TEDxNewYork
Ben Wellington: How we found the worst place to park in New York City -- using big data
بن ولینگتون: ما چگونه بدترین مکان برای پارک خودرو را در شهر نیویورک پیدا میکنیم -- با استفاده از دادههای بزرگ
Filmed:
Readability: 3.7
1,055,247 views
آژانس‌های شهری به دادههای ارزشمند و آمارهایی که بازتاب هر قسمت از زندگی شهری است دسترسی دارند. اما همانطور که بن ولینگتون تحلیل گر داده‌ها در این گفتگو مهیج بیان میکند، گاهی وقت‌ها آنها نمیدانند که با این داده‌ها چکار باید کرد. او نشان میدهد که چگونه ترکیبی از پرسش‌های غیرمنتظره و خرد شدن دادههای هوشمند میتواند بصیرت مفید و عجیبی را ایجاد کند، و همچنین نکته‌هایی را برای نحوه منتشر کردن مجموعه‌های بزرگ داده به منظور استفاده همه مردم بیان میکند.
Ben Wellington - Data scientist
Ben Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data. Full bio
Ben Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data. Full bio
Double-click the English transcript below to play the video.
00:12
Six thousand miles of road,
0
711
2820
۹٫۴۰۰ کیلومتر جاده .
00:15
600 miles of subway track,
1
3531
2203
۹۴۰ کیلومتر مسیر زیرزمینی مترو،
00:17
400 miles of bike lanes
2
5734
1644
۶۴۰ کیلومتر مسیر دوچرخه سواری
00:19
and a half a mile of tram track,
3
7378
1821
و ۸۰۰ مسیر تراموا،
00:21
if you've ever been to Roosevelt Island.
4
9199
1953
اگر شما تابحال به جزیره روزولت رفته باشید را خواهید دید.
00:23
These are the numbers that make up
the infrastructure of New York City.
the infrastructure of New York City.
5
11152
3334
اینها اعدادی هستند که
زیرساخت های شهر نیویورک را تشکیل می دهند.
زیرساخت های شهر نیویورک را تشکیل می دهند.
00:26
These are the statistics
of our infrastructure.
of our infrastructure.
6
14486
2619
اینها آماری از
زیرساخت های شهر ما است.
زیرساخت های شهر ما است.
00:29
They're the kind of numbers you can find
released in reports by city agencies.
released in reports by city agencies.
7
17105
3706
اینها اعداد و ارقامی هستند که در
گزارش‌های آژانس‌های شهری منتشر میشوند
گزارش‌های آژانس‌های شهری منتشر میشوند
00:32
For example, the Department
of Transportation will probably tell you
of Transportation will probably tell you
8
20811
3199
به عنوان مثال، وزارت حمل و نقل احتمالا به شما خواهد گفت
00:36
how many miles of road they maintain.
9
24010
1781
که چند کیلومتر از جاده را نگهداری میکنند.
00:37
The MTA will boast how many miles
of subway track there are.
of subway track there are.
10
25791
2821
مقامات حمل و نقل شهری، از اینکه چندین مایل
مسیر زیرزمینی مترو وجود دارد، به خود می‌بالند
مسیر زیرزمینی مترو وجود دارد، به خود می‌بالند
00:40
Most city agencies give us statistics.
11
28612
1807
بیشتر سازمان‌های شهری به ما آمار میدهند.
00:42
This is from a report this year
12
30419
1483
این گزارشی از سال جاری است
00:43
from the Taxi and Limousine Commission,
13
31902
1892
از نمایندگی تاکسی‌ها و لیموزین‌ها،
00:45
where we learn that there's about
13,500 taxis here in New York City.
13,500 taxis here in New York City.
14
33794
3276
از آن متوجه میشویم که تقریبا ۱۳٫۵۰۰ تاکسی در شهر نیویورک وجود دارد.
00:49
Pretty interesting, right?
15
37070
1290
بسیار جالب توجه است، درسته ؟
00:50
But did you ever think about
where these numbers came from?
where these numbers came from?
16
38360
2784
اما آیا شما تا به حال فکر کرده‌اید که این اعداد از کجا آمده‌اند ؟
00:53
Because for these numbers to exist,
someone at the city agency
someone at the city agency
17
41144
2903
از آنجا که این اعداد باید وجود داشته باشند،
فردی در آژانس‌های شهری
فردی در آژانس‌های شهری
00:56
had to stop and say, hmm, here's a number
that somebody might want want to know.
that somebody might want want to know.
18
44047
3880
باید بایستد و بگوید، اینجا اعدادی هست که
ممکن است کسی بخواهد بداند.
ممکن است کسی بخواهد بداند.
00:59
Here's a number
that our citizens want to know.
that our citizens want to know.
19
47927
2250
در اینجا اعدادی هستند
که شهروندان ما می خواهند بدانند.
که شهروندان ما می خواهند بدانند.
01:02
So they go back to their raw data,
20
50177
1830
بنابراین به دادههای خام خود رجوع کردند،
01:04
they count, they add, they calculate,
21
52007
1797
آنها شمارش کردند، جمع زدند ، آنها محاسبه کردند،
01:05
and then they put out reports,
22
53804
1467
و سپس گزارش‌هایی را ارائه دادند،
01:07
and those reports
will have numbers like this.
will have numbers like this.
23
55271
2177
و آن گزارش‌ها اعدادی مانند این هستند.
01:09
The problem is, how do they know
all of our questions?
all of our questions?
24
57448
2540
مشکل این است که، آنها چگونه تمام پرسش های ما را می دانند؟
01:11
We have lots of questions.
25
59988
1243
ما سوالات زیادی داریم.
01:13
In fact, in some ways there's literally
an infinite number of questions
an infinite number of questions
26
61231
3340
در واقع، میتوان اینطور برداشت کرد که
سوالات بی پایانی وجود دارد
سوالات بی پایانی وجود دارد
01:16
that we can ask about our city.
27
64571
1649
که ما می توانیم در مورد شهرمان بپرسیم.
01:18
The agencies can never keep up.
28
66220
1475
سازمان‌ها هرگز نمی توانند این موضوع را تحمل کنند.
01:19
So the paradigm isn't exactly working,
and I think our policymakers realize that,
and I think our policymakers realize that,
29
67695
4056
بنابراین الگو به طور دقیق کار نمی‌کند،
و من فکر میکنم سیاست‌گذاران ما متوجه آن هستند ،
و من فکر میکنم سیاست‌گذاران ما متوجه آن هستند ،
01:23
because in 2012, Mayor Bloomberg
signed into law what he called
signed into law what he called
30
71751
3959
زیرا در سال ۲۰۱۲، شهردار بلومبرگ
قانونی را به امضا رسانید که
قانونی را به امضا رسانید که
01:27
the most ambitious and comprehensive
open data legislation in the country.
open data legislation in the country.
31
75710
3837
بلند پروازانه‌ترین و جامع‌ترین
قانون داده باز در کشور نام گرفت
قانون داده باز در کشور نام گرفت
01:31
In a lot of ways, he's right.
32
79547
1573
از بسیاری از جهت‌ها او درست میگفت.
