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
Quiero hablarles sobre dos de
las cosas más emocionantes posibles.
las cosas más emocionantes posibles.
00:16
You've probably guessed what they are --
1
7948
1949
Probablemente ya han adivinado cuáles son.
00:18
data and history.
2
9921
2319
Datos e historia.
00:21
Right?
3
13211
1171
¿Sí?
00:24
So, I'm not a historian.
4
15871
1982
No soy historiador.
00:26
I'm not going to give you
a definition of history.
a definition of history.
5
17877
2728
No voy a dar una definición de historia.
00:29
But let's think instead
of history within a framework.
of history within a framework.
6
20629
3113
Pero pensemos, en lugar de
historia dentro de un marco.
historia dentro de un marco.
00:32
So, when we're making history,
7
23766
1611
Y, cuando hacemos historia,
00:33
or when we're creating
historical documents,
historical documents,
8
25401
2892
o cuando creamos documentos históricos,
00:36
we're taking things
that have happened in the past,
that have happened in the past,
9
28317
2428
tomamos cosas sucedidas en el pasado,
00:39
and we're stitching them
together into a story.
together into a story.
10
30769
2552
que unimos en una historia.
00:41
So let me start with a little bit
of my own story.
of my own story.
11
33345
2530
Así que permítanme comenzar
con un poco de mi propia historia.
con un poco de mi propia historia.
00:44
Like anybody my age
who works creatively with computers,
who works creatively with computers,
12
35899
3678
Como cualquiera de mi edad que trabaja
creativamente con computadoras,
creativamente con computadoras,
00:48
I was a popular, socially
well-adjusted young man --
well-adjusted young man --
13
39601
4456
yo era un joven popular,
socialmente bien adaptado...
socialmente bien adaptado...
00:52
(Laughter)
14
44081
1122
(Risas)
00:53
And sporty!
15
45227
2541
¡y deportivo!
00:56
Sporty young man.
16
47792
1733
Un joven deportista.
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
Y como mucha gente de mi edad
en el tipo de negocio en el que estoy,
en el tipo de negocio en el que estoy,
01:03
I was influenced tremendously by Apple.
18
55452
2645
tuve mucha influencia de Apple.
01:07
But notice my choice of logo here, right?
19
58635
3722
Vean mi elección de logo ¿verdad?
01:10
The Apple on the left,
not the Apple on the right.
not the Apple on the right.
20
62381
3585
La Apple a la izquierda,
no la de la derecha.
no la de la derecha.
Estoy influenciado tanto
por la Apple de la derecha.
por la Apple de la derecha.
01:15
I'm influenced as much
by the Apple on the right
by the Apple on the right
21
66621
2293
01:17
as the next person,
22
68938
2083
como la siguiente persona.
Pero la Apple de la izquierda...
quiero decir, miren el logotipo.
quiero decir, miren el logotipo.
01:19
but the Apple on the left --
I mean, look at that logo!
I mean, look at that logo!
23
71045
2633
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
Es un arco iris
¡Ni siquiera está en el orden correcto!
¡Ni siquiera está en el orden correcto!
01:24
(Laughter)
25
76123
1134
01:25
That's how crazy Apple was.
26
77281
2273
Eso es lo loca que estaba Apple.
01:28
(Laughter)
27
79578
1037
(Risas)
01:29
But I don't want to talk too much
about the company.
about the company.
28
80639
2945
Pero no quiero hablar mucho de la empresa.
01:32
I'll start talking about
a machine, though.
a machine, though.
29
83608
2177
Aunque empezaré a hablar de una máquina.
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
Qué asombroso es pensar en esto.
Vuelvo y pienso en esto.
Vuelvo y pienso en esto.
01:38
Wednesday -- one Wednesday,
when I was about 12 years old,
when I was about 12 years old,
31
89960
3314
Miércoles. Un miércoles,
cuando tenía unos 12 años,
cuando tenía unos 12 años,
01:41
I didn't have a computer.
32
93298
2111
no tenía computadora.
01:44
On Thursday, I had a computer.
33
96034
2779
El jueves tuve una computadora.
01:48
Can you imagine that change?
34
99965
1999
¿Se imaginan ese cambio?
01:50
It's so drastic.
35
102417
1681
Es tan drástico.
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
No puedo pensar en otra cosa que
pueda cambiar nuestra vida de esa manera.
pueda cambiar nuestra vida de esa manera.
01:56
But I'm actually not even going
to talk about the computer.
to talk about the computer.
37
107597
2767
Pero en realidad ni siquiera
hablaré de la computadora.
hablaré de la computadora.
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
Voy a hablar sobre un programa
cargado en esa computadora.
cargado en esa computadora.
02:02
And it was build by,
not the guy on the left,
not the guy on the left,
39
113642
2272
Y fue construido
no por el chico de la izquierda,
no por el chico de la izquierda,
02:04
but the guy on the right.
40
115938
1435
sino por el chico de la derecha.
02:05
Does anybody know
who the guy on the right is?
who the guy on the right is?
41
117397
2144
¿Alguien sabe quién es
el chico de la derecha?
el chico de la derecha?
02:09
Nobody ever knows the answer
to this question.
to this question.
42
121161
2410
Nadie sabe la respuesta a esta pregunta.
02:12
This is Bill Atkinson.
43
123595
1686
Este es Bill Atkinson.
02:13
And Bill Atkinson was responsible
for tons of things
for tons of things
44
125305
3107
Y Bill Atkinson fue responsable
de toneladas de cosas
de toneladas de cosas
02:16
that you see on your computer every day.
45
128436
2482
que ven en su computadora todos los días.
02:19
But I want to talk about one program
that Bill Atkinson wrote,
that Bill Atkinson wrote,
46
130942
3107
Pero quiero hablar sobre un programa
que Bill Atkinson escribió,
que Bill Atkinson escribió,
02:22
called HyperCard.
47
134073
1500
llamado HyperCard.
02:25
Someone's cheering over there.
48
137025
2160
Alguien está feliz por allí.
