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.
من می‌خواهم با شما در مورد دو تا از
جالب‌ترین چیزهای ممکن صحبت کنم.
جالب‌ترین چیزهای ممکن صحبت کنم.
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
00:16
You've probably guessed what they are --
1
7948
1949
احتمالا حدس زده‌اید که چه هستند--
00:18
data and history.
2
9921
2319
داده و تاریخ.
00:21
Right?
3
13211
1171
درست است؟
00:24
So, I'm not a historian.
4
15871
1982
من مورخ نیستم.
00:26
I'm not going to give you
a definition of history.
a definition of history.
5
17877
2728
نمی‌خواهم تعریفی از تاریخ را
برایتان ارائه دهم.
برایتان ارائه دهم.
00:29
But let's think instead
of history within a framework.
of history within a framework.
6
20629
3113
اما بیایید به جای آن، تاریخ را
در یک چارچوب مطالعه کنیم.
در یک چارچوب مطالعه کنیم.
00:32
So, when we're making history,
7
23766
1611
پس وقتی که تاریخ را می‌سازیم،
00:33
or when we're creating
historical documents,
historical documents,
8
25401
2892
یا وقتی که مستندات تاریخی را خلق می‌کنیم،
00:36
we're taking things
that have happened in the past,
that have happened in the past,
9
28317
2428
وقایع گذشته را اتخاذ کرده،
00:39
and we're stitching them
together into a story.
together into a story.
10
30769
2552
آنها را به هم می‌چسبانیم
تا به داستان تبدیل شوند.
تا به داستان تبدیل شوند.
00:41
So let me start with a little bit
of my own story.
of my own story.
11
33345
2530
پس بگذارید با داستان خودم شروع کنم.
00:44
Like anybody my age
who works creatively with computers,
who works creatively with computers,
12
35899
3678
مانند همسالانم که
خلاقانه با کامپیوتر کار می‌کنند،
خلاقانه با کامپیوتر کار می‌کنند،
00:48
I was a popular, socially
well-adjusted young man --
well-adjusted young man --
13
39601
4456
من پسری محبوب،
اجتماعی و متعادل بودم.
اجتماعی و متعادل بودم.
00:52
(Laughter)
14
44081
1122
(خنده‌ی حضار)
00:53
And sporty!
15
45227
2541
و ورزشکار!
00:56
Sporty young man.
16
47792
1733
مرد جوان ورزشکاری.
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
و مثل خیلی از همسالانم که مشغول
حرفه‌ای شبیه حرفه من هستند،
حرفه‌ای شبیه حرفه من هستند،
01:03
I was influenced tremendously by Apple.
18
55452
2645
به شدت تحت تأثیر اپل قرار گرفتم.
01:07
But notice my choice of logo here, right?
19
58635
3722
اما انتخاب لوگوی من را
متوجه شدید، درست است؟
متوجه شدید، درست است؟
01:10
The Apple on the left,
not the Apple on the right.
not the Apple on the right.
20
62381
3585
اپل در سمت چپ، نه اپل در سمت راست.
01:15
I'm influenced as much
by the Apple on the right
by the Apple on the right
21
66621
2293
من مثل بسیاری از افراد،
01:17
as the next person,
22
68938
2083
تحت تآثیر اپل سمت راست قرار گرفتم.
01:19
but the Apple on the left --
I mean, look at that logo!
I mean, look at that logo!
23
71045
2633
اما به لوگوی اپل سمت چپ نگاه کنید!
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
رنگین کمانی که ترتیبش غلط است!
01:24
(Laughter)
25
76123
1134
(خنده‌ی حضار)
01:25
That's how crazy Apple was.
26
77281
2273
اپل اینقدر دیوانه و متفاوت بود.
01:28
(Laughter)
27
79578
1037
(خنده‌ی حضار)
01:29
But I don't want to talk too much
about the company.
about the company.
28
80639
2945
اما نمی‌خواهم زیاد در مورد شرکت صحبت کنم،
01:32
I'll start talking about
a machine, though.
a machine, though.
29
83608
2177
در واقع می‌خواهم در مورد دستگاه صحبت کنم.
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
چقدر فکر کردن به آن جالب است.
من به این موضوع در گذشته فکر می‌کنم.
من به این موضوع در گذشته فکر می‌کنم.
01:38
Wednesday -- one Wednesday,
when I was about 12 years old,
when I was about 12 years old,
31
89960
3314
چهارشنبه-- یک چهارشنبه، وقتی که
حدودا دوازده سالم بود،
حدودا دوازده سالم بود،
01:41
I didn't have a computer.
32
93298
2111
کامپیوتر نداشتم.
01:44
On Thursday, I had a computer.
33
96034
2779
پنجشنبه‌اش کامپیوتر داشتم.
01:48
Can you imagine that change?
34
99965
1999
می‌توانید این تغییر را تصور کنید؟
01:50
It's so drastic.
35
102417
1681
خیلی ناگهانی و شدید است.
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
هیچ چیز دیگری نمی‌توانست
زندگی‌مان را اینگونه تغییر بدهد،
زندگی‌مان را اینگونه تغییر بدهد،
01:56
But I'm actually not even going
to talk about the computer.
to talk about the computer.
37
107597
2767
اما من حتی نمی‌خواهم
درمورد کامپیوتر صحبت کنم.
درمورد کامپیوتر صحبت کنم.
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
می‌خواهم در مورد برنامه‌ای که
روی رایانه من نصب بود صحبت کنم.
روی رایانه من نصب بود صحبت کنم.
02:02
And it was build by,
not the guy on the left,
not the guy on the left,
39
113642
2272
و نه توسط فرد سمت چپ،
02:04
but the guy on the right.
40
115938
1435
بلکه سمت راستی ساخته شده بود.
02:05
Does anybody know
who the guy on the right is?
who the guy on the right is?
41
117397
2144
کسی می‌داند که فرد سمت راست کیست؟
02:09
Nobody ever knows the answer
to this question.
to this question.
42
121161
2410
هیچ کس جواب این سوال را نمی‌داند.
02:12
This is Bill Atkinson.
43
123595
1686
این فرد بیل آتکینسون است.
02:13
And Bill Atkinson was responsible
for tons of things
for tons of things
44
125305
3107
بیل آتکینسون خالق بسیاری از چیزهایی است
02:16
that you see on your computer every day.
45
128436
2482
که هر روز روی مانیتور
کامپیوترتان می‌بینید.
کامپیوترتان می‌بینید.
