ σε κάποιο καινούριο μηχάνημα,
01:48
I had to learn to run some new program,
31
90000
2000
έπρεπε να μάθω να τρέχω κάποιο καινούριο πρόγραμμα,
01:50
I would find the information I wanted in some new data format.
32
92000
5000
η πληροφορία που ήθελα θα ήταν σε κάποια καινούρια μορφή δεδομένων.
01:55
And these were all incompatible.
33
97000
2000
Και όλα αυτά μεταξύ τους ήταν ασύμβατα.
01:57
It was just very frustrating.
34
99000
2000
Ήταν πολύ εκνευριστικό.
01:59
The frustration was all this unlocked potential.
35
101000
2000
Εκνευρισμός για όλες αυτές οι αναξιοποίητες δυνατότητες.
02:01
In fact, on all these discs there were documents.
36
103000
3000
Σε όλους αυτούς τους δίσκους υπήρχαν έγγραφα.
02:04
So if you just imagined them all
37
106000
3000
Αν τα φανταζόμασταν όλα αυτά
02:07
being part of some big, virtual documentation system in the sky,
38
109000
5000
σαν μέρος ενός μεγάλου, εικονικού συστήματος εγγράφων στον αέρα,
02:12
say on the Internet,
39
114000
2000
ας πούμε στο Ιντερνετ,
02:14
then life would be so much easier.
40
116000
2000
τότε η ζωή θα ήταν πολύ πιο εύκολη.
02:16
Well, once you've had an idea like that it kind of gets under your skin
41
118000
4000
Αν σου μπει μια τέτοια ιδέα στο μυαλό, είναι σαν να μπαίνει κάτω από το δέρμα σου
02:20
and even if people don't read your memo --
42
122000
2000
και ακόμα και αν κανείς δεν διαβάζει το υπόμνημά σου --
02:22
actually he did, it was found after he died, his copy.
43
124000
3000
βασικά το διάβασε, το ανακάλυψα μετά που πέθανε, όταν βρέθηκε το δικό του αντίγραφο.
02:25
He had written, "Vague, but exciting," in pencil, in the corner.
44
127000
3000
Είχε γράψει με μολύβι στην άκρη, "Αόριστο, αλλά συναρπαστικό,".
02:28
(Laughter)
45
130000
2000
(Γέλια)
02:30
But in general it was difficult -- it was really difficult to explain
46
132000
4000
Αλλά γενικά ήταν δύσκολο -- ήταν πραγματικά δύσκολο να εξηγήσω
02:34
what the web was like.
47
136000
2000
τι ήταν το διαδίκτυο.
02:36
It's difficult to explain to people now that it was difficult then.
48
138000
2000
Είναι δύσκολο να εξηγήσω τώρα πόσο δύσκολο ήταν τότε.
02:38
But then -- OK, when TED started, there was no web
49
140000
3000
Αλλα τότε -- όταν το TED ξεκίνησε, δεν υπήρχε διαδίκτυο
02:41
so things like "click" didn't have the same meaning.
50
143000
3000
οπότε λέξεις όπως το "κλικ" δεν είχαν το ίδιο νόημα.
02:44
I can show somebody a piece of hypertext,
51
146000
2000
Μπορούσα να δείξω σε κάποιον ένα υπερκείμενο
02:46
a page which has got links,
52
148000
2000
μια σελίδα με συνδέσμους,
02:48
and we click on the link and bing -- there'll be another hypertext page.
53
150000
4000
να κάνουμε κλικ στον σύνδεσμο και θα εμφανιστεί μια άλλη σελίδα υπερκειμένου.
02:52
Not impressive.
54
154000
2000
Όχι και τόσο εντυπωσιακό.
02:54
You know, we've seen that -- we've got things on hypertext on CD-ROMs.
55
156000
3000
Αυτό το γνωρίζαμε -- είχαμε πληροφορία σε μορφή υπερκειμένου σε CD-ROM.
02:57
What was difficult was to get them to imagine:
56
159000
3000
Το δύσκολο ήταν να τους κάνω να φανταστούν:
03:00
so, imagine that that link could have gone
57
162000
4000
φανταστείτε λοιπόν ότι αυτός ο σύνδεσμος θα μπορούσε να οδηγήσει
03:04
to virtually any document you could imagine.
58
166000
2000
σε οποιοδήποτε έγγραφο μπορείτε να φανταστείτε.
03:07
Alright, that is the leap that was very difficult for people to make.
59
169000
4000
Αυτό ήταν το βήμα που ήταν πολύ δύσκολο να κάνουν οι άνθρωποι.
03:11
Well, some people did.
60
173000
2000
Κάποιοι βέβαια το έκαναν.
03:13
So yeah, it was difficult to explain, but there was a grassroots movement.
61
175000
3000
Οπότε ναι, ήταν δύσκολο να το εξηγήσεις, αλλά υπήρχε μία υποβόσκουσα κίνηση.
03:17
And that is what has made it most fun.
62
179000
4000
Και αυτό ήταν που το έκανε ενδιαφέρον.
03:21
That has been the most exciting thing,
63
183000
2000
Αυτό ήταν το συναρπαστικό,
03:23
not the technology, not the things people have done with it,
64
185000
2000
όχι τόσο η τεχνολογία, όχι τόσο οι χρήσεις του,
03:25
but actually the community, the spirit of all these people
65
187000
2000
αλλα κυρίως η κοινότητα, η διάθεση όλων αυτών των ανθρώπων
03:27
getting together, sending the emails.
66
189000
2000
να συναντιούνται, να στέλνουν ηλεκτρονικά μηνύματα.
03:29
That's what it was like then.
67
191000
2000
Κάπως έτσι ήταν τότε.
03:31
Do you know what? It's funny, but right now it's kind of like that again.
68
193000
3000
Και ξέρετε τι; Είναι αστείο, αλλά τώρα είναι πάλι κάπως έτσι τα πράγματα.
03:34
I asked everybody, more or less, to put their documents --
69
196000
2000
Αυτό που ζήτησα από όλους τότε, ήταν να βάλουν τα έγγραφά τους --
03:36
I said, "Could you put your documents on this web thing?"
70
198000
3000
είπα, "Μπορείτε να ανεβάσετε τα έγγραφά σας σε αυτό το πράγμα, το διαδίκτυο;"
03:39
And you did.
71
201000
3000
Και το κάνατε.
03:42
Thanks.