02:27
(Laughter)
49
139209
1205
(Risas)
02:28
HyperCard was a program
that shipped with the Mac,
that shipped with the Mac,
50
140438
2602
HyperCard era un programa
que venía con la Mac,
que venía con la Mac,
02:31
and it was designed
for users of the computer
for users of the computer
51
143064
2569
Y fue diseñado
para usuarios de la computadora,
para usuarios de la computadora,
02:34
to make programs on their computers.
52
145657
3197
para desarrollar programas
en sus computadoras.
en sus computadoras.
02:38
Crazy idea today.
53
149505
1597
Idea loca hoy.
02:39
And these programs were not the apps
that we think about today,
that we think about today,
54
151126
2973
Y estos programas no eran
las aplicaciones que pensamos hoy,
las aplicaciones que pensamos hoy,
02:42
with their large budgets
and their big distribution.
and their big distribution.
55
154123
2449
con sus grandes presupuestos
y su gran distribución.
y su gran distribución.
02:45
These were small things,
56
156596
1189
Estas eran cosas pequeñas para personas
02:46
people making applications to keep track
of their local basketball team scores
of their local basketball team scores
57
157809
3882
que solicitan un seguimiento de resultados
de su equipo de baloncesto local
de su equipo de baloncesto local
02:50
or to organize their research
58
161715
2825
o para organizar su investigación
02:53
or to teach people about classical music
59
164564
3016
o para enseñar a la gente música clásica
02:56
or to calculate weird astronomical dates.
60
167604
4095
o para calcular
fechas astronómicas extrañas.
fechas astronómicas extrañas.
03:00
And then, of course,
there were some art projects.
there were some art projects.
61
171723
2381
Y luego, por supuesto,
hubo proyectos de arte.
hubo proyectos de arte.
03:02
This is my favorite one.
62
174128
1220
Este es mi favorito.
03:03
It's called "If Monks Had Macs,"
63
175372
2089
Se llama "If Monks Had Macs"
03:05
and it's a nonlinear
kind of exploratory environment.
kind of exploratory environment.
64
177485
4534
y es un tipo de
ambiente exploratorio no lineal.
ambiente exploratorio no lineal.
03:10
I thank the stars for HyperCard
all of the time.
all of the time.
65
182043
5573
Agradezco a las estrellas
por HyperCard todo el tiempo.
por HyperCard todo el tiempo.
Y agradezco a las estrellas
por haberme puesto en esta era.
por haberme puesto en esta era.
03:16
And I thank the stars
for putting me in this era
for putting me in this era
66
187640
2447
03:18
where I got to use HyperCard.
67
190111
2300
donde tengo que usar HyperCard.
03:20
HyperCard was the last program to ship
on a public computer
on a public computer
68
192435
4640
HyperCard fue el último programa
que se envió en una computadora pública
que se envió en una computadora pública
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
diseñado para que los usuarios de
computadora hicieran programas con él.
computadora hicieran programas con él.
03:30
If you talked to the people
who invented the computer
who invented the computer
70
202252
2705
Si hubieras hablado con la gente que
inventó la computadora
inventó la computadora
03:33
and you told them there would be
a day, a magical day,
a day, a magical day,
71
204981
2749
y les hubieras dicho que habría un día,
un día mágico,
un día mágico,
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
en que todos tendrían una computadora,
pero que ninguno sabría cómo programar,
pero que ninguno sabría cómo programar,
03:41
they would think you were crazy.
73
212840
1811
habrían pensado que estabas loco.
03:43
So let's skip forward a few years.
74
215486
1664
Así que avancemos unos años.
03:45
I'm starting my career as an artist,
75
217174
2588
Estoy empezando mi carrera como artista,
03:48
and I'm building things
with my computer, small-scale things,
with my computer, small-scale things,
76
219786
3962
y construyo cosas con mi computadora,
cosas a pequeña escala,
cosas a pequeña escala,
03:52
investigating things like
the growth systems of plants.
the growth systems of plants.
77
223772
3603
Investigando cosas como
sistemas de crecimiento de las plantas.
sistemas de crecimiento de las plantas.
03:55
Or, in this example, I'm building
a simulated economy
a simulated economy
78
227399
2999
O, en este ejemplo, estoy construyendo
una economía simulada
una economía simulada
03:58
in which pixels are trading color
with one another,
with one another,
79
230422
3961
donde los píxeles se intercambian colores
04:02
trying to investigate how
these types of systems work,
these types of systems work,
80
234407
2575
tratando de investigar
cómo funcionan estos sistemas,
cómo funcionan estos sistemas,
04:05
and just kind of having fun.
81
237006
1402
y un poco de diversión.
04:06
And then this project led me
to start working with data.
to start working with data.
82
238432
2628
Y luego este proyecto me llevó
a empezar a trabajar con datos.
a empezar a trabajar con datos.
04:09
So I'm building graphics like this,
83
241084
2989
Así que construí gráficos como este,
04:12
which compare "communism" --
84
244097
2594
que comparan "comunismo"
04:15
the frequency of usage of the word
"communism" in the New York Times --
"communism" in the New York Times --
85
246715
3395
--la frecuencia de uso de la palabra
"comunismo" en el New York Times--
"comunismo" en el New York Times--
04:18
to "terrorism," at the top.
86
250134
1937
con "terrorismo" en la parte superior.
04:20
You see "terrorism" kind of appears
as "communism" is going away.
as "communism" is going away.
87
252095
4625
Verán que cuando "terrorismo" aparece
"comunismo" desaparece.
"comunismo" desaparece.
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
Y con estos gráficos, estaba realmente
interesado en la estética de los gráficos.
interesado en la estética de los gráficos.
04:29
This is Iran and Iraq.
89
260584
1150
Esto es Irán e Irak.
Se lee como un reloj.
Se llama "gráfico de relojes".
Se llama "gráfico de relojes".
04:30
It reads like a clock. It's called
a "timepiece graph."
a "timepiece graph."
90
261758
3910
04:34
This is another timepiece graph,
overlaying "despair" over "hope."
overlaying "despair" over "hope."
