TEDxCaFoscariU
Frederic Kaplan: How to build an information time machine
Φρεντερίκ Καπλάν: Πώς έχτισα μία μηχανή χρόνου πληροφορίας
Filmed:
Readability: 4.5
1,238,053 views
Φανταστείτε να μπορούσατε να σερφάρετε στο Facebook ... από το Μεσαίωνα. Ίσως να μην είναι τόσο απίθανο όσο ακούγεται. Σε μια διασκεδαστική και ενδιαφέρουσα ομιλία, ο ερευνητής και μηχανικός Φρεντερίκ Καπλάν μας δείχνει την Βενετική Μηχανή του Χρόνου, ένα έργο ψηφιοποίησης 80 χιλιομέτρων βιβλίων για τη δημιουργία μιας ιστορικής και γεωγραφικής εξομοίωσης της Βενετίας κατά τη διάρκεια 1000 ετών. (Βιντεοσκοπημένο στο TEDxCaFoscariU.)
Frederic Kaplan - Digital humanities researcher
Frederic Kaplan seeks to digitize vast archives of historical information to make maps that move -- through time. Full bio
Frederic Kaplan seeks to digitize vast archives of historical information to make maps that move -- through time. Full bio
Double-click the English transcript below to play the video.
00:12
This is an image of the planet Earth.
0
285
2893
Αυτή είναι μια εικόνα του πλανήτη Γη.
00:15
It looks very much like the Apollo pictures
1
3178
3093
Μοιάζει πολύ
με τις φωτογραφιές του Απόλλων
με τις φωτογραφιές του Απόλλων
00:18
that are very well known.
2
6271
1611
που είναι πολύ γνωστές.
00:19
There is something different;
3
7882
2070
Υπάρχει κάτι διαφορετικό,
00:21
you can click on it,
4
9952
1447
μπορείτε να κάνετε κλικ πάνω του
00:23
and if you click on it,
5
11399
1198
και αν κάνετε κλικ πάνω του,
00:24
you can zoom in on almost any place on the Earth.
6
12597
3072
μπορείτε να κάνετε ζουμ
σχεδόν οπουδήποτε πάνω στη Γη.
σχεδόν οπουδήποτε πάνω στη Γη.
00:27
For instance, this is a bird's-eye view
7
15669
1999
Για παράδειγμα,
αυτή είναι μια πανοραμική εικόνα
αυτή είναι μια πανοραμική εικόνα
00:29
of the EPFL campus.
8
17668
2666
της πανεπιστημούπολης EPFL.
00:32
In many cases, you can also see
9
20334
2108
Σε πολλές περιπτώσεις,
μπορείτε επίσης να δείτε
μπορείτε επίσης να δείτε
00:34
how a building looks from a nearby street.
10
22442
3740
πώς φαίνεται ένα κτίριο
από έναν κοντινό δρόμο.
από έναν κοντινό δρόμο.
00:38
This is pretty amazing.
11
26182
1422
Αυτό είναι καταπληκτικό.
00:39
But there's something missing in this wonderful tour:
12
27604
3427
Αλλά κάτι λείπει από αυτήν
την υπέροχη περιήγηση:
την υπέροχη περιήγηση:
00:43
It's time.
13
31031
2188
Ο χρόνος.
00:45
i'm not really sure when this picture was taken.
14
33219
3070
Δεν έιμαι σίγουρος για το πότε
τραβήχτηκε αυτή η φωτογραφία.
τραβήχτηκε αυτή η φωτογραφία.
00:48
I'm not even sure it was taken
15
36289
1412
Δεν είμαι καν σίγουρος αν τραβήχτηκε
00:49
at the same moment as the bird's-eye view.
16
37701
6083
την ίδια στιγμή με την πανοραμική εικόνα.
00:55
In my lab, we develop tools
17
43784
2209
Στο εργαστήριο μου, δημιουργούμε εργαλεία
00:57
to travel not only in space
18
45993
1764
για να ταξιδεύουμε όχι μόνο στο χώρο
00:59
but also through time.
19
47757
2558
αλλά και στο χρόνο.
01:02
The kind of question we're asking is
20
50315
1870
Το ερώτημα που θέτουμε είναι
01:04
Is it possible to build something
21
52185
1393
είναι δυνατόν να φτιάξουμε κάτι
01:05
like Google Maps of the past?
22
53578
2178
σαν τους χάρτες Google του παρελθόντος;
01:07
Can I add a slider on top of Google Maps
23
55756
3310
Μπορώ να προσθέσω έναν ολισθητή
πάνω στους χάρτες Google
πάνω στους χάρτες Google
01:11
and just change the year,
24
59066
1803
και να αλλάζω μόνο το έτος,
01:12
seeing how it was 100 years before,
25
60869
1791
βλέποντας πώς ήταν 100 χρόνια πριν,
01:14
1,000 years before?
26
62660
1669
1000 χρόνια πριν;
01:16
Is that possible?