02:19
But I want to talk about one program
that Bill Atkinson wrote,
that Bill Atkinson wrote,
46
130942
3107
اما می‌خواهم در مورد برنامه‌ای
صحبت کنم که بیل آتکینسون نوشت،
صحبت کنم که بیل آتکینسون نوشت،
02:22
called HyperCard.
47
134073
1500
به نام هایپرکارد.
02:25
Someone's cheering over there.
48
137025
2160
کسی آنجا دارد تشویق می‌کند.
02:27
(Laughter)
49
139209
1205
(خنده ی حضار)
02:28
HyperCard was a program
that shipped with the Mac,
that shipped with the Mac,
50
140438
2602
هایپرکارد برنامه‌ای بود
که برای مک ساخته شد،
که برای مک ساخته شد،
02:31
and it was designed
for users of the computer
for users of the computer
51
143064
2569
و برای کاربران کامپیوتر طراحی شده بود،
02:34
to make programs on their computers.
52
145657
3197
تا برای کامپیوترشان برنامه بسازند.
02:38
Crazy idea today.
53
149505
1597
امروزه، ایده‌ای احمقانه است.
02:39
And these programs were not the apps
that we think about today,
that we think about today,
54
151126
2973
این برنامه‌ها مانند
اپلیکیشن‌های امروزی
اپلیکیشن‌های امروزی
02:42
with their large budgets
and their big distribution.
and their big distribution.
55
154123
2449
با بودجه‌های کلان و
توزیع گسترده نبودند.
توزیع گسترده نبودند.
02:45
These were small things,
56
156596
1189
چیزهای کوچکی بودند،
02:46
people making applications to keep track
of their local basketball team scores
of their local basketball team scores
57
157809
3882
برنامه‌هایی کوچک که مردم برای
دنبال کردن امتیازات تیم محلی بسکتبال‌شان
دنبال کردن امتیازات تیم محلی بسکتبال‌شان
02:50
or to organize their research
58
161715
2825
یا مرتب کردن تحقیقاتشان
02:53
or to teach people about classical music
59
164564
3016
یا برای تدریس موزیک کلاسیک به مردم
02:56
or to calculate weird astronomical dates.
60
167604
4095
یا برای محاسبه تاریخ‌های عجیب
و غریب نجومی
و غریب نجومی
03:00
And then, of course,
there were some art projects.
there were some art projects.
61
171723
2381
و انجام پروژه‌های هنری استفاده می‌شدند.
03:02
This is my favorite one.
62
174128
1220
این برنامه محبوب من است.
03:03
It's called "If Monks Had Macs,"
63
175372
2089
«اگر میمون‌ها مک داشند» نام دارد،
03:05
and it's a nonlinear
kind of exploratory environment.
kind of exploratory environment.
64
177485
4534
و این نوعی محیط اکتشافی غیرخطی است.
03:10
I thank the stars for HyperCard
all of the time.
all of the time.
65
182043
5573
من همیشه به خاطر هایپرکارد
قدردان ستاره‌های اقبالم هستم.
قدردان ستاره‌های اقبالم هستم.
03:16
And I thank the stars
for putting me in this era
for putting me in this era
66
187640
2447
به خاطر دورانی که در آن قرار گرفتم
03:18
where I got to use HyperCard.
67
190111
2300
که توانستم از هایپرکارد استفاده کنم.
03:20
HyperCard was the last program to ship
on a public computer
on a public computer
68
192435
4640
هایپرکارد آخرین برنامه
روی یک کامپیوتر عمومی بود
روی یک کامپیوتر عمومی بود
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
که برای کاربران طراحی شده بود
تا با آن برنامه‌های کامپیوتری بسازند.
تا با آن برنامه‌های کامپیوتری بسازند.
03:30
If you talked to the people
who invented the computer
who invented the computer
70
202252
2705
اگر می‌توانستید با مخترعان
کامپیوتر صحبت کنید
کامپیوتر صحبت کنید
و به آنها می‌گفتید که یک روز
جادویی فرا خواهد رسید،
جادویی فرا خواهد رسید،
03:33
and you told them there would be
a day, a magical day,
a day, a magical day,
71
204981
2749
که هر کسی کامیپوتری دارد، اما
نمی‌تواند آنرا برنامه ریزی کند،
نمی‌تواند آنرا برنامه ریزی کند،
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
03:41
they would think you were crazy.
73
212840
1811
فکر می‌کردند دیوانه هستید.
پس بیایید چند سال جلوتر برویم.
03:43
So let's skip forward a few years.
74
215486
1664
من کارم را به عنوان یک آرتیست شروع کردم.
03:45
I'm starting my career as an artist,
75
217174
2588
چیزهایی در مقیاس کوچک
با کامپیوترم ساختم و درمورد چیزهایی
با کامپیوترم ساختم و درمورد چیزهایی
03:48
and I'm building things
with my computer, small-scale things,
with my computer, small-scale things,
76
219786
3962
03:52
investigating things like
the growth systems of plants.
the growth systems of plants.
77
223772
3603
مثل سیستم رشد گیاهان تحقیق کردم.
03:55
Or, in this example, I'm building
a simulated economy
a simulated economy
78
227399
2999
یا به عنوان مثال، یک اقتصاد را
شبیه سازی کردم،
شبیه سازی کردم،
03:58
in which pixels are trading color
with one another,
with one another,
79
230422
3961
که در آن پیکسل‌ها رنگشان تغییر می‌کند
04:02
trying to investigate how
these types of systems work,
these types of systems work,
80
234407
2575
و تلاش کردم که بفهمم این سیستم‌ها
چگونه کار می‌کنند،
چگونه کار می‌کنند،
04:05
and just kind of having fun.
81
237006
1402
واقعا از این کار لذت می‌بردم.
04:06
And then this project led me
to start working with data.
to start working with data.
82
238432
2628
و این پروژه باعث شد
که من با داده کار کنم.
که من با داده کار کنم.
04:09
So I'm building graphics like this,
83
241084
2989
پس من گرافیک‌هایی مانند این ساختم که
04:12
which compare "communism" --
84
244097
2594
دفعات استفاده از کلمه‌ی کمونیسم را با
04:15
the frequency of usage of the word
"communism" in the New York Times --
"communism" in the New York Times --
85
246715
3395
تروریسم که در بالای نمودار است،
04:18
to "terrorism," at the top.
86
250134
1937
در مجله ی نیویورک تایمز مقایسه می‌کند.
04:20
You see "terrorism" kind of appears
as "communism" is going away.
as "communism" is going away.
87
252095
4625
می‌بینید که کلمه ی تروریسم پدیدار می‌شود
درحالی که کمونیسم ناپدید می‌شود.
درحالی که کمونیسم ناپدید می‌شود.