91
265692
5711
Este otro gráfico de reloj superpone
"desesperación" sobre "esperanza".
"desesperación" sobre "esperanza".
04:39
And there's only three times -- actually,
it's "crisis" over "hope" --
it's "crisis" over "hope" --
92
271427
3310
Y solo tres veces, "crisis"
superpone "esperanza",
superpone "esperanza",
04:43
there's only three times
when "crisis" eclipses "hope."
when "crisis" eclipses "hope."
93
274761
2609
solo hay tres veces en que
"crisis" eclipsa "esperanza".
"crisis" eclipsa "esperanza".
04:45
We're in the middle
of one of them right now.
of one of them right now.
94
277394
2155
Estamos en medio
de uno de ellos en este momento.
de uno de ellos en este momento.
04:48
But don't think about that too much.
95
279573
1772
Pero no piensen demasiado en eso.
04:49
(Laughter)
96
281369
1888
(Risas)
04:51
And finally, the culmination of this work
with the New York Times data
with the New York Times data
97
283281
3780
Y, por último, la culminación de
este trabajo con datos del New York Times.
este trabajo con datos del New York Times.
04:55
a few years ago
98
287085
1202
Hace unos pocos años
04:56
was the attempt to combine
an entire year's news cycle
an entire year's news cycle
99
288311
3176
se intentó combinar
un ciclo de noticias de un año entero
un ciclo de noticias de un año entero
05:00
into a single graphic.
100
291511
1313
en un solo gráfico.
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
Así que estos gráficos nos muestran
un año de noticias, a todas las personas,
un año de noticias, a todas las personas,
05:05
and how they're connected
into a single graphic.
into a single graphic.
102
297099
2630
y cómo se conectan en un solo gráfico.
05:08
And from there, I started to be
interested again in more active systems.
interested again in more active systems.
103
299753
3938
Y a partir de ahí, empecé a interesarme
de nuevo en sistemas más activos.
de nuevo en sistemas más activos.
05:12
Here's a project called "Just Landed,"
104
303715
2264
Aquí hay un proyecto llamado "Just Landed"
05:14
where I'm looking at people
tweeting on Twitter.
tweeting on Twitter.
105
306003
3151
donde veo a gente tuiteando en Twitter.
"¡Acabo de aterrizar en Hawái!" ya saben,
05:17
"Hey! I just landed
in Hawaii!" -- you know,
in Hawaii!" -- you know,
106
309178
2060
cómo las personas simplemente se
escabullen en su conversación de Twitter.
escabullen en su conversación de Twitter.
05:19
how people just casually try to sneak
that into their Twitter conversation.
that into their Twitter conversation.
107
311262
3702
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
"No fanfarroneo. De verdad.
Pero acabo de aterrizar en Hawái".
Pero acabo de aterrizar en Hawái".
05:26
And then I'm plotting
those people's trips,
those people's trips,
109
318129
2743
Y luego estoy planeando
los viajes de esas personas,
los viajes de esas personas,
05:29
in the hopes that maybe
we can use social network
we can use social network
110
320896
3212
con la esperanza de que tal vez
podamos usar la red social
podamos usar la red social
y los datos que van dejando registrados.
05:32
and the data that it leaves behind
111
324132
1681
05:34
to provide a model of how people move,
112
325837
2199
para proporcionar un modelo
de cómo las personas se mueven,
de cómo las personas se mueven,
05:36
which would be valuable
to epidemiologists, among other people.
to epidemiologists, among other people.
113
328060
2975
Lo que sería valioso
para epidemiólogos entre otras personas.
para epidemiólogos entre otras personas.
05:39
And, more fun -- this
is a similar project,
is a similar project,
114
331059
2579
Y, más divertido,
este es un proyecto similar,
este es un proyecto similar,
05:42
looking at people
saying "Good morning" to each other
saying "Good morning" to each other
115
333662
2491
mirando a la gente
diciéndose "buenos días"
diciéndose "buenos días"
05:44
all around the world.
116
336177
1183
alrededor del mundo.
05:45
Which taught me, by the way,
117
337384
1434
Lo que me enseñó, por cierto,
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
que es cierto que la gente de Vancouver
en la costa oeste se despierta más tarde
en la costa oeste se despierta más tarde
05:51
and say "Good morning" much later
119
343216
1583
y da "buenos días" más tarde.
05:53
than the people on the East Coast,
120
344823
1861
que a la gente en la costa este,
05:55
who are more adventurous.
121
346708
1799
que son más aventureros.
05:57
Here's a more useful -- maybe -- project,
122
348531
1974
Aquí hay un proyecto más útil, tal vez,
05:59
where I took all the information
from the Kepler Project
from the Kepler Project
123
350529
3351
donde tomé toda la información
del Proyecto Kepler
del Proyecto Kepler
e intenté ponerla en alguna forma visual
que tuviera sentido para mí.
que tuviera sentido para mí.
06:02
and tried to put it into some visual form
that made sense to me.
that made sense to me.
124
353904
3043
Y debería decir que todo lo que
les he mostrado hasta ahora...
les he mostrado hasta ahora...
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
estas son todas las cosas
que acabo de hacer para divertirme.
que acabo de hacer para divertirme.
06:08
these are all things
that I just did for fun.
that I just did for fun.
126
359879
2152
06:10
It may seem weird,
but this comes back from HyperCard.
but this comes back from HyperCard.
127
362055
2735
Puede parecer extraño,
pero esto viene de HyperCard.
pero esto viene de HyperCard.
06:13
I'm building tools for myself.
128
364814
1830
Estoy construyendo herramientas para mí.
06:15
I may share them with a few other people,
129
366668
1983
Puedo compartirlas
con algunas otras personas,
con algunas otras personas,
06:17
but they're for fun, they're for me.
130
368675
2107
Pero son por diversión, son para mí.
06:21
So, all these tools I show you
kind of occupy this weird space
kind of occupy this weird space
131
373341
3970
Y todas estas herramientas que
les muestro ocupan este extraño espacio
les muestro ocupan este extraño espacio
06:25
somewhere between science, art and design.
