TED2009
Tim Berners-Lee: The next web
Tims Berners-Lī par nākamo tīmekli
Filmed:
Readability: 3.8
1,638,798 views
Pirms 20 gadiem, Tims Berners-Lī izgudroja vispasaules tīmekli. Kā savu nākamo projektu, viņš veido tīmekli brīvi pieejamiem, savstarpēji saistītiem datiem, kas varētu izdarīt ar skaitļiem to pašu, ko tīmeklis izdarīja ar vārdiem, attēliem un video: atbrīvot mūsu datus un pārveidot to, kā mēs tos kopā lietojam.
Tim Berners-Lee - Inventor
Tim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development. Full bio
Tim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development. Full bio
Double-click the English transcript below to play the video.
00:18
Time flies.
0
0
2000
Laiks skrien
00:20
It's actually almost 20 years ago
1
2000
2000
Ir pagājuši teju 20 gadi,
00:22
when I wanted to reframe the way we use information,
2
4000
4000
kopš es gribēju radīt jaunu veidu kā lietot informāciju,
00:26
the way we work together: I invented the World Wide Web.
3
8000
3000
kā mēs strādājam kopā: es izgudroju vispasaules tīmekli.
00:29
Now, 20 years on, at TED,
4
11000
3000
Tagad, pēc 20 gadiem, šeit, TED,
00:32
I want to ask your help in a new reframing.
5
14000
4000
es gribu jūs aicināt talkā uz jaunu iniciatīvu.
00:37
So going back to 1989,
6
19000
4000
Atminoties 1989. gadu,
00:41
I wrote a memo suggesting the global hypertext system.
7
23000
3000
es uzrakstīju ziņojumu, kurā minēju globālo hiperteksta sistēmu.
00:44
Nobody really did anything with it, pretty much.
8
26000
3000
Neviens īsti ar to neko neiesāka.
00:47
But 18 months later -- this is how innovation happens --
9
29000
4000
18 mēnešus vēlāk — tā arī notiek inovācijas —
00:51
18 months later, my boss said I could do it on the side,
10
33000
4000
18 mēnešus vēlāk, mans priekšnieks teica,
00:55
as a sort of a play project,
11
37000
2000
ka es varētu to darīt kā tādu kā blakusnodarbi, spēļu projektu,
00:57
kick the tires of a new computer we'd got.
12
39000
2000
iemēģinot darbu ar jaunu datoru, ko bijām saņēmuši.
00:59
And so he gave me the time to code it up.
13
41000
3000
Un tā, viņš deva man laiku, lai to uzprogrammētu.
01:02
So I basically roughed out what HTML should look like:
14
44000
5000
Tātad es būtībā uzskicēju, kā HTML vajadzētu izskatīties:
01:07
hypertext protocol, HTTP;
15
49000
3000
hiperteksta protokols HTTP;
01:10
the idea of URLs, these names for things
16
52000
3000
ideja par URL adresēm, šiem resursu nosaukumiem,
01:13
which started with HTTP.
17
55000
2000
kas sākas ar HTTP.
01:15
I wrote the code and put it out there.
18
57000
2000
Es uzrakstīju programmu un izliku to lietošanai.
01:17
Why did I do it?
19
59000
2000
Kāpēc es to darīju?
01:19
Well, it was basically frustration.
20
61000
2000
Principā, tā bija neapmierinātība.
01:21
I was frustrated -- I was working as a software engineer
21
63000
4000
Es biju neapmierināts. Es strādāju par programmatūras izstrādātāju
01:25
in this huge, very exciting lab,
22
67000
2000
šajā milzīgajā, aizraujošajā laboratorijā,
01:27
lots of people coming from all over the world.
23
69000
2000
kur bija milzum daudz ļaužu no visas pasaules.
01:29
They brought all sorts of different computers with them.
24
71000
3000
Viņi atnesa sev līdzi visdažādāko veidu datorus.
01:32
They had all sorts of different data formats,
25
74000
3000
Viņiem bija visdažādākie datu formāti,
01:35
all sorts, all kinds of documentation systems.
26
77000
2000
visdažādāko veidu dokumentācijas sistēmas.
01:37
So that, in all that diversity,
27
79000
3000
Un tā, visā šajā dažādībā,
01:40
if I wanted to figure out how to build something
28
82000
2000
ja es gribēju izprātot, kā kaut ko izveidot,
01:42
out of a bit of this and a bit of this,
29
84000
2000
ņemot mazliet no šī un mazliet no tā,
01:44
everything I looked into, I had to connect to some new machine,
30
86000
4000
visur bija nepieciešams pieslēgties pie kādas jaunas mašīnas,
01:48
I had to learn to run some new program,
31
90000
2000
iemācīties lietot kādu jaunu programmu,
01:50
I would find the information I wanted in some new data format.
32
92000
5000
un man nepieciešamā informācija atradās kādā jaunā datu formātā.
01:55
And these were all incompatible.
33
97000
2000
Un tie visi bija nesavietojami.
01:57
It was just very frustrating.
34
99000
2000
Tas bija ļoti kaitinoši.
01:59
The frustration was all this unlocked potential.
35
101000
2000
Kaitinoši par visu šo neizmantoto potenciālu.
02:01
In fact, on all these discs there were documents.
36
103000
3000
Patiesībā, uz visiem šiem diskiem bija dokumenti.
02:04
So if you just imagined them all
37
106000
3000
Ja jūs iztēlotos tos visus
02:07
being part of some big, virtual documentation system in the sky,
38
109000
5000
kā daļu no kadas lielas, virtuālas dokumentācijas sistēmas debesīs,
02:12
say on the Internet,
39
114000
2000
piemēram, Internetā,
02:14
then life would be so much easier.
40
116000
2000
tad dzīve būtu krietni vien vieglāka.
02:16
Well, once you've had an idea like that it kind of gets under your skin
41
118000
4000
Kad nu tev ir tāda ideja kā šī, tā aizrauj un no tās ir grūti tikt vaļā,
02:20
and even if people don't read your memo --
42
122000
2000
un pat ja cilvēki nelasa tavu ziņojumu —
02:22
actually he did, it was found after he died, his copy.