72
204000
1000
Ευχαριστώ.
03:43
It's been a blast, hasn't it?
73
205000
2000
Πήγε απροσδόκητα καλά.
03:45
I mean, it has been quite interesting
74
207000
2000
Εννοώ, είναι πολύ ενδιαφέρον
03:47
because we've found out that the things that happen with the web
75
209000
2000
γιατί έχουμε δει ότι τα πράγματα που συμβαίνουν με το διαδίκτυο
03:49
really sort of blow us away.
76
211000
2000
πραγματκά μας εκπλήσσουν.
03:51
They're much more than we'd originally imagined
77
213000
2000
Συμβαίνουν πολυ περισσότερα πράγματα από αυτά που αρχικά φανταζόμασταν ότι θα συμβούν
03:53
when we put together the little, initial website
78
215000
2000
όταν φτιάχναμε την πρώτη, την αρχική ιστοσελίδα
03:55
that we started off with.
79
217000
2000
με την οποία ξεκινήσαμε.
03:57
Now, I want you to put your data on the web.
80
219000
3000
Τώρα, θέλω να βάλετε τα δεδομένα σας στο διαδίκτυο.
04:00
Turns out that there is still huge unlocked potential.
81
222000
4000
Υπάρχουν ακόμα άπειρες ανεκμετάλλευτες δυνατότητες
04:04
There is still a huge frustration
82
226000
2000
Υπάρχει ακόμα τεράστιος εκνευρισμός
04:06
that people have because we haven't got data on the web as data.
83
228000
4000
γιατί τα δεδομένα στο διαδίκτυο δεν υπάρχουν ως δεδομένα.
04:10
What do you mean, "data"? What's the difference -- documents, data?
84
232000
2000
Τι εννοώ, "δεδομένα"; Ποια είναι η διαφορά -- κείμενα, δεδομένα;
04:12
Well, documents you read, OK?
85
234000
3000
Λοιπόν, τα κείμενα τα διαβάζεις, σωστά;
04:15
More or less, you read them, you can follow links from them, and that's it.
86
237000
3000
Τα διαβάζεις, ακολουθείς τους συνδέσμους που έχουν, και μέχρι εκεί.
04:18
Data -- you can do all kinds of stuff with a computer.
87
240000
2000
Δεδομένα -- μπορείς να κάνεις τόσα πράγματα με έναν υπολογιστή.
04:20
Who was here or has otherwise seen Hans Rosling's talk?
88
242000
6000
Ποιός ήταν εδώ ή έχει δει αλλού την ομιλία του Χανς Ρόσλινγκ;
04:26
One of the great -- yes a lot of people have seen it --
89
248000
4000
Μία από τις καταπληκτικές -- ναι, πολλοί την έχουν δει --
04:30
one of the great TED Talks.
90
252000
2000
μία από τις καταπληκτικές ομιλίες στο TED.
04:32
Hans put up this presentation
91
254000
2000
Ο Χανς έδειξε στην παρουσίαση αυτή
04:34
in which he showed, for various different countries, in various different colors --
92
256000
5000
για διάφορα κράτη, με διάφορα χρώματα --
04:39
he showed income levels on one axis
93
261000
3000
επίπεδα εισοδήματος στον ένα άξονα
04:42
and he showed infant mortality, and he shot this thing animated through time.
94
264000
3000
και θνησιμότητα βρεφών στον άλλο, και έδειξε την εξέλιξη αυτής της σχέσης στο χρόνο.
04:45
So, he'd taken this data and made a presentation
95
267000
4000
Πήρε λοιπόν αυτά τα δεδομένα, και έφτιαξε μια παρουσίαση
04:49
which just shattered a lot of myths that people had
96
271000
3000
που διέλυσε πολλούς μύθους που είχαν οι άνθρωποι
04:52
about the economics in the developing world.
97
274000
4000
για την οικονομία στον αναπτυσσόμενο κόσμο.
04:56
He put up a slide a little bit like this.
98
278000
2000
Έδειξε μία διαφάνεια που έμοιαζε κάπως έτσι περίπου.
04:58
It had underground all the data
99
280000
2000
Είχε όλα τα δεδομένα μέσα στο χώμα
05:00
OK, data is brown and boxy and boring,
100
282000
3000
Τα δεδομένα είναι καφέ βαρετά κουτιά,
05:03
and that's how we think of it, isn't it?
101
285000
2000
και κάπως έτσι τα σκεφτόμαστε, έτσι δεν είναι;
05:05
Because data you can't naturally use by itself
102
287000
3000
Επειδή τα δεδομένα δεν μπορείς να τα χρησιμοποιήσεις εύκολα όπως είναι
05:08
But in fact, data drives a huge amount of what happens in our lives
103
290000
4000
Αλλά στην πραγματικότητα, τα δεδομένα καθορίζουν σε μεγάλο βαθμό τις ζωές μας
05:12
and it happens because somebody takes that data and does something with it.
104
294000
3000
και αυτό συμβαίνει γιατι κάποιος παίρνει τα δεδομένα και κάνει κάτι με αυτά.
05:15
In this case, Hans had put the data together
105
297000
2000
Σε αυτή την περίπτωση, ο Χανς ένωσε τα δεδομένα
05:17
he had found from all kinds of United Nations websites and things.
106
299000
5000
που βρήκε σε διάφορες ιστοσελίδες των Ηνωμένων Εθνών.
05:22
He had put it together,
107
304000
2000
Τα ένωσε,
05:24
combined it into something more interesting than the original pieces
108
306000
3000
τα συνδύασε σε κάτι πιο ενδιαφέρον από την αρχική τους μορφή
05:27
and then he'd put it into this software,
109
309000
5000
και μετά τα έβαλε σε αυτό το λογισμικό,
05:32
which I think his son developed, originally,
110
314000
2000
το οποίο νομίζω ανέπτυξε ο γιός του, αρχικά,
05:34
and produces this wonderful presentation.
111
316000
3000
και παρήγαγε αυτή την υπέροχη παρουσίαση.
05:37
And Hans made a point
112
319000
2000
Και ο Χανς τόνισε το εξής:
05:39
of saying, "Look, it's really important to have a lot of data."
113
321000
4000
"Είναι πραγματικά πολύ σημαντικό να έχουμε πολλά δεδομένα."
05:43
And I was happy to see that at the party last night
114
325000
3000
Και χάρηκα που είδα ότι στην δεξίωση χθες το βράδυ
05:46
that he was still saying, very forcibly, "It's really important to have a lot of data."
