TED2009
Tim Berners-Lee: The next web
Tim Berners-Lee a következő Web-ről
Filmed:
Readability: 3.8
1,638,798 views
20 évvel ezelőtt, Tim Berners-Lee feltalálta a világhálót. Következő project-ként egy nyílt, összekapcsolt adatokból álló hálózatot épít, ami azt jelentheti a számok területén, amit a Web jelent a szavak, képek és videók területén: megnyitja az adatokat és olyan formára alakítja, hogy együtt használhassuk fel.
Tim Berners-Lee - Inventor
Tim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development. Full bio
Tim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development. Full bio
Double-click the English transcript below to play the video.
00:18
Time flies.
0
0
2000
Repül az idő...
00:20
It's actually almost 20 years ago
1
2000
2000
Már 20 éve annak,
00:22
when I wanted to reframe the way we use information,
2
4000
4000
hogy át akartam alakítani az információ feldolgozás módját,
00:26
the way we work together: I invented the World Wide Web.
3
8000
3000
azt ahogy együtt működhetünk - Feltaláltam a világhálót
00:29
Now, 20 years on, at TED,
4
11000
3000
Most, 20 évvel később, a TED-en
00:32
I want to ask your help in a new reframing.
5
14000
4000
segítséget szeretnék kérni egy következő megújuláshoz
00:37
So going back to 1989,
6
19000
4000
Tehát, menjünk vissza 1989-be
00:41
I wrote a memo suggesting the global hypertext system.
7
23000
3000
írtam egy rövid jegyzetet a globális hypertext rendszerről.
00:44
Nobody really did anything with it, pretty much.
8
26000
3000
Senki nem nagyon törődött vele.
00:47
But 18 months later -- this is how innovation happens --
9
29000
4000
Aztán 18 hónappal később - a felfedezés már csak így megy -
00:51
18 months later, my boss said I could do it on the side,
10
33000
4000
18 hónappal később, a főnököm azt mondta, hogy mellékesen foglalkozhatok vele
00:55
as a sort of a play project,
11
37000
2000
mintegy szórakozásként,
00:57
kick the tires of a new computer we'd got.
12
39000
2000
próbálgassam vele az új számítógépet amit kaptunk.
00:59
And so he gave me the time to code it up.
13
41000
3000
Így kaptam időt a megvalósításra.
01:02
So I basically roughed out what HTML should look like:
14
44000
5000
Felvázoltam a HTML alapjait,
01:07
hypertext protocol, HTTP;
15
49000
3000
hypertext protokoll - HTTP -
01:10
the idea of URLs, these names for things
16
52000
3000
az URL lényegét - a dolgok elnevezésére
01:13
which started with HTTP.
17
55000
2000
amik HTTP-vel kezdődnek.
01:15
I wrote the code and put it out there.
18
57000
2000
Megírtam a kódot és nyilvánossá tettem.
01:17
Why did I do it?
19
59000
2000
Miért tettem?
01:19
Well, it was basically frustration.
20
61000
2000
Elsősorban az csalódottság miatt.
01:21
I was frustrated -- I was working as a software engineer
21
63000
4000
Csalódott voltam - programozóként dolgoztam
01:25
in this huge, very exciting lab,
22
67000
2000
egy nagy és izgalmas helyen,
01:27
lots of people coming from all over the world.
23
69000
2000
sok ember jött oda a világ sok részéről.
01:29
They brought all sorts of different computers with them.
24
71000
3000
Mindenféle különböző számítógépet hoztak magukkal.
01:32
They had all sorts of different data formats,
25
74000
3000
Nagyon sok különböző adat formátumot használtak.
01:35
all sorts, all kinds of documentation systems.
26
77000
2000
Minden féle típusú dokumentációs rendszereik voltak.
01:37
So that, in all that diversity,
27
79000
3000
Úgyhogy ha ebben a sokféleségben
01:40
if I wanted to figure out how to build something
28
82000
2000
ki akartam találni, hogy hogyan lehetne használni
01:42
out of a bit of this and a bit of this,
29
84000
2000
egy kicsit ebből, egy kicsit abból
01:44
everything I looked into, I had to connect to some new machine,
30
86000
4000
amibe beleláttam, mindig új gépekre kellett kapcsolódnom,
01:48
I had to learn to run some new program,
31
90000
2000
új programokat kellett megtanulnom,
01:50
I would find the information I wanted in some new data format.
32
92000
5000
a szükséges információk mindig valamilyen új formátumban voltak.
01:55
And these were all incompatible.
33
97000
2000
És ezek nem voltak kompatibilisek egymással.
01:57
It was just very frustrating.
34
99000
2000
Nagyon idegesítő volt.
01:59
The frustration was all this unlocked potential.
35
101000
2000
Nagyon zavart ez a feltáratlan lehetőség.
02:01
In fact, on all these discs there were documents.
36
103000
3000
Valójában minden lemez tele volt dokumentumokkal.
02:04
So if you just imagined them all
37
106000
3000
Ha elképzeljük mindezt
02:07
being part of some big, virtual documentation system in the sky,
38
109000
5000
egy nagy, virtuális dokumentum rendszerben,
02:12
say on the Internet,
39
114000
2000
például az interneten,
02:14
then life would be so much easier.
40
116000
2000
az élet sokkal egyszerűbb lenne.
02:16
Well, once you've had an idea like that it kind of gets under your skin
41
118000
4000
Ha egyszer megszületik egy ilyen ötlet, akkor az belül ott motoszkál
02:20
and even if people don't read your memo --
42
122000
2000
még akkor is ha mások el sem olvassák a jegyzeteimet -
02:22
actually he did, it was found after he died, his copy.