43
124000
3000
Patiesībā, viņš izlasīja, tas tika atrasts pēc viņa nāves, viņa eksemplārs.
02:25
He had written, "Vague, but exciting," in pencil, in the corner.
44
127000
3000
Viņš stūrī ar zīmuli bija uzrakstījis "Neskaidri, taču aizraujoši,".
02:28
(Laughter)
45
130000
2000
(Smiekli)
02:30
But in general it was difficult -- it was really difficult to explain
46
132000
4000
Taču kopumā tas bija sarežģīti, bija patiešām grūti aprakstīt to,
02:34
what the web was like.
47
136000
2000
kam līdzinās tīmeklis.
02:36
It's difficult to explain to people now that it was difficult then.
48
138000
2000
Šodien ir grūti cilvēkiem paskaidrot, ka toreiz to bija grūti saprast.
02:38
But then -- OK, when TED started, there was no web
49
140000
3000
Bet tad, kad TED sākās, toreiz tīmekļa nebija,
02:41
so things like "click" didn't have the same meaning.
50
143000
3000
tāpēc tādam teicienam kā "uzklikšķini" nebija tāda pati nozīme.
02:44
I can show somebody a piece of hypertext,
51
146000
2000
Es varu kādam parādīt gabaliņu hiperteksta,
02:46
a page which has got links,
52
148000
2000
lapu, kurā ir saites,
02:48
and we click on the link and bing -- there'll be another hypertext page.
53
150000
4000
un mēs uzklikšķinām uz saites un, lūk, tur būs cita hiperteksta lapa.
02:52
Not impressive.
54
154000
2000
Ne īpaši iespaidīgi.
02:54
You know, we've seen that -- we've got things on hypertext on CD-ROMs.
55
156000
3000
Mēs jau bijām to redzējuši — mums bija šādi dokumenti CD-ROM diskos.
02:57
What was difficult was to get them to imagine:
56
159000
3000
Tas, kas bija grūti, bija likt viņiem iztēloties:
03:00
so, imagine that that link could have gone
57
162000
4000
iztēloties, ka šī saite varētu vest
03:04
to virtually any document you could imagine.
58
166000
2000
uz pilnīgi jebkuru dokumentu, ko varat iedomāties.
03:07
Alright, that is the leap that was very difficult for people to make.
59
169000
4000
Labs ir, tas ir lēciens, ko cilvēkiem veikt bija ļoti grūti.
03:11
Well, some people did.
60
173000
2000
Tomēr daži to paveica.
03:13
So yeah, it was difficult to explain, but there was a grassroots movement.
61
175000
3000
Tātad, bija grūti to izskaidrot, bet nu tā bija masu kustība.
03:17
And that is what has made it most fun.
62
179000
4000
Un tas ir tas, kas to padarīja īpaši interesantu.
03:21
That has been the most exciting thing,
63
183000
2000
Tā ir bijusi visaizraujošākā lieta,
03:23
not the technology, not the things people have done with it,
64
185000
2000
ne pati tehnoloģija, ne tas, ko cilvēki ir ar to paveikuši,
03:25
but actually the community, the spirit of all these people
65
187000
2000
bet tieši šī kopiena, visu šo cilvēku enerģija,
03:27
getting together, sending the emails.
66
189000
2000
satiekoties, sūtot e-pastus.
03:29
That's what it was like then.
67
191000
2000
Tā tas bija toreiz.
03:31
Do you know what? It's funny, but right now it's kind of like that again.
68
193000
3000
Zināt ko? Neparasti, bet tagad atkal ir atgriezies jauns spars.
03:34
I asked everybody, more or less, to put their documents --
69
196000
2000
Es lūdzu visiem, vairāk vai mazāk, uzlikt savus dokumentus —
03:36
I said, "Could you put your documents on this web thing?"
70
198000
3000
Es teicu, "vai jūs varētu savus dokumentus ievietot tajā tīmekļa padarīšanā?"
03:39
And you did.
71
201000
3000
Un jūs to izdarījāt.
03:42
Thanks.
72
204000
1000
Paldies.
03:43
It's been a blast, hasn't it?
73
205000
2000
Tas tik bija kaut kas, vai ne?
03:45
I mean, it has been quite interesting
74
207000
2000
Es gribēju teikt, ir bijis diezgan interesanti
03:47
because we've found out that the things that happen with the web
75
209000
2000
jo mēs sapratām, ka lietas, kas notiek ar tīmekli,
03:49
really sort of blow us away.
76
211000
2000
patiešām ir prātam neaptveramas.
03:51
They're much more than we'd originally imagined
77
213000
2000
Tās ir krietni vairāk par to, ko mēs sākotnēji bijām iedomājušies,
03:53
when we put together the little, initial website
78
215000
2000
kad likām kopā mazo, sākotnējo tīmekļa lapu,
03:55
that we started off with.
79
217000
2000
ar kuru viss sākās.
03:57
Now, I want you to put your data on the web.
80
219000
3000
Tagad, es vēlos, lai jūs izliktu tīmeklī savus datus.
04:00
Turns out that there is still huge unlocked potential.
81
222000
4000
Izrādās, ka vēl ir milzīgs, neizmantots potenciāls.
04:04
There is still a huge frustration
82
226000
2000
Joprojām ir milzīgas neērtības,
04:06
that people have because we haven't got data on the web as data.
83
228000
4000
jo dati mums tīmeklī nav pieejami kā dati.
04:10
What do you mean, "data"? What's the difference -- documents, data?
84
232000
2000
Kādā nozīmē "dati"? Kāda ir atšķirība — dokumenti, dati?
04:12
Well, documents you read, OK?
85
234000
3000
Tātad, dokumentus jūs lasāt, vai ne?
04:15
More or less, you read them, you can follow links from them, and that's it.
86
237000
3000
Jūs tos lasāt, jūs varat klikšķināt uz to saitēm, un tas pamatā ir viss.
04:18
Data -- you can do all kinds of stuff with a computer.