115
328000
4000
συνέχιζε να λέει, με ιδιαίτερη θέρμη, "Είναι πραγματικά σημαντικό να έχουμε πολλά δεδομένα."
05:50
So I want us now to think about
116
332000
2000
Θέλω λοιπόν να σκεφτούμε τώρα
05:52
not just two pieces of data being connected, or six like he did,
117
334000
4000
όχι μόνο δύο κατηγορίες δεδομένων να συνδέονται, ή έξι όπως έκανε ο Χανς,
05:56
but I want to think about a world where everybody has put data on the web
118
338000
5000
αλλά θέλω να σκεφτείτε έναν κόσμο όπου όλοι έχουν βάλει δεδομένα στο διαδίκτυο
06:01
and so virtually everything you can imagine is on the web
119
343000
2000
και συνεπώς τα πάντα που μπορείτε να φανταστείτε βρίσκονται στο διαδίκτυο
06:03
and then calling that linked data.
120
345000
2000
και μετά να το ονομάσουμε αυτό συνδεδεμένα δεδομένα.
06:05
The technology is linked data, and it's extremely simple.
121
347000
2000
Η τεχνολογία λέγεται συνδεδεμένα δεδομένα, και είναι απίστευτα απλή.
06:07
If you want to put something on the web there are three rules:
122
349000
4000
Αν θες να βάλεις κάτι στο διαδίκτυο υπάρχουν τρεις κανόνες:
06:11
first thing is that those HTTP names --
123
353000
3000
ο πρώτος κανόνας είναι ότι αυτά τα HTTP ονόματα --
06:14
those things that start with "http:" --
124
356000
2000
αυτά τα πράγματα που ξεκινάνε με "http:" --
06:16
we're using them not just for documents now,
125
358000
4000
θα τα χρησιμοποιούμε τώρα όχι μόνο για κείμενα,
06:20
we're using them for things that the documents are about.
126
362000
2000
θα τα χρησιμοποιούμε για πράγματα που αναφέρονται στα κείμενα.
06:22
We're using them for people, we're using them for places,
127
364000
2000
Θα τα χρησιμοποιούμε για ανθρώπους, θα τα χρησιμοποιούμε για μέρη,
06:24
we're using them for your products, we're using them for events.
128
366000
4000
θα τα χρησιμοποιούμε για τα προιόντα σας, για εκδηλώσεις.
06:28
All kinds of conceptual things, they have names now that start with HTTP.
129
370000
4000
Όλων των ειδών οι έννοιες, θα έχουν ονόματα που θα ξεκινάνε με HTTP.
06:32
Second rule, if I take one of these HTTP names and I look it up
130
374000
5000
Δεύτερος κανόνας, αν πάρω ένα από αυτά τα ονόματα και το ψάξω
06:37
and I do the web thing with it and I fetch the data
131
379000
2000
και τα εισάγω στο διαδίκτυο και τραβήξω τα δεδομένα
06:39
using the HTTP protocol from the web,
132
381000
2000
από το δίκτυο χρησιμοποιώντας το πρωτόκολλο HTTP,
06:41
I will get back some data in a standard format
133
383000
3000
θα πάρω κάποια δεδομένα με μία μορφοποίηση
06:44
which is kind of useful data that somebody might like to know
134
386000
5000
η οποία θα περιλαμβάνει χρήσιμα δεδομένα που κάποιος θα ήθελε να ξέρει
06:49
about that thing, about that event.
135
391000
2000
για κάποιο πράγμα,για κάποια εκδήλωση.
06:51
Who's at the event? Whatever it is about that person,
136
393000
2000
Ποιός είναι σε αυτή την εκδήλωση; Τι ενδιαφέρον έχει αυτό το πρόσωπο,
06:53
where they were born, things like that.
137
395000
2000
που γεννήθηκε, τέτοια πράγματα.
06:55
So the second rule is I get important information back.
138
397000
2000
Οπότε ο δεύτερος κανόνας είναι ότι παίρνω πληροφορία πίσω.
06:57
Third rule is that when I get back that information
139
399000
4000
Ο τρίτος κανόνας είναι ότι όταν παίρνω πίσω πληροφορία
07:01
it's not just got somebody's height and weight and when they were born,
140
403000
3000
δεν θα είναι μόνο το ύψος και το βάρος κάποιου και που και πότε γεννήθηκε
07:04
it's got relationships.
141
406000
2000
θα έχει σχέσεις.
07:06
Data is relationships.
142
408000
2000
Τα δεδομένα είναι σχέσεις.
07:08
Interestingly, data is relationships.
143
410000
2000
Είναι πολύ ενδιαφέρον, τα δεδομένα είναι σχέσεις.
07:10
This person was born in Berlin; Berlin is in Germany.
144
412000
4000
Το άτομο αυτό γεννήθηκε στο Βερολίνο. Το Βερολίνο είναι στη Γερμανία.
07:14
And when it has relationships, whenever it expresses a relationship
145
416000
3000
Και όταν υπάρχουν σχέσεις, οποτεδήποτε μία σχέση εκφράζεται
07:17
then the other thing that it's related to
146
419000
3000
τότε το άλλο πράγμα με το οποίο συνδέεται
07:20
is given one of those names that starts HTTP.
147
422000
4000
αποκτά ένα από αυτά τα ονόματα που ξεκινάνε με HTTP.
07:24
So, I can go ahead and look that thing up.
148
426000
2000
Μπορώ λοιπόν να ψάξω κάτι.
07:26
So I look up a person -- I can look up then the city where they were born; then
149
428000
3000
Μπορώ να ψάξω για ένα άτομο -- να ψάξω την πόλη στην οποία γεννήθηκε, μετά
07:29
I can look up the region it's in, and the town it's in,
150
431000
3000
μπορώ να ψάξω την περιοχή στην οποία είναι η πόλη αυτή,
07:32
and the population of it, and so on.
151
434000
3000
και τον πληθυσμό αυτής της πόλης, και ουτωκάθεξής.
07:35
So I can browse this stuff.
152
437000
2000
Μπορώ λοιπόν να τα ψάχνω όλα αυτά.
07:37
So that's it, really.
153
439000
2000
Αυτό είναι όλο, στην πραγματικότητα.
07:39
That is linked data.
154
441000
2000
Αυτό είναι τα συνδεδεμένα δεδομένα.
