TEDxVancouver
Jer Thorp: Make data more human
Filmed:
Readability: 4.1
300,699 views
Jer Thorp creates beautiful data visualizations to put abstract data into a human context. At TEDxVancouver, he shares his moving projects, from graphing an entire year’s news cycle, to mapping the way people share articles across the internet.
(Filmed at TEDxVancouver.)
Jer Thorp - Data artist
Jer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them. Full bio
Jer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them. Full bio
Double-click the English transcript below to play the video.
00:10
I want to talk to you about two
of the most exciting possible things.
of the most exciting possible things.
0
1674
6250
A lehető két legizgalmasabb
dologról beszélnék.
dologról beszélnék.
00:16
You've probably guessed what they are --
1
7948
1949
Alighanem kitalálták, melyek azok:
00:18
data and history.
2
9921
2319
adatok és történelem.
00:21
Right?
3
13211
1171
Igaz?
00:24
So, I'm not a historian.
4
15871
1982
Nem vagyok történész.
00:26
I'm not going to give you
a definition of history.
a definition of history.
5
17877
2728
Nem fogom elmagyarázni,
hogy mi a történelem.
hogy mi a történelem.
Ehelyett képzeljük el azt
egy keretrendszer részeként.
egy keretrendszer részeként.
00:29
But let's think instead
of history within a framework.
of history within a framework.
6
20629
3113
00:32
So, when we're making history,
7
23766
1611
Amikor történészkedünk,
00:33
or when we're creating
historical documents,
historical documents,
8
25401
2892
vagy történeti munkákat írunk,
00:36
we're taking things
that have happened in the past,
that have happened in the past,
9
28317
2428
múltban lezajlott dolgokat
történetté fűzünk össze.
00:39
and we're stitching them
together into a story.
together into a story.
10
30769
2552
00:41
So let me start with a little bit
of my own story.
of my own story.
11
33345
2530
Ezért saját történetem
kis szeletével kezdem.
kis szeletével kezdem.
00:44
Like anybody my age
who works creatively with computers,
who works creatively with computers,
12
35899
3678
Akárcsak bármely korombeli
alkotó szellemű informatikus,
alkotó szellemű informatikus,
00:48
I was a popular, socially
well-adjusted young man --
well-adjusted young man --
13
39601
4456
menő, társaságban jól mozgó
fiatalember voltam –
fiatalember voltam –
00:52
(Laughter)
14
44081
1122
(Nevetés)
00:53
And sporty!
15
45227
2541
és sportos!
00:56
Sporty young man.
16
47792
1733
Sportos fiatalember.
00:58
And like a lot of people my age
in the type of business that I'm in,
in the type of business that I'm in,
17
50075
5353
Aztán csakúgy, mint területemen
lévő sok korombelire,
lévő sok korombelire,
az Apple rám is brutális hatással volt.
01:03
I was influenced tremendously by Apple.
18
55452
2645
01:07
But notice my choice of logo here, right?
19
58635
3722
De figyeljék, milyen logót választottam!
01:10
The Apple on the left,
not the Apple on the right.
not the Apple on the right.
20
62381
3585
A bal oldali, nem a jobb oldali Apple.
01:15
I'm influenced as much
by the Apple on the right
by the Apple on the right
21
66621
2293
A jobb oldali Apple ugyanúgy hatott rám,
01:17
as the next person,
22
68938
2083
mint a következő fellépőre,
01:19
but the Apple on the left --
I mean, look at that logo!
I mean, look at that logo!
23
71045
2633
de a bal oldali – nézzék azt a logót!
Szivárvány, de színei összevissza vannak!
01:22
It's a rainbow.
It's not even in the right order!
It's not even in the right order!
24
73702
2397
01:24
(Laughter)
25
76123
1134
(Nevetés)
01:25
That's how crazy Apple was.
26
77281
2273
Ennyire őrült volt az Apple.
01:28
(Laughter)
27
79578
1037
(Nevetés)
01:29
But I don't want to talk too much
about the company.
about the company.
28
80639
2945
De nem a cégről akarok beszélek,
01:32
I'll start talking about
a machine, though.
a machine, though.
29
83608
2177
hanem egy gépről.
01:34
How amazing it is to think about this.
I go back and I think about this.
I go back and I think about this.
30
85809
4127
Mennyire elképesztő erre gondolni.
Visszanézek és erre gondolok:
Visszanézek és erre gondolok:
01:38
Wednesday -- one Wednesday,
when I was about 12 years old,
when I was about 12 years old,
31
89960
3314
szerdán – egy szerdai napon,
tizenkét éves koromban,
tizenkét éves koromban,
01:41
I didn't have a computer.
32
93298
2111
nem volt számítógépem.
01:44
On Thursday, I had a computer.
33
96034
2779
Csütörtökre lett.
01:48
Can you imagine that change?
34
99965
1999
El tudnak képzelni ekkora változást?
01:50
It's so drastic.
35
102417
1681
Annyira drasztikus.
Szerintem úgy semmi más
nem tudná megváltoztatni életünk.
nem tudná megváltoztatni életünk.
01:52
I can't even think about anything
that could change our lives that way.
that could change our lives that way.
36
104122
3451
De nem is a számítógépről fogok beszélni,
01:56
But I'm actually not even going
to talk about the computer.
to talk about the computer.
37
107597
2767
hanem a programról, feltettek rá.
01:58
I'm going to talk about a program
that came loaded on that computer.
that came loaded on that computer.
38
110388
3230
Ezt pedig, nem a bal oldali fickó,
02:02
And it was build by,
not the guy on the left,
not the guy on the left,
39
113642
2272
02:04
but the guy on the right.
40
115938
1435
hanem a jobb oldali tervezte.
02:05
Does anybody know
who the guy on the right is?
who the guy on the right is?
41
117397
2144
Ki tudja, ki van a jobb oldalon?
02:09
Nobody ever knows the answer
to this question.
to this question.
42
121161
2410
Erre a választ sosem tudják.
02:12
This is Bill Atkinson.
43
123595
1686
Ő Bill Atkinson.
02:13
And Bill Atkinson was responsible
for tons of things
for tons of things
44
125305
3107
Neki köszönhető
sok minden a számítógépükön,
sok minden a számítógépükön,
02:16
that you see on your computer every day.