01:33
In the last two years,
the city has released 1,000 datasets
the city has released 1,000 datasets
33
81120
2861
در دو سال گذشته،
این شهر ۱٫۰۰۰ مجموعه داده منتشر کرده اند
این شهر ۱٫۰۰۰ مجموعه داده منتشر کرده اند
01:35
on our open data portal,
34
83981
1610
در پورتال داده باز شهر،
01:37
and it's pretty awesome.
35
85591
1764
و این بسیار عالی است.
01:39
So you go and look at data like this,
36
87355
1968
بنابراین شما تنها به داده‌هایی شبیه این نگاه میکنید،
01:41
and instead of just counting
the number of cabs,
the number of cabs,
37
89323
2289
و به جای آنکه فقط تاکسی‌ها را بشماریم ،
01:43
we can start to ask different questions.
38
91612
1943
می توانیم سوالات متفاوتی بپرسیم.
01:45
So I had a question.
39
93555
1200
پس من یک سوال دارم.
01:46
When's rush hour in New York City?
40
94755
1701
ساعت شلوغی در شهر نیویورک چه موقعی است؟
01:48
It can be pretty bothersome.
When is rush hour exactly?
When is rush hour exactly?
41
96456
2581
و این می تواند بسیار مشکل ساز باشد.
ساعت شلوغی دقیقا چه موقعی است؟
ساعت شلوغی دقیقا چه موقعی است؟
01:51
And I thought to myself,
these cabs aren't just numbers,
these cabs aren't just numbers,
42
99037
2625
و من با خودم فکر میکردم،
این تاکسی‌ها فقط اعداد نیستند،
این تاکسی‌ها فقط اعداد نیستند،
01:53
these are GPS recorders
driving around in our city streets
driving around in our city streets
43
101662
2711
اینها دستگاه‌های ضبط GPS می‌باشند
که در اطراف خیابان‌های شهر ما رانندگی میکنند
که در اطراف خیابان‌های شهر ما رانندگی میکنند
01:56
recording each and every ride they take.
44
104373
1913
هر سواری که آنها انجام میدهند ضبط میکنند.
01:58
There's data there,
and I looked at that data,
and I looked at that data,
45
106286
2322
این داده‌ها در آنجا وجود دارند،
و من به آنها نگاه میکنم،
و من به آنها نگاه میکنم،
02:00
and I made a plot of the average speed of
taxis in New York City throughout the day.
taxis in New York City throughout the day.
46
108608
3961
طرحی از سرعت متوسط تاکسی‌ها در شهر نیویورک
در طول روز درنظر را میگیرم.
در طول روز درنظر را میگیرم.
02:04
You can see that from about midnight
to around 5:18 in the morning,
to around 5:18 in the morning,
47
112569
3412
شما می توانید ببینید که از حدود نیمه شب تا
حدود ۵:۱۸ صبح،
حدود ۵:۱۸ صبح،
02:07
speed increases, and at that point,
things turn around,
things turn around,
48
115981
3563
سرعت افزایش میابد، و در آن موقع،
همه چیز تغییر میکند،
همه چیز تغییر میکند،
02:11
and they get slower and slower and slower
until about 8:35 in the morning,
until about 8:35 in the morning,
49
119544
3962
و آنها کندتر و کندتر و کندتر میشوند
تا حدود ۸:۳۵ صبح،
تا حدود ۸:۳۵ صبح،
02:15
when they end up at around
11 and a half miles per hour.
11 and a half miles per hour.
50
123506
2693
زمانی که آنها در حدود سرعت
یازده‌و‌نیم مایل در ساعت متوقف میشوند
یازده‌و‌نیم مایل در ساعت متوقف میشوند
02:18
The average taxi is going 11 and a half
miles per hour on our city streets,
miles per hour on our city streets,
51
126199
3562
متوسط تاکسی که یازده‌و‌نیم
مایل در ساعت در خیابان‌های شهر تردرد میکنند،
مایل در ساعت در خیابان‌های شهر تردرد میکنند،
02:21
and it turns out it stays that way
52
129761
1987
و روشن میشود که آنها به همین وضع باقی می‌مانند
02:23
for the entire day.
53
131748
3368
برای تمام روز.
02:27
(Laughter)
54
135116
1373
(خنده حضار)
02:28
So I said to myself, I guess
there's no rush hour in New York City.
there's no rush hour in New York City.
55
136489
3180
بنابراین به خودم گفتم، حدس می زنم
هیچ ساعت شلوغی در شهر نیویورک وجود ندارد.
هیچ ساعت شلوغی در شهر نیویورک وجود ندارد.
02:31
There's just a rush day.
56
139669
1537
بلکه یک روز شلوغی وجود دارد.
02:33
Makes sense. And this is important
for a couple of reasons.
for a couple of reasons.
57
141206
2850
حس میکنید. و این به دو دلیل مهم است.
02:36
If you're a transportation planner,
this might be pretty interesting to know.
this might be pretty interesting to know.
58
144056
3637
اگر شما یک برنامه ریز حمل و نقل هستید،
بسیار جالب است که بدانید.
بسیار جالب است که بدانید.
02:39
But if you want to get somewhere quickly,
59
147693
1975
اما اگر شما می‌خواهید به سرعت به جایی بروید،
02:41
you now know to set your alarm for
4:45 in the morning and you're all set.
4:45 in the morning and you're all set.
60
149668
3468
میدانید که هشدار ساعت خود را برای ۰۴:۴۵ صبح تنظیم کنید
و البته همه‌ی شما این کار را انجام میدهید.
و البته همه‌ی شما این کار را انجام میدهید.
02:45
New York, right?
61
153136
1044
نیویورکی‌ها، درسته ؟
02:46
But there's a story behind this data.
62
154180
1762
اما پشت این داده‌ها داستانی وجود دارد.
02:47
This data wasn't
just available, it turns out.
just available, it turns out.
63
155942
2185
اگر این داده‌ها در دسترس نبودند
آن وقت روشن میشد.
آن وقت روشن میشد.
02:50
It actually came from something called
a Freedom of Information Law Request,
a Freedom of Information Law Request,
64
158127
3619
در واقع این از چیزی به نام
قانون آزادی اطلاعات به دست می‌آید
قانون آزادی اطلاعات به دست می‌آید
02:53
or a FOIL Request.
65
161746
1076
و یا یک تقاضای FOIL.
02:54
This is a form you can find on the
Taxi and Limousine Commission website.
Taxi and Limousine Commission website.
66
162822
3466
این فرمی است که می‌توانید در
وب سایت نمایندگی تاکسی و لیموزین‌ها پیدا کنید .
وب سایت نمایندگی تاکسی و لیموزین‌ها پیدا کنید .
02:58
In order to access this data,
you need to go get this form,
you need to go get this form,
67
166288
2826
به منظور دسترسی به این داده‌ها،
شما نیاز به دریافت این فرم دارید،
شما نیاز به دریافت این فرم دارید،
03:01
fill it out, and they will notify you,
68
169114
1846
آن را پر کنید، و آنها شما را مطلع میکنند،
03:02
and a guy named Chris Whong
did exactly that.
did exactly that.