132
377335
2544
en algún lugar
entre la ciencia, el arte y el diseño.
entre la ciencia, el arte y el diseño.
06:28
That's where my practice lies.
133
379903
1805
Ahí es donde reside mi práctica.
06:30
And still today,
from my experience with HyperCard,
from my experience with HyperCard,
134
381732
3156
Y aún hoy,
desde mi experiencia con HyperCard,
desde mi experiencia con HyperCard,
06:33
what I'm doing is building visual tools
to help me understand systems.
to help me understand systems.
135
384912
4230
construyo herramientas visuales
que me ayuden a entender los sistemas.
que me ayuden a entender los sistemas.
06:38
So today, I work at the New York Times.
136
390083
2221
Así que hoy, trabajo en el New York Times.
06:40
I'm the data artist in residence
at the New York Times.
at the New York Times.
137
392328
2873
Soy el artista de datos
en residencia en el New York Times.
en residencia en el New York Times.
06:43
And I've had an opportunity at the Times
138
395225
1933
Y he tenido una oportunidad en el Times
06:45
to work on a variety
of really interesting projects,
of really interesting projects,
139
397182
2464
de trabajar en muchos proyectos
realmente interesantes,
realmente interesantes,
06:48
two of which I'm going
to share with you today.
to share with you today.
140
399670
2222
dos de los cuales compartiré hoy.
06:50
The first one, I've been working on
in conjunction with Mark Hansen.
in conjunction with Mark Hansen.
141
401916
3202
En el primero, he trabajado
con Mark Hansen.
con Mark Hansen.
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 es profesor de estadística
en la UCLA. También es artista de medios.
en la UCLA. También es artista de medios.
06:58
And Mark came to the Times
with a very interesting question
with a very interesting question
143
410308
2786
Y Mark llegó al Times
con una pregunta muy interesante
con una pregunta muy interesante
07:01
to what may seem like an obvious problem:
144
413118
2660
que puede parecer un problema obvio:
07:04
When people share content on the internet,
145
415802
3151
cuando la gente comparte
contenido en internet,
contenido en internet,
07:07
how does that content get
from person A to person B?
from person A to person B?
146
418977
3615
¿cómo llega ese contenido de
la persona A a la persona B?
la persona A a la persona B?
07:11
Or maybe, person A to person B
to person C to person D?
to person C to person D?
147
423358
4724
O tal vez, ¿persona A a persona B
a persona C a persona D?
a persona C a persona D?
Sabemos que las personas
comparten contenidos en internet,
comparten contenidos en internet,
07:16
We know that people share content
in the internet,
in the internet,
148
428106
2354
Pero no sabemos
lo que sucede en esa brecha
lo que sucede en esa brecha
07:18
but what we don't know
is what happens in that gap
is what happens in that gap
149
430484
2358
07:21
between one person to the other.
150
432866
1791
entre una persona a otra.
Así que decidimos construir
la herramienta para explorar eso.
la herramienta para explorar eso.
07:23
So we decided to build
the tool to explore that,
the tool to explore that,
151
434681
2356
07:25
and this tool is called Cascade.
152
437061
1823
Y esta herramienta se llama Cascade.
07:27
If we look at these systems
153
439471
2595
Si nos fijamos en estos sistemas
07:30
that start with one event
that leads to other events,
that leads to other events,
154
442090
4430
que comienzan con un evento
que lleva a otros eventos,
que lleva a otros eventos,
07:35
we call that structure a cascade.
155
446544
2238
a esa estructura la llamamos cascada.
Y estas cascadas realmente
ocurren a través del tiempo.
ocurren a través del tiempo.
07:37
And these cascades
actually happen over time.
actually happen over time.
156
448806
2409
07:39
So we can model these things over time.
157
451239
2020
Así que podemos modelar
estas cosas en el tiempo.
estas cosas en el tiempo.
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
El New York Times tiene mucha gente
que comparte nuestro contenido,
que comparte nuestro contenido,
07:45
so the cascades do not look like that one,
they look more like this.
they look more like this.
159
457338
3491
así que las cascadas no se parecen
a esa, se parecen más a esto.
a esa, se parecen más a esto.
07:49
Here's a typical cascade.
160
460853
1540
Aquí hay una cascada típica.
07:50
At the bottom left, the very first event.
161
462417
2714
En la parte inferior izquierda,
el primer evento.
el primer evento.
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
Y, a medida que las personas comparten
el contenido de una persona a otra,
el contenido de una persona a otra,
07:59
we go up in the Y axis,
degrees of separation,
degrees of separation,
163
470533
3794
subimos en el eje Y, grados de separación,
08:02
and over on the X axis, for time.
164
474351
2768
Y más sobre el eje X, por el tiempo.
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
Así que podemos ver esa conversación
en un par de vistas diferentes:
en un par de vistas diferentes:
08:09
this one, which shows us
the threads of conversation,
the threads of conversation,
166
480668
2615
esta, que nos muestra
los hilos de conversación,
los hilos de conversación,
08:11
and this one, which combines
that stacked view
that stacked view
167
483307
3194
y esta, que combina esa vista apilada.
08:15
with a view that lets us see the threads.
168
486525
2932
Con una vista que
nos permite ver los hilos.
nos permite ver los hilos.
08:18
Now, the Times publishes
about 7,000 pieces of content
about 7,000 pieces of content
169
489924
3345
El Times publica
unas 7000 piezas de contenido.
unas 7000 piezas de contenido.
08:21
every month.
170
493293
1210
cada mes.
08:23
So it was important for us,
when we were building this tool,
when we were building this tool,
171
494527
2842
Así que fue importante para nosotros,
al construir esta herramienta,
al construir esta herramienta,
08:25
to make it an exploratory one,
172
497393
1633
hacerla exploratoria,
08:27
so that people could dig through
this vast terrain of data.
this vast terrain of data.