45
128436
2482
amivel nap mint nap találkozunk.
02:19
But I want to talk about one program
that Bill Atkinson wrote,
that Bill Atkinson wrote,
46
130942
3107
Most Bill Atkinson egy programjáról,
a HyperCardról fogok beszélni.
02:22
called HyperCard.
47
134073
1500
02:25
Someone's cheering over there.
48
137025
2160
Valaki már jól érzi magát.
02:27
(Laughter)
49
139209
1205
(Nevetés)
02:28
HyperCard was a program
that shipped with the Mac,
that shipped with the Mac,
50
140438
2602
A HyperCardot a Macre adták ki,
02:31
and it was designed
for users of the computer
for users of the computer
51
143064
2569
hogy a használók ezen keresztül
02:34
to make programs on their computers.
52
145657
3197
készítsenek programokat számítógépükön.
02:38
Crazy idea today.
53
149505
1597
Mára ez őrültség.
02:39
And these programs were not the apps
that we think about today,
that we think about today,
54
151126
2973
E programok pedig
nem a mai értelemben vett,
nem a mai értelemben vett,
óriási költségvetésű és széles
terjesztésre szánt alkalmazások.
terjesztésre szánt alkalmazások.
02:42
with their large budgets
and their big distribution.
and their big distribution.
55
154123
2449
Apró dolgok voltak.
02:45
These were small things,
56
156596
1189
Alkalmazások a helyi kosárlabdacsapat
pontjainak számon tartására,
pontjainak számon tartására,
02:46
people making applications to keep track
of their local basketball team scores
of their local basketball team scores
57
157809
3882
02:50
or to organize their research
58
161715
2825
kutatások rendszerezésére,
02:53
or to teach people about classical music
59
164564
3016
vagy klasszikus zene tanítására,
02:56
or to calculate weird astronomical dates.
60
167604
4095
misztikus csillagállások meghatározására.
Persze volt pár művészeti projekt is.
03:00
And then, of course,
there were some art projects.
there were some art projects.
61
171723
2381
Ez a kedvencem:
03:02
This is my favorite one.
62
174128
1220
"Ha szerzeteseknek Macjük lenne".
03:03
It's called "If Monks Had Macs,"
63
175372
2089
03:05
and it's a nonlinear
kind of exploratory environment.
kind of exploratory environment.
64
177485
4534
Ez nemlineáris felfedező környezet volt.
03:10
I thank the stars for HyperCard
all of the time.
all of the time.
65
182043
5573
Hálát adok az égnek a HyperCardért,
03:16
And I thank the stars
for putting me in this era
for putting me in this era
66
187640
2447
és hogy abba a korba születhettem bele,
03:18
where I got to use HyperCard.
67
190111
2300
ahol használhattam a HyperCardot.
03:20
HyperCard was the last program to ship
on a public computer
on a public computer
68
192435
4640
Ez volt az utolsó, PC-re kiadott program,
03:25
that was designed for the users
of the computer to make programs with it.
of the computer to make programs with it.
69
197099
5129
amit a géphasználók számára
programkészítés céljából alkottak.
programkészítés céljából alkottak.
Ha közölnék a számítógép feltalálóival,
03:30
If you talked to the people
who invented the computer
who invented the computer
70
202252
2705
hogy egy csodálatos napon
mindenkinek lesz gépe,
mindenkinek lesz gépe,
03:33
and you told them there would be
a day, a magical day,
a day, a magical day,
71
204981
2749
03:36
when everybody had a computer
but none of them knew how to program,
but none of them knew how to program,
72
207754
5062
de senki sem tud rajta programozni,
azt hinnék, megőrültek.
03:41
they would think you were crazy.
73
212840
1811
03:43
So let's skip forward a few years.
74
215486
1664
Ugorjunk előre pár évet.
03:45
I'm starting my career as an artist,
75
217174
2588
Karrierem művészként kezdtem,
03:48
and I'm building things
with my computer, small-scale things,
with my computer, small-scale things,
76
219786
3962
gépemen kis léptékű dolgokat terveztem,
03:52
investigating things like
the growth systems of plants.
the growth systems of plants.
77
223772
3603
mint pl. a növényi fejlődés
rendszereinek vizsgálata.
rendszereinek vizsgálata.
03:55
Or, in this example, I'm building
a simulated economy
a simulated economy
78
227399
2999
Vagy pl. ez a szimulált gazdaság,
03:58
in which pixels are trading color
with one another,
with one another,
79
230422
3961
amelyben a képpontok
színt váltanak egymással.
színt váltanak egymással.
04:02
trying to investigate how
these types of systems work,
these types of systems work,
80
234407
2575
Ilyen rendszereket próbáltam vizsgálni,
04:05
and just kind of having fun.
81
237006
1402
közben jól elmókáztam.
04:06
And then this project led me
to start working with data.
to start working with data.
82
238432
2628
Az adatokhoz aztán e projekt vezetett el.
04:09
So I'm building graphics like this,
83
241084
2989
Ilyen grafikákat tervezek,
04:12
which compare "communism" --
84
244097
2594
ami a "kommunizmus"-t –
ennek a szónak gyakorisága
a The New York Timesban –
a The New York Timesban –
04:15
the frequency of usage of the word
"communism" in the New York Times --
"communism" in the New York Times --
85
246715
3395
veti össze fenti a "terrorizmus"-sal.
04:18
to "terrorism," at the top.
86
250134
1937
04:20
You see "terrorism" kind of appears
as "communism" is going away.
as "communism" is going away.
87
252095
4625
Látható, amint a "kommunizmus"
helyébe a "terrorizmus" lép.
helyébe a "terrorizmus" lép.
04:25
And with these graphics, I was really
interested in the aesthetic of the graphs.
interested in the aesthetic of the graphs.
88
256744
3816
Ezek a grafikák esztétikailag
nagyon érdekelnek.
nagyon érdekelnek.
Ez Irán és Irak.
04:29
This is Iran and Iraq.
89
260584
1150
04:30
It reads like a clock. It's called
a "timepiece graph."
a "timepiece graph."