69
170960
2130
مردی به نام کریس وانگ
این کار را دقیقا انجام داد.
این کار را دقیقا انجام داد.
03:05
Chris went down, and they told him,
70
173090
1890
کریس رفت، و آنها به او گفتند،
03:06
"Just bring a brand new hard drive
down to our office,
down to our office,
71
174980
2827
"فقط کافی است تا با یک برند جدید هارد دیسک
به دفتر ما بیایی،
به دفتر ما بیایی،
03:09
leave it here for five hours,
we'll copy the data and you take it back."
we'll copy the data and you take it back."
72
177807
3424
آن را را برای پنج ساعت در اینجا بگذاری،
ما داده‌ها را کپی میکنیم و آن را به شما برمیگردانیم. "
ما داده‌ها را کپی میکنیم و آن را به شما برمیگردانیم. "
03:13
And that's where this data came from.
73
181231
2032
و این جایی است که این داده‌ها از آنجا آمده اند
03:15
Now, Chris is the kind of guy
who wants to make the data public,
who wants to make the data public,
74
183263
3005
خوب، کریس از آن دسته افرادی است
که می خواهد اطلاعات در دسترس عموم باشد،
که می خواهد اطلاعات در دسترس عموم باشد،
03:18
and so it ended up online for all to use,
and that's where this graph came from.
and that's where this graph came from.
75
186268
3784
پس آن داده‌ها را آنلاین قرار داد تا همه استفاده کنند،
وبه همین دلیل است که این نمودار ها پدید آمده‌اند.
وبه همین دلیل است که این نمودار ها پدید آمده‌اند.
03:22
And the fact that it exists is amazing.
These GPS recorders -- really cool.
These GPS recorders -- really cool.
76
190052
3518
و واقعیت شگفت‌انگیز این است که
دستگاه‌های ضبط GPS (سامانه موقعیت‌یاب جهانی)- واقعا خوب کار میکنند.
دستگاه‌های ضبط GPS (سامانه موقعیت‌یاب جهانی)- واقعا خوب کار میکنند.
03:25
But the fact that we have citizens
walking around with hard drives
walking around with hard drives
77
193570
3118
این واقعیت است که شهروندانی داریم
که با هارد‌دیسک هایی در اطرف ما حرکت میکنند
که با هارد‌دیسک هایی در اطرف ما حرکت میکنند
03:28
picking up data from city agencies
to make it public --
to make it public --
78
196688
2582
و داده ها را از آژانس‌های شهری جمع کرده
تا آن را به عموم مردم برسانند-
تا آن را به عموم مردم برسانند-
03:31
it was already kind of public,
you could get to it,
you could get to it,
79
199270
2390
این داده‌ها به نوع عمومی بودند ،
شما می توانستید آنها را دریافت کنید،
شما می توانستید آنها را دریافت کنید،
03:33
but it was "public," it wasn't public.
80
201660
1812
اما هرچند"دردسترس" بود ولی عمومی نبود.
03:35
And we can do better than that as a city.
81
203472
1962
به عنوان یک شهر می توانیم بهتر از آن را انجام دهیم.
03:37
We don't need our citizens
walking around with hard drives.
walking around with hard drives.
82
205434
2756
ما نیاز نداریم تا شهروندانمان
در اطراف با هارد دیسک‌هایی راه بروند
در اطراف با هارد دیسک‌هایی راه بروند
03:40
Now, not every dataset
is behind a FOIL Request.
is behind a FOIL Request.
83
208190
2337
اکنون،در پشت تقاضای فویل
هر مجموعه داده‌ای نمی باشد.
هر مجموعه داده‌ای نمی باشد.
03:42
Here is a map I made with the most
dangerous intersections in New York City
dangerous intersections in New York City
84
210527
3802
این نقشه ای است که در مورد خطرناک‌ترین تقاطع‌ها
در شهر نیویورک تهیه کرده ام.
در شهر نیویورک تهیه کرده ام.
03:46
based on cyclist accidents.
85
214329
1878
بر اساس حوادث دوچرخه سواری.
03:48
So the red areas are more dangerous.
86
216207
1939
پس، نواحی قرمز رنگ خطرناک تر می باشند.
03:50
And what it shows is first
the East side of Manhattan,
the East side of Manhattan,
87
218146
2553
و آنچه که در نگاه اول نشان میدهد
بخش شرقی منهتن است،
بخش شرقی منهتن است،
03:52
especially in the lower area of Manhattan,
has more cyclist accidents.
has more cyclist accidents.
88
220699
3611
به خصوص در مناطق پایین تر منهتن،
حوادث دوچرخه سواری بیشتر است.
حوادث دوچرخه سواری بیشتر است.
03:56
That might make sense
89
224310
1019
که ممکن است با معنی باشد
03:57
because there are more cyclists
coming off the bridges there.
coming off the bridges there.
90
225329
2896
زیرا دوچرخه سواران بیشتری
از پل‌های آنجا پایین می‌آیند .
از پل‌های آنجا پایین می‌آیند .
04:00
But there's other hotspots worth studying.
91
228225
2014
اما نقاط دیگر نیز، ارزش آن را دارند که بررسی شوند.
04:02
There's Williamsburg.
There's Roosevelt Avenue in Queens.
There's Roosevelt Avenue in Queens.
92
230239
2669
اینجا ویلیامزبرگ است.
اینجا خیابان روزولت در کویینز است.
اینجا خیابان روزولت در کویینز است.
04:04
And this is exactly the kind of data
we need for Vision Zero.
we need for Vision Zero.
93
232908
2852
و این دقیقا همان نوع داده ای است که
ما برای پروژه دید صفر نیاز داریم.
ما برای پروژه دید صفر نیاز داریم.
04:07
This is exactly what we're looking for.
94
235760
1990
این دقیقا همان چیزی است که به دنبال آن هستیم.
04:09
But there's a story
behind this data as well.
behind this data as well.
95
237750
2135
اما پشت این داده ها نیز، داستانی وجود دارد.
04:11
This data didn't just appear.
96
239885
2067
این داده‌ها همینطوری ظاهر نمی‌شوند.
04:13
How many of you guys know this logo?
97
241952
2391
چند نفر از شما این لوگو را میشناسید؟
04:16
Yeah, I see some shakes.
98
244343
1352
بله، من حرکت‌هایی را میبینم.
04:17
Have you ever tried to copy
and paste data out of a PDF
and paste data out of a PDF
99
245695
2655
آیا شما تاکنون برای کپی کردن
و چسباندن داده از فایلهای پی‌دی‌اف تلاش کرده‌اید
و چسباندن داده از فایلهای پی‌دی‌اف تلاش کرده‌اید
04:20
and make sense of it?
100
248350
1357
و این را حس کرده‌اید؟
04:21
I see more shakes.
101
249707
1060
من حرکت‌هایی بیشتری را میبینم.
04:22
More of you tried copying and pasting
than knew the logo. I like that.
than knew the logo. I like that.
102
250767
3345
بیشتر شما تلاشی بری کپی کردن و چسباندن داده‌ها انجام داده‌اید
پس این لوگو را میشناسید. من آن را دوست دارم.