27
64329
2123
Είναι δυνατόν αυτό;
01:18
Can I reconstruct social networks of the past?
28
66452
2252
Μπορώ να ανακατασκευάσω
τα κοινωνικά δίκτυα του παρελθόντος;
τα κοινωνικά δίκτυα του παρελθόντος;
01:20
Can I make a Facebook of the Middle Ages?
29
68704
3049
Μπορώ να φτίαξω
ένα Facebook του Μεσαίωνα;
ένα Facebook του Μεσαίωνα;
01:23
So, can I build time machines?
30
71753
3776
Μπορώ λοιπόν να φτιάξω
μηχανές του χρόνου;
μηχανές του χρόνου;
01:27
Maybe we can just say, "No, it's not possible."
31
75529
2565
Ισως μπορούμε απλώς να πούμε,
«Όχι, δεν είναι δυνατόν».
«Όχι, δεν είναι δυνατόν».
01:30
Or, maybe, we can think of it from an information point of view.
32
78094
3810
Ή να το σκεφτούμε
από τη σκοπιά της πληροφορίας.
από τη σκοπιά της πληροφορίας.
01:33
This is what I call the information mushroom.
33
81904
3190
Αυτό το ονομάζω
το μανιτάρι της πληροφορίας.
το μανιτάρι της πληροφορίας.
01:37
Vertically, you have the time.
34
85094
1583
Κάθετα, έχετε το χρόνο,
01:38
and horizontally, the amount of digital information available.
35
86677
2740
και οριζόντια, έχετε την ποσότητα
των διαθέσιμων ψηφιακών πληροφοριών.
των διαθέσιμων ψηφιακών πληροφοριών.
01:41
Obviously, in the last 10 years, we have much information.
36
89417
3482
Προφανώς, τα τελευταία 10 χρόνια,
έχουμε πολλές πληροφορίες.
έχουμε πολλές πληροφορίες.
01:44
And obviously the more we go in the past, the less information we have.
37
92899
3548
Και όσο πιο πίσω πάμε στο παρελθόν,
τόσο λιγότερες πληροφορίες έχουμε.
τόσο λιγότερες πληροφορίες έχουμε.
01:48
If we want to build something like Google Maps of the past,
38
96447
2318
Αν θέλουμε να φτιάξουμε κάτι σαν
τους χάρτες Google του παρελθόντος,
τους χάρτες Google του παρελθόντος,
01:50
or Facebook of the past,
39
98765
1494
ή το Facebook του παρελθόντος,
01:52
we need to enlarge this space,
40
100259
1574
πρέπει να μεγαλώσουμε αυτόν τον χώρο,
01:53
we need to make that like a rectangle.
41
101833
1938
πρέπει να τον κάνουμε ορθογώνιο.
01:55
How do we do that?
42
103771
1510
Πώς το κάνουμε αυτό;
01:57
One way is digitization.
43
105281
2098
Ένας τρόπος είναι η ψηφιοποίηση.
01:59
There's a lot of material available --
44
107395
1779
Υπάρχει πολύ διαθέσιμο υλικό --
02:01
newspaper, printed books, thousands of printed books.
45
109190
6270
εφημερίδες, τυπωμένα βιβλία,
χιλίαδες τυπωμένα βιβλία.
χιλίαδες τυπωμένα βιβλία.
02:07
I can digitize all these.
46
115460
1768
Μπορώ να τα ψηφιοποιήσω όλα αυτά.
02:09
I can extract information from these.
47
117228
2737
Μπορώ να εξάγω πληροφορίες από αυτά.
02:11
Of course, the more you go in the past,
the less information you will have.
the less information you will have.
48
119965
3543
Βέβαια, όσο πηγαίνουμε στο παρελθόν,
τόσο λιγότερες πληροφορίες έχουμε.
τόσο λιγότερες πληροφορίες έχουμε.
02:15
So, it might not be enough.
49
123508
2646
Οπότε μπορεί να μην είναι αρκετά.
02:18
So, I can do what historians do.
50
126154
2408
Έτσι μπορώ να κάνω
ότι κάνουν και οι ιστορικοί.
ότι κάνουν και οι ιστορικοί.
02:20
I can extrapolate.
51
128562
1524
Μπορώ να προεκτείνω.
02:22
This is what we call, in computer science, simulation.
52
130086
4470
Αυτό είναι που ονομάζουμε εξωμοίωση
στην επιστήμη των υπολογιστών.
στην επιστήμη των υπολογιστών.
02:26
If I take a log book,
53
134556
1751
Αν πάρω ένα ημερολόγιο,
02:28
I can consider, it's not just a log book
54
136307
2404
Μπορώ να θεωρήσω,
ότι δεν είναι μόνο ένα ημερολόγιο
ότι δεν είναι μόνο ένα ημερολόγιο
02:30
of a Venetian captain going to a particular journey.