173
499050
4207
para que la gente pudiera escudriñar
en este vasto terreno de datos.
en este vasto terreno de datos.
08:31
I think of it as a vehicle
that we're giving people
that we're giving people
174
503281
2436
Pienso en ello como un vehículo
que ofrecemos a la gente
que ofrecemos a la gente
08:34
to traverse this really big
terrain of data.
terrain of data.
175
505741
3473
para atravesar este gran terreno de datos.
08:37
So here's what it really looks like,
176
509238
1718
Así que es así como realmente es.
08:39
and here's the cascade
playing in real time.
playing in real time.
177
510980
2740
Y aquí está la cascada en tiempo real.
08:42
I have to say, this was
a tremendous moment.
a tremendous moment.
178
513744
2079
Debo decir que este fue
un momento tremendo.
un momento tremendo.
08:44
We had been working with canned
data, fake data, for so long,
data, fake data, for so long,
179
515847
4017
Habíamos trabajado con datos enlatados,
datos falsos, durante tanto tiempo,
datos falsos, durante tanto tiempo,
08:48
that when we saw this
for the first moment,
for the first moment,
180
519888
2805
que cuando vimos esto por primera vez,
08:51
it was like an archaeologist who had
just dusted off these dinosaur bones.
just dusted off these dinosaur bones.
181
522717
4878
era como un arqueólogo que acababa
de desempolvar unos huesos de dinosaurio.
de desempolvar unos huesos de dinosaurio.
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
Descubrimos esto y
lo vimos por primera vez,
lo vimos por primera vez,
09:00
these sharing structures
that underlie the internet.
that underlie the internet.
183
531521
3712
Estas estructuras de intercambio
que subyacen en internet.
que subyacen en internet.
Y tal vez la analogía
del dinosaurio es buena,
del dinosaurio es buena,
09:04
And maybe the dinosaur
analogy is a good one,
analogy is a good one,
184
536475
2105
porque en realidad hacemos
algunas conjeturas probabilísticas
algunas conjeturas probabilísticas
09:07
because we're actually making
some probabilistic guesses
some probabilistic guesses
185
538604
3047
acerca de cómo estas cosas se vinculan.
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
Vemos algunas de estas piezas
y hacemos conjeturas,
y hacemos conjeturas,
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
pero intentamos asegurarnos de que sean
lo más estadísticamente rigurosas posible.
lo más estadísticamente rigurosas posible.
09:19
Now tweets, in this case,
they become parts of stories.
they become parts of stories.
189
550720
4662
Los tuits en este caso
se convierten en parte de las historias.
se convierten en parte de las historias.
09:23
They become parts of narratives.
190
555406
1925
Se convierten en partes de la narrativa.
09:25
So we are building histories here,
191
557355
2420
Así que aquí
estamos construyendo historias.
estamos construyendo historias.
09:28
but they're very short-term histories.
192
559799
2175
Pero son historias de muy corto plazo.
09:30
And sometimes these very large cascades
are the most interesting ones,
are the most interesting ones,
193
561998
3838
Y a veces estas cascadas
muy grandes son las más interesantes,
muy grandes son las más interesantes,
09:34
but sometimes the small ones
are also interesting.
are also interesting.
194
565860
3135
Pero a veces las pequeñas también lo son.
09:37
This is one of my favorites.
We call this the "Rabbi Cascade."
We call this the "Rabbi Cascade."
195
569019
3525
Esta es una de mis favoritas.
La llamamos la "Cascada de Rabí".
La llamamos la "Cascada de Rabí".
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
Es una conversación entre los rabinos
de este artículo en el New York Times,
de este artículo en el New York Times,
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
sobre el hecho de que los trabajadores
religiosos no tienen mucho tiempo libre.
religiosos no tienen mucho tiempo libre.
09:49
I guess Saturdays and Sundays are bad days
for them to take off.
for them to take off.
198
581477
4035
Supongo que los sábados y los domingos
son días malos para que despeguen.
son días malos para que despeguen.
09:54
So, in this cascade, there's a group
of rabbis having a conversation
of rabbis having a conversation
199
585536
3692
En esta cascada, hay un grupo
de rabinos conversando
de rabinos conversando
sobre una historia del New York Times.
09:57
about a New York Times story.
200
589252
1402
09:59
One of them has the best
Twitter name ever --
Twitter name ever --
201
590678
2124
Uno de ellos tiene
el mejor nombre de Twitter:
el mejor nombre de Twitter:
10:01
he's called "The Velveteen Rabbi."
202
592826
1855
Se llama "El rabino de terciopelo".
10:03
(Laughter)
203
594705
2323
(Risas)
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
Pero nunca lo habríamos visto
sin esta herramienta exploratoria.
sin esta herramienta exploratoria.
10:10
This would just be sitting somewhere,
205
601583
1802
Esto estaría en algún lugar,
10:11
and we would have never
been able to see that.
been able to see that.
206
603409
2186
y nunca lo habríamos podido ver.
10:14
But this exercise of taking
single pieces of information
single pieces of information
207
605619
4141
Pero este ejercicio de
tomar piezas únicas de información.
tomar piezas únicas de información.
10:18
and building narrative structures,
building histories out of them,
building histories out of them,
208
609784
4221
y construir estructuras narrativas,
construir a partir de ellas,
construir a partir de ellas,
10:22
I find tremendously interesting.
209
614029
1925
me parece tremendamente interesante.
10:24
You know, I moved to New York
about two years ago.
about two years ago.
210
616319
2344
Me mudé a Nueva York hace unos dos años.
10:27
And in New York, everybody has a story
211
618687
2720
Y en Nueva York
todo el mundo tiene una historia.
todo el mundo tiene una historia.
10:29
that surrounds this
tremendously impactful event
tremendously impactful event
212
621431
2960
que rodea este evento
tremendamente impactante
tremendamente impactante
10:32
that happened on September 11 of 2001.
213
624415
2299
sucedido el 11 de septiembre de 2001.