پس این لوگو را میشناسید. من آن را دوست دارم.
04:26
So what happened is, the data
that you just saw was actually on a PDF.
that you just saw was actually on a PDF.
103
254112
3510
پس آنچه اتفاق می‌افتد این است که آن داده‌ها
به صورت پی‌دی‌اف بودند.
به صورت پی‌دی‌اف بودند.
04:29
In fact, hundreds and hundreds
and hundreds of pages of PDF
and hundreds of pages of PDF
104
257622
3105
در واقع، صدها و صدها و صدها صفحه پی‌دی‌اف
04:32
put out by our very own NYPD,
105
260727
2159
که توسط ادارهٔ پلیس نیویورک قرار داده شده اند ،
04:34
and in order to access it,
you would either have to copy and paste
you would either have to copy and paste
106
262886
3152
و به منظور دسترسی به آن،
شما یا مجبور به کپی و چسباندن داده‌ها هستید
شما یا مجبور به کپی و چسباندن داده‌ها هستید
04:38
for hundreds and hundreds of hours,
107
266038
1726
برای صدها و صدها ساعت،
04:39
or you could be John Krauss.
108
267764
1344
و یا آنکه شما می توانید جان کراس باشید.
04:41
John Krauss was like,
109
269108
1043
جان کراوس شبیه به این بود،
04:42
I'm not going to copy and paste this data.
I'm going to write a program.
I'm going to write a program.
110
270151
3413
من نمی‌خواهم داده‌ها را کپی کنم و بچسبانم.
من می‌خواهم یک برنامه بنویسم.
من می‌خواهم یک برنامه بنویسم.
04:45
It's called the NYPD Crash Data Band-Aid,
111
273564
2288
که کمک رسان سقوط باند دادههای ان‌وای‌پی‌دی نام گرفت ،
04:47
and it goes to the NYPD's website
and it would download PDFs.
and it would download PDFs.
112
275852
3032
و این برنامه به وب سایت ان‌وای‌پی‌دی می رود
و فایلهای پی‌دی‌اف را دریافت میکند.
و فایلهای پی‌دی‌اف را دریافت میکند.
04:50
Every day it would search;
if it found a PDF, it would download it
if it found a PDF, it would download it
113
278884
3126
هر روز آن را جستجو میکند.
و اگر پی‌دی‌اف را پیدا کند، آن را دریافت میکند.
و اگر پی‌دی‌اف را پیدا کند، آن را دریافت میکند.
04:54
and then it would run
some PDF-scraping program,
some PDF-scraping program,
114
282010
2250
و سپس نوعی برنامه تبدیل پی‌دی‌اف را اجرا میکند
04:56
and out would come the text,
115
284260
1336
که خروجی آن فایل متنی است
04:57
and it would go on the Internet,
and then people could make maps like that.
and then people could make maps like that.
116
285596
3565
و آن را بر روی اینترنت قرار میدهد
و سپس مردم می توانند نقشه‌هایی مانند آن را پیدا کنند.
و سپس مردم می توانند نقشه‌هایی مانند آن را پیدا کنند.
05:01
And the fact that the data's here,
the fact that we have access to it --
the fact that we have access to it --
117
289161
3429
این واقعیت که داده‌ها در اینجا هستند،
واین که ما به آنها دسترسی داریم -
واین که ما به آنها دسترسی داریم -
05:04
Every accident, by the way,
is a row in this table.
is a row in this table.
118
292590
2450
هر رویدادی، یک ردیف در این جدول است.
05:07
You can imagine how many PDFs that is.
119
295040
1836
شما می توانید تصور کنید که چقدرفایل پی‌دی‌اف خواهد بود.
05:08
The fact that we
have access to that is great,
have access to that is great,
120
296876
2207
این واقعیت که ما
به آن دسترسی داریم بسیار عالی است،
به آن دسترسی داریم بسیار عالی است،
05:11
but let's not release it in PDF form,
121
299083
2110
اما اجازه دهید آن را در فرم پی‌دی‌اف ایجاد نکنیم ،
05:13
because then we're having our citizens
write PDF scrapers.
write PDF scrapers.
122
301193
2739
چرا که پس از آن ما شهروندانمان را داریم که
مبدل‌های پی‌دی‌اف را مینویسند.
مبدل‌های پی‌دی‌اف را مینویسند.
05:15
It's not the best use
of our citizens' time,
of our citizens' time,
123
303932
2076
البته این بهترین استفاده از
زمان شهروندانمان نیست،
زمان شهروندانمان نیست،
05:18
and we as a city can do better than that.
124
306008
2004
و ما به عنوان یک شهر می‌توانیم کار بهتری انجام دهیم.
05:20
Now, the good news is that
the de Blasio administration
the de Blasio administration
125
308012
2736
در حال حاضر، خبر خوب این است که
دولت بلاسیو
دولت بلاسیو
05:22
actually recently released this data
a few months ago,
a few months ago,
126
310748
2532
به تازگی این داده‌ها را در چند ماه گذشته منتشرکرده است
05:25
and so now we can
actually have access to it,
actually have access to it,
127
313280
2158
پس اکنون ما می‌توانیم
به آین داده‌ها دسترسی داشته باشیم،
به آین داده‌ها دسترسی داشته باشیم،
05:27
but there's a lot of data
still entombed in PDF.
still entombed in PDF.
128
315438
2536
اما دادههای بسیاری وجود دارند که
هنوز در پی‌دی‌اف ها مدفون هستند.
هنوز در پی‌دی‌اف ها مدفون هستند.
05:29
For example, our crime data
is still only available in PDF.
is still only available in PDF.
129
317974
3197
به عنوان مثال، دادههای مربوط به جرم و جنایت
هنوز هم تنها فقط یه صورت پی‌دی‌اف در دسترس است.
هنوز هم تنها فقط یه صورت پی‌دی‌اف در دسترس است.
05:33
And not just our crime data,
our own city budget.
our own city budget.
130
321171
3755
و نه فقط دادههای جرم و جنایت،
بلکه بودجه شهر هم همینطور
بلکه بودجه شهر هم همینطور
05:36
Our city budget is only readable
right now in PDF form.
right now in PDF form.
131
324926
3729
در حال حاضر بودجه شهر ما فقط در فرم پی‌دی‌اف قابل خواندن است.
05:40
And it's not just us
that can't analyze it --
that can't analyze it --
132
328655
2141
و فقط ما نیستیم که نمیتوانیم این داده‌ها را تحلیل کنیم --
05:42
our own legislators
who vote for the budget
who vote for the budget
133
330796
2955
حتی قانون گذاران ما
که برای بودجه رای میدهند
که برای بودجه رای میدهند
05:45
also only get it in PDF.
134
333751
1943
فقط آن را به صورت پی‌دی‌اف دریافت میکنند.
05:47
So our legislators cannot analyze
the budget that they are voting for.
the budget that they are voting for.
135
335694
3844
بنابراین قانونگذاران ما هم نمیتوانند
بودجه‌ای که به آن رای دادند را تجزیه و تحلیل کنند.