43
124000
3000
a főnököm elolvasta, halála után találtuk meg az asztalán.
02:25
He had written, "Vague, but exciting," in pencil, in the corner.
44
127000
3000
Ceruzával ezt írta a sarkára: "Bizonytalan, de érdekes"
02:28
(Laughter)
45
130000
2000
(Nevetés)
02:30
But in general it was difficult -- it was really difficult to explain
46
132000
4000
De általában nehéz volt - nagyon nehéz volt elmagyarázni,
02:34
what the web was like.
47
136000
2000
hogy mi a web.
02:36
It's difficult to explain to people now that it was difficult then.
48
138000
2000
Nehéz elmagyarázni most az embereknek, hogy akkor miért volt nehéz megérteni.
02:38
But then -- OK, when TED started, there was no web
49
140000
3000
De akkor - amikor a TED elindult, még nem volt web,
02:41
so things like "click" didn't have the same meaning.
50
143000
3000
az olyan szavak, mint "kattintás" egészen mást jelentettek.
02:44
I can show somebody a piece of hypertext,
51
146000
2000
Megmutatok valakinek egy hypertext-et,
02:46
a page which has got links,
52
148000
2000
egy oldal tele linkekkel,
02:48
and we click on the link and bing -- there'll be another hypertext page.
53
150000
4000
rákattintunk a linkre és hopp - egy újabb hypertext oldal...
02:52
Not impressive.
54
154000
2000
Nem lenyűgöző.
02:54
You know, we've seen that -- we've got things on hypertext on CD-ROMs.
55
156000
3000
Mi már láttunk ilyet - CD-ken tárolunk hypertext formátumban dolgokat.
02:57
What was difficult was to get them to imagine:
56
159000
3000
Ami nehéz volt, hogy el tudják képzelni.
03:00
so, imagine that that link could have gone
57
162000
4000
Elképzelni azt, hogy egy link bárhova elvihet,
03:04
to virtually any document you could imagine.
58
166000
2000
gyakorlatilag bármilyen dokumentumhoz.
03:07
Alright, that is the leap that was very difficult for people to make.
59
169000
4000
Ez volt az a nagy lépés, amit akkor nagyon nehezen tudtak megtenni.
03:11
Well, some people did.
60
173000
2000
De néhányuknak mégis sikerült.
03:13
So yeah, it was difficult to explain, but there was a grassroots movement.
61
175000
3000
Bár nehéz volt elmagyarázni, de elindult egy mozgalom.
03:17
And that is what has made it most fun.
62
179000
4000
És ez tette igazán érdekessé.
03:21
That has been the most exciting thing,
63
183000
2000
Ez volt a legizgalmasabb dolog,
03:23
not the technology, not the things people have done with it,
64
185000
2000
nem a technológia, nem az amit az emberek kezdtek vele,
03:25
but actually the community, the spirit of all these people
65
187000
2000
hanem a közösség, az emberek összefogása,
03:27
getting together, sending the emails.
66
189000
2000
emailek küldése.
03:29
That's what it was like then.
67
191000
2000
Ilyen volt akkor.
03:31
Do you know what? It's funny, but right now it's kind of like that again.
68
193000
3000
De mi a helyzet? Vicces, de most is ugyanitt tartunk.
03:34
I asked everybody, more or less, to put their documents --
69
196000
2000
Többé-kevésbé mindenkit megkértem, hogy tegyék fel a dokumentumaikat -
03:36
I said, "Could you put your documents on this web thing?"
70
198000
3000
Megkértem, hogy tegyék fel a dokumentumokat erre a "web dologra"
03:39
And you did.
71
201000
3000
És feltették.
03:42
Thanks.
72
204000
1000
Köszönöm.
03:43
It's been a blast, hasn't it?
73
205000
2000
Élvezetes volt, nem?
03:45
I mean, it has been quite interesting
74
207000
2000
Mármint elég érdekes,
03:47
because we've found out that the things that happen with the web
75
209000
2000
mert rájöttünk, hogy ami a weben történik
03:49
really sort of blow us away.
76
211000
2000
tényleg lenyűgöző.
03:51
They're much more than we'd originally imagined
77
213000
2000
Sokkal több, mint amit eredetileg elképzeltünk
03:53
when we put together the little, initial website
78
215000
2000
amikor az első honlapot összeraktuk
03:55
that we started off with.
79
217000
2000
amivel indultunk.
03:57
Now, I want you to put your data on the web.
80
219000
3000
Most azt szeretném, ha felraknánk az adatainkat a webre.
04:00
Turns out that there is still huge unlocked potential.
81
222000
4000
Látszik, hogy még mindig nagyon sok kihasználatlan lehetőség van.
04:04
There is still a huge frustration
82
226000
2000
Ez még mindig idegesítő
04:06
that people have because we haven't got data on the web as data.
83
228000
4000
mert még mindig nem adat formában vannak az adatok a weben.
04:10
What do you mean, "data"? What's the difference -- documents, data?
84
232000
2000
Mit értek adat alatt? Mi a különbség dokumentum és adat között?
04:12
Well, documents you read, OK?
85
234000
3000
A dokumentumot olvassuk.
04:15
More or less, you read them, you can follow links from them, and that's it.
86
237000
3000
Többnyire olvassuk, követhetjük a benne szereplő linkeket és ennyi.
04:18
Data -- you can do all kinds of stuff with a computer.