07:41
I wrote an article entitled "Linked Data" a couple of years ago
155
443000
3000
Πριν μερικά χρόνια, έγραψα ένα άρθρο με τίτλο "Συνδεδεμένα Δεδομένα"
07:44
and soon after that, things started to happen.
156
446000
4000
και σύντομα, ξεκίνησαν να συμβαίνουν πράγματα.
07:48
The idea of linked data is that we get lots and lots and lots
157
450000
4000
Η ιδέα των συνδεδεμένων δεδομένων είναι ότι έχουμε πολλά, πάρα πολλά
07:52
of these boxes that Hans had,
158
454000
2000
από αυτά τα κουτιά που είχε ο Χανς,
07:54
and we get lots and lots and lots of things sprouting.
159
456000
2000
και έχουμε πολλά, πάρα πολλά πράγματα να φυτρώνουν από αυτά.
07:56
It's not just a whole lot of other plants.
160
458000
3000
Δεν είναι μόνο πολλά άλλα φυτά.
07:59
It's not just a root supplying a plant,
161
461000
2000
Δεν είναι μόνο μία ρίζα που θα παράγει ένα φυτό,
08:01
but for each of those plants, whatever it is --
162
463000
3000
αλλά για κάθε ένα από αυτά τα φυτά, ότι και να είναι αυτό --
08:04
a presentation, an analysis, somebody's looking for patterns in the data --
163
466000
3000
μια παρουσίαση, μία ανάλυση, μια αναζήτηση για τάσεις σε κάποια δεδομένα --
08:07
they get to look at all the data
164
469000
3000
θα μπορούμε να κοιτάμε όλα τα δεδομένα
08:10
and they get it connected together,
165
472000
2000
και να τα έχουμε συνδεδεμένα όλα μαζί,
08:12
and the really important thing about data
166
474000
2000
και ένα πολύ σημαντικό πράγμα για τα δεδομένα
08:14
is the more things you have to connect together, the more powerful it is.
167
476000
2000
είναι ότι όσο περισσότερα πράγματα ενώνεις, τόσο πιο σημαντικά γίνονται.
08:16
So, linked data.
168
478000
2000
Συνδεδεμένα δεδομένα λοιπόν.
08:18
The meme went out there.
169
480000
2000
Η ιδέα βγήκε εκεί έξω.
08:20
And, pretty soon Chris Bizer at the Freie Universitat in Berlin
170
482000
4000
Και πολύ σύντομα, ο Κρις Μπίτζερ στο Ελεύθερο Πανεπιστήμιο του Βερολίνου
08:24
who was one of the first people to put interesting things up,
171
486000
2000
ο οποίος ήταν από τους πρώτους ανθρώπους που ανέβασαν ενδιαφέροντα πράγματα,
08:26
he noticed that Wikipedia --
172
488000
2000
διαπίστωσε ότι η Βικιπαιδεία --
08:28
you know Wikipedia, the online encyclopedia
173
490000
3000
ξέρετε την Βικιπαιδεία, η εγκυκλοπαίδεια στο διαδίκτυο,
08:31
with lots and lots of interesting documents in it.
174
493000
2000
έχει πολλά ενδιαφέροντα έγγραφα.
08:33
Well, in those documents, there are little squares, little boxes.
175
495000
4000
Σε αυτά τα έγγραφα, υπάρχουν μικρά κουτάκια με πληροφορίες.
08:37
And in most information boxes, there's data.
176
499000
3000
Και στα περισσότερα κουτάκια με πληροφορίες, υπάρχουν δεδομένα.
08:40
So he wrote a program to take the data, extract it from Wikipedia,
177
502000
4000
Οπότε έγραψε ένα πρόγραμμα που παίρνει τα δεδομένα, τα εξάγει από την Bικιπαιδεία,
08:44
and put it into a blob of linked data
178
506000
2000
και τα βάζει σε ένα σύννεφο με συνδεδεμένα δεδομένα
08:46
on the web, which he called dbpedia.
179
508000
3000
στο διαδίκτυο, το οποίο το ονόμασε dbpedia.
08:49
Dbpedia is represented by the blue blob in the middle of this slide
180
511000
4000
Η Dbpedia απεικονίζεται σαν μία μπλε σφαίρα στο κέντρο αυτής της διαφάνειας
08:53
and if you actually go and look up Berlin,
181
515000
2000
και αν πραγματικά πας και ψάξεις Βερολίνο,
08:55
you'll find that there are other blobs of data
182
517000
2000
θα βρείς ότι υπάρχουν και άλλες σφαίρες με δεδομένα
08:57
which also have stuff about Berlin, and they're linked together.
183
519000
3000
που επίσης έχουν πράγματα για το Βερολίνο, και είναι όλες συνδεδεμένες.
09:00
So if you pull the data from dbpedia about Berlin,
184
522000
3000
Αν λοιπόν τραβήξεις τα δεδομένα από το dbpedia για το Βερολίνο,
09:03
you'll end up pulling up these other things as well.
185
525000
2000
θα καταλήξεις να τραβήξεις μαζί και όλα αυτά τα άλλα πράγματα.
09:05
And the exciting thing is it's starting to grow.
186
527000
3000
Και το συναρπαστικό ειναι ότι αυτό έχει ξεκινήσει να μεγαλώνει.
09:08
This is just the grassroots stuff again, OK?
187
530000
2000
Και αυτό ειναι μόνο η αρχή ξανά, εντάξει;
09:10
Let's think about data for a bit.
188
532000
3000
Ας σκεφτούμε λίγο για δεδομένα.
09:13
Data comes in fact in lots and lots of different forms.
189
535000
3000
Τα δεδομένα υπάρχουν σε πολλές πολλές διαφορετικές μορφές.
09:16
Think of the diversity of the web. It's a really important thing
190
538000
3000
Σκεφτείτε την ποικιλία που υπάρχει στο διαδίκτυο. Είναι πολύ σημαντικό
09:19
that the web allows you to put all kinds of data up there.
191
541000
3000
το ότι το διαδίκτυο σου επιτρέπει να αναρτήσεις όλων των ειδών τα δεδομένα.
09:22
So it is with data. I could talk about all kinds of data.
192
544000
2000
Έτσι είναι και με τα δεδομένα. Θα μπορούσανα μιλήσω για όλων των ειδών τα δεδομένα.