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
با این گرافیک‌ها من
به هنر گرافیک علاقه مند شدم.
به هنر گرافیک علاقه مند شدم.
04:29
This is Iran and Iraq.
89
260584
1150
این، ایران و عراق است.
04:30
It reads like a clock. It's called
a "timepiece graph."
a "timepiece graph."
90
261758
3910
مثل ساعت خوانده می‌شود و
گراف ساعت نامیده می‌شود.
گراف ساعت نامیده می‌شود.
04:34
This is another timepiece graph,
overlaying "despair" over "hope."
overlaying "despair" over "hope."
91
265692
5711
این یک گراف ساعتی دیگر است که
غلبه ناامیدی بر امیدواری را نشان می‌دهد،
غلبه ناامیدی بر امیدواری را نشان می‌دهد،
04:39
And there's only three times -- actually,
it's "crisis" over "hope" --
it's "crisis" over "hope" --
92
271427
3310
که مقدارش سه برابر است. در واقع
بحرانی را نشان می‌دهد که نا امیدی--
بحرانی را نشان می‌دهد که نا امیدی--
04:43
there's only three times
when "crisis" eclipses "hope."
when "crisis" eclipses "hope."
93
274761
2609
بر امیدواری تسلط یافته و غلبه کرده است.
04:45
We're in the middle
of one of them right now.
of one of them right now.
94
277394
2155
که الان وسط یکی از آنها قرار داریم.
04:48
But don't think about that too much.
95
279573
1772
اما زیاد به آن فکر نکنید.
04:49
(Laughter)
96
281369
1888
(خنده‌ی حضار)
04:51
And finally, the culmination of this work
with the New York Times data
with the New York Times data
97
283281
3780
و درنهایت نقطه‌ی اوج کار با
داده‌ی مجله‌ی نیویورک تایمز.
داده‌ی مجله‌ی نیویورک تایمز.
04:55
a few years ago
98
287085
1202
چند سال پیش،
04:56
was the attempt to combine
an entire year's news cycle
an entire year's news cycle
99
288311
3176
برای نشان دادن چرخه‌ی کل سال در قالب یک
05:00
into a single graphic.
100
291511
1313
گراف تلاش کردم.
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
پس این گراف‌ها یک سال کامل از خبر را
05:05
and how they're connected
into a single graphic.
into a single graphic.
102
297099
2630
و چگونکی ارتباط آنها را به ما
نشان می‌دهند.
نشان می‌دهند.
05:08
And from there, I started to be
interested again in more active systems.
interested again in more active systems.
103
299753
3938
از آنجا من علاقمند به
سیستم‌های فعال‌تر شدم.
سیستم‌های فعال‌تر شدم.
05:12
Here's a project called "Just Landed,"
104
303715
2264
این پروژه «تازه فرود آمدم» نام دارد.
05:14
where I'm looking at people
tweeting on Twitter.
tweeting on Twitter.
105
306003
3151
جایی که مردمی که در توییتر توییت می‌کنند:
05:17
"Hey! I just landed
in Hawaii!" -- you know,
in Hawaii!" -- you know,
106
309178
2060
«هی! من همین الان درهاوایی فرود آمدم.»
05:19
how people just casually try to sneak
that into their Twitter conversation.
that into their Twitter conversation.
107
311262
3702
بررسی می‌کنم. می‌دانید که مردم می‌خواهند
این را در گفتگوی توییتری خود جا کنند.
این را در گفتگوی توییتری خود جا کنند.
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
«من پز نمی‌دهم ولی وقعا همین الان
در هاوایی فرود آمدم.»
در هاوایی فرود آمدم.»
05:26
And then I'm plotting
those people's trips,
those people's trips,
109
318129
2743
و من مسیر سفر آنها را می‌کشم،
05:29
in the hopes that maybe
we can use social network
we can use social network
110
320896
3212
با این امید که شاید بتوانم از
شبکه‌ی اجتماعی استفاده کنم
شبکه‌ی اجتماعی استفاده کنم
05:32
and the data that it leaves behind
111
324132
1681
و با داده‌ای که برجا می‌ماند،
05:34
to provide a model of how people move,
112
325837
2199
مدلی برای اینکه مردم چگونه حرکت می‌کنند،
05:36
which would be valuable
to epidemiologists, among other people.
to epidemiologists, among other people.
113
328060
2975
بسازم که بسیار برای
همه گیرشناسان مفید است.
همه گیرشناسان مفید است.
05:39
And, more fun -- this
is a similar project,
is a similar project,
114
331059
2579
و یک پروژه‌ی مشابه جالب‌تر،
05:42
looking at people
saying "Good morning" to each other
saying "Good morning" to each other
115
333662
2491
نگاه کردن به " گفتن صبح بخیر" به یکدیگر
05:44
all around the world.
116
336177
1183
در سراسر جهان است.
05:45
Which taught me, by the way,
117
337384
1434
که به من آموخت که،
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
حقیقت دارد که مردم در ونکوور در ساحل غربی
خیلی دیرتر بیدار می‌شوند
خیلی دیرتر بیدار می‌شوند
05:51
and say "Good morning" much later
119
343216
1583
و به یکدیگر«صبح به خیر» می‌گویند،
05:53
than the people on the East Coast,
120
344823
1861
نسبت به مردم در ساحل شرقی،
05:55
who are more adventurous.
121
346708
1799
که بیشتر ماجراجو هستند.
05:57
Here's a more useful -- maybe -- project,
122
348531
1974
و این یک پروژه‌ی کابردی دیگری است،
05:59
where I took all the information
from the Kepler Project
from the Kepler Project
123
350529
3351
که تمام اطلاعات را از پروژه‌ی Kepler گرفتم
06:02
and tried to put it into some visual form
that made sense to me.
that made sense to me.
124
353904
3043
و تلاش کردم که آن را در
قالب بصری که معقول بود، جلوه دهم.
قالب بصری که معقول بود، جلوه دهم.
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
و باید بگویم که تمام
چیزهایی که به شما نشان دادم--
چیزهایی که به شما نشان دادم--
06:08
these are all things
that I just did for fun.
that I just did for fun.
126
359879
2152
همه برای من جنبۀ سرگرمی داشت.
06:10
It may seem weird,
but this comes back from HyperCard.
but this comes back from HyperCard.
127
362055
2735
شاید عجیب باشد، اما مسبب
همه‌ی اینها هایپرکارد است.
همه‌ی اینها هایپرکارد است.
06:13
I'm building tools for myself.
128
364814
1830
من ابزارهایی برای خودم می‌سازم.