90
261758
3910
Ezt az "óralap-diagramot"
úgy kell leolvasni, mint az időt.
úgy kell leolvasni, mint az időt.
04:34
This is another timepiece graph,
overlaying "despair" over "hope."
overlaying "despair" over "hope."
91
265692
5711
Másik ilyen diagramon a "remény"-t
eltakarja a "kilátástalan",
eltakarja a "kilátástalan",
04:39
And there's only three times -- actually,
it's "crisis" over "hope" --
it's "crisis" over "hope" --
92
271427
3310
háromszor pedig a "remény"-t
a "válság" nyeli el –
a "válság" nyeli el –
04:43
there's only three times
when "crisis" eclipses "hope."
when "crisis" eclipses "hope."
93
274761
2609
csak háromszor történik ez meg.
04:45
We're in the middle
of one of them right now.
of one of them right now.
94
277394
2155
Most az egyik felénél járunk,
de nagyon ne gondoljunk erre.
04:48
But don't think about that too much.
95
279573
1772
04:49
(Laughter)
96
281369
1888
(Nevetés)
04:51
And finally, the culmination of this work
with the New York Times data
with the New York Times data
97
283281
3780
A The New York Times-adatok
csúcspontja pedig
csúcspontja pedig
04:55
a few years ago
98
287085
1202
a pár évvel ezelőtti kísérlet
04:56
was the attempt to combine
an entire year's news cycle
an entire year's news cycle
99
288311
3176
az egész évi hírciklus egyesítése
egyetlen diagramon.
05:00
into a single graphic.
100
291511
1313
05:01
So these graphics actually show us
a full year of news, all the people,
a full year of news, all the people,
101
292848
4227
Ezek egy teljes évi hírt
mutatnak, mindenkit,
mutatnak, mindenkit,
hogy ők miként kapcsolódnak össze
egyetlen diagramon.
egyetlen diagramon.
05:05
and how they're connected
into a single graphic.
into a single graphic.
102
297099
2630
05:08
And from there, I started to be
interested again in more active systems.
interested again in more active systems.
103
299753
3938
Innentől kezdve pedig újra és inkább
az aktív rendszerek érdekeltek.
az aktív rendszerek érdekeltek.
05:12
Here's a project called "Just Landed,"
104
303715
2264
Ezt "Épp landolt" projektnek hívják,
05:14
where I'm looking at people
tweeting on Twitter.
tweeting on Twitter.
105
306003
3151
ahol twitterezőket keresek a Twitteren.
05:17
"Hey! I just landed
in Hawaii!" -- you know,
in Hawaii!" -- you know,
106
309178
2060
"Helló, épp landoltam Hawaiion" – azaz,
05:19
how people just casually try to sneak
that into their Twitter conversation.
that into their Twitter conversation.
107
311262
3702
hogyan csenik ezt bele könnyeden
twitteres beszélgetéseikbe.
twitteres beszélgetéseikbe.
05:23
"I'm not showing off. Really.
But I did just land in Hawaii."
But I did just land in Hawaii."
108
314988
3117
"Nem játszom magam. Tényleg.
De most landoltam Hawaiion."
De most landoltam Hawaiion."
05:26
And then I'm plotting
those people's trips,
those people's trips,
109
318129
2743
Majd ábrázolom beszélgetéseiket
annak reményében,
annak reményében,
05:29
in the hopes that maybe
we can use social network
we can use social network
110
320896
3212
hogy a közösségi média
és az abból származó adatok
05:32
and the data that it leaves behind
111
324132
1681
helyváltoztatások modelljét nyújthatják.
05:34
to provide a model of how people move,
112
325837
2199
05:36
which would be valuable
to epidemiologists, among other people.
to epidemiologists, among other people.
113
328060
2975
ami epidemiológusok
és mások számára értékes lehet.
és mások számára értékes lehet.
05:39
And, more fun -- this
is a similar project,
is a similar project,
114
331059
2579
Még több móka – ez a hasonló projekt
05:42
looking at people
saying "Good morning" to each other
saying "Good morning" to each other
115
333662
2491
keresi a "Jó reggelt"-tel
egymásnak köszönőket
egymásnak köszönőket
05:44
all around the world.
116
336177
1183
világszerte.
05:45
Which taught me, by the way,
117
337384
1434
Ami amúgy ráébresztett:
igaz, hogy a vancouveriek
később kelnek fel a nyugati parton,
később kelnek fel a nyugati parton,
05:47
that it is true that people in Vancouver
on the West Coast wake up much later
on the West Coast wake up much later
118
338842
4350
05:51
and say "Good morning" much later
119
343216
1583
és később van náluk "Jó reggelt",
05:53
than the people on the East Coast,
120
344823
1861
ellentétben a keleti parton élőkkel,
05:55
who are more adventurous.
121
346708
1799
akik inkább kalandvágyók.
Ebben a talán hasznosabb projektben
05:57
Here's a more useful -- maybe -- project,
122
348531
1974
05:59
where I took all the information
from the Kepler Project
from the Kepler Project
123
350529
3351
a Kepler-projekt összes információját
06:02
and tried to put it into some visual form
that made sense to me.
that made sense to me.
124
353904
3043
megpróbáltam valami képileg
értelmezhető formába önteni.
értelmezhető formába önteni.
06:05
And I should say that everything
I've shown you up to now --
I've shown you up to now --
125
356971
2884
Azt kell mondjam, mindent,
amit eddig mutattam,–
amit eddig mutattam,–
mindezeket szórakozásból csináltam csak.
06:08
these are all things
that I just did for fun.
that I just did for fun.
126
359879
2152
06:10
It may seem weird,
but this comes back from HyperCard.
but this comes back from HyperCard.
127
362055
2735
Furcsán hangzik,
de ennek a HyperCard az oka.
de ennek a HyperCard az oka.
06:13
I'm building tools for myself.
128
364814
1830
Magamnak csinálok eszközöket.
06:15
I may share them with a few other people,
129
366668
1983
Lehet, párat megosztok másokkal,
06:17
but they're for fun, they're for me.
130
368675
2107
de szórakozásból, magamért vannak.