87
240000
2000
Dati — jūs varat paveikt visvisādas lietas ar datoru.
04:20
Who was here or has otherwise seen Hans Rosling's talk?
88
242000
6000
Kurš no jums šeit vai citur ir redzējis Hansa Roslinga runu?
04:26
One of the great -- yes a lot of people have seen it --
89
248000
4000
Viena no lieliskākajām, jā, daudz cilvēku to ir redzējuši,
04:30
one of the great TED Talks.
90
252000
2000
viena no lieliskākajām TED runām.
04:32
Hans put up this presentation
91
254000
2000
Hans uzlika šo prezentāciju,
04:34
in which he showed, for various different countries, in various different colors --
92
256000
5000
kurā viņš parādīja, vairākām dažādām valstīm, vairākās dažādās krāsās,
04:39
he showed income levels on one axis
93
261000
3000
viņš parādīja ienākuma līmeni uz vienas ass
04:42
and he showed infant mortality, and he shot this thing animated through time.
94
264000
3000
un viņš parādīja bērnu mirstību, un viņš palaida šo modeli kustībā laikā.
04:45
So, he'd taken this data and made a presentation
95
267000
4000
Tātad, viņš paņēma datus un uztaisīja prezentāciju
04:49
which just shattered a lot of myths that people had
96
271000
3000
kas vienkārši satrieca daudzus cilvēku mītus
04:52
about the economics in the developing world.
97
274000
4000
par ekonomiku jaunattīstības valstīs.
04:56
He put up a slide a little bit like this.
98
278000
2000
Viņš parādīja slaidu, nedaudz līdzīgu šim.
04:58
It had underground all the data
99
280000
2000
Tam apakšā bija visi dati.
05:00
OK, data is brown and boxy and boring,
100
282000
3000
Tātad, dati ir brūni, kantaini un garlaicīgi,
05:03
and that's how we think of it, isn't it?
101
285000
2000
un tas ir kā mēs par tiem domājam, vai ne?
05:05
Because data you can't naturally use by itself
102
287000
3000
Jo datus pašus par sevi jūs nevarat lietot dabīgā veidā.
05:08
But in fact, data drives a huge amount of what happens in our lives
103
290000
4000
Taču, patiesībā, dati ir pamatā milzum daudz mūsu dzīves notikumiem
05:12
and it happens because somebody takes that data and does something with it.
104
294000
3000
un tā notiek, jo kāds paņem šos datus un kaut ko ar tiem izdara.
05:15
In this case, Hans had put the data together
105
297000
2000
Šajā gadījumā, Hanss salika kopā dažādus datus,
05:17
he had found from all kinds of United Nations websites and things.
106
299000
5000
ko bija atradis daudzās dažādās ANO mājas lapās un citur.
05:22
He had put it together,
107
304000
2000
Viņš tos salika kopā,
05:24
combined it into something more interesting than the original pieces
108
306000
3000
izveidojot to kombināciju, kas bija krietni interesantāka par sākotnējiem fragmentiem,
05:27
and then he'd put it into this software,
109
309000
5000
un tad viņš tos ielika šajā programmā,
05:32
which I think his son developed, originally,
110
314000
2000
kuru, šķiet, sākotnēji sarakstīja viņa dēls,
05:34
and produces this wonderful presentation.
111
316000
3000
un pagatavoja šo brīnišķīgo prezentāciju.
05:37
And Hans made a point
112
319000
2000
Un Hanss pateica svarīgu lietu,
05:39
of saying, "Look, it's really important to have a lot of data."
113
321000
4000
sakot, "Klau, ir ļoti svarīgi, lai ir daudz datu."
05:43
And I was happy to see that at the party last night
114
325000
3000
Un es biju priecīgs redzēt vakardienas ballītē
05:46
that he was still saying, very forcibly, "It's really important to have a lot of data."
115
328000
4000
ka viņš joprojām turpināja teikt, ļoti stingri, "ir ļoti svarīgi, lai ir daudz datu."
05:50
So I want us now to think about
116
332000
2000
Tāpēc es gribu, lai mēs tagad padomātu
05:52
not just two pieces of data being connected, or six like he did,
117
334000
4000
ne tikai par divu datu kopu sasaistīšanu, vai sešu, kā izdarīja viņš,
05:56
but I want to think about a world where everybody has put data on the web
118
338000
5000
bet es gribu iztēloties pasauli, kur visi ir izlikuši datus tīmeklī
06:01
and so virtually everything you can imagine is on the web
119
343000
2000
un tādējādi burtiski jebkas, ko jūs varat iedomāties, ir pieejams tīmeklī
06:03
and then calling that linked data.
120
345000
2000
un tad nosaukt to par saistītajiem datiem.
06:05
The technology is linked data, and it's extremely simple.
121
347000
2000
Tehnoloģija ir saistītie dati, un tā ir ārkārtīgi vienkārša.
06:07
If you want to put something on the web there are three rules:
122
349000
4000
Ja jūs vēlaties izlikt kaut ko tīmeklī, ir jāseko trīs noteikumiem:
06:11
first thing is that those HTTP names --
123
353000
3000
Pirmkārt, šīs HTTP adreses,
06:14
those things that start with "http:" --
124
356000
2000
tās, kuras sākas ar "http:",
06:16
we're using them not just for documents now,
125
358000
4000
mēs tās tagad izmantojam ne vairs tikai dokumentiem,
06:20
we're using them for things that the documents are about.
126
362000
2000
mēs tās izmantojam lietām, par ko ir šie dokumenti.
06:22
We're using them for people, we're using them for places,
127
364000
2000
mēs tās lietojam cilvēkiem, mēs tās lietojam vietām,
06:24
we're using them for your products, we're using them for events.
128
366000
4000
mēs lietojam tās jūsu produktiem, mēs lietojam tās pasākumiem.
06:28
All kinds of conceptual things, they have names now that start with HTTP.
129
370000
4000
Visdažādāko veidu konceptuālām lietām, tām tagad ir adreses, kas sākas ar HTTP.