87
240000
2000
Adat, amivel mindenféle dolgokat lehet csinálni a számítógépen.
04:20
Who was here or has otherwise seen Hans Rosling's talk?
88
242000
6000
Ki volt itt, vagy ki látta Hans Rosling előadását?
04:26
One of the great -- yes a lot of people have seen it --
89
248000
4000
Az egyik nagyszerű - igen, sokan látták -
04:30
one of the great TED Talks.
90
252000
2000
az egyik nagyszerű TED előadás.
04:32
Hans put up this presentation
91
254000
2000
Hans kivetítette ezt a prezentációt,
04:34
in which he showed, for various different countries, in various different colors --
92
256000
5000
amin bemutatta különböző országokra különböző színekkel jelölve -
04:39
he showed income levels on one axis
93
261000
3000
a bevételt az egyik tengelyen,
04:42
and he showed infant mortality, and he shot this thing animated through time.
94
264000
3000
a csecsemőhalandóságot a másikon, időbeli animációval.
04:45
So, he'd taken this data and made a presentation
95
267000
4000
Fogta ezeket az adatokat és készített egy prezentációt
04:49
which just shattered a lot of myths that people had
96
271000
3000
ami összetört néhány hiedelmet
04:52
about the economics in the developing world.
97
274000
4000
a fejlődő világ gazdaságával kapcsolatban.
04:56
He put up a slide a little bit like this.
98
278000
2000
Egy ehhez hasonló diát vetített ki.
04:58
It had underground all the data
99
280000
2000
Mélyen a felszín alatt ott voltak az adatok,
05:00
OK, data is brown and boxy and boring,
100
282000
3000
barna, kocka alakúak, unalmasak,
05:03
and that's how we think of it, isn't it?
101
285000
2000
és így is gondolunk rá, nem?
05:05
Because data you can't naturally use by itself
102
287000
3000
Mert az adatokat nem lehet önmagukban használni.
05:08
But in fact, data drives a huge amount of what happens in our lives
103
290000
4000
Valójában viszont az életünk nagy részét befolyásolják adatok
05:12
and it happens because somebody takes that data and does something with it.
104
294000
3000
azért, mert valaki csinál valamit az adatokkal.
05:15
In this case, Hans had put the data together
105
297000
2000
Ebben az esetben Hans összeszedte az adatokat
05:17
he had found from all kinds of United Nations websites and things.
106
299000
5000
amit mindenféle ENSZ és egyéb weboldalakon talált.
05:22
He had put it together,
107
304000
2000
Összerakta őket,
05:24
combined it into something more interesting than the original pieces
108
306000
3000
az eredetinél valami sokkal érdekesebb formába rendezte,
05:27
and then he'd put it into this software,
109
309000
5000
majd bevitte ebbe a programba,
05:32
which I think his son developed, originally,
110
314000
2000
amit azt hiszem eredetileg a fia fejlesztett,
05:34
and produces this wonderful presentation.
111
316000
3000
és létrehozta ezt a csodás prezentációt.
05:37
And Hans made a point
112
319000
2000
És Hans rámutatott a lényegre,
05:39
of saying, "Look, it's really important to have a lot of data."
113
321000
4000
amikor ezt mondta: "Nagyon fontos, hogy legyen sok adatunk".
05:43
And I was happy to see that at the party last night
114
325000
3000
És nagyon örültem neki, hogy a tegnap esti fogadáson
05:46
that he was still saying, very forcibly, "It's really important to have a lot of data."
115
328000
4000
még mindig ezt hangsúlyozta: "Nagyon fontos, hogy sok adatunk legyen".
05:50
So I want us now to think about
116
332000
2000
Most gondoljunk egy kicsit tovább,
05:52
not just two pieces of data being connected, or six like he did,
117
334000
4000
ne csak két adat kapcsolatára, vagy hat adatéra, ahogy ő dolgozta fel,
05:56
but I want to think about a world where everybody has put data on the web
118
338000
5000
hanem egy olyan világra, ahol mindenki felrakja az adatait a webre,
06:01
and so virtually everything you can imagine is on the web
119
343000
2000
így gyakorlatilag minden amit el tudunk képzelni a weben lesz
06:03
and then calling that linked data.
120
345000
2000
és hívjuk ezt összekapcsolt adatoknak.
06:05
The technology is linked data, and it's extremely simple.
121
347000
2000
A technológia is összekapcsolt adat és nagyon egyszerű.
06:07
If you want to put something on the web there are three rules:
122
349000
4000
Ha valamit fel akarsz tenni a webre, három szabály van:
06:11
first thing is that those HTTP names --
123
353000
3000
az első a HTTP nevek -
06:14
those things that start with "http:" --
124
356000
2000
amik ilyen "http:" formával kezdődnek
06:16
we're using them not just for documents now,
125
358000
4000
ezeket most már nem csak dokumentumokra használjuk,
06:20
we're using them for things that the documents are about.
126
362000
2000
hanem bármire amiről a dokumentum szól.
06:22
We're using them for people, we're using them for places,
127
364000
2000
Emberek, helyek leírására,
06:24
we're using them for your products, we're using them for events.
128
366000
4000
termékek vagy események megjelölésére is használjuk.
06:28
All kinds of conceptual things, they have names now that start with HTTP.
129
370000
4000
Mindenféle fogalomnak van HTTP-vel kezdődő neve.