55
138711
2972
ενός Βενετού καπετάνιου
που κάνει ένα συγκεκριμένο ταξίδι.
που κάνει ένα συγκεκριμένο ταξίδι.
02:33
I can consider it is actually a log book
56
141683
1643
Μπορώ να θεωρήσω ως ένα ημερολόγιο
02:35
which is representative of
many journeys of that period.
many journeys of that period.
57
143326
2582
αντιπροσωπευτικό πολλών ταξιδιών
εκείνης της περιόδου.
εκείνης της περιόδου.
02:37
I'm extrapolating.
58
145908
2245
Προεκτείνω.
02:40
If I have a painting of a facade,
59
148153
2038
Αν έχω έναν πίνακα μιας πρόσοψης,
02:42
I can consider it's not just that particular building,
60
150191
2751
μπορώ να θεωρήσω ότι δεν είναι
μόνο το συγκεκριμένο κτίριο,
μόνο το συγκεκριμένο κτίριο,
02:44
but probably it also shares the same grammar
61
152942
3932
αλλά πιθανώς να έχει
την ίδια γραμματική
την ίδια γραμματική
02:48
of buildings where we lost any information.
62
156874
4041
με κτίρια για τα οποία έχουμε
χάσει κάποιες πληροφορίες.
χάσει κάποιες πληροφορίες.
02:52
So if we want to construct a time machine,
63
160915
2858
Έτσι, αν θέλουμε να κατασκευάσουμε
μια μηχανή του χρόνου,
μια μηχανή του χρόνου,
02:55
we need two things.
64
163773
1339
χρειαζόμαστε δύο πράγματα.
02:57
We need very large archives,
65
165112
2234
Χρειαζόμαστε πολύ μεγάλα αρχεία,
02:59
and we need excellent specialists.
66
167346
2742
και χρειαζόμαστε εξαιρετικούς ειδικούς.
03:02
The Venice Time Machine,
67
170088
1874
Η Μηχανή του Χρόνου της Βενετίας,
03:03
the project I'm going to talk to you about,
68
171962
1805
το πρόγραμμα για το οποίο θα σας μιλήσω,
03:05
is a joint project between the EPFL
69
173767
3020
είναι ένα κοινό πρόγραμμα
μεταξύ του EPFL
μεταξύ του EPFL
03:08
and the University of Venice Ca'Foscari.
70
176787
2978
και του πανεπιστημίου
της Βενετίας Ca'Foscari.
της Βενετίας Ca'Foscari.
03:11
There's something very peculiar about Venice,
71
179765
2165
Υπάρχει κάτι πολύ περίεργο με τη Βενετία,
03:13
that its administration has been
72
181930
2674
ότι η διοίκησή της ήταν
03:16
very, very bureaucratic.
73
184604
2194
πάρα πολύ γραφειοκρατική.
03:18
They've been keeping track of everything,
74
186798
2193
Έχουν καταγράψει τα πάντα,
03:20
almost like Google today.
75
188991
2915
σχεδόν σαν την Google σήμερα.
03:23
At the Archivio di Stato,
76
191906
1514
Στο Archivio di Stato,
03:25
you have 80 kilometers of archives
77
193420
1764
έχετε 80 χιλιόμετρα αρχείων
03:27
documenting every aspect
78
195184
2009
που καταγράφουν κάθε πτυχή
03:29
of the life of Venice over
more than 1,000 years.
more than 1,000 years.
79
197193
2246
της ζωής στη Βενετία
για πάνω από 1.000 χρόνια.
για πάνω από 1.000 χρόνια.
03:31
You have every boat that goes out,
80
199439
1920
Έχετε κάθε πλοίο που βγαίνει,
03:33
every boat that comes in.
81
201359
1076
κάθε πλοίο που μπαίνει.
03:34
You have every change that was made in the city.
82
202435
2797
Έχετε κάθε αλλαγή
που έχει γίνει στην πόλη.
που έχει γίνει στην πόλη.
03:37
This is all there.
83
205232
3291
Είναι όλα εκεί.
03:40
We are setting up a 10-year digitization program
84
208523
3908
Στήνουμε ένα 10ετές
πρόγραμμα ψηφιοποίησης
πρόγραμμα ψηφιοποίησης
03:44
which has the objective of transforming
85
212431
1677
που έχει σκοπό να μετατρέψει
03:46
this immense archive
86
214108
1384
αυτό το αχανές αρχείο
03:47
into a giant information system.
87
215492
2426
σε ένα γιγάντιο σύστημα πληροφοριών.
03:49
The type of objective we want to reach
88
217918
1857
Το είδος του στόχου
που θέλουμε να φτάσουμε
που θέλουμε να φτάσουμε
03:51
is 450 books a day that can be digitized.
89
219775
4726
είναι η ψηφιοποίηση
450 βιβλίων την ημέρα.
450 βιβλίων την ημέρα.