06:21
So, all these tools I show you
kind of occupy this weird space
kind of occupy this weird space
131
373341
3970
Mindezek a bemutatott eszközök
valamiféle furcsa helyet töltenek be
valamiféle furcsa helyet töltenek be
06:25
somewhere between science, art and design.
132
377335
2544
tudomány, művészet és dizájn között.
06:28
That's where my practice lies.
133
379903
1805
Pályám ezek mentén mozog.
06:30
And still today,
from my experience with HyperCard,
from my experience with HyperCard,
134
381732
3156
Mai napig, a HyperCard
nyújtotta tapasztalatból
nyújtotta tapasztalatból
06:33
what I'm doing is building visual tools
to help me understand systems.
to help me understand systems.
135
384912
4230
rendszerek megértését segítő
képi eszközöket tervezek.
képi eszközöket tervezek.
06:38
So today, I work at the New York Times.
136
390083
2221
A The New York Times adatművésze vagyok
06:40
I'm the data artist in residence
at the New York Times.
at the New York Times.
137
392328
2873
a lap vendégművész-programja keretében,
06:43
And I've had an opportunity at the Times
138
395225
1933
ahol lehetőségem adódott
06:45
to work on a variety
of really interesting projects,
of really interesting projects,
139
397182
2464
többféle érdekes projekten dolgozni,
melyek közül kettőt mutatok be.
06:48
two of which I'm going
to share with you today.
to share with you today.
140
399670
2222
Az első Mark Hansennel közös alkotásom,
06:50
The first one, I've been working on
in conjunction with Mark Hansen.
in conjunction with Mark Hansen.
141
401916
3202
06:53
Mark Hansen is a professor of statistics
at UCLA. He's also a media artist.
at UCLA. He's also a media artist.
142
405142
5142
aki tanár a Kaliforniai Egyetem
statisztika tanszékén és médiaművész.
statisztika tanszékén és médiaművész.
Mark érdekfeszítő kérdéssel
állított be a The Timeshoz,
állított be a The Timeshoz,
06:58
And Mark came to the Times
with a very interesting question
with a very interesting question
143
410308
2786
amire látszólag könnyű válaszolni:
07:01
to what may seem like an obvious problem:
144
413118
2660
Amikor tartalmat osztanak meg neten,
07:04
When people share content on the internet,
145
415802
3151
07:07
how does that content get
from person A to person B?
from person A to person B?
146
418977
3615
az hogyan jut el A személytől B személyig?
07:11
Or maybe, person A to person B
to person C to person D?
to person C to person D?
147
423358
4724
Vagy A-tól, B, C és D személyig?
07:16
We know that people share content
in the internet,
in the internet,
148
428106
2354
A netes tartalommegosztásokat ismerjük,
07:18
but what we don't know
is what happens in that gap
is what happens in that gap
149
430484
2358
de azt nem, hogyan kerül át
07:21
between one person to the other.
150
432866
1791
egyik személytől a másikig.
Ennek kiderítésére terveztük meg
07:23
So we decided to build
the tool to explore that,
the tool to explore that,
151
434681
2356
a Cascade, azaz Kaszkád nevű eszközt.
07:25
and this tool is called Cascade.
152
437061
1823
07:27
If we look at these systems
153
439471
2595
Ha megnézzük ezeket a rendszereket,
07:30
that start with one event
that leads to other events,
that leads to other events,
154
442090
4430
miként vezet egyik történés a másikig,
07:35
we call that structure a cascade.
155
446544
2238
egyfajta kaszkád-szerkezetet látunk.
07:37
And these cascades
actually happen over time.
actually happen over time.
156
448806
2409
Ezek a kaszkádok pedig
időben bontakoznak ki,
időben bontakoznak ki,
07:39
So we can model these things over time.
157
451239
2020
így az időben modellezhetjük őket.
07:41
Now, the New York Times has
a lot of people who share our content,
a lot of people who share our content,
158
453283
4031
A The New York Timesnál sokan
osztják meg tartalmunkat,
osztják meg tartalmunkat,
07:45
so the cascades do not look like that one,
they look more like this.
they look more like this.
159
457338
3491
tehát a kaszkádok nem úgy,
hanem inkább így néznek ki.
hanem inkább így néznek ki.
07:49
Here's a typical cascade.
160
460853
1540
Ez egy átlagos kaszkád.
07:50
At the bottom left, the very first event.
161
462417
2714
A bal oldalon, alul, az első történés.
07:54
And then as people are sharing
the content from one person to another,
the content from one person to another,
162
466237
4272
Aztán ahogy a tartalmat
egyre többen osztják meg egymással,
egyre többen osztják meg egymással,
07:59
we go up in the Y axis,
degrees of separation,
degrees of separation,
163
470533
3794
a megosztást mutató y tengelyen
felfelé haladva az érték nő
felfelé haladva az érték nő
08:02
and over on the X axis, for time.
164
474351
2768
az x tengelyen ábrázolt idő függvényében.
08:05
So we're able to look at that conversation
in a couple of different views:
in a couple of different views:
165
477143
3501
Így a párbeszéd
más-más nézőpontból látható:
más-más nézőpontból látható:
ez a párbeszéd fonalát mutatja,
08:09
this one, which shows us
the threads of conversation,
the threads of conversation,
166
480668
2615
08:11
and this one, which combines
that stacked view
that stacked view
167
483307
3194
és ez a konszolidált nézetet egyesíti
08:15
with a view that lets us see the threads.
168
486525
2932
a beszédfonalakat ábrázoló nézettel.
08:18
Now, the Times publishes
about 7,000 pieces of content
about 7,000 pieces of content
169
489924
3345
A The Times kb. 7 000 tartalmat publikál
08:21
every month.
170
493293
1210
havonta.
Fontos volt számunkra
az eszköz tervezésekor,
az eszköz tervezésekor,
08:23
So it was important for us,
when we were building this tool,
when we were building this tool,
171
494527
2842
08:25
to make it an exploratory one,
172
497393
1633
hogy kutatásra alkalmassá tegyük,
08:27
so that people could dig through
this vast terrain of data.
this vast terrain of data.
173
499050
4207
így mélységében láthatják
ezt az adatrengeteget.
ezt az adatrengeteget.