09:25
We could talk about government data, enterprise data is really important,
193
547000
4000
Θα μπορούσαμε να μιλήσουμε για κυβερνητικά δεδομένα, τα εταιρικά δεδομένα είναι επίσης σημαντικά,
09:29
there's scientific data, there's personal data,
194
551000
3000
υπάρχουν επιστημονικά δεδομένα, υπάρχουν προσωπικά δεδομένα,
09:32
there's weather data, there's data about events,
195
554000
2000
υπάρχουν καιρικά δεδομένα, υπάρχουν δεδομένα για εκδηλώσεις,
09:34
there's data about talks, and there's news and there's all kinds of stuff.
196
556000
4000
υπάρχουν δεδομένα για ομιλίες, υπάρχουν νέα, όλων των ειδών τα πράγματα.
09:38
I'm just going to mention a few of them
197
560000
3000
Θα αναφέρω μερικά από αυτά
09:41
so that you get the idea of the diversity of it,
198
563000
2000
ώστε να πάρετε μια ιδέα της ποικιλίας,
09:43
so that you also see how much unlocked potential.
199
565000
4000
και επίσης για να δείτε τι δυνατότητες υπάρχουν.
09:47
Let's start with government data.
200
569000
2000
Ας ξεκινήσουμε με τα κυβερνητικά δεδομένα.
09:49
Barack Obama said in a speech,
201
571000
2000
Ο Μπαράκ Ομπάμα είπε σε μία ομιλία
09:51
that he -- American government data would be available on the Internet
202
573000
5000
ότι τα Αμερικανικά κυβερνητικά δεδομένα θα γινόντουσαν διαθέσιμα στο διαδίκτυο
09:56
in accessible formats.
203
578000
2000
σε προσβάσιμες μορφές.
09:58
And I hope that they will put it up as linked data.
204
580000
2000
Και ελπίζω ότι θα τα ανεβάσουν σαν συνδεδεμένα δεδομένα.
10:00
That's important. Why is it important?
205
582000
2000
Είναι σημαντικό. Γιατί είναι σημαντικό;
10:02
Not just for transparency, yeah transparency in government is important,
206
584000
3000
Όχι μόνο για διαφάνεια, ναι η διαφάνεια στην κυβέρνηση είναι σημαντική
10:05
but that data -- this is the data from all the government departments
207
587000
3000
αλλά αυτά τα δεδομένα -- τα δεδομένα από όλα τα κυβερνητικά τμήματα
10:08
Think about how much of that data is about how life is lived in America.
208
590000
5000
Σκεφτείτε πόσα πολλά από αυτά τα δεδομένα αφορούν το πως είναι η ζωή στην Αμερική.
10:13
It's actual useful. It's got value.
209
595000
2000
Είναι πραγματικά χρήσιμα. Έχουν αξία.
10:15
I can use it in my company.
210
597000
2000
Είναι χρήσιμα για τις εταιρίες.
10:17
I could use it as a kid to do my homework.
211
599000
2000
Θα ήταν χρήσιμα σε παιδιά για να κάνουν σχολικές εργασίες.
10:19
So we're talking about making the place, making the world run better
212
601000
3000
Αυτό που λέμε λοιπόν είναι ότι θα κάνουμε τον κόσμο να λειτουργεί καλύτερα
10:22
by making this data available.
213
604000
2000
με το να κάνουμε τα δεδομένα αυτά διαθέσιμα.
10:24
In fact if you're responsible -- if you know about some data
214
606000
4000
Στην πραγματικότητα αν είσαι υπεύθυνος -- αν ξέρεις για κάποια δεδομένα
10:28
in a government department, often you find that
215
610000
2000
σε κάποιο κυβερνητικό τμήμα, συχνά ανακαλύπτεις ότι
10:30
these people, they're very tempted to keep it --
216
612000
3000
αυτοί οι άνθρωποι, είναι πολύ επιρρεπείς στο να τα κρύβουν--
10:33
Hans calls it database hugging.
217
615000
3000
Ο Χανς το ονομάζει αυτό αγκάλιασμα της βάσης δεδομένων.
10:36
You hug your database, you don't want to let it go
218
618000
2000
Αγκαλιάζεις την βάση δεδομένων σου, δεν θες να την αφήσεις να φύγει
10:38
until you've made a beautiful website for it.
219
620000
2000
μέχρι να έχεις φτιάξει μία όμορφη ιστοσελίδα να την βάλεις.
10:40
Well, I'd like to suggest that rather --
220
622000
2000
Ε λοιπόν, θα ήθελα να προτείνω --
10:42
yes, make a beautiful website,
221
624000
2000
ναι, φτιάξτε μία όμορφη ιστοσελίδα,
10:44
who am I to say don't make a beautiful website?
222
626000
2000
ποιός είμαι εγώ για να πω μην φτιάξετε μια ωραία ιστοσελίδα;
10:46
Make a beautiful website, but first
223
628000
3000
Φτιάξτε μία όμορφη ιστοσελίδα, αλλά πρώτα
10:49
give us the unadulterated data,
224
631000
3000
δημοσιοποιήστε τα σκέτα δεδομένα,
10:52
we want the data.
225
634000
2000
θέλουμε τα δεδομένα.
10:54
We want unadulterated data.
226
636000
2000
Θέλουμε σκέτα δεδομένα.
10:56
OK, we have to ask for raw data now.
227
638000
3000
Πρέπει να ζητήσουμε ακατέργαστα δεδομένα τώρα.
10:59
And I'm going to ask you to practice that, OK?
228
641000
2000
Και θα σας ζητήσω να κάνετε εξάσκηση σε αυτό, εντάξει;
11:01
Can you say "raw"?
229
643000
1000
Μπορείτε να πείτε "ακατέργαστα";
11:02
Audience: Raw.
230
644000
1000
Κοινό: Ακατέργαστα.
11:03
Tim Berners-Lee: Can you say "data"?
231
645000
1000
Τιμ Μπέρνερς-Λι: Μπορείτε να πείτε "δεδομένα";
11:04
Audience: Data.
232
646000
1000
Κοινό: Δεδομένα.
11:05
TBL: Can you say "now"?
233
647000
1000
Τιμ Μπέρνερς-Λι: Μπορείτε να πείτε "τώρα";
11:06
Audience: Now!
234
648000
1000
Κοινό: Τώρα!
11:07
TBL: Alright, "raw data now"!