03:56
Of course, when you digitize, that's not enough,
90
224501
2247
Βέβαια, η ψηφιοποίηση δεν είναι αρκετή,
03:58
because these documents,
91
226748
1287
γιατί αυτά τα αρχεία,
04:00
most of them are in Latin, in Tuscan,
92
228035
2639
είναι κυρίως γραμμένα
στα Λατινικά, στα Τοσκανικά
στα Λατινικά, στα Τοσκανικά
04:02
in Venetian dialect,
93
230689
1515
στην Βενετική διάλεκτο,
04:04
so you need to transcribe them,
94
232204
1675
οπότε πρέπει να τα αντιγράψουμε,
04:05
to translate them in some cases,
95
233879
1681
να τα μεταφράσουμε
σε κάποιες περιπτώσεις,
σε κάποιες περιπτώσεις,
04:07
to index them,
96
235560
1120
να τα καταχωρήσουμε
04:08
and this is obviously not easy.
97
236680
2164
και αυτό προφανώς δεν είναι εύκολο.
04:10
In particular, traditional optical
character recognition method
character recognition method
98
238844
3844
Συγκεκριμένα, η παραδοσιακή οπτική
μέθοδος αναγνώρισης χαρακτήρων
μέθοδος αναγνώρισης χαρακτήρων
04:14
that can be used for printed manuscripts,
99
242688
1424
που μπορεί να χρησιμοποιηθεί
σε τυπωμένα κείμενα,
σε τυπωμένα κείμενα,
04:16
they do not work well on the handwritten document.
100
244112
4004
δεν λειτουργεί καλά
σε χειρόγραφα κείμενα.
σε χειρόγραφα κείμενα.
04:20
So the solution is actually to take inspiration
101
248116
2130
Οπότε η λύση είναι να εμπνευστούμε
04:22
from another domain: speech recognition.
102
250246
2901
από έναν άλλο τομέα:
την αναγνώριση φωνής.
την αναγνώριση φωνής.
04:25
This is a domain of something
that seems impossible,
that seems impossible,
103
253147
2055
Ένας τομέας που μπορεί να φαίνεται αδύνατος,
04:27
which can actually be done,
104
255202
2537
αλλά που μπορεί να γίνει,
04:29
simply by putting additional constraints.
105
257739
2194
απλά βάζοντας επιπλέον περιορισμούς.
04:31
If you have a very good model
106
259933
1586
Αν έχετε ένα πολύ καλό μοντέλο
04:33
of a language which is used,
107
261519
1526
της γλώσσας που χρησιμοποιείται,
04:35
if you have a very good model of a document,
108
263045
2086
αν έχετε ένα πολύ
καλό μοντέλο ενός εγγράφου,
καλό μοντέλο ενός εγγράφου,
04:37
how well they are structured.
109
265131
1432
πόσο καλά δομημένα είναι.
04:38
And these are administrative documents.
110
266563
1353
Και αυτά είναι διοικητικά έγγραφα.
04:39
They are well structured in many cases.
111
267931
2132
Είναι καλά δομημένα
σε πολλές περιπτώσεις.
σε πολλές περιπτώσεις.
04:42
If you divide this huge archive into smaller subsets
112
270063
3308
Αν χωρίσετε αυτό το τεράστιο αρχείο
σε μικρότερα υποσύνολα
σε μικρότερα υποσύνολα
04:45
where a smaller subset
actually shares similar features,
actually shares similar features,
113
273371
2877
όπου ένα μικρότερο υποσύνολο
μοιράζεται παρόμοια στοιχεία,
μοιράζεται παρόμοια στοιχεία,
04:48
then there's a chance of success.
114
276248
4031
τότε υπάρχει πιθανότητα επιτυχίας.
04:54
If we reach that stage, then there's something else:
115
282761
2435
Αν φτάσουμε αυτό το στάδιο,
τότε υπάρχει κάτι άλλο:
τότε υπάρχει κάτι άλλο:
04:57
we can extract from this document events.
116
285196
3522
μπορούμε να εξάγουμε συμβάντα
από αυτά τα έγγραφα.
από αυτά τα έγγραφα.
05:00
Actually probably 10 billion events
117
288718
2298
Και μάλιστα, περίπου
10 δισεκατομμύρια συμβάντα
10 δισεκατομμύρια συμβάντα
05:03
can be extracted from this archive.
118
291016
1931
μπορούν να εξαχθούν από αυτό το αρχείο.
05:04
And this giant information system
119
292947
1724
και σε αυτό το γιγάντιο
σύστημα πληροφοριών
σύστημα πληροφοριών
05:06
can be searched in many ways.
120
294671
1816
μπορεί να γίνει αναζήτηση
με πολλούς τρόπους.
με πολλούς τρόπους.
05:08
You can ask questions like,
121
296487
1368
Μπορείτε να κάνετε ερωτήσεις όπως,
05:09
"Who lived in this palazzo in 1323?"