بودجه‌ای که به آن رای دادند را تجزیه و تحلیل کنند.
05:51
And I think as a city we can do
a little better than that as well.
a little better than that as well.
136
339538
3608
و فکر می کنم به عنوان یک شهر،
کمی بهتر از آنچه اکنون هست را می توانیم انجام دهیم .
کمی بهتر از آنچه اکنون هست را می توانیم انجام دهیم .
05:55
Now, there's a lot of data
that's not hidden in PDFs.
that's not hidden in PDFs.
137
343146
2488
در حال حاضر، دادههای بسیاری وجود دارد
که در فایلهای پی‌دی‌اف پنهان نیستند.
که در فایلهای پی‌دی‌اف پنهان نیستند.
05:57
This is an example of a map I made,
138
345634
1700
این نمونه‌ای از نقشه‌ای است که من ساخته‌ام
05:59
and this is the dirtiest waterways
in New York City.
in New York City.
139
347334
2926
و این کثیف‌ترین آبراه
در شهر نیویورک است.
در شهر نیویورک است.
06:02
Now, how do I measure dirty?
140
350260
1509
اکنون، چگونه میزان کثیفی را اندازه میگیریم؟
06:03
Well, it's kind of a little weird,
141
351769
1857
خوب، اندکی عجیب و غریب است،
06:05
but I looked at the level
of fecal coliform,
of fecal coliform,
142
353626
2113
اما برای آن، به سطح کلیفرم ته نشین شده نگاه کردم
06:07
which is a measurement of fecal matter
in each of our waterways.
in each of our waterways.
143
355739
3506
که معیار اندازه‌گیری ته‌نشینی
در هر یک از آبراهه‌های شهر است.
در هر یک از آبراهه‌های شهر است.
06:11
The larger the circle,
the dirtier the water,
the dirtier the water,
144
359245
3274
به همان اندازه که دایره بزرگتر است
آلودگی هم بیشتر است،
آلودگی هم بیشتر است،
06:14
so the large circles are dirty water,
the small circles are cleaner.
the small circles are cleaner.
145
362519
3357
بنابراین دایره‌های بزرگ، نماد آب کثیفتر،
و دایره‌های کوچک، نماد آب تمیزتر است.
و دایره‌های کوچک، نماد آب تمیزتر است.
06:17
What you see is inland waterways.
146
365876
1644
آبراه‌های داخلی را می بینید .
06:19
This is all data that was sampled
by the city over the last five years.
by the city over the last five years.
147
367520
3404
این همه داده‌هایی است کهدر پنج سال گذشته
در شهر نمونه برداری شده‌اند.
در شهر نمونه برداری شده‌اند.
06:22
And inland waterways are,
in general, dirtier.
in general, dirtier.
148
370924
2694
و آبراه‌های داخلی،
به طور کلی، آلوده‌تر هستند.
به طور کلی، آلوده‌تر هستند.
06:25
That makes sense, right?
149
373618
1218
حس میکنید، درسته؟
06:26
And the bigger circles are dirty.
And I learned a few things from this.
And I learned a few things from this.
150
374836
3374
و دایره‌های بزرگتر کثیفتر هستند.
و من چند چیز از این یاد گرفتم .
و من چند چیز از این یاد گرفتم .
06:30
Number one: Never swim in anything
that ends in "creek" or "canal."
that ends in "creek" or "canal."
151
378210
3164
شماره یک: هرگز در هر چیزی که در "نهر"
و یا "کانال " به پایان می‌رسد شنا نکنم.
و یا "کانال " به پایان می‌رسد شنا نکنم.
06:33
But number two: I also found
the dirtiest waterway in New York City,
the dirtiest waterway in New York City,
152
381374
4318
اما شماره دو: من همچنین
کثیف ترین آبراهه در شهر نیویورک را پیداکردم،
کثیف ترین آبراهه در شهر نیویورک را پیداکردم،
06:37
by this measure, one measure.
153
385692
1834
با این معیار، و با یک اندازه‌گیری.
06:39
In Coney Island Creek, which is not
the Coney Island you swim in, luckily.
the Coney Island you swim in, luckily.
154
387526
3648
در آبراهه کونی‌آیلند، که خوشبختانه
همان کونی‌آیلندی نیست که شما در آن شنا میکنید .
همان کونی‌آیلندی نیست که شما در آن شنا میکنید .
06:43
It's on the other side.
155
391174
1158
این در سمت دیگر آن است.
06:44
But Coney Island Creek, 94 percent
of samples taken over the last five years
of samples taken over the last five years
156
392332
3878
اما در نهر کونی‌آیلند، 94 درصد
نمونه‌هایی که در پنج سال گذشته گرفته شده است
نمونه‌هایی که در پنج سال گذشته گرفته شده است
06:48
have had fecal levels so high
157
396210
2157
سطح ته‌نشینی بسیار بالایی داشته است
06:50
that it would be against state law
to swim in the water.
to swim in the water.
158
398367
3093
که برخلاف قانون دولت مبنی برای شنا در آب است.
06:53
And this is not the kind of fact
that you're going to see
that you're going to see
159
401460
2729
و این از آن نوع رویدادهایی نیست که
همانطور که شما میبینید
همانطور که شما میبینید
06:56
boasted in a city report, right?
160
404189
1537
در گزارش شهر به آن افتخار کنند، درسته؟
06:57
It's not going to be
the front page on nyc.gov.
the front page on nyc.gov.
161
405726
2250
و این در صفحه اول سایت nyc.gov نخواهد بود.
06:59
You're not going to see it there,
162
407976
1580
شما قرار نیست آن را در آنجا ببینید،
07:01
but the fact that we can get
to that data is awesome.
to that data is awesome.
163
409556
2518
اما این واقعیت که می توانیم داده‌ها را دریافت کنیم
بسیار باورنکردنی است.
بسیار باورنکردنی است.
07:04
But once again, it wasn't super easy,
164
412074
1773
اما بار دیگر، خیلی آسان هم نیست،
07:05
because this data was not
on the open data portal.
on the open data portal.
165
413847
2358
چرا که این داده ها در پورتال داده باز نبودند.
07:08
If you were to go to the open data portal,
166
416205
2013
اگر شما به پورتال داده باز برای گرفتن آنها میرفتید،
07:10
you'd see just a snippet of it,
a year or a few months.
a year or a few months.
167
418218
2613
شما فقط یک قطعه از آن را می‌دیدید،
شاید یک سال و یا چند ماه
شاید یک سال و یا چند ماه
07:12
It was actually on the Department
of Environmental Protection's website.
of Environmental Protection's website.
168
420831
3390
اما در حقیقت، آنها در وب سایت وزارت
حفاظت از محیط زیست بودند
حفاظت از محیط زیست بودند
07:16
And each one of these links is an Excel
sheet, and each Excel sheet is different.
sheet, and each Excel sheet is different.
169
424221
3878
و هرکدام از آنها در یک برگه اکسل بودند
که با بقیه برگه‌ها متفاوت بودند.
که با بقیه برگه‌ها متفاوت بودند.