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
Y mi propia historia con el 11/09
se ha vuelto realmente más intrincada,
se ha vuelto realmente más intrincada,
10:42
because I spent a great deal of time
215
633764
2064
porque pasé mucho tiempo
10:44
working on a piece
of the 9/11 Memorial in Manhattan.
of the 9/11 Memorial in Manhattan.
216
635852
4149
trabajando en una pieza
del 11/09 Memorial en Manhattan.
del 11/09 Memorial en Manhattan.
10:49
The central idea about the 9/11 Memorial
217
640530
2564
La idea central del Memorial del 11/09
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
es que los nombres en el memorial
no están dispuestos en orden alfabético
no están dispuestos en orden alfabético
10:56
or chronological order,
219
647601
1685
u orden cronológico,
10:57
but instead, they're laid out in a way
220
649310
1824
sino de una manera
10:59
in which the relationships
between the people who were killed
between the people who were killed
221
651158
3424
en el que las relaciones
entre las personas que fueron asesinadas
entre las personas que fueron asesinadas
11:03
are embodied in the memorial.
222
654606
1960
estén encarnadas en el memorial.
11:05
Brothers are placed next to brothers,
223
657153
2538
Hermanos se colocan al lado de hermanos,
11:08
coworkers are placed together.
224
659715
2185
los compañeros de trabajo juntos.
11:10
So this memorial actually considers
all of these myriad connections
all of these myriad connections
225
661924
4665
Así que este memorial realmente considera
todas estas innumerables conexiones
todas estas innumerables conexiones
11:15
that were part of these people's lives.
226
666613
2421
que eran parte
de la vida de estas personas.
de la vida de estas personas.
11:18
I worked with a company
called Local Projects
called Local Projects
227
670310
3433
Trabajé con una empresa
llamada Proyectos locales
llamada Proyectos locales
para desarrollar un algoritmo y
una herramienta de software
una herramienta de software
11:22
to work on an algorithm
and a software tool
and a software tool
228
673767
2674
11:24
to help the architects build
the layout for the memorial:
the layout for the memorial:
229
676465
3004
con el fin de ayudar a los arquitectos
a construir el diseño del memorial:
a construir el diseño del memorial:
11:28
almost 3,000 names
230
680331
1722
casi 3000 nombres
11:30
and almost 1,500 of these
adjacency requests,
adjacency requests,
231
682077
3627
y casi 1500 de estas relaciones,
11:34
these requests for connection --
232
685728
1610
eran solicitudes de conexión.
11:35
so a very dense story,
a very dense narrative,
a very dense narrative,
233
687362
3386
Se trata pues de una historia muy densa,
una narrativa muy densa,
una narrativa muy densa,
11:39
that becomes an embodied part
of this memorial.
of this memorial.
234
690772
2816
que se convierte en
una parte encarnada de este memorial.
una parte encarnada de este memorial.
11:42
Working with Jake Barton,
we produce the software tool,
we produce the software tool,
235
694195
3331
Trabajando con Jake Barton,
producimos la herramienta de software,
producimos la herramienta de software,
11:46
which allows the architects to,
first of all, generate a layout
first of all, generate a layout
236
697550
4119
que permite a los arquitectos,
ante todo, generar un diseño
ante todo, generar un diseño
11:50
that satisfied all of those
adjacency requests,
adjacency requests,
237
701693
3129
que satisfizo
todas esas peticiones de relación
todas esas peticiones de relación
11:53
but then second, make little adjustments
where they needed to
where they needed to
238
704846
3033
y que luego hace
pequeños ajustes necesarios
pequeños ajustes necesarios
11:56
to tell the stories
that they wanted to tell.
that they wanted to tell.
239
707903
2348
para contar
las historias que querían contar.
las historias que querían contar.
11:59
So this memorial, I think,
has an incredibly timely concept
has an incredibly timely concept
240
711219
4135
Así que este memorial, creo,
tiene un concepto increíblemente oportuno
tiene un concepto increíblemente oportuno
12:03
in our era of social networks,
241
715378
2990
en nuestra era de redes sociales,
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
porque estas redes de la vida real
que conforman la vida de las personas,
que conforman la vida de las personas,
12:10
are actually embodied
inside of the memorial.
inside of the memorial.
243
722391
2432
en realidad, están encarnadas
dentro del memorial.
dentro del memorial.
12:13
And one of the most tremendously
moving experiences
moving experiences
244
725286
3471
Y una de las experiencias
más tremendamente conmovedoras
más tremendamente conmovedoras
12:17
is to go to the memorial
245
728781
1661
es ir al memorial
12:18
and see how these people
are placed next to each other,
are placed next to each other,
246
730466
4200
y ver cómo estas personas
se colocan una junto a la otra,
se colocan una junto a la otra,
12:23
so that this memorial
is representing their own lives.
is representing their own lives.
247
734690
2862
De modo que este memorial
representa sus propias vidas.
representa sus propias vidas.
12:27
How does this affect our lives?
248
738859
1687
¿Cómo afecta esto nuestras vidas?
12:29
Well, I don't know if you remember,
249
741133
1676
Bueno, no sé si se acuerdan,
12:31
but in the spring,
there was a controversy,
there was a controversy,
250
742833
2713
pero en primavera hubo una controversia,
12:34
because it was discovered
that on the iPhone
that on the iPhone
251
745570
2198
porque se descubrió que en el iPhone.
12:36
and, actually, on your computer,
252
747792
1606
y, en realidad, en su computadora,
12:37
we were storing a tremendous amount
of the location data.
of the location data.
253
749422
3315
se almacenaba
gran cantidad de datos de ubicación.
gran cantidad de datos de ubicación.
12:41
So Apple responded, saying,
this was not location data about you,
this was not location data about you,
254
753173
3861
Así que Apple respondió que esto no era
información de ubicación sobre la gente,
información de ubicación sobre la gente,
12:45
it was location data
about wireless networks
about wireless networks
255
757058
2805
sino datos de ubicación
sobre redes inalámbricas
sobre redes inalámbricas
ubicadas en la zona
donde se encontraba la persona.
donde se encontraba la persona.