06:32
Second rule, if I take one of these HTTP names and I look it up
130
374000
5000
Otrais noteikums, ja es ņemu vienu no šīm HTTP adresēm un uzmeklēju to,
06:37
and I do the web thing with it and I fetch the data
131
379000
2000
un es daru to tīmeklī un saņemu datus,
06:39
using the HTTP protocol from the web,
132
381000
2000
lietojot HTTP protokolu, no tīmekļa
06:41
I will get back some data in a standard format
133
383000
3000
es dabūšu šos datus standarta formātā,
06:44
which is kind of useful data that somebody might like to know
134
386000
5000
kas ir kādi derīgi dati, ko kāds varētu vēlēties uzzināt
06:49
about that thing, about that event.
135
391000
2000
par šo lietu, par šo pasākumu.
06:51
Who's at the event? Whatever it is about that person,
136
393000
2000
Kurš piedalās šajā pasākumā? Lai kas tas arī būtu par šo cilvēku,
06:53
where they were born, things like that.
137
395000
2000
kur viņš ir dzimis, tāda veida lietas.
06:55
So the second rule is I get important information back.
138
397000
2000
Tātad otrais noteikums ir, ka es saņemu pretī svarīgu informāciju.
06:57
Third rule is that when I get back that information
139
399000
4000
Trešais noteikums ir, ka tad, kad es saņemu šo informāciju,
07:01
it's not just got somebody's height and weight and when they were born,
140
403000
3000
tajā nav tikai kāda garums un svars, un kad viņš piedzimis,
07:04
it's got relationships.
141
406000
2000
tajā ir arī saiknes.
07:06
Data is relationships.
142
408000
2000
Dati ir saiknes.
07:08
Interestingly, data is relationships.
143
410000
2000
Interesanti, ka dati ir saiknes.
07:10
This person was born in Berlin; Berlin is in Germany.
144
412000
4000
Šis cilvēks ir dzimis Berlīnē; Berlīne ir Vācijā.
07:14
And when it has relationships, whenever it expresses a relationship
145
416000
3000
Un, kad datos ir saiknes, vienmēr, kad tie pauž attiecības lietu starpā,
07:17
then the other thing that it's related to
146
419000
3000
tad tai otrai lietai, ar ko tie ir saistīti,
07:20
is given one of those names that starts HTTP.
147
422000
4000
tiek piešķirta viena no tām adresēm, kas sākas ar HTTP.
07:24
So, I can go ahead and look that thing up.
148
426000
2000
Tātad, es varu turpināt un uzmeklēt to lietu.
07:26
So I look up a person -- I can look up then the city where they were born; then
149
428000
3000
Tātad, es uzmeklēju kādu cilvēku, es tad varu uzmeklēt pilsētu, kur viņš ir dzimis;
07:29
I can look up the region it's in, and the town it's in,
150
431000
3000
tad es varu uzmeklēt reģionu, kur tā atrodas, un apdzīvotu vietu,
07:32
and the population of it, and so on.
151
434000
3000
un tās iedzīvotāju skaitu, un tā tālāk.
07:35
So I can browse this stuff.
152
437000
2000
Tātad es varu pārlūkot šo datu kopu.
07:37
So that's it, really.
153
439000
2000
Un tas ir viss, patiešām.
07:39
That is linked data.
154
441000
2000
Tie ir saistītie dati.
07:41
I wrote an article entitled "Linked Data" a couple of years ago
155
443000
3000
Pirms dažiem gadiem es uzrakstīju rakstu ar nosaukumu "Saistītie dati"
07:44
and soon after that, things started to happen.
156
446000
4000
un drīz vien pēc tam sāka notikt dažādas lietas.
07:48
The idea of linked data is that we get lots and lots and lots
157
450000
4000
Saistīto datu idejas pamatā ir tas, ka mums ir daudz, daudz, daudz
07:52
of these boxes that Hans had,
158
454000
2000
šo kastīšu, kādas bija Hansam,
07:54
and we get lots and lots and lots of things sprouting.
159
456000
2000
un tās dzen daudz, daudz, daudz jaunu asnu.
07:56
It's not just a whole lot of other plants.
160
458000
3000
Tas nav vienkārši lērums jaunu augu.
07:59
It's not just a root supplying a plant,
161
461000
2000
Tā nav tikai sakne, kas baro augu,
08:01
but for each of those plants, whatever it is --
162
463000
3000
katram no šiem augiem, lai kas tas arī būtu —
08:04
a presentation, an analysis, somebody's looking for patterns in the data --
163
466000
3000
prezentācija, analīze, kāds, kurš meklē datos kopsakarības —
08:07
they get to look at all the data
164
469000
3000
viņiem ir iespēja aplūkot visus datus
08:10
and they get it connected together,
165
472000
2000
un viņi redz tos sasaistītus kopā,
08:12
and the really important thing about data
166
474000
2000
un īpaši svarīga lieta attiecībā uz datiem ir tas,
08:14
is the more things you have to connect together, the more powerful it is.
167
476000
2000
ka, jo vairāk lietu ir sasaistītas kopā, jo jaudīgāki šie dati ir.
08:16
So, linked data.
168
478000
2000
Tātad, saistītie dati.
08:18
The meme went out there.
169
480000
2000
Šis mēms izplatījās.
08:20
And, pretty soon Chris Bizer at the Freie Universitat in Berlin
170
482000
4000
Un drīz vien Kriss Bizē no Berlīnes Brīvās universitātes,
08:24
who was one of the first people to put interesting things up,
171
486000
2000
kurš bija viens no pirmajiem cilvēkiem, kas ievietoja ko interesantu,
08:26
he noticed that Wikipedia --
172
488000
2000
viņš ievēroja, ka Vikipēdija,
08:28
you know Wikipedia, the online encyclopedia
173
490000
3000
jūs taču pazīstat Vikipēdiju, tiešsaistes enciklopēdiju
08:31
with lots and lots of interesting documents in it.
174
493000
2000
ar daudz dažādiem interesantiem dokumentiem.
08:33
Well, in those documents, there are little squares, little boxes.
175
495000
4000
Šajos dokumentos, tur ir tādi mazi rāmīši, kastītes.