06:32
Second rule, if I take one of these HTTP names and I look it up
130
374000
5000
A második szabály, hogy ha megnézek egy ilyen HTTP nevet
06:37
and I do the web thing with it and I fetch the data
131
379000
2000
és a neten megkeresem az adatokat
06:39
using the HTTP protocol from the web,
132
381000
2000
a HTTP protokollon keresztül,
06:41
I will get back some data in a standard format
133
383000
3000
akkor valamilyen szabványos formában kell visszakapnom valamilyen adatot,
06:44
which is kind of useful data that somebody might like to know
134
386000
5000
amire szükségem lehet és hasznos
06:49
about that thing, about that event.
135
391000
2000
annak a dolognak vagy eseménynek a leírására.
06:51
Who's at the event? Whatever it is about that person,
136
393000
2000
Ki lesz ott? Bármi erről a személyről,
06:53
where they were born, things like that.
137
395000
2000
hogy hol született például.
06:55
So the second rule is I get important information back.
138
397000
2000
Tehát a második szabály, hogy fontos információt kapjak vissza.
06:57
Third rule is that when I get back that information
139
399000
4000
A harmadik szabály, hogy amikor visszakapom az információt
07:01
it's not just got somebody's height and weight and when they were born,
140
403000
3000
akkor ne csak valakinek a magasságát, súlyát, születési idejét tudjam meg,
07:04
it's got relationships.
141
406000
2000
hanem kapcsolatokat is.
07:06
Data is relationships.
142
408000
2000
Az adatok kapcsolatok.
07:08
Interestingly, data is relationships.
143
410000
2000
Érdekes, de az adatok kapcsolatok.
07:10
This person was born in Berlin; Berlin is in Germany.
144
412000
4000
Ez az ember Berlin-ben született. Berlin Németországban van.
07:14
And when it has relationships, whenever it expresses a relationship
145
416000
3000
És amikor ilyen kapcsolatok jönnek létre,
07:17
then the other thing that it's related to
146
419000
3000
akkor a másik dolog, amivel kapcsolatban áll,
07:20
is given one of those names that starts HTTP.
147
422000
4000
kap egy újabb HTTP nevet.
07:24
So, I can go ahead and look that thing up.
148
426000
2000
Így megkereshetem ezt is.
07:26
So I look up a person -- I can look up then the city where they were born; then
149
428000
3000
Tehát megkeresek egy embert - megkereshetem, hogy hol született,
07:29
I can look up the region it's in, and the town it's in,
150
431000
3000
hol helyezkedik el az a város,
07:32
and the population of it, and so on.
151
434000
3000
mekkora a népessége, stb.
07:35
So I can browse this stuff.
152
437000
2000
Böngészhetek ezek között az adatok között.
07:37
So that's it, really.
153
439000
2000
És ez az.
07:39
That is linked data.
154
441000
2000
Ez az összekapcsolt adat.
07:41
I wrote an article entitled "Linked Data" a couple of years ago
155
443000
3000
Írtam néhány évvel ezelőtt egy "Összekapcsolt adat" című cikket
07:44
and soon after that, things started to happen.
156
446000
4000
és nem sokkal ezután elkezdtek dolgok történni.
07:48
The idea of linked data is that we get lots and lots and lots
157
450000
4000
Az összekapcsolt adat ötlete, hogy van nagyon-nagyon sok
07:52
of these boxes that Hans had,
158
454000
2000
ilyen dobozunk, mint Hansnak volt,
07:54
and we get lots and lots and lots of things sprouting.
159
456000
2000
és nagyon sok minden sarjad ki belőlük.
07:56
It's not just a whole lot of other plants.
160
458000
3000
Nem csak sok más növény,
07:59
It's not just a root supplying a plant,
161
461000
2000
nem csak egy növényt tápláló gyökér,
08:01
but for each of those plants, whatever it is --
162
463000
3000
hanem minden ilyen növénynek, bármi is legyen az -
08:04
a presentation, an analysis, somebody's looking for patterns in the data --
163
466000
3000
egy prezentáció, egy elemzés, mintázatok felismerése az adatok között -
08:07
they get to look at all the data
164
469000
3000
az összes adatot figyelembe kell venni
08:10
and they get it connected together,
165
472000
2000
és össze kell kapcsolni.
08:12
and the really important thing about data
166
474000
2000
És ami nagyon fontos az adatokkal kapcsolatban,
08:14
is the more things you have to connect together, the more powerful it is.
167
476000
2000
hogy minél többet tudunk összekapcsolni, annál hatékonyabb.
08:16
So, linked data.
168
478000
2000
Tehát összekapcsolt adat.
08:18
The meme went out there.
169
480000
2000
Az ötlet elindult.
08:20
And, pretty soon Chris Bizer at the Freie Universitat in Berlin
170
482000
4000
És hamarosan Chris Bizer a berlini Freie Universitat-ról
08:24
who was one of the first people to put interesting things up,
171
486000
2000
aki az egyik első volt azok közül akik érdekes dolgokat hoztak fel,
08:26
he noticed that Wikipedia --
172
488000
2000
felfedezte a Wikipediát -
08:28
you know Wikipedia, the online encyclopedia
173
490000
3000
az ismert online enciklopédiát
08:31
with lots and lots of interesting documents in it.
174
493000
2000
nagyon sok érdekes dokumentummal.
08:33
Well, in those documents, there are little squares, little boxes.
175
495000
4000
Ezekben a dokumentumokban vannak kis dobozok.
08:37
And in most information boxes, there's data.
176
499000
3000
Ezekben az információs dobozokban pedig adatok.