07:20
Every heading is different:
you copy, paste, reorganize.
you copy, paste, reorganize.
170
428099
2630
تمام عنوان‌ها هم متفاوت است:
اگر شما کپی، چسباندن، را انجام دهید متوجه میشوید.
اگر شما کپی، چسباندن، را انجام دهید متوجه میشوید.
07:22
When you do you can make maps
and that's great, but once again,
and that's great, but once again,
171
430729
2952
هنگامی که شما این کار را انجام بدهید می توانید نقشه را تهیه کنید
و این عالی است، اما یک بار دیگر،
و این عالی است، اما یک بار دیگر،
07:25
we can do better than that
as a city, we can normalize things.
as a city, we can normalize things.
172
433681
2969
می توانیم به عنوان یک شهر، بهتر از آن را انجام دهیم،
ما می توانیم همه چیز را قانونمند کنیم.
ما می توانیم همه چیز را قانونمند کنیم.
07:28
And we're getting there, because
there's this website that Socrata makes
there's this website that Socrata makes
173
436650
3384
و ما آنجا میرویم، چون وب سایتی است که
سوکریتا آن را ساخته است
سوکریتا آن را ساخته است
07:32
called the Open Data Portal NYC.
174
440034
1541
به نام پرتال داده باز شهر نیویورک.
07:33
This is where 1,100 data sets
that don't suffer
that don't suffer
175
441575
2257
جایی که در آن ۱٫۱۰۰ داده بدون مزاحمت کنار هم قرار دارند
07:35
from the things I just told you live,
176
443832
1781
از چیزهایی که من همین الان به شما گفتم ،
07:37
and that number is growing,
and that's great.
and that's great.
177
445613
2148
و این اعداد در حال رشدند،
و این عالی است.
و این عالی است.
07:39
You can download data in any format,
be it CSV or PDF or Excel document.
be it CSV or PDF or Excel document.
178
447761
3412
شما می توانید داده‌ها را در هر فرمتی دریافت کنید،
سی‌وی‌اس، پی‌دی‌اف و یا سند اکسل.
سی‌وی‌اس، پی‌دی‌اف و یا سند اکسل.
07:43
Whatever you want,
you can download the data that way.
you can download the data that way.
179
451173
2547
هر آنچه که بخواهید،
می توانید داده‌ها را به همان صورت دریافت کنید.
می توانید داده‌ها را به همان صورت دریافت کنید.
07:45
The problem is, once you do,
180
453720
1352
مشکل این است که، هنگامی که این کار را انجام دهید،
07:47
you will find that each agency
codes their addresses differently.
codes their addresses differently.
181
455072
3686
خواهید دید که هر کدام از سازمان‌ها
آدرس‌های خود را به شیوه‌ای متفاوت کد گزاری میکنند
آدرس‌های خود را به شیوه‌ای متفاوت کد گزاری میکنند
07:50
So one is street name,
intersection street,
intersection street,
182
458758
2141
به همین دلیل یکی به نام خیابان،
خیابان تقاطع دار،
خیابان تقاطع دار،
07:52
street, borough, address, building,
building address.
building address.
183
460899
2491
خیابان، شهرک، آدرس، ساختمان،
آدرس ساختمان است.
آدرس ساختمان است.
07:55
So once again, you're spending time,
even when we have this portal,
even when we have this portal,
184
463390
3180
بنابراین یک بار دیگر، حتی زمانی که ما این پورتال را داریم
شما باید وقت خود را برای آن صرف کنید،
شما باید وقت خود را برای آن صرف کنید،
07:58
you're spending time
normalizing our address fields.
normalizing our address fields.
185
466570
2606
شما وقت خود برای قانونمند سازی فیلد آدرس صرف میکنید
08:01
And that's not the best use
of our citizens' time.
of our citizens' time.
186
469176
2423
و این بهترین استفاده از وقت شهروندان مان نیست
08:03
We can do better than that as a city.
187
471599
1796
می‌توانیم به عنوان یک شهر بهتر از آن را انجام دهیم.
08:05
We can standardize our addresses,
188
473395
1645
می‌توانیم آدرس‌هایمان را استاندارد سازی کنیم،
08:07
and if we do,
we can get more maps like this.
we can get more maps like this.
189
475040
2185
و اگر ما، این کار را انجام دهیم
می توانیم نقشه‌های بیشتری مانند این را دریافت کنیم.
می توانیم نقشه‌های بیشتری مانند این را دریافت کنیم.
08:09
This is a map of fire hydrants
in New York City,
in New York City,
190
477225
2285
این یک نقشه از شیرهای آتش نشانی
در شهر نیویورک است.
در شهر نیویورک است.
08:11
but not just any fire hydrants.
191
479510
1531
اما نه فقط هر شیر آتش نشانی.
08:13
These are the top 250 grossing fire
hydrants in terms of parking tickets.
hydrants in terms of parking tickets.
192
481041
4726
اینها تمام ۲۵۰ شیر آتش نشانی برتر
از نظر جریمه پارکینگ هستند
از نظر جریمه پارکینگ هستند
08:17
(Laughter)
193
485767
1986
(خنده حضار)
08:19
So I learned a few things from this map,
and I really like this map.
and I really like this map.
194
487753
3358
بنابراین من چند چیز از این نقشه یادگرفتم،
و من واقعا این نقشه را دوست دارم.
و من واقعا این نقشه را دوست دارم.
08:23
Number one, just don't park
on the Upper East Side.
on the Upper East Side.
195
491111
2402
شماره یک، در قسمت شمال شرقی شهر پارک نکنید.
08:25
Just don't. It doesn't matter where
you park, you will get a hydrant ticket.
you park, you will get a hydrant ticket.
196
493513
3587
پارک نکیند. مهم نیست که کجا پارک میکنید،
شما به خاطر شیر آتش نشانی جریمه میشوید.
شما به خاطر شیر آتش نشانی جریمه میشوید.
08:29
Number two, I found the two highest
grossing hydrants in all of New York City,
grossing hydrants in all of New York City,
197
497100
4153
شماره دو، دو تا از پردرآمد ترین شیرهای آتش نشانی
در تمام شهر نیویورک را پیدا کردم،
در تمام شهر نیویورک را پیدا کردم،
08:33
and they're on the Lower East Side,
198
501253
1886
و آنها در جنوب شرقی هستند،
08:35
and they were bringing in over
55,000 dollars a year in parking tickets.
55,000 dollars a year in parking tickets.
199
503139
5098
آنها درآمدی بیش از ۵۵٫۰۰۰ دلار در سال را
برای جریمه پارکینگ به همراه دارند.
برای جریمه پارکینگ به همراه دارند.
08:40
And that seemed a little strange
to me when I noticed it,
to me when I noticed it,
200
508237
2738
وقتی من متوجه آن شدم اندکی برایم عجیب بود،
08:42
so I did a little digging and it turns out
what you had is a hydrant
what you had is a hydrant
201
510975
3269
بنابراین من تحقیقات کمی انجام دادم و مشخص شد
فقط یک شیر آتش نشانی است
فقط یک شیر آتش نشانی است
08:46
and then something called
a curb extension,
a curb extension,
202
514244
1996
و چیزی که محدوده حاشیه پیاده‌رو نام دارد،
08:48
which is like a seven-foot
space to walk on,
space to walk on,
203
516240
2059
که مانند یک
فضای هفت قوتی برای پیاده روی است،
فضای هفت قوتی برای پیاده روی است،
08:50
and then a parking spot.