08:31
I think of it as a vehicle
that we're giving people
that we're giving people
174
503281
2436
Embereknek adott
szerszámként képzelem ezt el,
szerszámként képzelem ezt el,
08:34
to traverse this really big
terrain of data.
terrain of data.
175
505741
3473
amivel átvergődhetnek
ezen a óriási adatrengetegen.
ezen a óriási adatrengetegen.
Ténylegesen így néz ki,
08:37
So here's what it really looks like,
176
509238
1718
08:39
and here's the cascade
playing in real time.
playing in real time.
177
510980
2740
ez pedig a kaszkád valós idejű lejátszása.
08:42
I have to say, this was
a tremendous moment.
a tremendous moment.
178
513744
2079
Állítom, megrendítő pillanat volt.
08:44
We had been working with canned
data, fake data, for so long,
data, fake data, for so long,
179
515847
4017
Elég ideje dolgoztunk
mintaadattal, hamis adattal,
mintaadattal, hamis adattal,
08:48
that when we saw this
for the first moment,
for the first moment,
180
519888
2805
aztán amikor először ezt megláttuk,
08:51
it was like an archaeologist who had
just dusted off these dinosaur bones.
just dusted off these dinosaur bones.
181
522717
4878
olyan volt, mint archeológus kezében
frissen kiásott dinoszaurusz-csontok.
frissen kiásott dinoszaurusz-csontok.
08:56
We discovered this thing,
and we were seeing it for the first time,
and we were seeing it for the first time,
182
527619
3878
Először láttuk felfedezésünk,
ezeket az internet alatt meghúzódó
megosztás-szerkezeteket.
megosztás-szerkezeteket.
09:00
these sharing structures
that underlie the internet.
that underlie the internet.
183
531521
3712
09:04
And maybe the dinosaur
analogy is a good one,
analogy is a good one,
184
536475
2105
A dinoszaurusz-hasonlat talán pont jó,
09:07
because we're actually making
some probabilistic guesses
some probabilistic guesses
185
538604
3047
mert pár valószínűsíthető
találgatásunk rámutatott,
találgatásunk rámutatott,
hogyan kapcsolódnak ezek egymáshoz.
09:10
about how these things link.
186
541675
1359
09:11
We're looking at some of these
pieces and making some guesses,
pieces and making some guesses,
187
543058
2926
Megnéztünk néhány pontot,
aztán találgattunk,
aztán találgattunk,
09:14
but we try to make sure that those
are as statistically rigorous as possible.
are as statistically rigorous as possible.
188
546008
3937
de lehetőleg kerültük
a statisztikai bizonytalanságokat.
a statisztikai bizonytalanságokat.
09:19
Now tweets, in this case,
they become parts of stories.
they become parts of stories.
189
550720
4662
Ez esetben pedig a tweetek
sztorik részeivé válnak.
sztorik részeivé válnak.
09:23
They become parts of narratives.
190
555406
1925
Narratívák részeivé válnak.
09:25
So we are building histories here,
191
557355
2420
Azaz történeteket alkotunk,
09:28
but they're very short-term histories.
192
559799
2175
de ezek nagyon rövid távúak.
09:30
And sometimes these very large cascades
are the most interesting ones,
are the most interesting ones,
193
561998
3838
Időnként az óriási kaszkádok
a legérdekesebbek,
a legérdekesebbek,
09:34
but sometimes the small ones
are also interesting.
are also interesting.
194
565860
3135
máskor pedig a kisebbek lesznek azok.
09:37
This is one of my favorites.
We call this the "Rabbi Cascade."
We call this the "Rabbi Cascade."
195
569019
3525
A kedvencemet "Rabbi kaszkád"-nak hívjuk.
09:41
It's a conversation amongst rabbis
about this article in the New York Times,
about this article in the New York Times,
196
572568
5089
Beszélgetés a rabbik között
a The New York Times egy cikkéről,
a The New York Times egy cikkéről,
09:46
about the fact that religious workers
don't get a lot of time off.
don't get a lot of time off.
197
577681
3772
ami a vallási dolgozók
kevés szabadidejéről szól.
kevés szabadidejéről szól.
09:49
I guess Saturdays and Sundays are bad days
for them to take off.
for them to take off.
198
581477
4035
Fogadok, náluk a szombatot
és vasárnapot nem lehet kivenni.
és vasárnapot nem lehet kivenni.
09:54
So, in this cascade, there's a group
of rabbis having a conversation
of rabbis having a conversation
199
585536
3692
Ebben a kaszkádban rabbik beszélgetnek
09:57
about a New York Times story.
200
589252
1402
a lap egyik sztorijáról.
09:59
One of them has the best
Twitter name ever --
Twitter name ever --
201
590678
2124
Egyiküknek van a legjobb Twitter-neve:
10:01
he's called "The Velveteen Rabbi."
202
592826
1855
"A pamutbársony rabbi".
10:03
(Laughter)
203
594705
2323
(Nevetés)
10:05
But we would have never found this
if it weren't for this exploratory tool.
if it weren't for this exploratory tool.
204
597052
4507
E feltáró eszköz nélkül
erre sohasem jöttünk volna rá.
erre sohasem jöttünk volna rá.
10:10
This would just be sitting somewhere,
205
601583
1802
Csak hánykódott volna valahol,
10:11
and we would have never
been able to see that.
been able to see that.
206
603409
2186
figyelmünktől teljesen távol.
10:14
But this exercise of taking
single pieces of information
single pieces of information
207
605619
4141
De információmorzsákból
10:18
and building narrative structures,
building histories out of them,
building histories out of them,
208
609784
4221
narratív szerkezetek
és történetek megalkotása
és történetek megalkotása
10:22
I find tremendously interesting.
209
614029
1925
rendkívül érdekes számomra.
10:24
You know, I moved to New York
about two years ago.
about two years ago.
210
616319
2344
New Yorkba költöztem két éve,
10:27
And in New York, everybody has a story
211
618687
2720
ahol mindenkinek van egy sztorija,
10:29
that surrounds this
tremendously impactful event
tremendously impactful event
212
621431
2960
ami a brutális hatású esemény,
10:32
that happened on September 11 of 2001.