08:40
So he wrote a program to take the data, extract it from Wikipedia,
177
502000
4000
Írt egy programot, ami a Wikipediából kinyeri az adatokat
08:44
and put it into a blob of linked data
178
506000
2000
és a összekapcsolt adatok egyik buborékjába tette őket
08:46
on the web, which he called dbpedia.
179
508000
3000
a weben, amit dbpedia-nak nevezett el.
08:49
Dbpedia is represented by the blue blob in the middle of this slide
180
511000
4000
A Dbpedia-t a kék buborék jelöli a dia közepén
08:53
and if you actually go and look up Berlin,
181
515000
2000
és ha megkeressük Berlin-t
08:55
you'll find that there are other blobs of data
182
517000
2000
láthatjuk, hogy vannak egyéb adat buborékok is
08:57
which also have stuff about Berlin, and they're linked together.
183
519000
3000
amik szintén tartalmaznak valamit Berlinről és össze vannak kapcsolva.
09:00
So if you pull the data from dbpedia about Berlin,
184
522000
3000
Ha vesszük tehát az összes adatot, amit a dbpedia Berlinről tartalmaz
09:03
you'll end up pulling up these other things as well.
185
525000
2000
egyéb helyekről is magával fogja hozni az információkat.
09:05
And the exciting thing is it's starting to grow.
186
527000
3000
És ami érdekes, hogy egyre növekszik.
09:08
This is just the grassroots stuff again, OK?
187
530000
2000
Egy újabb mozgalom.
09:10
Let's think about data for a bit.
188
532000
3000
Gondolkozzunk egy kicsit az adatokról.
09:13
Data comes in fact in lots and lots of different forms.
189
535000
3000
Nagyon sok formában lehetnek adatok.
09:16
Think of the diversity of the web. It's a really important thing
190
538000
3000
Gondoljunk a web sokféleségére, ez nagyon fontos
09:19
that the web allows you to put all kinds of data up there.
191
541000
3000
hogy a webre bármilyen adatot felrakhatunk.
09:22
So it is with data. I could talk about all kinds of data.
192
544000
2000
Tehát ezek az adatok, nagyon sokféle adatról lehetne beszélni.
09:25
We could talk about government data, enterprise data is really important,
193
547000
4000
Kormányzati adatokról, a vállalkozási adatok nagyon fontosak,
09:29
there's scientific data, there's personal data,
194
551000
3000
vannak tudományos adatok, személyes adatok,
09:32
there's weather data, there's data about events,
195
554000
2000
időjárás adatok, események,
09:34
there's data about talks, and there's news and there's all kinds of stuff.
196
556000
4000
adatok előadásokról, hírek, és még sok minden más.
09:38
I'm just going to mention a few of them
197
560000
3000
Csak néhányat fogok említeni
09:41
so that you get the idea of the diversity of it,
198
563000
2000
azért, hogy lássuk a sokféleséget,
09:43
so that you also see how much unlocked potential.
199
565000
4000
és az ebben rejlő lehetőségeket.
09:47
Let's start with government data.
200
569000
2000
Kezdjük a kormányzati adatokkal.
09:49
Barack Obama said in a speech,
201
571000
2000
Barack Obama egyik beszédében azt mondta, hogy
09:51
that he -- American government data would be available on the Internet
202
573000
5000
- az amerikai kormányzati adatok elérhetőek lennének az interneten
09:56
in accessible formats.
203
578000
2000
hozzáférhető formákban.
09:58
And I hope that they will put it up as linked data.
204
580000
2000
És remélem, hogy összekapcsolt adatként fogják feltenni.
10:00
That's important. Why is it important?
205
582000
2000
Ez fontos. Miért?
10:02
Not just for transparency, yeah transparency in government is important,
206
584000
3000
Nem csak az átláthatóság miatt, bár az átláthatóság fontos a kormányzatban,
10:05
but that data -- this is the data from all the government departments
207
587000
3000
hanem az adatok miatt - az összes kormányzati szervtől származó adat.
10:08
Think about how much of that data is about how life is lived in America.
208
590000
5000
Gondoljunk bele mennyi adat van az amerikai életről.
10:13
It's actual useful. It's got value.
209
595000
2000
És ez hasznos, értékes.
10:15
I can use it in my company.
210
597000
2000
Használhatom a cégemben,
10:17
I could use it as a kid to do my homework.
211
599000
2000
gyerekként a házi feladatomhoz.
10:19
So we're talking about making the place, making the world run better
212
601000
3000
A világ jobbításáról beszélünk
10:22
by making this data available.
213
604000
2000
ha elérhetővé tesszük ezeket az adatokat.
10:24
In fact if you're responsible -- if you know about some data
214
606000
4000
Ha felelős vagy - ha tudsz valamilyen információról
10:28
in a government department, often you find that
215
610000
2000
egy kormányzati szervnél, gyakran azt látod,
10:30
these people, they're very tempted to keep it --
216
612000
3000
hogy ezek az emberek nagyon meg akarják tartani maguknak -
10:33
Hans calls it database hugging.
217
615000
3000
Hans ezt adatbázis ölelésnek nevezi.
10:36
You hug your database, you don't want to let it go
218
618000
2000
Magadhoz szorítod az adataidat, nem engeded ki
10:38
until you've made a beautiful website for it.
219
620000
2000
amíg nem készítettél neki egy nagyon szép honlapot.
10:40
Well, I'd like to suggest that rather --
220
622000
2000
Azt javasolnám, hogy inkább -
10:42
yes, make a beautiful website,
221
624000
2000
igen, csinálj szép honlapot,
10:44
who am I to say don't make a beautiful website?
222
626000
2000
ki vagyok én, hogy azt mondanám, hogy ne.