122
297855
2760
«Ποιος έμενε σ'αυτό
το παλάτσο το 1323;»
το παλάτσο το 1323;»
05:12
"How much cost a sea bream at the Realto market
123
300615
2222
«Πόσο κόστιζε ένα φαγκρί
στην αγορά Ρεάλτο
στην αγορά Ρεάλτο
05:14
in 1434?"
124
302837
1724
το 1434;»
05:16
"What was the salary
125
304561
1460
«Πόσος ήταν ο μισθός
05:18
of a glass maker in Murano
126
306021
2045
ενός υαλοποιού στο Μουράνο
05:20
maybe over a decade?"
127
308066
1406
ίσως κατά τη διάρκεια μιας δεκαετίας;»
05:21
You can ask even bigger questions
128
309472
1422
Μπορείτε να κάνετε ακόμη
μεγαλύτερες ερωτήσεις
μεγαλύτερες ερωτήσεις
05:22
because it will be semantically coded.
129
310894
2738
επειδή θα είναι σημασιολογικά
κωδικοποιημένα.
κωδικοποιημένα.
05:25
And then what you can do is put that in space,
130
313632
2140
Και μετά μπορείτε να τα βάλετε στον χώρο,
05:27
because much of this information is spatial.
131
315772
2173
γιατί πολλές από αυτές
τις πληροφορίες είναι χωρικές.
τις πληροφορίες είναι χωρικές.
05:29
And from that, you can do things like
132
317945
1935
Και από αυτό, μπορείτε
να κάνετε πράγματα όπως
να κάνετε πράγματα όπως
05:31
reconstructing this extraordinary journey
133
319880
2113
την αναδόμηση αυτού
του εξωπραγματικού ταξιδιού
του εξωπραγματικού ταξιδιού
05:33
of that city that managed to
have a sustainable development
have a sustainable development
134
321993
3356
εκείνης της πόλης που κατάφερε
να έχει μια βιώσιμη ανάπτυξη
να έχει μια βιώσιμη ανάπτυξη
05:37
over a thousand years,
135
325349
2126
για πάνω από χίλια χρόνια,
05:39
managing to have all the time
136
327475
1620
καταφέρνοντας να έχει
όλο αυτό το διάστημα
όλο αυτό το διάστημα
05:41
a form of equilibrium with its environment.
137
329095
2861
μια μορφή ισορροπίας με το περιβάλλον.
05:43
You can reconstruct that journey,
138
331956
1248
Μπορείτε να αναδομήσετε αυτό το ταξίδι,
05:45
visualize it in many different ways.
139
333204
2896
να το οπτικοποιήσετε
με πολλούς διαφορετικούς τρόπους.
με πολλούς διαφορετικούς τρόπους.
05:48
But of course, you cannot understand
Venice if you just look at the city.
Venice if you just look at the city.
140
336100
2699
Αλλά φυσικά, δεν μπορείτε να καταλάβετε
τη Βενετία βλέποντας μόνο την πόλη.
τη Βενετία βλέποντας μόνο την πόλη.
05:50
You have to put it in a larger European context.
141
338799
2396
Πρέπει να τη βάλετε σε ένα μεγαλύτερο
Ευρωπαϊκό υπόβαθρο.
Ευρωπαϊκό υπόβαθρο.
05:53
So the idea is also to document all the things
142
341195
2821
Έτσι η ιδέα είναι επίσης να καταγράψουμε
όλα αυτά τα πράγματα
όλα αυτά τα πράγματα
05:56
that worked at the European level.
143
344016
2423
που δούλευαν σε Ευρωπαϊκό επίπεδο.
05:58
We can reconstruct also the journey
144
346439
1964
Μπορούμε επίσης να αναδομήσουμε το ταξίδι
06:00
of the Venetian maritime empire,
145
348403
1990
της Βενετικής ναυτικής αυτοκρατορίας,
06:02
how it progressively controlled the Adriatic Sea,
146
350393
3166
πώς προοδευτικά έλεγχε
την Αδριατική Θάλασσα,
την Αδριατική Θάλασσα,
06:05
how it became the most powerful medieval empire
147
353559
3746
πώς έγινε η ισχυρότερη
μεσαιωνική αυτοκρατορία
μεσαιωνική αυτοκρατορία
06:09
of its time,
148
357305
1561
της εποχής της,
06:10
controlling most of the sea routes
149
358866
2172
ελέγχοντας τις περισσότερες
θαλάσσιες διαδρομές
θαλάσσιες διαδρομές
06:13
from the east to the south.
150
361038
2933
από την ανατολή έως το νότο.
06:17
But you can even do other things,
151
365305
2316
Αλλά μπορείτε να κάνετε
ακόμα κι άλλα πράγματα,
ακόμα κι άλλα πράγματα,
06:19
because in these maritime routes,
152
367621
2277
γιατί σ'αυτές τις θαλάσσιες διαδρομές,
06:21
there are regular patterns.