08:37
And in most information boxes, there's data.
176
499000
3000
Un šajās informācijas kastītēs, tur lielākoties ir dati.
08:40
So he wrote a program to take the data, extract it from Wikipedia,
177
502000
4000
Un tā viņš uzrakstīja programmu, kas paņem šos datus, izvelk tos no Vikipēdijas
08:44
and put it into a blob of linked data
178
506000
2000
un ieliek tos saistīto datu pikā
08:46
on the web, which he called dbpedia.
179
508000
3000
tīmeklī, ko viņš nosauca par DBpēdiju.
08:49
Dbpedia is represented by the blue blob in the middle of this slide
180
511000
4000
DBpēdija ir atainota kā zils aplītis šī slaida vidū
08:53
and if you actually go and look up Berlin,
181
515000
2000
un, ja jūs tiešām dodaties un sameklējat tur Berlīni,
08:55
you'll find that there are other blobs of data
182
517000
2000
tad jūs atklāsit, ka ir arī citi datu avoti,
08:57
which also have stuff about Berlin, and they're linked together.
183
519000
3000
kuros arī ir informācija par Berlīni, un tie ir saistīti savā starpā.
09:00
So if you pull the data from dbpedia about Berlin,
184
522000
3000
Tātad, ja jūs izvelkat no DBpēdijas datus par Berlīni,
09:03
you'll end up pulling up these other things as well.
185
525000
2000
jūs nonāksit arī pie šīm pārējām lietām.
09:05
And the exciting thing is it's starting to grow.
186
527000
3000
Un tā aizraujošā lieta ir tā, ka tas aug plašumā.
09:08
This is just the grassroots stuff again, OK?
187
530000
2000
Tā atkal ir masu kustība, vai ne?
09:10
Let's think about data for a bit.
188
532000
3000
Padomāsim uz mirkli par datiem.
09:13
Data comes in fact in lots and lots of different forms.
189
535000
3000
Patiesībā dati nāk daudz dažādos formātos.
09:16
Think of the diversity of the web. It's a really important thing
190
538000
3000
Padomājiet par dažādību tīmeklī. Tā ir patiešām svarīga lieta,
09:19
that the web allows you to put all kinds of data up there.
191
541000
3000
ka tīmeklis ļauj jums tur izvietot visdažādākā veida datus.
09:22
So it is with data. I could talk about all kinds of data.
192
544000
2000
Tāpat ir ar datiem. Es varētu runāt par daudziem datu veidiem.
09:25
We could talk about government data, enterprise data is really important,
193
547000
4000
Mēs varētu runāt par valdības datiem, uzņēmumu dati ir ļoti svarīgi,
09:29
there's scientific data, there's personal data,
194
551000
3000
ir arī zinātniskie dati, personīgie dati,
09:32
there's weather data, there's data about events,
195
554000
2000
laikapstākļu dati, dati par pasākumiem,
09:34
there's data about talks, and there's news and there's all kinds of stuff.
196
556000
4000
dati par runām, un tad ir ziņas un vispār visdažādākā veida lietas.
09:38
I'm just going to mention a few of them
197
560000
3000
Es pieminēšu tikai dažas no tām,
09:41
so that you get the idea of the diversity of it,
198
563000
2000
lai jūs apjaustu šo datu dažādību,
09:43
so that you also see how much unlocked potential.
199
565000
4000
lai arī jūs ievērotu to lielo apslēpto potenciālu.
09:47
Let's start with government data.
200
569000
2000
Sāksim ar valdības datiem.
09:49
Barack Obama said in a speech,
201
571000
2000
Baraks Obama savā runā teica,
09:51
that he -- American government data would be available on the Internet
202
573000
5000
ka ASV valdības datiem vajadzētu būt pieejamiem Internetā
09:56
in accessible formats.
203
578000
2000
ērti apstrādājamos formātos.
09:58
And I hope that they will put it up as linked data.
204
580000
2000
Un es ceru, ka viņi izliks tos pieejamus kā saistītos datus.
10:00
That's important. Why is it important?
205
582000
2000
Tas ir svarīgi. Kāpēc tas ir svarīgi?
10:02
Not just for transparency, yeah transparency in government is important,
206
584000
3000
Ne tikai caurskatāmības dēļ, jā, caurskatāmība valdībā ir svarīga,
10:05
but that data -- this is the data from all the government departments
207
587000
3000
taču šie dati, šie ir dati no visām valsts iestādēm
10:08
Think about how much of that data is about how life is lived in America.
208
590000
5000
Padomājat, cik no šiem datiem ir par to, kā dzīvo Amerikā.
10:13
It's actual useful. It's got value.
209
595000
2000
Tas ir patiesi noderīgi. Tam ir vērtība.
10:15
I can use it in my company.
210
597000
2000
Es varu to izmantot savā uzņēmumā.
10:17
I could use it as a kid to do my homework.
211
599000
2000
Es varētu to izmantot kā bērns, pildot mājas darbu.
10:19
So we're talking about making the place, making the world run better
212
601000
3000
Tātad mēs runājam par to, kā šo vietu, šo pasauli pārvaldīt labāk,
10:22
by making this data available.
213
604000
2000
padarot šos datus pieejamus.
10:24
In fact if you're responsible -- if you know about some data
214
606000
4000
Patiesībā, ja jūs esat atbildīgs, ja jūs zināt par kādiem datiem
10:28
in a government department, often you find that
215
610000
2000
kādā valsts iestādē, bieži vien jūs atklāsit, ka
10:30
these people, they're very tempted to keep it --
216
612000
3000
šiem cilvēkiem ir vēlme tos paturēt pie sevis.
10:33
Hans calls it database hugging.
217
615000
3000
Hanss sauc to par datu bāzu apkampšanu.
10:36
You hug your database, you don't want to let it go
218
618000
2000
Tu apkamp savu datu bāzi, Tu negribi to laist vaļā,
10:38
until you've made a beautiful website for it.
219
620000
2000
līdz neesi izveidojis tai brīnumjauku mājas lapu.