10:46
Make a beautiful website, but first
223
628000
3000
Készíts szép honlapot, de először
10:49
give us the unadulterated data,
224
631000
3000
add ki a természetes adatokat,
10:52
we want the data.
225
634000
2000
szükségünk van az adatokra.
10:54
We want unadulterated data.
226
636000
2000
Természetes adatokra van szükségünk.
10:56
OK, we have to ask for raw data now.
227
638000
3000
Most a nyers adatokat kérnünk kell.
10:59
And I'm going to ask you to practice that, OK?
228
641000
2000
És ezt most gyakoroljuk, rendben?
11:01
Can you say "raw"?
229
643000
1000
Mondjuk: "nyers"
11:02
Audience: Raw.
230
644000
1000
Közönség: "nyers"
11:03
Tim Berners-Lee: Can you say "data"?
231
645000
1000
Tim Berners-Lee: mondjuk "adatokat"
11:04
Audience: Data.
232
646000
1000
Közönség: adatokat
11:05
TBL: Can you say "now"?
233
647000
1000
Tim Berners-Lee: "most"
11:06
Audience: Now!
234
648000
1000
Közönség: most!
11:07
TBL: Alright, "raw data now"!
235
649000
2000
Egyben, "Nyers adatokat most!"
11:09
Audience: Raw data now!
236
651000
2000
Közönség: "Nyers adatokat most!"
11:11
Practice that. It's important because you have no idea the number of excuses
237
653000
4000
Ezt gyakoroljuk! Fontos, mert rengeteg kifogást tudnak
11:15
people come up with to hang onto their data
238
657000
2000
az emberek felhozni, hogy megtarthassák adataikat
11:17
and not give it to you, even though you've paid for it as a taxpayer.
239
659000
4000
és ne adják ki, még akkor sem ha adófizetőként fizetünk ezért.
11:21
And it's not just America. It's all over the world.
240
663000
2000
És nem csak Amerikában, az egész világon így van.
11:23
And it's not just governments, of course -- it's enterprises as well.
241
665000
3000
És természetesen nem csak a kormányzatban, hanem a cégeknél is.
11:26
So I'm just going to mention a few other thoughts on data.
242
668000
3000
Még néhány gondolat az adatokról.
11:29
Here we are at TED, and all the time we are very conscious
243
671000
5000
Itt vagyunk a TED-en, és mindig nagyon öntudtosak vagyunk
11:34
of the huge challenges that human society has right now --
244
676000
5000
hogy az emberi társadalomnak mik a nagy kihívásai most -
11:39
curing cancer, understanding the brain for Alzheimer's,
245
681000
3000
rák gyógyítás, Alzheimer kórosok agyi működésének megértése,
11:42
understanding the economy to make it a little bit more stable,
246
684000
3000
a gazdaság megértése a stabilitás érdekében,
11:45
understanding how the world works.
247
687000
2000
a világ működésének megértése.
11:47
The people who are going to solve those -- the scientists --
248
689000
2000
Azoknak, akik ezeket megoldják - a tudósoknak -
11:49
they have half-formed ideas in their head,
249
691000
2000
félig megfogalmazott megoldásaik vannak a fejükben,
11:51
they try to communicate those over the web.
250
693000
3000
amit a weben keresztül próbálnak meg bemutatni.
11:54
But a lot of the state of knowledge of the human race at the moment
251
696000
3000
De az emberi tudás nagy része jelenleg
11:57
is on databases, often sitting in their computers,
252
699000
3000
adatbázisokban rejlik, egy-egy számítógépen
12:00
and actually, currently not shared.
253
702000
3000
amit nem osztanak meg senkivel.
12:03
In fact, I'll just go into one area --
254
705000
3000
Nézzünk csak egy konkrét területet -
12:06
if you're looking at Alzheimer's, for example,
255
708000
2000
ha például az Alzheimer kórra keresünk,
12:08
drug discovery -- there is a whole lot of linked data which is just coming out
256
710000
3000
gyógyszer felfedezések - nagyon sok összekapcsolt adat van,
12:11
because scientists in that field realize
257
713000
2000
mert a tudósok ezen a területen rájöttek,
12:13
this is a great way of getting out of those silos,
258
715000
3000
hogy ez egy jó módja annak, hogy kiszabaduljanak ebből a zártságból,
12:16
because they had their genomics data in one database
259
718000
4000
mert a genomikai adataik egy adatbázisban vannak
12:20
in one building, and they had their protein data in another.
260
722000
3000
egy adott épületben, a fehérje adataik pedig egy másikban.
12:23
Now, they are sticking it onto -- linked data --
261
725000
3000
Most összekötik ezeket - összekapcsolt adat -
12:26
and now they can ask the sort of question, that you probably wouldn't ask,
262
728000
3000
és olyan kérdéseket tudnak feltenni, amit mi nem tennénk,
12:29
I wouldn't ask -- they would.
263
731000
2000
én nem tenném, ők igen.
12:31
What proteins are involved in signal transduction
264
733000
2000
Milyen fehérjék játszanak szerepet a jel továbbításban
12:33
and also related to pyramidal neurons?
265
735000
2000
és kapcsolódnak a piramis idegsejtekhez?
12:35
Well, you take that mouthful and you put it into Google.
266
737000
3000
Ezt így ahogy van a Google-n keresnénk.
12:38
Of course, there's no page on the web which has answered that question
267
740000
3000
Persze nincs olyan oldal a weben, ami megválaszolta volna ezt a kérdés
12:41
because nobody has asked that question before.