235
649000
2000
Τιμ Μπέρνερς-Λι: "Ακατέργαστα δεδομένα τώρα"!
11:09
Audience: Raw data now!
236
651000
2000
Κοινό: Ακατέργαστα δεδομένα τώρα!
11:11
Practice that. It's important because you have no idea the number of excuses
237
653000
4000
Να εξασκηθείτε σε αυτό. Είναι σημαντικό γιατί δεν έχετε ιδέα πόσες δικαιολογίες
11:15
people come up with to hang onto their data
238
657000
2000
βρίσκουν οι άνθρωποι για να κρατήσουν τα δεδομένα τους
11:17
and not give it to you, even though you've paid for it as a taxpayer.
239
659000
4000
και να μην στα δώσουν, ακόμα και αν έχεις πληρώσει για αυτά σαν φορολογούμενος.
11:21
And it's not just America. It's all over the world.
240
663000
2000
Και αυτό δεν συμβαίνει μόνο στην Αμερική. Συμβαίνει σε όλο τον κόσμο.
11:23
And it's not just governments, of course -- it's enterprises as well.
241
665000
3000
Και δεν είναι μόνο κυβερνήσεις, φυσικά -- είναι και οι εταιρίες επίσης.
11:26
So I'm just going to mention a few other thoughts on data.
242
668000
3000
Θα αναφέρω λοιπόν μερικές ακόμα σκέψεις για δεδομένα.
11:29
Here we are at TED, and all the time we are very conscious
243
671000
5000
Είμαστε εδώ στο TED, και συνειδητοποιούμε
11:34
of the huge challenges that human society has right now --
244
676000
5000
τις τεράστιες προκλήσεις που υπάρχουν αυτή τη στιγμή --
11:39
curing cancer, understanding the brain for Alzheimer's,
245
681000
3000
η θεραπεία του καρκίνου, η κατανόηση του εγκεφάλου για το Αλτσχάιμερ,
11:42
understanding the economy to make it a little bit more stable,
246
684000
3000
η κατανόηση της οικονομίας για να την κάνουμε λίγο πιο σταθερή,
11:45
understanding how the world works.
247
687000
2000
η κατανόηση του πως δουλεύει ο κόσμος.
11:47
The people who are going to solve those -- the scientists --
248
689000
2000
Οι άνθρωποι που θα λύσουν αυτά τα προβλήματα -- οι επιστήμονες --
11:49
they have half-formed ideas in their head,
249
691000
2000
έχουν μισο-σχηματισμένες ιδέες στα κεφάλια τους
11:51
they try to communicate those over the web.
250
693000
3000
και προσπαθούν να τις μεταδώσουν μέσω του διαδικτύου.
11:54
But a lot of the state of knowledge of the human race at the moment
251
696000
3000
Αλλά μεγάλο κομμάτι της γνώσης για την ανθρώπινη φυλή αυτή τη στιγμή
11:57
is on databases, often sitting in their computers,
252
699000
3000
βρίσκεται σε βάσεις δεδομένων, που συχνά κάθονται στους υπολογιστές τους,
12:00
and actually, currently not shared.
253
702000
3000
και που προς το παρόν δεν είναι προσβάσιμες από κανένα.
12:03
In fact, I'll just go into one area --
254
705000
3000
Στην πραγματικότητα, θα αναφέρω μόνο μία περίπτωση --
12:06
if you're looking at Alzheimer's, for example,
255
708000
2000
αν κοιτάξετε την περίπτωση του Αλτσχάιμερ, για παράδειγμα,
12:08
drug discovery -- there is a whole lot of linked data which is just coming out
256
710000
3000
και την ανακάλυψη φαρμάκων -- υπάρχουν πολλά συνδεδεμένα δεδομένα που μόλις βγαίνουν
12:11
because scientists in that field realize
257
713000
2000
επειδή οι επιστήμονες στο πεδίο αυτό συνειδητοποιούν
12:13
this is a great way of getting out of those silos,
258
715000
3000
ότι αυτός είναι ένας τέλειος τρόπος να ξεπεράσουν τα όρια των εργαστηρίων τους,
12:16
because they had their genomics data in one database
259
718000
4000
επειδή είχαν τα γενεολογικά δεδομένα τους σε μία βάση δεδομένων
12:20
in one building, and they had their protein data in another.
260
722000
3000
σε ένα κτίριο, και είχαν τα πρωτεινικά δεδομένα τους σε ένα άλλο.
12:23
Now, they are sticking it onto -- linked data --
261
725000
3000
Τώρα, χρησιμοποιούν συνδεδεμένα δεδομένα
12:26
and now they can ask the sort of question, that you probably wouldn't ask,
262
728000
3000
και μπορούν να κάνουν ερωτήσεις που πιθανότατα εσείς δε θα κάνατε,
12:29
I wouldn't ask -- they would.
263
731000
2000
εγώ δεν θα έκανα -- αλλά αυτοί θα τις έκαναν.
12:31
What proteins are involved in signal transduction
264
733000
2000
Ποιες πρωτεϊνες εμπλέκονται στην μετάδοση σήματος
12:33
and also related to pyramidal neurons?
265
735000
2000
και επίσης ποιες σχετίζονται με τους πυραμιδικούς νευρώνες;
12:35
Well, you take that mouthful and you put it into Google.
266
737000
3000
Αν πάρεις αυτό το γλωσσοδέτη και τον βάλεις στο Google
12:38
Of course, there's no page on the web which has answered that question
267
740000
3000
Φυσικά, δεν υπάρχει σελίδα στο διαδίκτυο που έχει την απάντηση σε αυτή την ερώτηση
12:41
because nobody has asked that question before.
268
743000
2000
γιατί κανένας δεν έχει κάνει αυτή την ερώτηση αυτή μέχρι τώρα.
12:43
You get 223,000 hits --
269
745000
2000
Η αναζήτηση θα επιστρέψει 223.000 αποτελέσματα --
12:45
no results you can use.
270
747000
2000
κανένα από τα οποία δεν δίνει την απάντηση που ψάχνεις.
12:47
You ask the linked data -- which they've now put together --
271
749000
3000
Αν αναζητήσεις σε συνδεδεμένα δεδομένα -- τα οποία έχουν τώρα ενεργοποιηθεί --
12:50
32 hits, each of which is a protein which has those properties
272
752000
4000
βγαίνουν 32 αποτελέσματα, κάθε ένα από τα οποία είναι μία πρωτεϊνη που έχει αυτές τις ιδιότητες
12:54
and you can look at.