204
518299
1156
و سپس یک محل پارکینگ.
08:51
And so these cars came along,
and the hydrant --
and the hydrant --
205
519455
2254
و به این ترتیب ماشین‌ها می‌آمدند،
و آن شیر آتش نشانی --
و آن شیر آتش نشانی --
08:53
"It's all the way over there, I'm fine,"
206
521709
1911
"این تنها راهی است که وجود دارد، من خوب هستم،"
08:55
and there was actually a parking spot
painted there beautifully for them.
painted there beautifully for them.
207
523620
3474
و در واقع یک محل پارک وجود دارد
که به زیبایی برای آنها رنگ آمیزی شده است.
که به زیبایی برای آنها رنگ آمیزی شده است.
08:59
They would park there, and the NYPD
disagreed with this designation
disagreed with this designation
208
527094
3155
آنها در آن محل پار خواهند کرد، و ان‌وای‌پی‌دی
با این علامت مخالف است
با این علامت مخالف است
09:02
and would ticket them.
209
530249
1058
پس آنها را جریمه خواهد کرد
09:03
And it wasn't just me
who found a parking ticket.
who found a parking ticket.
210
531307
2344
و البته فقط من نبودم که جریمه پارکینگ را پیدا کردم.
09:05
This is the Google
Street View car driving by
Street View car driving by
211
533651
2146
این سرویس نمای خیابان نقشه گوگل است
09:07
finding the same parking ticket.
212
535797
1617
که همان جریمه پارکینگ را پیدا میکند.
09:09
So I wrote about this on my blog,
on I Quant NY, and the DOT responded,
on I Quant NY, and the DOT responded,
213
537414
4504
بنابراین ،در مورد این موضوع در وبلاگم نوشتم
در پرتال تحلیل های کمی داده باز شهر نیویورک،
و وزارت حمل ونقل پاسخ داد،
در پرتال تحلیل های کمی داده باز شهر نیویورک،
و وزارت حمل ونقل پاسخ داد،
09:13
and they said,
214
541918
1020
و آنها گفتند،
09:14
"While the DOT has not received
any complaints about this location,
any complaints about this location,
215
542938
3410
تا زمانی که وزارت حمل ونقل
هیچ گونه شکایتی درباره این مکان، دریافت نکرده است
هیچ گونه شکایتی درباره این مکان، دریافت نکرده است
09:18
we will review the roadway markings
and make any appropriate alterations."
and make any appropriate alterations."
216
546348
4542
ما نشانه گذاری مسیر را بررسی خواهیم کرد
و هر گونه تغییرات مناسبی را اعمال میکنیم "
و هر گونه تغییرات مناسبی را اعمال میکنیم "
09:22
And I thought to myself,
typical government response,
typical government response,
217
550890
2959
و من با خودم فکر کردم
این یک پاسخ معمولی دولتی است،
این یک پاسخ معمولی دولتی است،
09:25
all right, moved on with my life.
218
553849
1881
باشه، و زندگی من به حرکت ادامه داد.
09:27
But then, a few weeks later,
something incredible happened.
something incredible happened.
219
555730
3970
اما پس از آن، چند هفته بعد،
چیزی باور نکردنی اتفاق افتاد.
چیزی باور نکردنی اتفاق افتاد.
09:31
They repainted the spot,
220
559700
2520
آنها آن محل را دوباره رنگ آمیزی کردند
09:34
and for a second I thought I saw
the future of open data,
the future of open data,
221
562220
2690
و برای یک ثانیه با خودم فکر کردم من آینده ای از دادههای باز را میبینم
09:36
because think about what happened here.
222
564910
2000
چوندر مورد آنچه در اینجا اتفاق افتاده است فکر میکنم .
09:38
For five years, this spot was being
ticketed, and it was confusing,
ticketed, and it was confusing,
223
566910
5100
برای مدت پنج سال، این محلی برای جریمه بوده است، و آن گیج کننده بود،
09:44
and then a citizen found something,
they told the city, and within a few weeks
they told the city, and within a few weeks
224
572010
4306
و سپس یک شهروند چیزی را میابد،
آنها به شهر میگویند، و در عرض چند هفته
آنها به شهر میگویند، و در عرض چند هفته
09:48
the problem was fixed.
225
576316
1294
مشکل برطرف شد.
09:49
It's amazing. And a lot of people
see open data as being a watchdog.
see open data as being a watchdog.
226
577610
3200
این شگفت انگیز است. و بسیاری از مردم
دادههای باز را به عنوان دیده بان میبینند.
دادههای باز را به عنوان دیده بان میبینند.
09:52
It's not, it's about being a partner.
227
580810
1772
فقط این نیست، این در مورد شریک بودن است
09:54
We can empower our citizens
to be better partners for government,
to be better partners for government,
228
582582
3138
ما می توانیم شهروندان را ما توانمند کنیم تا
شرکای بهتر برای دولت،باشند
شرکای بهتر برای دولت،باشند
09:57
and it's not that hard.
229
585720
1881
و آنقدر هم سخت نیست.
09:59
All we need are a few changes.
230
587601
1459
تمام چیزی که ما نیاز داریم چند تغییر است.
10:01
If you're FOILing data,
231
589060
1107
اگر شما برای دسترسی آزاد به اطلاعات قانون‌گذاری میکنید
10:02
if you're seeing your data
being FOILed over and over again,
being FOILed over and over again,
232
590167
2867
اگر شما میبینید که داده‌هایتان
بارها و بارها، برای دسترسی آزاد قانون‌گذاری شده‌اند،
بارها و بارها، برای دسترسی آزاد قانون‌گذاری شده‌اند،
10:05
let's release it to the public, that's
a sign that it should be made public.
a sign that it should be made public.
233
593034
3574
اجازه دهید آن را به مردم بدهیم،
که نشانه ای از بهتر بودن عمومی سازی آن است
که نشانه ای از بهتر بودن عمومی سازی آن است
10:08
And if you're a government agency
releasing a PDF,
releasing a PDF,
234
596608
2482
و اگر شما یک سازمان دولتی هستید که پی‌دی‌اف‌ها را انتشار میدهد
10:11
let's pass legislation that requires you
to post it with the underlying data,
to post it with the underlying data,
235
599090
3649
اجازه دهید تا از قانونی که شما را مجبور به ارسال آنها
با دادههای اساسی میکند، عبور کنیم
با دادههای اساسی میکند، عبور کنیم
10:14
because that data
is coming from somewhere.
is coming from somewhere.
236
602739
2028
چرا که داده ها از جایی می‌آیند
10:16
I don't know where, but it's
coming from somewhere,
coming from somewhere,
237
604767
2482
من نمی دانم از کجا،
اما از جایی می‌آیند،
اما از جایی می‌آیند،
10:19
and you can release it with the PDF.