213
624415
2299
2001. szeptember 11-e köré szerveződik.
10:35
And my own story with September 11
has really become a more intricate one,
has really become a more intricate one,
214
627373
6367
Az én szeptember 11-i sztorim
inkább szövevényes,
inkább szövevényes,
10:42
because I spent a great deal of time
215
633764
2064
mert számottevő időt töltöttem
10:44
working on a piece
of the 9/11 Memorial in Manhattan.
of the 9/11 Memorial in Manhattan.
216
635852
4149
a manhattani 9/11 emlékmű munkálataival.
10:49
The central idea about the 9/11 Memorial
217
640530
2564
Az emlékmű alapgondolata,
10:51
is that the names in the memorial
are not laid out in alphabetical order
are not laid out in alphabetical order
218
643118
4459
hogy rajta a neveket ne ábécésorrendben
10:56
or chronological order,
219
647601
1685
vagy időrendben helyezzék el,
10:57
but instead, they're laid out in a way
220
649310
1824
hanem oly módon,
10:59
in which the relationships
between the people who were killed
between the people who were killed
221
651158
3424
hogy a megöltek közti kötelékek
11:03
are embodied in the memorial.
222
654606
1960
testesüljenek meg az emlékműben.
11:05
Brothers are placed next to brothers,
223
657153
2538
Testvér mellett testvér áll,
11:08
coworkers are placed together.
224
659715
2185
munkatársak egymás mellett,
11:10
So this memorial actually considers
all of these myriad connections
all of these myriad connections
225
661924
4665
azaz az emlékmű figyelembe veszi
11:15
that were part of these people's lives.
226
666613
2421
az életük részét képező
tömérdek kapcsolatot.
tömérdek kapcsolatot.
11:18
I worked with a company
called Local Projects
called Local Projects
227
670310
3433
A Local Projects nevű céggel
dolgoztam együtt,
dolgoztam együtt,
11:22
to work on an algorithm
and a software tool
and a software tool
228
673767
2674
hogy algoritmus és szoftver segítségével
11:24
to help the architects build
the layout for the memorial:
the layout for the memorial:
229
676465
3004
az építészek megtervezhessék
az emlékmű elrendezését:
az emlékmű elrendezését:
11:28
almost 3,000 names
230
680331
1722
a közel 3 000 névből –
11:30
and almost 1,500 of these
adjacency requests,
adjacency requests,
231
682077
3627
majdnem 1 500 belőlük
a közelségi és kapcsolódási kérés –
11:34
these requests for connection --
232
685728
1610
11:35
so a very dense story,
a very dense narrative,
a very dense narrative,
233
687362
3386
sokrétű és gazdag sztori, narratíva
11:39
that becomes an embodied part
of this memorial.
of this memorial.
234
690772
2816
testesült meg ebben az emlékműben.
11:42
Working with Jake Barton,
we produce the software tool,
we produce the software tool,
235
694195
3331
Jake Bartonnal terveztük a szoftvert,
11:46
which allows the architects to,
first of all, generate a layout
first of all, generate a layout
236
697550
4119
ami először is lehetővé teszi,
hogy az építészek
hogy az építészek
az összes közelségi kérésnek
eleget tevő elrendezést alakítsanak ki,
eleget tevő elrendezést alakítsanak ki,
11:50
that satisfied all of those
adjacency requests,
adjacency requests,
237
701693
3129
11:53
but then second, make little adjustments
where they needed to
where they needed to
238
704846
3033
aztán másodszor, ahol szükséges,
apró igazításokkal úgy közöljék
a sztorikat, ahogy szeretnék.
a sztorikat, ahogy szeretnék.
11:56
to tell the stories
that they wanted to tell.
that they wanted to tell.
239
707903
2348
11:59
So this memorial, I think,
has an incredibly timely concept
has an incredibly timely concept
240
711219
4135
Az emlékmű koncepciója
hihetetlenül időszerű manapság,
hihetetlenül időszerű manapság,
12:03
in our era of social networks,
241
715378
2990
a közösségi hálózatok korában,
12:06
because these networks -- these real-life
networks that make up people's lives --
networks that make up people's lives --
242
718392
3975
mert a való életbeli,
emberi kapcsolatok hálózata
emberi kapcsolatok hálózata
12:10
are actually embodied
inside of the memorial.
inside of the memorial.
243
722391
2432
az emlékmű belsejében testesül meg.
12:13
And one of the most tremendously
moving experiences
moving experiences
244
725286
3471
A legbrutálisabb élmény pedig
12:17
is to go to the memorial
245
728781
1661
elmenni az emlékműhöz,
12:18
and see how these people
are placed next to each other,
are placed next to each other,
246
730466
4200
és látni, miként helyezték
az áldozatokat egymás mellé,
az áldozatokat egymás mellé,
12:23
so that this memorial
is representing their own lives.
is representing their own lives.
247
734690
2862
hogy az emlékmű az ő életüket ábrázolja.
12:27
How does this affect our lives?
248
738859
1687
Hogyan érinti ez életünket?
12:29
Well, I don't know if you remember,
249
741133
1676
Nem tudom, hogy emlékeznek-e,
12:31
but in the spring,
there was a controversy,
there was a controversy,
250
742833
2713
de tavasszal vita volt,
12:34
because it was discovered
that on the iPhone
that on the iPhone
251
745570
2198
mert kitudódott, hogy az iPhone-on,
12:36
and, actually, on your computer,
252
747792
1606
és a számítógépünkön
12:37
we were storing a tremendous amount
of the location data.
of the location data.
253
749422
3315
brutális mennyiségű helyadatot tárolunk.
12:41
So Apple responded, saying,
this was not location data about you,
this was not location data about you,
254
753173
3861
Az Apple válaszolt, miszerint ezek csupán
12:45
it was location data
about wireless networks
about wireless networks
255
757058
2805
a tartózkodási helyünk közelében lévő
12:48
that were in the area where you are.
256
759887
2287
vezeték nélküli hálózatok helyadatai.
12:50
So it's not about you,
257
762198
1428
Nem önökről szólnak,
12:52
but it's about where you are.
258
763650
1584
hanem a helyről, ahol épp vannak.