273
756000
2000
και την οποία μπορείς να δεις.
12:56
The power of being able to ask those questions, as a scientist --
274
758000
3000
Η δύναμη του να μπορείς να κάνεις αυτές τις ερωτήσεις, σαν επιστήμονας --
12:59
questions which actually bridge across different disciplines --
275
761000
2000
ερωτήσεις που εκτείνονται σε διαφορετικά πεδία γνώσης --
13:01
is really a complete sea change.
276
763000
3000
είναι πραγματικά μία τεράστια αλλαγή.
13:04
It's very very important.
277
766000
2000
Είναι πάρα πολύ σημαντικό.
13:06
Scientists are totally stymied at the moment --
278
768000
2000
Οι επιστήμονες είναι τελείως περιορισμένοι τώρα --
13:08
the power of the data that other scientists have collected is locked up
279
770000
5000
η δύναμη των δεδομένων που έχουν συλλέξει άλλοι επιστήμονες είναι κλειδωμένη
13:13
and we need to get it unlocked so we can tackle those huge problems.
280
775000
3000
και χρειάζεται να την ξεκλειδώσουμε ώστε να μπορέσουμε να αντιμετωπίσουμε όλα αυτά τα τεράστια προβλήματα.
13:16
Now if I go on like this, you'll think that all the data comes from huge institutions
281
778000
4000
Τώρα αν συνεχίσω κατ'αυτόν τον τρόπο, θα νομίσετε ότι όλα τα δεδομένα έρχονται από τεράστια ιδρύματα
13:20
and has nothing to do with you.
282
782000
3000
και ότι δεν έχουν καμία σχέση με εσάς.
13:23
But, that's not true.
283
785000
2000
Αλλά αυτό δεν είναι αλήθεια.
13:25
In fact, data is about our lives.
284
787000
2000
Στην πραγματικότητα, τα δεδομένα αφορούν τις ζωές μας.
13:27
You just -- you log on to your social networking site,
285
789000
3000
Όταν συνδέεστε στη σελίδα κοινωνικής δικτύωσης,
13:30
your favorite one, you say, "This is my friend."
286
792000
2000
αυτή που προτιμάτε, λέτε, "Αυτός είναι φίλος μου."
13:32
Bing! Relationship. Data.
287
794000
3000
Αυτό είναι μια σχέση. Δεδομένα.
13:35
You say, "This photograph, it's about -- it depicts this person. "
288
797000
3000
Λέτε, "Αυτή η φωτογραφία δείχνει αυτό το άτομο. "
13:38
Bing! That's data. Data, data, data.
289
800000
3000
Μπινγκ! Αυτό ειναι δεδομένα. Δεδομένα, δεδομένα, δεδομένα.
13:41
Every time you do things on the social networking site,
290
803000
2000
Κάθε φορά που κάνετε πράγματα στη σελίδα κοινωνικής δικτύωσης,
13:43
the social networking site is taking data and using it -- re-purposing it --
291
805000
4000
η σελίδα παίρνει δεδομένα και τα χρησιμοποιεί -- αλλάζοντας τον σκοπό τους --
13:47
and using it to make other people's lives more interesting on the site.
292
809000
4000
και τα χρησιμοποιεί για να κάνει τις ζωές άλλων ανθρώπων πιο ενδιαφέρουσες.
13:51
But, when you go to another linked data site --
293
813000
2000
Αλλά, όταν πάτε σε μία άλλη σελίδα με συνδεδεμένα δεδομένα --
13:53
and let's say this is one about travel,
294
815000
3000
ας πούμε μία σελίδα για ταξίδια,
13:56
and you say, "I want to send this photo to all the people in that group,"
295
818000
3000
και πείτε, "Θέλω να στείλω αυτή τη φωτογραφία σε όλους τους ανθρώπους σε αυτή την ομάδα,"
13:59
you can't get over the walls.
296
821000
2000
δεν μπορείτε να το κάνετε.
14:01
The Economist wrote an article about it, and lots of people have blogged about it --
297
823000
2000
Στο περιοδικό Economist γράφτηκε ένα σχετικό άρθρο, και πολλοί άνθρωποι έγραψαν στα ιστολόγιά τους για αυτό
14:03
tremendous frustration.
298
825000
1000
το τρομερά εκνευριστικό πρόβλημα.
14:04
The way to break down the silos is to get inter-operability
299
826000
2000
Ο τρόπος για να ξεπεράσουμε αυτά τα εμπόδια είναι να υπάρξει διαλειτουργικότητα
14:06
between social networking sites.
300
828000
2000
μεταξύ των σελίδων κοινωνικής δικτύωσης.
14:08
We need to do that with linked data.
301
830000
2000
Και αυτό πρέπει να το κάνουμε με συνδεδεμένα δεδομένα.
14:10
One last type of data I'll talk about, maybe it's the most exciting.
302
832000
3000
Τέλος, θα μιλήσω για μία ακόμα μορφή δεδομένων, ίσως επειδή είναι η πιο συναρπαστική.
14:13
Before I came down here, I looked it up on OpenStreetMap
303
835000
3000
Πριν έρθω εδώ, έψαξα την τοποθεσία στο OpenStreetMap
14:16
The OpenStreetMap's a map, but it's also a Wiki.
304
838000
2000
To OpenStreetMap είναι ένας χάρτης, αλλά είναι και ένα Wiki.
14:18
Zoom in and that square thing is a theater -- which we're in right now --
305
840000
3000
Αν μεγενθύνετε την εικόνα θα δείτε ότι αυτό το τετράγωνο πράγμα είναι ένα κτίριο-- μέσα στο οποίο είμαστε αυτή τη στιγμή --
14:21
The Terrace Theater. It didn't have a name on it.
306
843000
2000
Είναι το Terrace Theater. Δεν είχε κάποιο όνομα πάνω του.
14:23
So I could go into edit mode, I could select the theater,
307
845000
2000
Οπότε θα μπορούσα να το γυρίσω στην σύνταξη, και θα μπορούσα να επιλέξω το θέατρο,
14:25
I could add down at the bottom the name, and I could save it back.
308
847000
5000
Θα μπορούσα να προσθέσω το όνομα και να το σώσω.
14:30
And now if you go back to the OpenStreetMap. org,
309
852000
3000
Και τώρα αν πάτε πίσω στο OpenStreetMap.org
14:33
and you find this place, you will find that The Terrace Theater has got a name.