10:40
Well, I'd like to suggest that rather --
220
622000
2000
Tā vietā es gribētu ieteikt labāk,
10:42
yes, make a beautiful website,
221
624000
2000
jā, pagatavojiet brīnumjauku mājas lapu,
10:44
who am I to say don't make a beautiful website?
222
626000
2000
kas gan es tāds esmu, lai teiktu: "nedariet to"?
10:46
Make a beautiful website, but first
223
628000
3000
Pagatavojiet brīnumjauku mājas lapu, taču vispirms
10:49
give us the unadulterated data,
224
631000
3000
dodiet mums neapstrādātus datus,
10:52
we want the data.
225
634000
2000
mēs gribam datus.
10:54
We want unadulterated data.
226
636000
2000
Mēs gribam neapstrādātus datus.
10:56
OK, we have to ask for raw data now.
227
638000
3000
Jā, mums tūlīt pat ir jāpieprasa nepastrādāti dati.
10:59
And I'm going to ask you to practice that, OK?
228
641000
2000
Es lūgšu jūs pavingrināties, labi?
11:01
Can you say "raw"?
229
643000
1000
Vai varat pateikt "dodiet"?
11:02
Audience: Raw.
230
644000
1000
Klausītāji: Dodiet.
11:03
Tim Berners-Lee: Can you say "data"?
231
645000
1000
Tims Berners-Lī: Vai varat pateikt "mums"?
11:04
Audience: Data.
232
646000
1000
Klausītāji: Mums.
11:05
TBL: Can you say "now"?
233
647000
1000
TBL: Vai varat pateikt "neapstrādātus datus"?
11:06
Audience: Now!
234
648000
1000
Klausītāji: Neapstrādātus datus!
11:07
TBL: Alright, "raw data now"!
235
649000
2000
TBL: Un tā, "dodiet mums neapstrādātus datus"!
11:09
Audience: Raw data now!
236
651000
2000
Klausītāji: Dodiet mums neapstrādātus datus!
11:11
Practice that. It's important because you have no idea the number of excuses
237
653000
4000
Pavingrinieties šo. Tas ir svarīgi, jo jūs pat iedomāties nevarat, kādus aizbildinājumus
11:15
people come up with to hang onto their data
238
657000
2000
cilvēki sadomā, lai paturētu savus datus
11:17
and not give it to you, even though you've paid for it as a taxpayer.
239
659000
4000
un nedotu tos jums, lai gan jūs jau esat par tiem samaksājis kā nodokļu maksātājs.
11:21
And it's not just America. It's all over the world.
240
663000
2000
Un tā nav tikai Amerikā. Tā ir visā pasaulē.
11:23
And it's not just governments, of course -- it's enterprises as well.
241
665000
3000
Tās, protams, nav tikai valdības, tie ir arī uzņēmumi.
11:26
So I'm just going to mention a few other thoughts on data.
242
668000
3000
Es izteikšu vēl dažas pārdomas par datiem.
11:29
Here we are at TED, and all the time we are very conscious
243
671000
5000
Te nu mēs esam TED, un visu laiku mēs labi apzināmies
11:34
of the huge challenges that human society has right now --
244
676000
5000
šos milzīgos izaicinājumus, kas stāv cilvēcei priekšā —
11:39
curing cancer, understanding the brain for Alzheimer's,
245
681000
3000
izārstēt vēzi, izprast smadzenes, lai ārstētu Alcheimera slimību,
11:42
understanding the economy to make it a little bit more stable,
246
684000
3000
saprast ekonomiku, lai padarītu to mazliet stabilāku,
11:45
understanding how the world works.
247
687000
2000
saprastu, kā darbojas pasaule.
11:47
The people who are going to solve those -- the scientists --
248
689000
2000
Cilvēki, kuri šīs problēmas atrisinās — zinātnieki —
11:49
they have half-formed ideas in their head,
249
691000
2000
viņiem galvā ir pus-noformulētas idejas,
11:51
they try to communicate those over the web.
250
693000
3000
viņi cenšas tās pastāstīt caur tīmekli.
11:54
But a lot of the state of knowledge of the human race at the moment
251
696000
3000
Taču šai brīdī milzīgs daudzums cilvēces zināšanu
11:57
is on databases, often sitting in their computers,
252
699000
3000
atrodas datubāzēs, kas bieži atrodas vien viņu datoros,
12:00
and actually, currently not shared.
253
702000
3000
un, patiesībā, nav pieejamas citiem.
12:03
In fact, I'll just go into one area --
254
705000
3000
Es minēšu tikai vienu jomu,
12:06
if you're looking at Alzheimer's, for example,
255
708000
2000
ja apskatām, piemēram, Alcheimera slimību
12:08
drug discovery -- there is a whole lot of linked data which is just coming out
256
710000
3000
zāļu meklējumi — nu ir parādījies varen daudz saistīto datu,
12:11
because scientists in that field realize
257
713000
2000
jo zinātnieki šajā jomā saprot,
12:13
this is a great way of getting out of those silos,
258
715000
3000
ka tas ir lielisks veids, kā izlīst no šiem datu bunkuriem,
12:16
because they had their genomics data in one database
259
718000
4000
jo viņiem genoma dati bija vienā datu bāzē
12:20
in one building, and they had their protein data in another.
260
722000
3000
vienā ēkā, un viņiem bija olbaltumvielu dati citā.
12:23
Now, they are sticking it onto -- linked data --
261
725000
3000
Tagad, viņi tos sasaista — saistītajos datos —
12:26
and now they can ask the sort of question, that you probably wouldn't ask,
262
728000
3000
un tagad viņi var uzdot tāda veida jautājumu, kādu jūs, šķiet, neuzdotu,
12:29
I wouldn't ask -- they would.
263
731000
2000
es neuzdotu — bet viņi uzdotu.
12:31
What proteins are involved in signal transduction
264
733000
2000
Kādas olbaltumvielas ir iesaistītas signālu pārraidē
12:33
and also related to pyramidal neurons?
265
735000
2000
un ir saistītas arī ar piramidālajiem neironiem?