12:53
(Laughter)
259
765258
1648
(Nevetés)
12:55
This is very valuable data.
260
766930
2808
Nagyon értékes adatok.
12:58
It's like gold to researchers,
this human-mobility data.
this human-mobility data.
261
769762
4625
A kutatóknak aranyat érnek
ezek a helyváltoztatási adatok.
ezek a helyváltoztatási adatok.
13:02
So we thought, "Man!
How many people have iPhones?"
How many people have iPhones?"
262
774411
3664
Aztán mondtuk: "Halló! Kiknél van iPhone?"
13:06
How many of you have iPhones?
263
778099
1448
Önök közül kinél van iPhone?
13:09
So in this room, we have this tremendous
database of location data
database of location data
264
780608
5478
A teremben lévők helyadatainak
brutális méretű adatbázisát
brutális méretű adatbázisát
13:14
that researchers
would really, really like.
would really, really like.
265
786110
3775
a kutatók nagyon imádnák.
13:18
So we built this system called Open Paths,
266
789909
2031
Erre megalkottuk az Open Pathst,
13:20
which lets people upload their iPhone data
267
791964
2656
amivel iPhone-jukról
feltölthetik adataikat,
feltölthetik adataikat,
13:23
and broker relationships
with researchers to share that data,
with researchers to share that data,
268
794644
3796
és kapcsolatba léphetnek a kutatókkal
13:26
to donate that data to people
that can actually put it to use.
that can actually put it to use.
269
798464
3387
adataik észszerű megosztása,
adományozása céljából.
adományozása céljából.
13:30
Open Paths was a great
success as a prototype.
success as a prototype.
270
802256
2350
A rendszer prototípusa szépen szerepelt.
13:33
We received thousands of data sets,
271
804630
3433
Több ezer adathalmaz gyűlt össze,
és az általunk megalkotott felülettel
13:36
and we built this interface
272
808087
1349
13:37
which allows people to actually
see their lives unfolding
see their lives unfolding
273
809460
3318
a használók előtt kibontakozik az életük
13:41
from these traces
that are left behind on your devices.
that are left behind on your devices.
274
812802
3156
az eszközeik hátrahagyott nyomaiból.
13:45
Now, what we didn't expect
was how moving this experience would be.
was how moving this experience would be.
275
816593
5267
Nem láttuk előre, hogy ennyire
brutális lesz az élmény.
brutális lesz az élmény.
13:50
When I uploaded my data,
I thought, "Big deal.
I thought, "Big deal.
276
821884
2227
Mikor feltöltöttem adataim, azt gondoltam:
13:52
I know where I live. I know where I work.
What am I going to see here?"
What am I going to see here?"
277
824135
3416
"Nagy ügy. Tudom, hol lakom,
hol dolgozom, vár rám itt valami?"
hol dolgozom, vár rám itt valami?"
13:56
Well, it turns out, what I saw
was that moment I got off the plane
was that moment I got off the plane
278
827575
3501
Kiderült, hogy látom a pillanatot,
amikor leszállok a repülőről,
amikor leszállok a repülőről,
13:59
to start my new life in New York;
279
831100
1623
hogy új életet kezdjek New Yorkban;
14:02
the restaurant where I had Thai food
that first night,
that first night,
280
833588
2606
az éttermet, ahol thai kaját
ettem első este,
ettem első este,
14:04
thinking about this new experience
of being in New York;
of being in New York;
281
836218
2953
és a newyorkiság új élményén merengtem;
14:07
the day that I met my girlfriend.
282
839195
1623
a napot, amikor megismertem a párom.
14:11
This is LaGuardia airport.
283
842587
2275
Ez a LaGuardia reptér.
14:13
(Laughter)
284
844886
1487
(Nevetés)
14:14
This is this Thai restaurant
on Amsterdam Avenue.
on Amsterdam Avenue.
285
846397
3641
Ez a thai étterem az Amsterdam Avenue-n.
14:19
This is the moment I met my girlfriend.
286
850559
2050
Ez a pillanat, amikor megismertem a párom.
14:22
See how that changes the first time
I told you about those stories
I told you about those stories
287
854146
3451
Látják a változást aközött,
amikor először és aközött,
amikor először és aközött,
14:26
and the second time I told
you about those stories?
you about those stories?
288
857621
2468
amikor másodjára meséltem
el ezeket a sztorikat?
el ezeket a sztorikat?
14:28
Because what we do
in the tool, inadvertently,
in the tool, inadvertently,
289
860113
3207
Mert ezzel az eszközzel, akaratlanul is
14:31
is we put these pieces of data
into a human context.
into a human context.
290
863344
3115
emberi kontextusba
helyezzük ezeket az adatokat.
helyezzük ezeket az adatokat.
14:35
And by placing data into a human context,
291
866935
2498
Ebbe a kontextusba helyezve pedig
14:37
it gains meaning.
292
869457
1474
jelentéssel gazdagodik.
14:39
And I think this is tremendously,
tremendously important,
tremendously important,
293
870955
3328
Ez pedig szörnyen fontos,
14:42
because these are our histories
that are being stored on these devices.
that are being stored on these devices.
294
874307
4918
mert saját történeteinket
tárolják ezek az eszközök.
tárolják ezek az eszközök.
14:49
And by thinking about them that way,
295
880809
1994
Ha pedig így gondolunk rájuk,
14:52
putting them in a human context --
296
883543
1902
emberi kontextusba helyezzük őket:
14:53
first of all, what we do with our own data
is get a better understanding
is get a better understanding
297
885469
3662
adatainkkal először is jobban megértjük,
14:57
of the type of information
that we're sharing.
that we're sharing.
298
889155
2479
milyen jellegű információt osztunk meg.
15:00
But if we can do this with other data,
if we can put data into a human context,
if we can put data into a human context,
299
891658
4053
De ha ezt más adatokkal is megtehetjük,
ha emberi kontextusba helyezhetjük őket,
ha emberi kontextusba helyezhetjük őket,
15:04
I think we can change a lot of things,
300
895735
2918
sok mindent megváltoztathatunk,
15:07
because it builds, automatically, empathy
for the people involved in these systems.
for the people involved in these systems.