310
855000
3000
και βρείτε αυτό το μέρος, θα δείτε ότι το Terrace Theater έχει όνομα.
14:36
I did that. Me!
311
858000
2000
Εγώ το έκανα. Εγώ!
14:38
I did that to the map. I just did that!
312
860000
2000
Εγώ το έκανα αυτό στο χάρτη, μόλις τώρα!
14:40
I put that up on there. Hey, you know what?
313
862000
2000
Εγώ το έβαλα εκεί. Και ξέρετε τι?
14:42
If I -- that street map is all about everybody doing their bit
314
864000
3000
Αυτός ο χάρτης βασίζεται στο ότι ο καθένας θα κάνει και από κάτι
14:45
and it creates an incredible resource
315
867000
3000
και δημιουργεί μία καταπληκτική πηγή
14:48
because everybody else does theirs.
316
870000
3000
γιατί ο καθένας κάνει από κάτι.
14:51
And that is what linked data is all about.
317
873000
3000
Και αυτή είναι και η λογική των συνδεδεμένων δεδομένων.
14:54
It's about people doing their bit
318
876000
3000
Βασίζονται στη συμβολή όλων από λίγο
14:57
to produce a little bit, and it all connecting.
319
879000
3000
για να παράγουν λίγο, και μετά όλα να συνδεθούν.
15:00
That's how linked data works.
320
882000
3000
Έτσι λειτουργούν τα συνδεδεμένα δεδομένα.
15:03
You do your bit. Everybody else does theirs.
321
885000
4000
Κάνεις εσύ απο κάτι. Ο καθένας κάνει από κάτι.
15:07
You may not have lots of data which you have yourself to put on there
322
889000
4000
Μπορεί να μην έχεις πολλά δεδομένα τα οποία εσύ ο ίδιος να ανέβασες
15:11
but you know to demand it.
323
893000
3000
αλλά ξέρεις να τα ζητάς.
15:14
And we've practiced that.
324
896000
2000
Έχουμε εξασκηθεί σε αυτό.
15:16
So, linked data -- it's huge.
325
898000
4000
Συνδεδεμένα δεδομένα λοιπόν -- τεράστια πρόκληση.
15:20
I've only told you a very small number of things
326
902000
3000
Σας είπα μόνο πολύ λίγα πράγματα.
15:23
There are data in every aspect of our lives,
327
905000
2000
Υπάρχουν δεδομένα σε κάθε πτυχή της ζωής μας,
15:25
every aspect of work and pleasure,
328
907000
3000
κάθε πτυχή της δουλειάς και της διασκέδασης,
15:28
and it's not just about the number of places where data comes,
329
910000
3000
και το σημαντικό δεν είναι μόνο τι δεδομένα είναι αυτά,
15:31
it's about connecting it together.
330
913000
3000
αλλά η σύνδεση μεταξύ τους
15:34
And when you connect data together, you get power
331
916000
3000
Και όταν συνδέεις δεδομένα μεταξύ τους, έχεις δύναμη
15:37
in a way that doesn't happen just with the web, with documents.
332
919000
3000
με ένα τρόπο που δεν συμβαίνει μόνο με το διαδίκτυο ή μόνο με κείμενα.
15:40
You get this really huge power out of it.
333
922000
4000
Αποκτάς αυτή την πραγματικά τεράστια δύναμη από αυτά.
15:44
So, we're at the stage now
334
926000
3000
Βρισκόμαστε λοιπόν στην φάση τώρα
15:47
where we have to do this -- the people who think it's a great idea.
335
929000
4000
που πρέπει να το κάνουμε αυτό -- εμείς που πιστεύουμε ότι ειναι μια υπέροχη ιδέα.
15:51
And all the people -- and I think there's a lot of people at TED who do things because --
336
933000
3000
αλλά και όλοι οι άνθρωποι - και νομίζω υπάρχουν πολλοί άνθρωποι στο TED που κάνουν πράγματα που --
15:54
even though there's not an immediate return on the investment
337
936000
2000
ακόμα και αν δεν υπάρχει άμεση επιστροφή στην επένδυση
15:56
because it will only really pay off when everybody else has done it --
338
938000
3000
τα κάνουν επειδή θα αποδώσουν μόνο όταν όλοι τα έχουν κάνει --
15:59
they'll do it because they're the sort of person who just does things
339
941000
4000
τα κάνουν επειδή είναι αυτού του είδους οι άνθρωποι που κάνουν πράγματα
16:03
which would be good if everybody else did them.
340
945000
3000
που θα αποδώσουν μόνο αν όλοι τα κάνουν.
16:06
OK, so it's called linked data.
341
948000
2000
ΟΚ, λέγεται λοιπόν συνδεδεμένα δεδομένα.
16:08
I want you to make it.
342
950000
2000
Θέλω να το κάνετε πραγματικότητα.
16:10
I want you to demand it.
343
952000
2000
Θέλω να το απαιτήσετε.
16:12
And I think it's an idea worth spreading.
344
954000
2000
Και πιστεύω ότι είναι μια ιδέα που αξίζει να διαδοθεί.
16:14
Thanks.
345
956000
1000
Ευχαριστώ.
16:15
(Applause)
346
957000
3000
(Χειροκρότημα)
ABOUT THE SPEAKER
Tim Berners-Lee - InventorTim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development.
Why you should listen
In the 1980s, scientists at CERN were asking themselves how massive, complex, collaborative projects -- like the fledgling LHC -- could be orchestrated and tracked. Tim Berners-Lee, then a contractor, answered by inventing the World Wide Web. This global system of hypertext documents, linked through the Internet, brought about a massive cultural shift ushered in by the new tech and content it made possible: AOL, eBay, Wikipedia, TED.com...
Berners-Lee is now director of the World Wide Web Consortium (W3C), which maintains standards for the Web and continues to refine its design. Recently he has envisioned a "Semantic Web" -- an evolved version of the same system that recognizes the meaning of the information it carries. He's the 3Com Founders Professor of Engineering in the School of Engineering with a joint appointment in the Department of Electrical Engineering and Computer Science at the Laboratory for Computer Science and Artificial Intelligence (CSAIL) at the MIT, where he also heads the Decentralized Information Group (DIG). He is also a Professor in the Electronics and Computer Science Department at the University of Southampton, UK.
Tim Berners-Lee | Speaker | TED.com