06:15
I may share them with a few other people,
129
366668
1983
شاید آنها را با چند نفر به اشتراک بگذارم،
06:17
but they're for fun, they're for me.
130
368675
2107
اما آنها برای من و سرگرم کردن من هستند.
06:21
So, all these tools I show you
kind of occupy this weird space
kind of occupy this weird space
131
373341
3970
این ابزارها به نوعی جایی بین علوم
06:25
somewhere between science, art and design.
132
377335
2544
هنر و طراحی دارند.
06:28
That's where my practice lies.
133
379903
1805
این جایی است که من وارد کار می‌شوم،
06:30
And still today,
from my experience with HyperCard,
from my experience with HyperCard,
134
381732
3156
امروزه با توجه به تجربه‌ی من با هایپرکارد،
06:33
what I'm doing is building visual tools
to help me understand systems.
to help me understand systems.
135
384912
4230
کار من این است که که برای کمک به درک
سیستم‌ها، این ابزارهای بصری را می‌سازم.
سیستم‌ها، این ابزارهای بصری را می‌سازم.
06:38
So today, I work at the New York Times.
136
390083
2221
در حال حاضر در مجله‌ی
نیویورک تایمز کار می‌کنم.
نیویورک تایمز کار می‌کنم.
06:40
I'm the data artist in residence
at the New York Times.
at the New York Times.
137
392328
2873
من در نیویورک تایمز داده شناس هستم.
06:43
And I've had an opportunity at the Times
138
395225
1933
فرصتی در تایمز برایم پیش آمد
06:45
to work on a variety
of really interesting projects,
of really interesting projects,
139
397182
2464
که بر روی پروژه‌های جالبی کار کنم،
06:48
two of which I'm going
to share with you today.
to share with you today.
140
399670
2222
که دوتایش را به شما نشان می‌دهم.
06:50
The first one, I've been working on
in conjunction with Mark Hansen.
in conjunction with Mark Hansen.
141
401916
3202
اولین پروژه‌ای را که بر روی آن
کار کردم با همکاری مارک هانسن بود.
کار کردم با همکاری مارک هانسن بود.
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
مارک هانسن پروفسور آمار در دانشگاه
UCLA است. او همچنین هنرمند رسانه است.
UCLA است. او همچنین هنرمند رسانه است.
06:58
And Mark came to the Times
with a very interesting question
with a very interesting question
143
410308
2786
مارک به تایمز آمد و از من سوال خیلی جالبی
07:01
to what may seem like an obvious problem:
144
413118
2660
که شاید بدیهی باشد، پرسید:
07:04
When people share content on the internet,
145
415802
3151
وقتی که افراد محتویاتی را
در اینترنت به اشتراک می‌گذارند،
در اینترنت به اشتراک می‌گذارند،
07:07
how does that content get
from person A to person B?
from person A to person B?
146
418977
3615
این محتیویات چگونه از
شخص اول به شخص دوم می‌رسد؟
شخص اول به شخص دوم می‌رسد؟
07:11
Or maybe, person A to person B
to person C to person D?
to person C to person D?
147
423358
4724
یا از شخص اول به دوم، به سوم و
به چهارم؟
به چهارم؟
07:16
We know that people share content
in the internet,
in the internet,
148
428106
2354
می‌دانیم که مردم مطالبی
را دراینترنت به اشتراک
را دراینترنت به اشتراک
07:18
but what we don't know
is what happens in that gap
is what happens in that gap
149
430484
2358
می‌گذارند، اما ما نمی‌دانیم که چه اتفاقی
07:21
between one person to the other.
150
432866
1791
در فاصله‌ی بین افراد می‌افتد.
07:23
So we decided to build
the tool to explore that,
the tool to explore that,
151
434681
2356
تصمیم گرفتیم ابزاری برای
تحقیق این موضوع بسازیم،
تحقیق این موضوع بسازیم،
07:25
and this tool is called Cascade.
152
437061
1823
و این ابزار آبشار نام دارد.
07:27
If we look at these systems
153
439471
2595
اگر به این سیستم نگاه کنیم،
07:30
that start with one event
that leads to other events,
that leads to other events,
154
442090
4430
با یک واقعه شروع می‌شود
و به یک واقعه‌ی دیگر ختم می‌شود،
و به یک واقعه‌ی دیگر ختم می‌شود،
07:35
we call that structure a cascade.
155
446544
2238
که به آن ساختار، آبشار می‌گوییم.
07:37
And these cascades
actually happen over time.
actually happen over time.
156
448806
2409
این آبشار در واقع در طول زمان رخ می‌دهد .
07:39
So we can model these things over time.
157
451239
2020
پس می‌توانیم در گذر زمان این چیزها
را مدل‌بندی می‌کنیم.
را مدل‌بندی می‌کنیم.
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
امروزه تایمز افراد بسیاری را دارد
که محتویات ما را نشر می‌دهند
که محتویات ما را نشر می‌دهند
07:45
so the cascades do not look like that one,
they look more like this.
they look more like this.
159
457338
3491
و آبشارها بیشتر شبیه این آبشار هستند
و مثل آبشار قبلی نیستند.
و مثل آبشار قبلی نیستند.
07:49
Here's a typical cascade.
160
460853
1540
این یک آبشار معمولی است.
07:50
At the bottom left, the very first event.
161
462417
2714
سمت چپ پایین، اولین اتفاق رخ داده
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
و همان طور که محتویات از
فردی به فرد دیگر منتقل می‌شوند،
فردی به فرد دیگر منتقل می‌شوند،
07:59
we go up in the Y axis,
degrees of separation,
degrees of separation,
163
470533
3794
ما از محورY که نشان دهندۀ
مراحل جدایی است، بالا رفته
مراحل جدایی است، بالا رفته
08:02
and over on the X axis, for time.
164
474351
2768
و روی محور X که نشان دهندۀ
زمان است، حرکت می کنیم.
زمان است، حرکت می کنیم.
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
پس می‌توانیم از جوانب متفاوت
به یک گفتگو نگاه کنیم،
به یک گفتگو نگاه کنیم،
08:09
this one, which shows us
the threads of conversation,
the threads of conversation,
166
480668
2615
این یکی به ما موضوعات
مکالمه‌ای را نشان می‌دهد،
مکالمه‌ای را نشان می‌دهد،
08:11
and this one, which combines
that stacked view
that stacked view
167
483307
3194
و این یکی آن نمای پشته را
با نمایی ترکیب کرده
با نمایی ترکیب کرده
08:15
with a view that lets us see the threads.
168
486525
2932
که موضوع
مکالمه را به ما نشان می‌دهد.