301
898677
6385
mert ez önmagában is együttérzést
kelt a rendszer részesei iránt.
kelt a rendszer részesei iránt.
Az eredmény pedig a cserébe
kapott alapvető tisztelet,
kapott alapvető tisztelet,
15:14
And that, in turn, results
in a fundamental respect,
in a fundamental respect,
302
905602
2953
15:17
which, I believe, is missing
in a large part of technology,
in a large part of technology,
303
908579
3163
mely, úgy hiszem, technológiánkból
nagyrészt hiányzik,
nagyrészt hiányzik,
15:20
when we start to deal
with issues like privacy,
with issues like privacy,
304
912329
2938
amikor pl. magánéleti kérdésekbe ütközünk,
15:25
by understanding that these numbers
are not just numbers,
are not just numbers,
305
916765
2717
értjük, hogy ezek nem csak számok,
15:28
but instead they're attached, tethered to,
pieces of the real world.
pieces of the real world.
306
919506
3619
hiszen szervesen kötődnek a való világhoz.
15:31
They carry weight.
307
923149
1506
Súlyuk van.
15:33
By understanding that,
the dialog becomes a lot different.
the dialog becomes a lot different.
308
924679
3332
Ha ezt megértjük,
a párbeszéd egész mássá válik.
a párbeszéd egész mássá válik.
15:38
How many of you have ever clicked a button
309
929595
2331
Hányan kattintottak már telefonjukon arra,
15:40
that enables a third party to access
your location data on your phone?
your location data on your phone?
310
931950
4987
hogy hozzáférést engedélyeznek
harmadik félnek a helyadataikhoz?
harmadik félnek a helyadataikhoz?
15:46
Lots of you.
311
937595
1555
Sokan.
15:47
So the third party is the developer,
312
939174
2245
A harmadik fél a fejlesztő,
15:49
the second party is Apple.
313
941443
1801
a második az Apple.
15:52
The only party that never gets access
to this information is the first party!
to this information is the first party!
314
943954
4823
Az egyetlen, aki ehhez az információhoz
nem fér hozzá, az első fél.
nem fér hozzá, az első fél.
15:58
And I think that's because we think
about these pieces of data
about these pieces of data
315
950198
3135
Azért van ez, mert az adatokat
16:01
in this stranded, abstract way.
316
953357
2055
szemellenzős, elvont módon fogjuk fel.
16:03
We don't put them into a context
317
955436
1897
Nem helyezzük kontextusba őket,
16:05
which, I think, makes them
a lot more important.
a lot more important.
318
957357
2309
melytől sokkal fontosabbá válnak.
16:08
So what I'm asking you
to do is really simple:
to do is really simple:
319
959690
2166
Nagyon egyszerű dolgot kérek önöktől:
16:10
start to think about data
in a human context.
in a human context.
320
961880
2323
gondoljanak az adatok emberi kontextusára.
16:13
It doesn't really take anything.
321
964918
1657
Ez tényleg nem kerül semmibe.
16:15
When you read stock prices,
think about them in a human context.
think about them in a human context.
322
966599
3359
Ha részvényárakat néznek,
gondoljanak emberi kontextusukra.
gondoljanak emberi kontextusukra.
16:18
When you think about mortgage reports,
think about them in a human context.
think about them in a human context.
323
969982
3542
Ha jelzáloghitel hírekre gondolnak,
gondoljanak emberi kontextusukra.
gondoljanak emberi kontextusukra.
16:22
There's no doubt that big data
is big business.
is big business.
324
973548
3930
Kétségkívül a big data,
a "nagy adat", nagy üzlet.
a "nagy adat", nagy üzlet.
16:26
There's an industry being developed here.
325
977502
3018
Egész iparág fejlődik ki körülötte.
16:30
Think about how well we've done
326
981520
1501
Gondoljanak bele,
mennyire elbántunk
a régebbi, termelői szektorokkal.
a régebbi, termelői szektorokkal.
16:31
in previous industries
that we've developed involving resources.
that we've developed involving resources.
327
983045
3369
16:34
Not very well at all.
328
986438
1300
Nagyon is.
16:36
I think part of that problem is, we've had
a lack of participation in these dialogues
a lack of participation in these dialogues
329
987762
4522
A probléma részben
a széleskörű társadalmi párbeszédben
való részvétel hiánya.
való részvétel hiánya.
16:40
from multiple pieces of human society.
330
992308
4428
16:45
So the other thing that I'm asking for
331
996760
1992
A másik dolog, amit kérek,
16:48
is an inclusion in this dialogue
from artists, from poets, from writers --
from artists, from poets, from writers --
332
999669
4378
hogy a párbeszédből ne hagyják ki
a művészeket, költőket, írókat –
a művészeket, költőket, írókat –
16:52
from people who can bring a human element
into this discussion.
into this discussion.
333
1004071
4013
azokat, akik emberi jelleget
visznek ebbe a beszélgetésbe.
visznek ebbe a beszélgetésbe.
16:57
Because I believe that this world of data
334
1008725
2356
Mert hiszem, hogy az adatok világa
16:59
is going to be transformative for us.
335
1011105
3025
át fog minket alakítani.
17:03
And unlike our attempts
with the resource industry
with the resource industry
336
1014687
3169
A termelői, pénzügyi szektorral
17:06
and our attempts
with the financial industry,
with the financial industry,
337
1017880
2153
tett kísérleteinkkel ellentétben,
17:08
by bringing the human
element into this story,
element into this story,
338
1020057
2931
a történetbe vitt emberi jelleg
17:11
I think we can take it
to tremendous places.
to tremendous places.
339
1023012
2178
szédítő teret nyithat előttünk.
17:14
Thank you.
340
1026203
1155
Köszönöm.
17:15
(Applause)
341
1027382
4052
(Taps)
ABOUT THE SPEAKER
Jer Thorp - Data artistJer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them.
Why you should listen
Currently the data artist in residence at the New York Times, Jer’s software-based art has been featured all over the world. His former career as a data artist explains why his art often brings big data sets to life and is deeply influenced by science. Originally from Vancouver, he lives in New York City, where, along with his work at the New York Times, he teaches in NYU’s ITP program.
Jer Thorp | Speaker | TED.com