12:48
that were in the area where you are.
256
759887
2287
Así que no se trata de las personas,
12:50
So it's not about you,
257
762198
1428
12:52
but it's about where you are.
258
763650
1584
sino de donde se esté.
12:53
(Laughter)
259
765258
1648
(Risas)
12:55
This is very valuable data.
260
766930
2808
Esta es una información muy valiosa.
12:58
It's like gold to researchers,
this human-mobility data.
this human-mobility data.
261
769762
4625
Es como oro para los investigadores,
estos datos de movilidad humana.
estos datos de movilidad humana.
13:02
So we thought, "Man!
How many people have iPhones?"
How many people have iPhones?"
262
774411
3664
Así que pensamos, "¡Hombre!
¿Cuántas personas tienen iPhones?".
¿Cuántas personas tienen iPhones?".
13:06
How many of you have iPhones?
263
778099
1448
¿Cuántos de Uds. tienen iPhones?
13:09
So in this room, we have this tremendous
database of location data
database of location data
264
780608
5478
Así que en esta sala, tenemos esta gran
base de datos de datos de ubicación
base de datos de datos de ubicación
13:14
that researchers
would really, really like.
would really, really like.
265
786110
3775
que a los investigadores
realmente les gustaría tener.
realmente les gustaría tener.
Así que construimos
este sistema llamado Open Paths,
este sistema llamado Open Paths,
13:18
So we built this system called Open Paths,
266
789909
2031
13:20
which lets people upload their iPhone data
267
791964
2656
que permite a las personas
subir sus datos de iPhone
subir sus datos de iPhone
13:23
and broker relationships
with researchers to share that data,
with researchers to share that data,
268
794644
3796
y relaciones de intermediarios con
investigadores para compartir esos datos,
investigadores para compartir esos datos,
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
para donar esos datos a personas
que realmente puedan usarlos.
que realmente puedan usarlos.
13:30
Open Paths was a great
success as a prototype.
success as a prototype.
270
802256
2350
Open Paths fue
un gran éxito como prototipo.
un gran éxito como prototipo.
13:33
We received thousands of data sets,
271
804630
3433
Recibimos miles de datos
13:36
and we built this interface
272
808087
1349
y construimos esta interfaz
13:37
which allows people to actually
see their lives unfolding
see their lives unfolding
273
809460
3318
que permite a las personas ver
realmente desplegar sus vidas
realmente desplegar sus vidas
13:41
from these traces
that are left behind on your devices.
that are left behind on your devices.
274
812802
3156
por esas huellas que se quedan
en sus dispositivos.
en sus dispositivos.
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
Lo que no esperábamos era
cuán conmovedora sería esta experiencia.
cuán conmovedora sería esta experiencia.
13:50
When I uploaded my data,
I thought, "Big deal.
I thought, "Big deal.
276
821884
2227
Cuando subí mis datos, pensé, "Bien.
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
Yo sé donde vivo. Sé dónde trabajo.
¿Qué voy a ver aquí?".
¿Qué voy a ver aquí?".
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
Resulta que lo que vi fue
el momento en que bajé del avión
el momento en que bajé del avión
13:59
to start my new life in New York;
279
831100
1623
para comenzar
mi nueva vida en Nueva York;
mi nueva vida en Nueva York;
el restaurante donde comí
comida tailandesa esa primera noche,
comida tailandesa esa primera noche,
14:02
the restaurant where I had Thai food
that first night,
that first night,
280
833588
2606
14:04
thinking about this new experience
of being in New York;
of being in New York;
281
836218
2953
pensando en esta nueva experiencia
de estar en Nueva York;
de estar en Nueva York;
14:07
the day that I met my girlfriend.
282
839195
1623
El día que conocí a mi novia.
14:11
This is LaGuardia airport.
283
842587
2275
Este es el aeropuerto de La Guardia.
14:13
(Laughter)
284
844886
1487
(Risas)
14:14
This is this Thai restaurant
on Amsterdam Avenue.
on Amsterdam Avenue.
285
846397
3641
Este es este restaurante tailandés
en la avenida Ámsterdam.
en la avenida Ámsterdam.
14:19
This is the moment I met my girlfriend.
286
850559
2050
Este es el momento
en que conocí a mi novia.
en que conocí a mi novia.
14:22
See how that changes the first time
I told you about those stories
I told you about those stories
287
854146
3451
Miren cómo cambia eso la primera vez
que conté sobre esas historias.
que conté sobre esas historias.
14:26
and the second time I told
you about those stories?
you about those stories?
288
857621
2468
¿Y la segunda vez
que conté esas historias?
que conté esas historias?
14:28
Because what we do
in the tool, inadvertently,
in the tool, inadvertently,
289
860113
3207
Porque lo que hacemos
en la herramienta, sin darse cuenta,
en la herramienta, sin darse cuenta,
14:31
is we put these pieces of data
into a human context.
into a human context.
290
863344
3115
es poner estos datos
en un contexto humano.
en un contexto humano.
14:35
And by placing data into a human context,
291
866935
2498
Y al colocar los datos
en un contexto humano,
en un contexto humano,
14:37
it gains meaning.
292
869457
1474
gana sentido.
14:39
And I think this is tremendously,
tremendously important,
tremendously important,
293
870955
3328
Y creo que esto es
tremendamente importante,
tremendamente importante,
14:42
because these are our histories
that are being stored on these devices.
that are being stored on these devices.
294
874307
4918
Porque estas son nuestras historias
que se almacenan en estos dispositivos.
que se almacenan en estos dispositivos.
14:49
And by thinking about them that way,
295
880809
1994
Y pensando en ellos de esa manera,
poniéndolos en un contexto humano,
14:52
putting them in a human context --
296
883543
1902
lo primero que hacemos
con los propios datos
con los propios datos
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
es obtener una mejor comprensión
14:57
of the type of information
that we're sharing.
that we're sharing.
298
889155
2479
sobre la información que compartimos.