12:35
Well, you take that mouthful and you put it into Google.
266
737000
3000
Paņemiet sauju šo un ielieciet Googlē.
12:38
Of course, there's no page on the web which has answered that question
267
740000
3000
Protams, tīmeklī nav tādas lapas, kur būtu atbilde uz šo jautājumu,
12:41
because nobody has asked that question before.
268
743000
2000
jo neviens šo jautājumu nav iepriekš uzdevis.
12:43
You get 223,000 hits --
269
745000
2000
Jūs saņemat 223'000 rezultātus,
12:45
no results you can use.
270
747000
2000
nevienu no tiem jūs nevarat pielietot.
12:47
You ask the linked data -- which they've now put together --
271
749000
3000
Jūs pajautājat saistītajiem datiem, ko viņi ir sasaistījuši kopā,
12:50
32 hits, each of which is a protein which has those properties
272
752000
4000
32 rezultāti, katrs no tiem ir olbaltumviela, kam ir šīs īpašības,
12:54
and you can look at.
273
756000
2000
un jūs varat to apskatīties.
12:56
The power of being able to ask those questions, as a scientist --
274
758000
3000
Iespēja uzdot šādus jautājumus, kā zinātniekam,
12:59
questions which actually bridge across different disciplines --
275
761000
2000
jautājumus, kas patiešām sniedzas pāri dažādu jomu robežām
13:01
is really a complete sea change.
276
763000
3000
ir patiešām pilnīga noteikumu maiņa.
13:04
It's very very important.
277
766000
2000
Tas ir ļoti, ļoti svarīgi.
13:06
Scientists are totally stymied at the moment --
278
768000
2000
Zinātniekus šobrīd ļoti kavē tas,
13:08
the power of the data that other scientists have collected is locked up
279
770000
5000
ka citu zinātnieku savākto datu potenciāls ir nepieejams,
13:13
and we need to get it unlocked so we can tackle those huge problems.
280
775000
3000
un mums ir nepieciešams to padarīt pieejamu, lai varētu risināt tos milzīgos uzdevumus.
13:16
Now if I go on like this, you'll think that all the data comes from huge institutions
281
778000
4000
Ja es te tā turpināšu, jūs vēl padomāsit, ka visi dati nāk no milzīgām iestādēm
13:20
and has nothing to do with you.
282
782000
3000
un tam nav nekāda sakara ar jums.
13:23
But, that's not true.
283
785000
2000
Taču tā nav tiesa.
13:25
In fact, data is about our lives.
284
787000
2000
Patiesībā, dati ir mūsu dzīve.
13:27
You just -- you log on to your social networking site,
285
789000
3000
Jūs vienkārši pieslēdzaties savam iecienītajam sociālajam tīklam,
13:30
your favorite one, you say, "This is my friend."
286
792000
2000
jūs sakat, "Šis ir mans draugs."
13:32
Bing! Relationship. Data.
287
794000
3000
Bums! Attiecības. Dati.
13:35
You say, "This photograph, it's about -- it depicts this person. "
288
797000
3000
Jūs sakāt, "Šī fotogrāfija, tā ir par… tajā ir attēlots šis cilvēks."
13:38
Bing! That's data. Data, data, data.
289
800000
3000
Bums! Tie ir dati. Dati, dati, dati.
13:41
Every time you do things on the social networking site,
290
803000
2000
Katru reizi, kad jūs veiciet darbības sociālajā tīklā,
13:43
the social networking site is taking data and using it -- re-purposing it --
291
805000
4000
šis sociālais tīkls ņem šos datus un pielieto tos, pielāgojot mērķim,
13:47
and using it to make other people's lives more interesting on the site.
292
809000
4000
un izmanto tos, lai padarītu citu cilvēku dzīves šai vietnē interesantākas.
13:51
But, when you go to another linked data site --
293
813000
2000
Bet, kad jūs dodaties uz citu saistīto datu mājas lapu,
13:53
and let's say this is one about travel,
294
815000
3000
teiksim, šī ir par ceļošanu,
13:56
and you say, "I want to send this photo to all the people in that group,"
295
818000
3000
un jūs sakāt, "es vēlos nosūtīt šo fotoattēlu visiem cilvēkiem tajā grupā,"
13:59
you can't get over the walls.
296
821000
2000
jūs nevarat pārvarēt sienas.
14:01
The Economist wrote an article about it, and lots of people have blogged about it --
297
823000
2000
Žurnālā The Economist bija raksts par to, un daudzi cilvēki par to ir rakstījuši blogos —
14:03
tremendous frustration.
298
825000
1000
milzīgas neērtības.
14:04
The way to break down the silos is to get inter-operability
299
826000
2000
Veids, kā nojaukt bunkurus ir nonākt pie savstarpējas sadarbošanās
14:06
between social networking sites.
300
828000
2000
starp sociālo tīklu lapām.
14:08
We need to do that with linked data.
301
830000
2000
Mums nepieciešams to paveikt ar saistītajiem datiem.
14:10
One last type of data I'll talk about, maybe it's the most exciting.
302
832000
3000
Pēdējais datu tips, par ko runāšu, iespējams, ir visaizraujošākais.
14:13
Before I came down here, I looked it up on OpenStreetMap
303
835000
3000
Pirms es devos uz šejieni, es uzmeklēju šo vietu OpenStreetMap.
14:16
The OpenStreetMap's a map, but it's also a Wiki.
304
838000
2000
OpenStreetMap ir karte, bet tā ir arī Viki.
14:18
Zoom in and that square thing is a theater -- which we're in right now --
305
840000
3000
Palielini, un šis kvadrāts ir teātris, kurā mēs pašlaik atrodamies,
14:21
The Terrace Theater. It didn't have a name on it.
306
843000
2000
The Terrace Theater. Uz tā nebija rakstīts nosaukums.
14:23
So I could go into edit mode, I could select the theater,
307
845000
2000
Es varu ieiet rediģēšanas režīmā, es varu iezīmēt teātri,
14:25
I could add down at the bottom the name, and I could save it back.
308
847000
5000
es varu pievienot te apakšā nosaukumu un varu to saglabāt.