238
607249
1725
و شما می توانید پی‌دی‌اف آنها را منتشرکنید
10:20
And let's adopt and share
some open data standards.
some open data standards.
239
608974
2411
و اجازه دهید تا چند استاندارد باز داده‌ها
اتخاذ و اشتراک گذاری شوند
اتخاذ و اشتراک گذاری شوند
10:23
Let's start with our addresses
here in New York City.
here in New York City.
240
611385
2481
بیایید با آدرس‌هایمان
در شهر نیویورک شروع کنیم.
در شهر نیویورک شروع کنیم.
10:25
Let's just start
normalizing our addresses.
normalizing our addresses.
241
613866
2074
اجازه دهید تا فقط
آدرس‌هایمان را قانونمند سازی کنیم.
آدرس‌هایمان را قانونمند سازی کنیم.
10:27
Because New York is a leader in open data.
242
615940
2062
زیرا که نیویورک ، یک پیشگام در دادههای باز است.
10:30
Despite all this, we are absolutely
a leader in open data,
a leader in open data,
243
618002
2789
با این حال، ما کاملا در دادههای باز پیشگام هستیم
10:32
and if we start normalizing things,
and set an open data standard,
and set an open data standard,
244
620791
3121
و اگر ما شروع به قانونمند‌سازی بکنیم،
و استاندارد دادههای باز را تنظیم کنیم،
و استاندارد دادههای باز را تنظیم کنیم،
10:35
others will follow. The state will follow,
and maybe the federal government,
and maybe the federal government,
245
623912
3634
دیگران نیز پیروی میکنند.
دولت هم پیروی میکند، و شاید هم دولت فدرال،
دولت هم پیروی میکند، و شاید هم دولت فدرال،
10:39
Other countries could follow,
246
627546
1445
کشورهای دیگر هم پیروی خواهند کرد،
10:40
and we're not that far off from a time
where you could write one program
where you could write one program
247
628991
3411
و ما از زمانی که شما بتوانید یک برنامه بنویسید
10:44
and map information from 100 countries.
248
632402
1890
و نقشه‌ای با دادههای بیش از ۱۰۰ کشور جهان تهیه کنید،
دور نیستیم.
دور نیستیم.
10:46
It's not science fiction.
We're actually quite close.
We're actually quite close.
249
634292
2487
این یک داستان علمی تخیلی نیست.
درحقیقت بسیار به آن نزدیک هستیم .
درحقیقت بسیار به آن نزدیک هستیم .
10:48
And by the way, who are we
empowering with this?
empowering with this?
250
636779
2240
راستی،با این ها چه کسی را قدرتمند میکنیم؟
10:51
Because it's not just John Krauss
and it's not just Chris Whong.
and it's not just Chris Whong.
251
639019
3005
زیرا این فقط به جان کراس و کریس وانگ ختم نمیشود.
10:54
There are hundreds of meetups
going on in New York City right now,
going on in New York City right now,
252
642024
3095
صدها میت‌آپ درحال حاضر در شهر نیویورک فعال هستند،
10:57
active meetups.
253
645119
1025
میت‌آپ های فعال و پر جنب‌و‌جوش
10:58
There are thousands of people
attending these meetups.
attending these meetups.
254
646144
2572
هزاران نفر از مردم در این میت‌آپ ها شرکت میکنند.
11:00
These people are going after work
and on weekends,
and on weekends,
255
648716
2368
این مردم بعد از کارشان و آخر هفته‌ها کنار هم می‌آیند
11:03
and they're attending these meetups
to look at open data
to look at open data
256
651084
2636
و آنها در این میت‌آپ ها شرکت میکنند
و به دنبال دادههای باز هستند
و به دنبال دادههای باز هستند
11:05
and make our city a better place.
257
653720
1640
و شهرمان را به مکانی بهتر تبدیل میکنند.
11:07
Groups like BetaNYC, who just last week
released something called citygram.nyc
released something called citygram.nyc
258
655360
4073
گروه هایی مانند ان‌وای‌سی بتا، در هفته گذشته
چیزی به نام citygram.nyc را منتشر کرده‌اند
چیزی به نام citygram.nyc را منتشر کرده‌اند
11:11
that allows you to subscribe
to 311 complaints
to 311 complaints
259
659433
2147
که به شما اجازه میدهد، مشترک ۳۱۱ شکایت بشوید
11:13
around your own home,
or around your office.
or around your office.
260
661580
2068
در اطراف خانه،
و یا در اطراف محل کارتان.
و یا در اطراف محل کارتان.
11:15
You put in your address,
you get local complaints.
you get local complaints.
261
663648
2427
شما آدرس خود را قرار میدهید،
و شکایت محلی را دریافت کنید.
و شکایت محلی را دریافت کنید.
11:18
And it's not just the tech community
that are after these things.
that are after these things.
262
666075
3374
و بعد ازاین همه،
این فقط یک جامعه تکنولوژیک نیست
این فقط یک جامعه تکنولوژیک نیست
11:21
It's urban planners like
the students I teach at Pratt.
the students I teach at Pratt.
263
669449
2622
بلکه این برنامه ریزان شهری است،
مثل دانش آموزانی که من در پرات آموزش می دهم.
مثل دانش آموزانی که من در پرات آموزش می دهم.
11:24
It's policy advocates, it's everyone,
264
672071
1919
این سیاست طرفداران است، این همه است،
11:25
it's citizens from a diverse
set of backgrounds.
set of backgrounds.
265
673990
2563
این شهروندانی با گذشته‌های متفاوت است.
11:28
And with some small, incremental changes,
266
676553
2786
و با برخی تغییرات تدریجی کوچک،
11:31
we can unlock the passion
and the ability of our citizens
and the ability of our citizens
267
679339
3225
ما می توانیم قفل اشتیاق و توانایی شهروندان را باز کنیم
11:34
to harness open data
and make our city even better,
and make our city even better,
268
682564
3156
برای مهار دادههای باز و تبدیل شهر به مکانی بهتر،
11:37
whether it's one dataset,
or one parking spot at a time.
or one parking spot at a time.
269
685720
3626
چه این یک مجموعه داده باشد و چه یک مکان پارکینگ.
11:41
Thank you.
270
689346
2322
متشکرم.
11:43
(Applause)
271
691668
3305
(تشویق حضار)
ABOUT THE SPEAKER
Ben Wellington - Data scientistBen Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data.
Why you should listen
Ben Wellington runs the I Quant NY blog, in which he crunches city-released data to find out what's really going on in the Big Apple. To date he has tackled topics such as measles outbreaks in New York City schools, analyzed how companies like Airbnb are really doing in NYC, and asked questions such as "does gentrification cause a reduction in laundromats?" (Answer: inconclusive.)
Ben is a visiting assistant professor in the City & Regional Planning program at the Pratt Institute in Brooklyn; his day job involves working as a quantitative analyst at the investment management firm, Two Sigma. A budding comedian and performer, he also teaches team building workshops through Cherub Improv, a non-profit that uses improv comedy for social good.
Ben Wellington | Speaker | TED.com