مکالمه را به ما نشان می‌دهد.
08:18
Now, the Times publishes
about 7,000 pieces of content
about 7,000 pieces of content
169
489924
3345
امروزه، تایمز حدود ۷,۰۰۰ محتوا را
08:21
every month.
170
493293
1210
ماهانه منتشر می‌کند.
08:23
So it was important for us,
when we were building this tool,
when we were building this tool,
171
494527
2842
پس برای ما مهم بود وقتی
این ابزارها را می‌سازیم،
این ابزارها را می‌سازیم،
08:25
to make it an exploratory one,
172
497393
1633
برای اکتشاف آنها را بسازیم،
08:27
so that people could dig through
this vast terrain of data.
this vast terrain of data.
173
499050
4207
مردم بتوانند این زمینۀ
وسیع اطلاعات را اکتشاف کنند،
وسیع اطلاعات را اکتشاف کنند،
08:31
I think of it as a vehicle
that we're giving people
that we're giving people
174
503281
2436
که به نظرم وسیله‌ای است که مردم می‌توانند
08:34
to traverse this really big
terrain of data.
terrain of data.
175
505741
3473
با آن از آن حجم داده عبور کنند،
08:37
So here's what it really looks like,
176
509238
1718
که اینگونه به نظر می‌آید،
08:39
and here's the cascade
playing in real time.
playing in real time.
177
510980
2740
این یک آبشار واقعی است.
08:42
I have to say, this was
a tremendous moment.
a tremendous moment.
178
513744
2079
در واقع لحظه‌ای دلهره آمیز بود.
08:44
We had been working with canned
data, fake data, for so long,
data, fake data, for so long,
179
515847
4017
ما به مدت طولانی با دادۀ
جعلی و قدیمی سروکار داشتیم،
جعلی و قدیمی سروکار داشتیم،
08:48
that when we saw this
for the first moment,
for the first moment,
180
519888
2805
و برای اولین بار این را دیدیم،
08:51
it was like an archaeologist who had
just dusted off these dinosaur bones.
just dusted off these dinosaur bones.
181
522717
4878
مانند باستان شناسی که استخوان‌های
دایناسوری را از دل خاک بیرون می‌کشد،
دایناسوری را از دل خاک بیرون می‌کشد،
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
برای اولین بار دیدیم و کشف کردیم،
09:00
these sharing structures
that underlie the internet.
that underlie the internet.
183
531521
3712
این ساختارهای به اشتراک گذاری
در زیر اینترنت هستند،
در زیر اینترنت هستند،
09:04
And maybe the dinosaur
analogy is a good one,
analogy is a good one,
184
536475
2105
و مثل تشبیه جالب دایناسور،
09:07
because we're actually making
some probabilistic guesses
some probabilistic guesses
185
538604
3047
در اصل داریم یک سری حدسیات محتمل
می‌زنیم که این اطلاعات
می‌زنیم که این اطلاعات
09:10
about how these things link.
186
541675
1359
چگونه با هم مرتبط هستند.
09:11
We're looking at some of these
pieces and making some guesses,
pieces and making some guesses,
187
543058
2926
ما این اطلاعات را بررسی
می‌کنیم و حدس می‌زنیم،
می‌کنیم و حدس می‌زنیم،
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
اما این حدسیات
باید تا جای ممکن دقیق باشند.
باید تا جای ممکن دقیق باشند.
09:19
Now tweets, in this case,
they become parts of stories.
they become parts of stories.
189
550720
4662
به عنوان مثال توییت‌ها،
بخشی از داستان ما را شامل می‌شوند،
بخشی از داستان ما را شامل می‌شوند،
09:23
They become parts of narratives.
190
555406
1925
در واقع، بخشی از سرگذشت ما می‌شوند.
09:25
So we are building histories here,
191
557355
2420
پس ما داریم تاریخ را می‌سازیم.
09:28
but they're very short-term histories.
192
559799
2175
اما آنها تاریخ کوتاه مدتی هستند.
09:30
And sometimes these very large cascades
are the most interesting ones,
are the most interesting ones,
193
561998
3838
و گاهی این آبشارهای بزرگ
جز جالب‌ترین آبشارها هستند.
جز جالب‌ترین آبشارها هستند.
09:34
but sometimes the small ones
are also interesting.
are also interesting.
194
565860
3135
بعضی وقت‌ها، آبشارهای کوچک هم جالب هستند.
09:37
This is one of my favorites.
We call this the "Rabbi Cascade."
We call this the "Rabbi Cascade."
195
569019
3525
این یکی از مورد علاقه‌های من است
و آبشار خاخام نام دارد.
و آبشار خاخام نام دارد.
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
مکالمه‌ای بین خاخام‌ها درمورد مقاله‌ای در
نیویورک تایمز در مورد اینکه
نیویورک تایمز در مورد اینکه
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
کارمندان مذهبی خیلی مرخصی نمی‌گیرند،
09:49
I guess Saturdays and Sundays are bad days
for them to take off.
for them to take off.
198
581477
4035
یعنی شنبه ها و یکشنبه ها روزهای
خوبی برای تعطیلات آنها نیستند.
خوبی برای تعطیلات آنها نیستند.
09:54
So, in this cascade, there's a group
of rabbis having a conversation
of rabbis having a conversation
199
585536
3692
پس در این آبشار گروهی خاخام درمورد مقاله‌ی
09:57
about a New York Times story.
200
589252
1402
نیویورک تایمز گفتگو می‌کنند.
09:59
One of them has the best
Twitter name ever --
Twitter name ever --
201
590678
2124
یکی از آنها بهترین نام توییتری را دارد--
10:01
he's called "The Velveteen Rabbi."
202
592826
1855
او «خاخام مخمل نما» نام دارد.
10:03
(Laughter)
203
594705
2323
(خنده‌ی حضار)
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
اما اگر این وسیله اکتشافی نبود،
ما هیچ وقت این موضوع را درک نمی‌کردیم.
ما هیچ وقت این موضوع را درک نمی‌کردیم.
10:10
This would just be sitting somewhere,
205
601583
1802
فقط یکجا پنهان بود و
10:11
and we would have never
been able to see that.
been able to see that.
206
603409
2186
ما هیچ وقت قادر نبودیم آن را ببینیم.
10:14
But this exercise of taking
single pieces of information
single pieces of information
207
605619
4141
به نظرم جمع‌آوری تکه‌هایی از اطلاعات و
10:18
and building narrative structures,
building histories out of them,
building histories out of them,
208
609784
4221
ساختن ساختارهای داستانی و تاریخ،
10:22
I find tremendously interesting.