268
743000
2000
mivel még senki nem tette fel.
12:43
You get 223,000 hits --
269
745000
2000
Van 223000 találat -
12:45
no results you can use.
270
747000
2000
de nincs használható eredmény.
12:47
You ask the linked data -- which they've now put together --
271
749000
3000
Rákeresünk a összekapcsolt adatokban - amit most már összeállítottak -
12:50
32 hits, each of which is a protein which has those properties
272
752000
4000
32 találat, mindegyik olyan fehérje, amelyik rendelkezik az adott tulajdonságokkal
12:54
and you can look at.
273
756000
2000
és meg is nézhetjük.
12:56
The power of being able to ask those questions, as a scientist --
274
758000
3000
Az ereje annak, hogy ilyen kérdéseket tehetünk fel tudósként -
12:59
questions which actually bridge across different disciplines --
275
761000
2000
kérdéseket, amelyek különböző tudományterületeket kötnek össze -
13:01
is really a complete sea change.
276
763000
3000
egy tényleg nagy lehetőség.
13:04
It's very very important.
277
766000
2000
Nagyon fontos.
13:06
Scientists are totally stymied at the moment --
278
768000
2000
A tudósok nagy akadályokba ütköznek -
13:08
the power of the data that other scientists have collected is locked up
279
770000
5000
a mások által összegyűjtött adatok elérhetetlensége miatt
13:13
and we need to get it unlocked so we can tackle those huge problems.
280
775000
3000
és ezeket kéne feloldani, hogy a nagy kérdéseket kezelni lehessen.
13:16
Now if I go on like this, you'll think that all the data comes from huge institutions
281
778000
4000
Ha így folytatom, azt gondolhatnánk, hogy minden adat nagy intézményektől származik
13:20
and has nothing to do with you.
282
782000
3000
és semmi közünk hozzá.
13:23
But, that's not true.
283
785000
2000
De ez nem igaz.
13:25
In fact, data is about our lives.
284
787000
2000
Valójában az adatok az életünkről szólnak.
13:27
You just -- you log on to your social networking site,
285
789000
3000
Csak bejelentkezünk egy közösségi oldalra,
13:30
your favorite one, you say, "This is my friend."
286
792000
2000
és azt mondjuk, hogy "Ez az ismerősünk".
13:32
Bing! Relationship. Data.
287
794000
3000
Hopp! Kapcsolat. Adat.
13:35
You say, "This photograph, it's about -- it depicts this person. "
288
797000
3000
Azt mondjuk, hogy "Ezen a képen ez a valaki szerepel".
13:38
Bing! That's data. Data, data, data.
289
800000
3000
Hopp! Adat, adat, adat.
13:41
Every time you do things on the social networking site,
290
803000
2000
Minden alkalommal, amikor közösségi oldalakon csinálunk valamit,
13:43
the social networking site is taking data and using it -- re-purposing it --
291
805000
4000
az oldal adatokat gyűjt és használ fel - újrahasznosít -
13:47
and using it to make other people's lives more interesting on the site.
292
809000
4000
és az oldalon lévő emberek életét érdekesebbé teszi.
13:51
But, when you go to another linked data site --
293
813000
2000
De amikor egy másik összekapcsolt adat oldalra megyünk -
13:53
and let's say this is one about travel,
294
815000
3000
mondjuk egy utazással kapcsolatos oldalra.
13:56
and you say, "I want to send this photo to all the people in that group,"
295
818000
3000
és azt mondjuk: "El szeretném küldeni ezt a képet mindenkinek ebben a csoportban"
13:59
you can't get over the walls.
296
821000
2000
nem tudunk átlépni a falakon.
14:01
The Economist wrote an article about it, and lots of people have blogged about it --
297
823000
2000
Az Economist írt erről egy cikket, és sokan blogoltak is róla,
14:03
tremendous frustration.
298
825000
1000
nagyon idegesítő.
14:04
The way to break down the silos is to get inter-operability
299
826000
2000
Ahhoz, hogy kitörjünk a falak közül, meg kell valósítani az együttműködést
14:06
between social networking sites.
300
828000
2000
a közösségi oldalak között.
14:08
We need to do that with linked data.
301
830000
2000
Ehhez az összekapcsolt adatra van szükség.
14:10
One last type of data I'll talk about, maybe it's the most exciting.
302
832000
3000
Még egy típusú adatról hadd beszéljek, talán ez a legérdekesebb.
14:13
Before I came down here, I looked it up on OpenStreetMap
303
835000
3000
Mielőtt ide jöttem, megnéztem az OpenStreetMap-et.
14:16
The OpenStreetMap's a map, but it's also a Wiki.
304
838000
2000
Ez egy térkép, de ugyanakkor egy Wiki oldal is.
14:18
Zoom in and that square thing is a theater -- which we're in right now --
305
840000
3000
Belenagyítok, és az a négyzet ott egy színház - ahol éppen most vagyunk -
14:21
The Terrace Theater. It didn't have a name on it.
306
843000
2000
A Terrace Színház. Nem volt rajta név.
14:23
So I could go into edit mode, I could select the theater,
307
845000
2000
Tehát beléptem a szerkesztő módba, kiválasztottam a színházat,
14:25
I could add down at the bottom the name, and I could save it back.
308
847000
5000
lent hozzáadtam a nevet és elmentettem.
14:30
And now if you go back to the OpenStreetMap. org,
309
852000
3000
És most ha visszamegyünk az OpenStreetMap.org oldalra,
14:33
and you find this place, you will find that The Terrace Theater has got a name.