153
369898
1975
υπάρχουν επαναλαμβανόμενα μοτίβα.
06:23
You can go one step beyond
154
371889
2493
Μπορείτε να πάτε ένα βήμα παραπέρα
06:26
and actually create a simulation system,
155
374382
2120
και να δημιουργήσετε
ένα σύστημα εξομοίωσης,
ένα σύστημα εξομοίωσης,
06:28
create a Mediterranean simulator
156
376502
2815
να δημιουργήσετε
έναν Μεσογειακό εξομοιωτή
έναν Μεσογειακό εξομοιωτή
06:31
which is capable actually of reconstructing
157
379317
2593
που να είναι ικανός να αναδομεί
06:33
even the information we are missing,
158
381910
2202
ακόμα και τις πληροφορίες που λείπουν,
06:36
which would enable us to have
questions you could ask
questions you could ask
159
384112
2988
το οποίο θα μας επέτρεπε
να κάνουμε ερωτήσεις
να κάνουμε ερωτήσεις
06:39
like if you were using a route planner.
160
387100
2988
όπως αν χρησιμοποιούσατε
έναν σχεδιαστή διαδρομών.
έναν σχεδιαστή διαδρομών.
06:42
"If I am in Corfu in June 1323
161
390088
3071
«Αν είμαι στην Κέρκυρα
τον Ιούνιο του 1323
τον Ιούνιο του 1323
06:45
and want to go to Constantinople,
162
393159
2526
και θέλω να πάω
στην Κωνσταντινούπολη,
στην Κωνσταντινούπολη,
06:47
where can I take a boat?"
163
395685
2143
από πού μπορώ να πάρω ένα καράβι;»
06:49
Probably we can answer this question
164
397828
1367
Πιθανώς να μπορούμε να απαντήσουμε
σ'αυτήν την ερώτηση
σ'αυτήν την ερώτηση
06:51
with one or two or three days' precision.
165
399195
4473
με ακρίβεια δύο ή τριών ημερών.
06:55
"How much will it cost?"
166
403668
1607
«Πόσο θα κοστίσει;»
06:57
"What are the chance of encountering pirates?"
167
405275
3592
«Ποια είναι η πιθανότητα
να συναντήσουμε πειρατές;»
να συναντήσουμε πειρατές;»
07:00
Of course, you understand,
168
408867
1811
Φυσικά, καταλαβαίνετε,
07:02
the central scientific challenge
of a project like this one
of a project like this one
169
410678
2609
η κεντρική επιστημονική
πρόκληση ενός τέτοιου έργου
πρόκληση ενός τέτοιου έργου
07:05
is qualifying, quantifying and representing
170
413287
3729
είναι ο χαρακτηρισμός,
η ποσοτικοποίηση και η παρουσίαση
η ποσοτικοποίηση και η παρουσίαση
07:09
uncertainty and inconsistency
at each step of this process.
at each step of this process.
171
417016
3330
της αβεβαιότητας κι της ασυνέπειας
σε κάθε βήμα της διαδικασίας.
σε κάθε βήμα της διαδικασίας.
07:12
There are errors everywhere,
172
420346
2712
Υπάρχουν παντού σφάλματα,
07:15
errors in the document, it's
the wrong name of the captain,
the wrong name of the captain,
173
423058
2489
σφάλματα στο έγγραφο,
είναι λάθος το όνομα του καπετάνιου,
είναι λάθος το όνομα του καπετάνιου,
07:17
some of the boats never actually took to sea.
174
425547
3213
κάποια πλοία δεν βγήκαν
ποτέ στη θάλασσα.
ποτέ στη θάλασσα.
07:20
There are errors in translation, interpretative biases,
175
428760
4857
Υπάρχουν σφάλματα στη μετάφραση,
ερμηνευτικές προκαταλήψεις,
ερμηνευτικές προκαταλήψεις,
07:25
and on top of that, if you add algorithmic processes,
176
433624
3466
και επιπλέον, αν προσθέσετε
τις αλγοριθμικές διαδικασίες,
τις αλγοριθμικές διαδικασίες,
07:29
you're going to have errors in recognition,
177
437090
2949
θα έχετε σφάλματα στην αναγνώριση,
07:32
errors in extraction,
178
440039
1961
σφάλματα στην εξαγωγή,
07:34
so you have very, very uncertain data.
179
442000
4481
έτσι έχετε πάρα πολύ αβέβαια στοιχεία.
07:38
So how can we detect and
correct these inconsistencies?
correct these inconsistencies?
180
446481
3757
Πώς λοιπόν μπορούμε να ανακαλύψουμε
και να διορθώσουμε αυτές τις ασυνέπειες;
και να διορθώσουμε αυτές τις ασυνέπειες;
07:42
How can we represent that form of uncertainty?
181
450238
3660
Πώς μπορούμε να παρουσιάσουμε
αυτού του είδους την αβεβαιότητα;
αυτού του είδους την αβεβαιότητα;
07:45
It's difficult. One thing you can do
182
453898
2097
Είναι δύσκολο.