14:30
And now if you go back to the OpenStreetMap. org,
309
852000
3000
Un tagad, ja jūs dodaties uz OpenStreetMap.org
14:33
and you find this place, you will find that The Terrace Theater has got a name.
310
855000
3000
un uzmeklējat šo vietu, jūs atklāsit, ka The Terrace Theater nu ir piešķirts nosaukums.
14:36
I did that. Me!
311
858000
2000
Es to izdarīju. Es!
14:38
I did that to the map. I just did that!
312
860000
2000
Es to izdarīju uz šīs kartes. Es nupat to izdarīju!
14:40
I put that up on there. Hey, you know what?
313
862000
2000
Es to tur uzliku. Un jūs zināt, ko?
14:42
If I -- that street map is all about everybody doing their bit
314
864000
3000
Ja es… Tā ielu karte rodas, ikvienam sniedzot savu ieguldījumu,
14:45
and it creates an incredible resource
315
867000
3000
un tas rada neiedomājamu resursu,
14:48
because everybody else does theirs.
316
870000
3000
jo ikviens cits arī sniedz savu ieguldījumu.
14:51
And that is what linked data is all about.
317
873000
3000
Lūk, ko nozīmē saistītie dati.
14:54
It's about people doing their bit
318
876000
3000
Tie ir cilvēki, kas katrs sniedz savu ieguldījumu,
14:57
to produce a little bit, and it all connecting.
319
879000
3000
kaut ko mazliet rada un tad to visu apvieno.
15:00
That's how linked data works.
320
882000
3000
Tā darbojas saistītie dati.
15:03
You do your bit. Everybody else does theirs.
321
885000
4000
Jūs paveicat savu daļu. Pārējie paveic savu.
15:07
You may not have lots of data which you have yourself to put on there
322
889000
4000
Jums varbūt nav milzums datu, ko tur izlikt,
15:11
but you know to demand it.
323
893000
3000
taču jūs zināt, kā tos pieprasīt.
15:14
And we've practiced that.
324
896000
2000
Un mēs jau to izmēģinājām.
15:16
So, linked data -- it's huge.
325
898000
4000
Tātad, saistītie dati — tas ir grandiozi.
15:20
I've only told you a very small number of things
326
902000
3000
Esmu jums pastāstījis tikai par nelielu skaitu piemēru.
15:23
There are data in every aspect of our lives,
327
905000
2000
Katrā mūsu dzīves aspektā ir kādi dati,
15:25
every aspect of work and pleasure,
328
907000
3000
katrā darba un izklaides aspektā,
15:28
and it's not just about the number of places where data comes,
329
910000
3000
un nav runa tikai par avotu skaitu, no kurienes dati rodas,
15:31
it's about connecting it together.
330
913000
3000
runa ir par to sasaistīšanu.
15:34
And when you connect data together, you get power
331
916000
3000
Un kad jūs sasaistāt kopā datus, jūs iegūstat tādu spēku,
15:37
in a way that doesn't happen just with the web, with documents.
332
919000
3000
kas nav iegūstams, izmantojot vienkārši tīmekli, ar dokumentiem.
15:40
You get this really huge power out of it.
333
922000
4000
Jūs iegūstat šo patiešām milzīgo spēku.
15:44
So, we're at the stage now
334
926000
3000
Šobrīd mēs esam tādā posmā,
15:47
where we have to do this -- the people who think it's a great idea.
335
929000
4000
kad mums tas ir jādara, cilvēkiem, kuriem tā šķiet lieliska doma.
15:51
And all the people -- and I think there's a lot of people at TED who do things because --
336
933000
3000
Visi cilvēki… Manuprāt, daudzi no TED ir tādi, kas kaut ko dara tāpēc, ka,
15:54
even though there's not an immediate return on the investment
337
936000
2000
lai gan ieguldījums nesniedz tūlītēju atdevi,
15:56
because it will only really pay off when everybody else has done it --
338
938000
3000
jo tas patiešām atmaksāsies vien tad, kad iesaistīsies arī citi,
15:59
they'll do it because they're the sort of person who just does things
339
941000
4000
viņi darīs to tāpēc, ka ir tādas dabas cilvēki, kas vienkārši dara lietas,
16:03
which would be good if everybody else did them.
340
945000
3000
kuras būs labas, ja ikviens cits darīs tāpat.
16:06
OK, so it's called linked data.
341
948000
2000
Labi, tātad tos sauc par saistītajiem datiem.
16:08
I want you to make it.
342
950000
2000
Es gribu, lai jūs tos veidotu.
16:10
I want you to demand it.
343
952000
2000
Es gribu, lai jus tos pieprasītu.
16:12
And I think it's an idea worth spreading.
344
954000
2000
Un es uzskatu, ka tā ir ideja, kura ir daudzināšanas vērta.
16:14
Thanks.
345
956000
1000
Paldies.
16:15
(Applause)
346
957000
3000
(Aplausi)
ABOUT THE SPEAKER
Tim Berners-Lee - InventorTim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development.
Why you should listen
In the 1980s, scientists at CERN were asking themselves how massive, complex, collaborative projects -- like the fledgling LHC -- could be orchestrated and tracked. Tim Berners-Lee, then a contractor, answered by inventing the World Wide Web. This global system of hypertext documents, linked through the Internet, brought about a massive cultural shift ushered in by the new tech and content it made possible: AOL, eBay, Wikipedia, TED.com...
Berners-Lee is now director of the World Wide Web Consortium (W3C), which maintains standards for the Web and continues to refine its design. Recently he has envisioned a "Semantic Web" -- an evolved version of the same system that recognizes the meaning of the information it carries. He's the 3Com Founders Professor of Engineering in the School of Engineering with a joint appointment in the Department of Electrical Engineering and Computer Science at the Laboratory for Computer Science and Artificial Intelligence (CSAIL) at the MIT, where he also heads the Decentralized Information Group (DIG). He is also a Professor in the Electronics and Computer Science Department at the University of Southampton, UK.
Tim Berners-Lee | Speaker | TED.com