310
855000
3000
és rákeresünk erre a helyre, látni fogjuk, hogy a Terrace Színháznak már van neve.
14:36
I did that. Me!
311
858000
2000
Én csináltam. Én!
14:38
I did that to the map. I just did that!
312
860000
2000
Én csináltam azt a térképen. Én csináltam!
14:40
I put that up on there. Hey, you know what?
313
862000
2000
Én tettem fel oda.
14:42
If I -- that street map is all about everybody doing their bit
314
864000
3000
Ha a street map-en mindenki ennyit megtesz,
14:45
and it creates an incredible resource
315
867000
3000
hatalmas adatforrás jön létre
14:48
because everybody else does theirs.
316
870000
3000
mert mindenki más is megtette a magáét.
14:51
And that is what linked data is all about.
317
873000
3000
És erről szól az összekapcsolt adat.
14:54
It's about people doing their bit
318
876000
3000
Hogy mindenki megteszi a maga kis részét
14:57
to produce a little bit, and it all connecting.
319
879000
3000
hogy létrejöjjön valami és aztán összekapcsolódik.
15:00
That's how linked data works.
320
882000
3000
Így működik az összekapcsolt adat.
15:03
You do your bit. Everybody else does theirs.
321
885000
4000
Te megteszed a te részed. Mindenki más a sajátját.
15:07
You may not have lots of data which you have yourself to put on there
322
889000
4000
Lehet, hogy nincs sok adatod amit fel tudsz tenni
15:11
but you know to demand it.
323
893000
3000
de igényünk van rá.
15:14
And we've practiced that.
324
896000
2000
És ezt már gyakoroltuk.
15:16
So, linked data -- it's huge.
325
898000
4000
Tehát összekapcsolt adat - ez hatalmas.
15:20
I've only told you a very small number of things
326
902000
3000
Csak nagyon kicsit mondtam el belőle.
15:23
There are data in every aspect of our lives,
327
905000
2000
Életünk minden területén vannak adatok,
15:25
every aspect of work and pleasure,
328
907000
3000
a munka és a szórakozás területein
15:28
and it's not just about the number of places where data comes,
329
910000
3000
és nem csak az a lényeg, hogy hány helyről érkezik adat,
15:31
it's about connecting it together.
330
913000
3000
hanem ezek kapcsolata.
15:34
And when you connect data together, you get power
331
916000
3000
És amikor az adatok összekapcsolódnak, annak nagy ereje van,
15:37
in a way that doesn't happen just with the web, with documents.
332
919000
3000
ami a weben, a dokumentumokon keresztül nem érvényesül.
15:40
You get this really huge power out of it.
333
922000
4000
Nagyon sok mindent lehet kihozni belőle.
15:44
So, we're at the stage now
334
926000
3000
Tehát most itt tartunk,
15:47
where we have to do this -- the people who think it's a great idea.
335
929000
4000
amikor ezt meg kell valósítani - azoknak, akik ezt jó ötletnek tartják.
15:51
And all the people -- and I think there's a lot of people at TED who do things because --
336
933000
3000
És mindenki - és azt hiszem, nagyon sok ilyen ember van a TED-en, akik ezért teszik -
15:54
even though there's not an immediate return on the investment
337
936000
2000
még akkor is, ha nincs közvetlen nyereség,
15:56
because it will only really pay off when everybody else has done it --
338
938000
3000
mert csak akkor éri meg, ha mindenki más is megteszi -
15:59
they'll do it because they're the sort of person who just does things
339
941000
4000
megteszik, mert olyan emberek, akik csak megtesznek dolgokat
16:03
which would be good if everybody else did them.
340
945000
3000
amiket jó lenne, ha mindenki megtenne.
16:06
OK, so it's called linked data.
341
948000
2000
OK, tehát ez az összekapcsolt adat.
16:08
I want you to make it.
342
950000
2000
Szeretném, ha mindannyian csinálnánk.
16:10
I want you to demand it.
343
952000
2000
Szeretném, ha mindannyian igényt tartanánk rá.
16:12
And I think it's an idea worth spreading.
344
954000
2000
És azt hiszem, hogy ez egy terjesztésre érdemes ötlet.
16:14
Thanks.
345
956000
1000
Köszönöm.
16:15
(Applause)
346
957000
3000
(Taps)
ABOUT THE SPEAKER
Tim Berners-Lee - InventorTim Berners-Lee invented the World Wide Web. He leads the World Wide Web Consortium (W3C), overseeing the Web's standards and development.
Why you should listen
In the 1980s, scientists at CERN were asking themselves how massive, complex, collaborative projects -- like the fledgling LHC -- could be orchestrated and tracked. Tim Berners-Lee, then a contractor, answered by inventing the World Wide Web. This global system of hypertext documents, linked through the Internet, brought about a massive cultural shift ushered in by the new tech and content it made possible: AOL, eBay, Wikipedia, TED.com...
Berners-Lee is now director of the World Wide Web Consortium (W3C), which maintains standards for the Web and continues to refine its design. Recently he has envisioned a "Semantic Web" -- an evolved version of the same system that recognizes the meaning of the information it carries. He's the 3Com Founders Professor of Engineering in the School of Engineering with a joint appointment in the Department of Electrical Engineering and Computer Science at the Laboratory for Computer Science and Artificial Intelligence (CSAIL) at the MIT, where he also heads the Decentralized Information Group (DIG). He is also a Professor in the Electronics and Computer Science Department at the University of Southampton, UK.
Tim Berners-Lee | Speaker | TED.com