Ένα πράγμα που μπορείτε να κάνετε
Ένα πράγμα που μπορείτε να κάνετε
07:47
is document each step of the process,
183
455995
2226
είναι να καταγράψετε
κάθε βήμα της διαδικασίας,
κάθε βήμα της διαδικασίας,
07:50
not only coding the historical information
184
458221
2448
όχι μόνο κωδικοποιώντας
τις ιστορικές πληροφορίες
τις ιστορικές πληροφορίες
07:52
but what we call the meta-historical information,
185
460669
2679
αλλά αυτό που ονομάζουμε
τις μετα-ιστορικές πληροφορίες,
τις μετα-ιστορικές πληροφορίες,
07:55
how is historical knowledge constructed,
186
463348
2663
πώς κατασκευάζεται η ιστορική γνώση,
07:58
documenting each step.
187
466011
1998
τεκμηριώνοντας κάθε βήμα.
08:00
That will not guarantee that we actually converge
188
468009
1645
Αυτό δεν μας εγγυάται ότι συγκλίνουμε
08:01
toward a single story of Venice,
189
469654
2450
σε μια μοναδική ιστορία της Βενετίας,
08:04
but probably we can actually reconstruct
190
472104
2138
αλλά πιθανώς να μπορούμε
να αναδομήσουμε
να αναδομήσουμε
08:06
a fully documented potential story of Venice.
191
474242
3048
μια πλήρως τεκμηριωμένη
πιθανή ιστορία της Βενετίας.
πιθανή ιστορία της Βενετίας.
08:09
Maybe there's not a single map.
192
477290
1459
Ίσως να μην υπάρχει ένας μόνο χάρτης.
08:10
Maybe there are several maps.
193
478749
2120
Ίσως να υπάρχουν αρκετοί χάρτες.
08:12
The system should allow for that,
194
480869
2216
Το σύστημα πρέπει να το επιτρέπει αυτό,
08:15
because we have to deal with
a new form of uncertainty,
a new form of uncertainty,
195
483085
2859
γιατί έχουμε να αντιμετωπίσουμε
μια νέα μορφή αβεβαιότητας,
μια νέα μορφή αβεβαιότητας,
08:17
which is really new for this type of giant databases.
196
485944
4641
που είναι πραγματικά καινούργια γι'αυτό
το είδος γιγάντιας βάσης δεδομένων.
το είδος γιγάντιας βάσης δεδομένων.
08:22
And how should we communicate
197
490585
2190
Και πώς θα έπρεπε να επικοινωνήσουμε
08:24
this new research to a large audience?
198
492790
3979
αυτή τη νέα έρευνα σε ένα μεγάλο κοινό;
08:28
Again, Venice is extraordinary for that.
199
496769
2663
Πάλι, η Βενετία είναι
αξιοσημείωτη για αυτό.
αξιοσημείωτη για αυτό.
08:31
With the millions of visitors that come every year,
200
499432
2171
Με τα εκατομμύρια επισκεπτών
που έρχονται κάθε χρόνο,
που έρχονται κάθε χρόνο,
08:33
it's actually one of the best places
201
501603
1763
είναι πραγματικά
ένα από τα καλύτερα μέρη
ένα από τα καλύτερα μέρη
08:35
to try to invent the museum of the future.
202
503366
2988
για να προσπαθήσουμε
να εφευρέσουμε το μουσείο του μέλλοντος.
να εφευρέσουμε το μουσείο του μέλλοντος.
08:38
Imagine, horizontally you see the reconstructed map
203
506354
3304
Φανταστείτε, οριζόντια βλέπετε
τον ανακατασκευασμένο χάρτη
τον ανακατασκευασμένο χάρτη
08:41
of a given year,
204
509658
1286
ενός δεδομένου έτους.
08:42
and vertically, you see the document
205
510944
2958
και κάθετα βλέπετε το έγγραφο
08:45
that served the reconstruction,
206
513902
1511
που εξυπηρέτησε την αναδόμηση,
08:47
paintings, for instance.
207
515413
3400
πίνακες για παράδειγμα.
08:50
Imagine an immersive system that permits
208
518813
2580
Φανταστείτε ένα σύστημα
εμβύθισης που μας επιτρέπει
εμβύθισης που μας επιτρέπει
08:53
to go and dive and reconstruct
the Venice of a given year,
the Venice of a given year,
209
521393
3502
να βουτήξουμε και να αναδομήσουμε
τη Βενετία μιας δεδομένης χρονιάς,
τη Βενετία μιας δεδομένης χρονιάς,
08:56
some experience you could share within a group.
210
524895
2715
μια εμπειρία που μπορείτε
να μοιραστείτε εντός μιας ομάδας.
να μοιραστείτε εντός μιας ομάδας.