209
614029
1925
با استفاده از آنها بسیار جالب است.
10:24
You know, I moved to New York
about two years ago.
about two years ago.
210
616319
2344
من دو سال پیش به نیویورک آمدم.
10:27
And in New York, everybody has a story
211
618687
2720
در نیویورک هر کسی یک داستانی دارد
10:29
that surrounds this
tremendously impactful event
tremendously impactful event
212
621431
2960
که مرتبط با رویداد بسیار تأثیرگذار
10:32
that happened on September 11 of 2001.
213
624415
2299
یازده سپتامبر ۲۰۰۱ است.
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
و داستان من در رابطه با
حادثه یازده سپتامبر بسیار پیچیده است،
حادثه یازده سپتامبر بسیار پیچیده است،
10:42
because I spent a great deal of time
215
633764
2064
چونکه من زمان زیادی را صرف کار کردن
10:44
working on a piece
of the 9/11 Memorial in Manhattan.
of the 9/11 Memorial in Manhattan.
216
635852
4149
روی بنای یادبود یازده سپتامبر
در منهتن کردم.
در منهتن کردم.
10:49
The central idea about the 9/11 Memorial
217
640530
2564
ایده‌ی اصلی این یادبود این است
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
که اسمهای افراد براساس
حروف الفبا
حروف الفبا
10:56
or chronological order,
219
647601
1685
یا ترتیب وقوع مرتب نیستند،
10:57
but instead, they're laid out in a way
220
649310
1824
بلکه براساس افرادی
که با هم مرتبط هستند
که با هم مرتبط هستند
10:59
in which the relationships
between the people who were killed
between the people who were killed
221
651158
3424
و با هم کشته شده‌اند مرتب شده،
11:03
are embodied in the memorial.
222
654606
1960
و در یابود دفن شده‌اند.
11:05
Brothers are placed next to brothers,
223
657153
2538
برادرها در کنار برادرها،
11:08
coworkers are placed together.
224
659715
2185
و همکارها در کنار یکدیگر خاک شده اند.
11:10
So this memorial actually considers
all of these myriad connections
all of these myriad connections
225
661924
4665
پس این یادبود، در واقع هزاران ارتباط
11:15
that were part of these people's lives.
226
666613
2421
که بخشی از زندگی این افراد
بوده را در نظر دارد.
بوده را در نظر دارد.
11:18
I worked with a company
called Local Projects
called Local Projects
227
670310
3433
من با شرکتی به نام Local Projects
11:22
to work on an algorithm
and a software tool
and a software tool
228
673767
2674
برای ساخت یک الگوریتم و یک نرم افزار
11:24
to help the architects build
the layout for the memorial:
the layout for the memorial:
229
676465
3004
برای کمک کردن به معمار ها
برای ساخت طراحی این یاد بود
برای ساخت طراحی این یاد بود
11:28
almost 3,000 names
230
680331
1722
که شامل تقریبا ۳,۰۰۰ نام است
11:30
and almost 1,500 of these
adjacency requests,
adjacency requests,
231
682077
3627
همکاری کردم و تقریبا ۱,۵۰۰
نفر برای ایجاد این نوع
نفر برای ایجاد این نوع
11:34
these requests for connection --
232
685728
1610
یادبود درخواست دادند--
11:35
so a very dense story,
a very dense narrative,
a very dense narrative,
233
687362
3386
که این روایتی بسیار عظیم
و سرگذشتی فراگیر است،
و سرگذشتی فراگیر است،
11:39
that becomes an embodied part
of this memorial.
of this memorial.
234
690772
2816
که جزئی از این یاد بود می‌شود.
11:42
Working with Jake Barton,
we produce the software tool,
we produce the software tool,
235
694195
3331
با جیِک بارتون کار کردیم و
این نرم افزار را تولید کردیم،
این نرم افزار را تولید کردیم،
11:46
which allows the architects to,
first of all, generate a layout
first of all, generate a layout
236
697550
4119
که به معماران اجازه می‌دهد
که اولا طراحی‌ای را تولید کرده
که اولا طراحی‌ای را تولید کرده
11:50
that satisfied all of those
adjacency requests,
adjacency requests,
237
701693
3129
که برای این درخواست‌ها پاسخگو بوده،
11:53
but then second, make little adjustments
where they needed to
where they needed to
238
704846
3033
ثانیا این تطبیقات را برای گفتن
11:56
to tell the stories
that they wanted to tell.
that they wanted to tell.
239
707903
2348
سرگذشت‌هایی که باید گفته می‌شدند بسازند،
11:59
So this memorial, I think,
has an incredibly timely concept
has an incredibly timely concept
240
711219
4135
پس این یاد بود مبحث مهم و به جایی
12:03
in our era of social networks,
241
715378
2990
در عصر ارتباطات امروز است،
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
زیرا این شبکه‌های واقعی
که زندگی مردم را می‌سازند--
که زندگی مردم را می‌سازند--
12:10
are actually embodied
inside of the memorial.
inside of the memorial.
243
722391
2432
الان در واقع درون این یادبود قرار دارند .
12:13
And one of the most tremendously
moving experiences
moving experiences
244
725286
3471
و یکی از این تجربیات تکان دهنده این است
12:17
is to go to the memorial
245
728781
1661
که به بنای یابود رفته
12:18
and see how these people
are placed next to each other,
are placed next to each other,
246
730466
4200
و ببینیم که چه طور این افراد
در کنار هم قرار داده شده‌اند،
در کنار هم قرار داده شده‌اند،
12:23
so that this memorial
is representing their own lives.
is representing their own lives.
247
734690
2862
پس این یابود در اصل
نمایانگر زندگی آنها است.
نمایانگر زندگی آنها است.
12:27
How does this affect our lives?
248
738859
1687
حال، این چه اثری بر زندگی ما دارد؟
12:29
Well, I don't know if you remember,
249
741133
1676
خوب، نمی‌دانم که به یاد دارید،
12:31
but in the spring,
there was a controversy,
there was a controversy,
250
742833
2713
در بهار بحثی بود،
12:34
because it was discovered
that on the iPhone
that on the iPhone
251
745570
2198
که معلوم شده بود که ما از طریق آیفون‌ها
12:36
and, actually, on your computer,
252
747792
1606
و درواقع کامپیوترهای شما،
12:37
we were storing a tremendous amount
of the location data.
of the location data.
253
749422
3315
مقدار بسیاری از اطلاعات موقعیت
مکانی شما را ذخیره می‌کنیم.
مکانی شما را ذخیره می‌کنیم.