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
Si podemos hacer esto con otros datos,
si podemos poner los datos
si podemos poner los datos
15:04
I think we can change a lot of things,
300
895735
2918
en un contexto humano, creo que
podemos cambiar muchas cosas,
podemos cambiar muchas cosas,
15:07
because it builds, automatically, empathy
for the people involved in these systems.
for the people involved in these systems.
301
898677
6385
porque se construye
automáticamente empatía
automáticamente empatía
en las personas involucradas
en estos sistemas.
en estos sistemas.
Y eso, a su vez, genera
un respeto fundamental,
un respeto fundamental,
15:14
And that, in turn, results
in a fundamental respect,
in a fundamental respect,
302
905602
2953
15:17
which, I believe, is missing
in a large part of technology,
in a large part of technology,
303
908579
3163
que, en mi opinión,
falta en gran parte de la tecnología,
falta en gran parte de la tecnología,
15:20
when we start to deal
with issues like privacy,
with issues like privacy,
304
912329
2938
cuando empezamos
a tratar temas como la intimidad,
a tratar temas como la intimidad,
15:25
by understanding that these numbers
are not just numbers,
are not just numbers,
305
916765
2717
entendiendo que
estos números no son solo números,
estos números no son solo números,
15:28
but instead they're attached, tethered to,
pieces of the real world.
pieces of the real world.
306
919506
3619
sino que, en su lugar están unidos,
atados a, piezas del mundo real.
atados a, piezas del mundo real.
15:31
They carry weight.
307
923149
1506
Ellos llevan el peso.
15:33
By understanding that,
the dialog becomes a lot different.
the dialog becomes a lot different.
308
924679
3332
Al entender eso,
el diálogo se vuelve muy diferente.
el diálogo se vuelve muy diferente.
15:38
How many of you have ever clicked a button
309
929595
2331
¿Cuántos de Uds.
han hecho clic en un botón
han hecho clic en un botón
15:40
that enables a third party to access
your location data on your phone?
your location data on your phone?
310
931950
4987
que le permite a un tercero acceder a
los datos de su ubicación en su teléfono?
los datos de su ubicación en su teléfono?
15:46
Lots of you.
311
937595
1555
Muchos de Uds.
15:47
So the third party is the developer,
312
939174
2245
Así que el tercero es el desarrollador,
15:49
the second party is Apple.
313
941443
1801
la segunda parte es 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
¡La única parte que nunca obtiene acceso
a esta información es la primera parte!
a esta información es la primera parte!
15:58
And I think that's because we think
about these pieces of data
about these pieces of data
315
950198
3135
Y creo que es porque pensamos
en estos datos
en estos datos
16:01
in this stranded, abstract way.
316
953357
2055
de esta manera trenzada, abstracta.
16:03
We don't put them into a context
317
955436
1897
No los ponemos en un contexto.
16:05
which, I think, makes them
a lot more important.
a lot more important.
318
957357
2309
Lo cual, creo,
los hace mucho más importantes.
los hace mucho más importantes.
16:08
So what I'm asking you
to do is really simple:
to do is really simple:
319
959690
2166
Lo que les pido que hagan
es realmente simple:
es realmente simple:
16:10
start to think about data
in a human context.
in a human context.
320
961880
2323
Empiecen a pensar en datos
en un contexto humano.
en un contexto humano.
Realmente no supone nada.
16:13
It doesn't really take anything.
321
964918
1657
Cuando lean los precios de acciones,
piensen en ello en un contexto humano.
piensen en ello en un contexto humano.
16:15
When you read stock prices,
think about them in a human context.
think about them in a human context.
322
966599
3359
Cuando piensen en informes de hipotecas,
piensen en ello en un contexto humano.
piensen en ello en un contexto humano.
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
16:22
There's no doubt that big data
is big business.
is big business.
324
973548
3930
No hay duda de que
los datos masivos son un gran negocio.
los datos masivos son un gran negocio.
16:26
There's an industry being developed here.
325
977502
3018
Hay una industria que
se está desarrollando aquí.
se está desarrollando aquí.
16:30
Think about how well we've done
326
981520
1501
Piensen en cómo lo hemos hecho
16:31
in previous industries
that we've developed involving resources.
that we've developed involving resources.
327
983045
3369
en industrias anteriores
involucrando recursos.
involucrando recursos.
16:34
Not very well at all.
328
986438
1300
No muy bien en absoluto.
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
Parte de ese problema es haber tenido
falta de participación en estos diálogos.
falta de participación en estos diálogos.
16:40
from multiple pieces of human society.
330
992308
4428
De múltiples piezas de la sociedad humana.
16:45
So the other thing that I'm asking for
331
996760
1992
Así que otra cosa que les estoy pidiendo
16:48
is an inclusion in this dialogue
from artists, from poets, from writers --
from artists, from poets, from writers --
332
999669
4378
es una inclusión en este diálogo
de artistas, de poetas, de escritores
de artistas, de poetas, de escritores
16:52
from people who can bring a human element
into this discussion.
into this discussion.
333
1004071
4013
de personas que pueden traer
un elemento humano a esta discusión.
un elemento humano a esta discusión.
16:57
Because I believe that this world of data
334
1008725
2356
Porque creo que este mundo de datos
16:59
is going to be transformative for us.
335
1011105
3025
va a ser transformador para nosotros.
Y a diferencia de nuestros intentos
con la industria de recursos.
con la industria de recursos.
17:03
And unlike our attempts
with the resource industry
with the resource industry
336
1014687
3169
y nuestros intentos
con la industria financiera,
con la industria financiera,
17:06
and our attempts
with the financial industry,
with the financial industry,
337
1017880
2153
17:08
by bringing the human
element into this story,
element into this story,
338
1020057
2931
trayendo el elemento humano
en esta historia,
en esta historia,
17:11
I think we can take it
to tremendous places.
to tremendous places.
339
1023012
2178
creo que podemos llevarlo
a lugares tremendos.
a lugares tremendos.
17:14
Thank you.
340
1026203
1155
Gracias.
17:15
(Applause)
341
1027382
4052
(Aplausos)
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