08:59
On the contrary, imagine actually that you start
211
527610
2246
Αντίστροφα, φανταστείτε ότι ξεκινάτε
09:01
from a document, a Venetian manuscript,
212
529856
2207
από ένα έγγραφο,
ένα Βενετικό χειρόγραφο,
ένα Βενετικό χειρόγραφο,
09:04
and you show, actually, what
you can construct out of it,
you can construct out of it,
213
532063
3049
και δείχνετε τι μπορείτε
να κατασκευάσετε από αυτό,
να κατασκευάσετε από αυτό,
09:07
how it is decoded,
214
535112
1772
πώς αποκωδικοποιείται,
09:08
how the context of that document can be recreated.
215
536884
2415
πώς το πλαίσιο του εγγράφου
μπορεί να αναδημιουργηθεί.
μπορεί να αναδημιουργηθεί.
09:11
This is an image from an exhibit
216
539299
1885
Αυτή είναι μια εικόνα από μια έκθεση
09:13
which is currently conducted in Geneva
217
541184
2276
που διεξάγεται τώρα στη Γενέυη
09:15
with that type of system.
218
543460
2354
με αυτού του είδους το σύστημα.
09:17
So to conclude, we can say that
219
545814
2175
Εν κατακλείδι λοιπόν,
μπορούμε να πούμε ότι
μπορούμε να πούμε ότι
09:19
research in the humanities is about to undergo
220
547989
3079
η έρευνα στις ανθρωπιστικές επιστήμες
πρόκειται να υποβληθεί
πρόκειται να υποβληθεί
09:23
an evolution which is maybe similar
221
551068
1802
σε μια εξέλιξη πιθανόν παρόμοια
09:24
to what happened to life sciences 30 years ago.
222
552870
4582
με αυτό που συνέβη
στις βιοεπιστήμες πριν 30 χρόνια.
στις βιοεπιστήμες πριν 30 χρόνια.
09:29
It's really a question of scale.
223
557452
4676
Είναι πραγματικά θέμα κλίμακας.
09:34
We see projects which are
224
562130
3303
Βλέπουμε εργασίες που είναι
09:37
much beyond any single research team can do,
225
565433
3843
πολύ πέρα από όσα μπορεί
να καταφέρει μια ερευνητική ομάδα,
να καταφέρει μια ερευνητική ομάδα,
09:41
and this is really new for the humanities,
226
569276
2243
και αυτό είναι πραγματικά νέο
για τις ανθρωπιστικές επιστήμες,
για τις ανθρωπιστικές επιστήμες,
09:43
which very often take the habit of working
227
571519
3869
που πολύ συχνά συνηθίζουν να δουλεύουν
09:47
in small groups or only with a couple of researchers.
228
575388
4008
σε μικρές ομάδες ή μόνο
με έναν-δυο ερευνητές.
με έναν-δυο ερευνητές.
09:51
When you visit the Archivio di Stato,
229
579396
2118
Όταν επισκεφτείτε το Archivio di Stato,
09:53
you feel this is beyond what any single team can do,
230
581514
2822
νιώθετε ότι είναι πέρα από αυτό
που μπορεί να καταφέρει μια μόνο ομάδα,
που μπορεί να καταφέρει μια μόνο ομάδα,
09:56
and that should be a joint and common effort.
231
584336
3834
και ότι θα έπρεπε να είναι
μια από κοινού προσπάθεια.
μια από κοινού προσπάθεια.
10:00
So what we must do for this paradigm shift
232
588170
3106
Αυτό λοιπόν που πρέπει να κάνουμε
για αυτήν την αλλαγή αντίληψης
για αυτήν την αλλαγή αντίληψης
10:03
is actually foster a new generation
233
591276
1902
είναι να μεγαλώσουμε μια νέα γενιά
10:05
of "digital humanists"
234
593178
1537
«ψηφιακών ανθρωπιστών»
10:06
that are going to be ready for this shift.
235
594715
2090
που θα είναι έτοιμοι
για αυτήν την αλλαγή.
για αυτήν την αλλαγή.
10:08
I thank you very much.
236
596805
1959
Σας ευχαριστώ πολύ.
10:10
(Applause)
237
598764
4000
(Χειροκρότημα)
ABOUT THE SPEAKER
Frederic Kaplan - Digital humanities researcherFrederic Kaplan seeks to digitize vast archives of historical information to make maps that move -- through time.
Why you should listen
Frederic Kaplan is the Digital Humanities Chair at Ecole Polytechnique Federale de Lausanne (EPFL) and the EPFL's Digital Humanities Lab Director. Kaplan leads the lab in applying computation to humanities research. His latest project is the Venice Time Machine, a collaborative work archiving 80 kilometers of books from throughout 1000 years of Venetician history. The goal of the time machine is to create an information system which can be searched and mapped. Think of it as a Google Maps for time.
Kaplan holds a PhD in artificial intelligence from the University Paris VI. He lives in Switzerland.
Frederic Kaplan | Speaker | TED.com