12:41
So Apple responded, saying,
this was not location data about you,
this was not location data about you,
254
753173
3861
سپس، اپل جواب داد که این اطلاعات شما نبود،
12:45
it was location data
about wireless networks
about wireless networks
255
757058
2805
بلکه داده‌ای درمورد موقعیت شبکه‌های بیسیمی
12:48
that were in the area where you are.
256
759887
2287
که در اطراف شما قرار دارند، است.
12:50
So it's not about you,
257
762198
1428
پس در مورد شما نیست،
12:52
but it's about where you are.
258
763650
1584
در مورد مکانی است که در آن هستید.
12:53
(Laughter)
259
765258
1648
(خنده‌ی حضار)
12:55
This is very valuable data.
260
766930
2808
این داده بسیار ارزشمند است.
12:58
It's like gold to researchers,
this human-mobility data.
this human-mobility data.
261
769762
4625
این دادۀ حرکت انسانها
برای محققان مثل طلاست،
برای محققان مثل طلاست،
13:02
So we thought, "Man!
How many people have iPhones?"
How many people have iPhones?"
262
774411
3664
و فکر کردیم که چه تعداد افراد آیفون دارند؟
13:06
How many of you have iPhones?
263
778099
1448
چه تعدادی از شما آیفون دارد؟
13:09
So in this room, we have this tremendous
database of location data
database of location data
264
780608
5478
پس در اینجا ما دادۀ زیادی
در مورد مکان داریم
در مورد مکان داریم
13:14
that researchers
would really, really like.
would really, really like.
265
786110
3775
که محققان بسیار آن را دوست دارند.
13:18
So we built this system called Open Paths,
266
789909
2031
پس ما سیستمی به نام Open Paths ساختیم،
13:20
which lets people upload their iPhone data
267
791964
2656
که مردم می‌توانستند داده‌ی آیفونشان
13:23
and broker relationships
with researchers to share that data,
with researchers to share that data,
268
794644
3796
و روابط کارگزاری را با محققان
به اشتراک بگذارند و آن را در اختیار
به اشتراک بگذارند و آن را در اختیار
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
افراد متخصص قرار دهند،
تا آنها بتوانند از آن داده استفاده کنند.
تا آنها بتوانند از آن داده استفاده کنند.
13:30
Open Paths was a great
success as a prototype.
success as a prototype.
270
802256
2350
Open Paths به عنوان
نمونه اولیه موفقیت آمیز بود
نمونه اولیه موفقیت آمیز بود
13:33
We received thousands of data sets,
271
804630
3433
و ما داده انبوهی را دریافت کردیم،
13:36
and we built this interface
272
808087
1349
و ما رابطی را ساختیم
13:37
which allows people to actually
see their lives unfolding
see their lives unfolding
273
809460
3318
که مردم می‌توانند با استفاده از
اثری که موبایلشان بر جا می‌گذارد
اثری که موبایلشان بر جا می‌گذارد
13:41
from these traces
that are left behind on your devices.
that are left behind on your devices.
274
812802
3156
زندگی خود را آشکار سازند.
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
ما نمی‌دانستیم که این تجربه
چه قدر می‌تواند سیار باشد.
چه قدر می‌تواند سیار باشد.
13:50
When I uploaded my data,
I thought, "Big deal.
I thought, "Big deal.
276
821884
2227
وقتی که داده‌ام را آپلود
کردم، با خود گفتم:
کردم، با خود گفتم:
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
«خوب، الان می‌دانم کجا کار و کجا زندگی
می‌کنم، پس چه چیز را خواهم دید؟»
می‌کنم، پس چه چیز را خواهم دید؟»
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
و من لحظه‌ای که از هواپیما پیاده شدم که
13:59
to start my new life in New York;
279
831100
1623
زندگی جدیدم در نیویورک را آغاز کنم
14:02
the restaurant where I had Thai food
that first night,
that first night,
280
833588
2606
را دیدم، شب اولی که در رستوران
غذای تایلندی خوردم،
غذای تایلندی خوردم،
14:04
thinking about this new experience
of being in New York;
of being in New York;
281
836218
2953
فکر کردن به تجربه‌ی جدیدم در
نیویورک و روزی که
نیویورک و روزی که
14:07
the day that I met my girlfriend.
282
839195
1623
دوست دخترم را ملاقات کردم، دیدم.
14:11
This is LaGuardia airport.
283
842587
2275
این فرودگاه LaGuardia است.
14:13
(Laughter)
284
844886
1487
(خنده‌ی حضار)
14:14
This is this Thai restaurant
on Amsterdam Avenue.
on Amsterdam Avenue.
285
846397
3641
این آن رستوران تایلندی در خیابان آمستردام،
14:19
This is the moment I met my girlfriend.
286
850559
2050
و این لحظه‌ای که
دوست دخترم را ملاقات کردم.
دوست دخترم را ملاقات کردم.
14:22
See how that changes the first time
I told you about those stories
I told you about those stories
287
854146
3451
آیا می‌بینید که چقدر اولین باری
که آن داستان را را برایتان گفتم
که آن داستان را را برایتان گفتم
14:26
and the second time I told
you about those stories?
you about those stories?
288
857621
2468
با دومین باری که آن را گفتم، متفاوت است؟
14:28
Because what we do
in the tool, inadvertently,
in the tool, inadvertently,
289
860113
3207
زیرا ما سهوا،
14:31
is we put these pieces of data
into a human context.
into a human context.
290
863344
3115
بخش هایی از این داده را
به مفهومی انسانی تبدیل می‌کنیم،
به مفهومی انسانی تبدیل می‌کنیم،
14:35
And by placing data into a human context,
291
866935
2498
و با قرار دادن داده در موقعیت‌های انسانی
14:37
it gains meaning.
292
869457
1474
به آن معنا می‌بخشیم.
14:39
And I think this is tremendously,
tremendously important,
tremendously important,
293
870955
3328
و به نظر من این موضوعی مهم است،
14:42
because these are our histories
that are being stored on these devices.
that are being stored on these devices.
294
874307
4918
زیرا تاریخچه‌ای که در گوشی‌هایمان ذخیره
می‌شود، سرگذشت خودمان است.
می‌شود، سرگذشت خودمان است.
14:49
And by thinking about them that way,
295
880809
1994
اگر به آنها اینگونه فکر کنیم،
14:52
putting them in a human context --
296
883543
1902
و آنها را چارچوب مفاهیم انسانی بگنجانیم،
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
قبل از هر چیز درک بهتری از نوع دادۀ
14:57
of the type of information
that we're sharing.
that we're sharing.
298
889155
2479
به اشتراک گذاشته خواهیم داشت.
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
اگر ما بتوانیم سایر داده‌ها را هم
در قالبی انسانی چارچوب بندی کنیم،
در قالبی انسانی چارچوب بندی کنیم،
15:04
I think we can change a lot of things,
300
895735
2918
من فکر می‌کنم می‌توانیم بسیاری
از چیزها را تغییر بدهیم،
از چیزها را تغییر بدهیم،
15:07
because it builds, automatically, empathy
for the people involved in these systems.
for the people involved in these systems.
301
898677
6385
زیرا این، به صورت خودکار، به همفکری
مردم شامل این سیستم ها منجر شده
مردم شامل این سیستم ها منجر شده
15:14
And that, in turn, results
in a fundamental respect,
in a fundamental respect,
302
905602
2953
و به نوبه خود نتایجی
اساسی را به دنبال دارد،
اساسی را به دنبال دارد،
15:17
which, I believe, is missing
in a large part of technology,
in a large part of technology,
303
908579
3163
که به نظرم در قسمت اعظمی
از تکنولوژی وجود ندارد،
از تکنولوژی وجود ندارد،
15:20
when we start to deal
with issues like privacy,
with issues like privacy,
304
912329
2938
وقتی که با مشکلاتی مثل
حریم خصوصی سروکار داریم،
حریم خصوصی سروکار داریم،
15:25
by understanding that these numbers
are not just numbers,
are not just numbers,
305
916765
2717
با درک این اعداد که فقط عدد نیستند،
15:28
but instead they're attached, tethered to,
pieces of the real world.
pieces of the real world.
306
919506
3619
و به بخشی از دنیای واقعی‌مان متصل هستند،
15:31
They carry weight.
307
923149
1506
معنا می‌بخشیم.
15:33
By understanding that,
the dialog becomes a lot different.
the dialog becomes a lot different.
308
924679
3332
با درک آن، گفتگو بسیار متفاوت می‌شود.
15:38
How many of you have ever clicked a button
309
929595
2331
چند نفر از شما تا به حال
یک دکمه را کلیک کرده
یک دکمه را کلیک کرده
15:40
that enables a third party to access
your location data on your phone?
your location data on your phone?
310
931950
4987
که به گروه سومی اجازه دسترسی
به داده‌ی موقعیت شما را می‌دهد.
به داده‌ی موقعیت شما را می‌دهد.
15:46
Lots of you.
311
937595
1555
بسیاری از شما.
15:47
So the third party is the developer,
312
939174
2245
پس گروه سوم توسعه دهنده،
15:49
the second party is Apple.
313
941443
1801
گروه دوم اپل است.
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
و تنها گروهی که هرگز به اطلاعات
شما دست نمی‌یابد گروه اول است.
شما دست نمی‌یابد گروه اول است.
15:58
And I think that's because we think
about these pieces of data
about these pieces of data
315
950198
3135
به خاطر همین به این داده‌ها به صورت
16:01
in this stranded, abstract way.
316
953357
2055
رشته‌ای و انتزاعی نگاه می‌کنیم.
16:03
We don't put them into a context
317
955436
1897
ما آنها را در چارچوبی قرار نمی‌دهیم
16:05
which, I think, makes them
a lot more important.
a lot more important.
318
957357
2309
که به نظرم آنها را مهم تر جلوه می‌دهد.
16:08
So what I'm asking you
to do is really simple:
to do is really simple:
319
959690
2166
کاری که از شما می‌خواهم بسیار ساده است:
16:10
start to think about data
in a human context.
in a human context.
320
961880
2323
در مورد داده به عنوان
محتوایی انسانی نگاه کنید.
محتوایی انسانی نگاه کنید.
16:13
It doesn't really take anything.
321
964918
1657
واقعا کاری ندارد.
16:15
When you read stock prices,
think about them in a human context.
think about them in a human context.
322
966599
3359
وقتی که قیمتهای سهام را می‌خوانید،
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
در مورد گزارش وام مسکن فکر می‌کنید،
به چشم محتوایی انسانی به آن نگاه کنید.
به چشم محتوایی انسانی به آن نگاه کنید.
16:22
There's no doubt that big data
is big business.
is big business.
324
973548
3930
قطعا دادۀ عظیم کسب‌وکار بزرگی دارد،
16:26
There's an industry being developed here.
325
977502
3018
در واقع صنعتی در حال گسترش است.
16:30
Think about how well we've done
326
981520
1501
ببینید که ما در صنعت‌های پیشین
16:31
in previous industries
that we've developed involving resources.
that we've developed involving resources.
327
983045
3369
که منابع درگیر را توسعه دادیم
چگونه عمل کردیم.
چگونه عمل کردیم.
16:34
Not very well at all.
328
986438
1300
اصلا خوب عمل نکردیم.
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
بخشی از آن مشکل این است که ما
با کمبود مشارکت در این گفتگوها
با کمبود مشارکت در این گفتگوها
16:40
from multiple pieces of human society.
330
992308
4428
از سوی بخش‌های متعدد جامعه
بشری رو به رو بودیم.
بشری رو به رو بودیم.
16:45
So the other thing that I'm asking for
331
996760
1992
چیز دیگری که از شما می‌خواهم این است
16:48
is an inclusion in this dialogue
from artists, from poets, from writers --
from artists, from poets, from writers --
332
999669
4378
که هنرمندان، شاعران،
نویسندگان و هر فردی را
نویسندگان و هر فردی را
16:52
from people who can bring a human element
into this discussion.
into this discussion.
333
1004071
4013
که می‌تواند عنصری انسانی را به این دیالوگ
اضافه کند، درگیر این گفتگوها کنید،
اضافه کند، درگیر این گفتگوها کنید،
16:57
Because I believe that this world of data
334
1008725
2356
زیرا من اعتقاد دارم که این جهان داده
16:59
is going to be transformative for us.
335
1011105
3025
برای ما دگرگون کننده خواهد بود.
17:03
And unlike our attempts
with the resource industry
with the resource industry
336
1014687
3169
برخلاف تلاشهایمان در رابطه با صنعت منابع
17:06
and our attempts
with the financial industry,
with the financial industry,
337
1017880
2153
و تلاشهایمان در صنعت مالی،
17:08
by bringing the human
element into this story,
element into this story,
338
1020057
2931
با وارد کردن عناصر انسانی به داستان،
17:11
I think we can take it
to tremendous places.
to tremendous places.
339
1023012
2178
می‌توانیم آن را گسترش بدهیم.
17:14
Thank you.
340
1026203
1155
متشکرم.
17:15
(Applause)
341
1027382
4052
(تشویق حضار)
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