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
Quero falar sobre duas das coisas
possivelmente mais interessantes.
possivelmente mais interessantes.
00:16
You've probably guessed what they are --
1
7948
1949
Vocês provavelmente adivinharam:
00:18
data and history.
2
9921
2319
banco de dados e história.
00:21
Right?
3
13211
1171
Certo?
00:24
So, I'm not a historian.
4
15871
1982
Eu não sou historiador.
00:26
I'm not going to give you
a definition of history.
a definition of history.
5
17877
2728
Não vou lhes dar
uma definição de história,
uma definição de história,
mas vamos pensar em história
dentro de um cenário.
dentro de um cenário.
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
Quando estamos criando história,
00:33
or when we're creating
historical documents,
historical documents,
8
25401
2892
ou criando documentos históricos,
00:36
we're taking things
that have happened in the past,
that have happened in the past,
9
28317
2428
estamos tomando coisas
que aconteceram no passado
que aconteceram no passado
00:39
and we're stitching them
together into a story.
together into a story.
10
30769
2552
e as tecendo juntas em uma história.
00:41
So let me start with a little bit
of my own story.
of my own story.
11
33345
2530
Deixem-me começar
com um pouco da minha história.
com um pouco da minha história.
00:44
Like anybody my age
who works creatively with computers,
who works creatively with computers,
12
35899
3678
Como todos da minha idade que trabalham
de modo criativo com computadores,
de modo criativo com computadores,
00:48
I was a popular, socially
well-adjusted young man --
well-adjusted young man --
13
39601
4456
eu era um cara popular,
socialmente bem-ajustado.
socialmente bem-ajustado.
00:52
(Laughter)
14
44081
1122
(Risos)
00:53
And sporty!
15
45227
2541
E bem-humorado!
00:56
Sporty young man.
16
47792
1733
Um jovem bem-humorado.
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
E como muitos da minha idade
nesse tipo de trabalho que faço,
nesse tipo de trabalho que faço,
01:03
I was influenced tremendously by Apple.
18
55452
2645
eu fui muito influenciado pela Apple.
01:07
But notice my choice of logo here, right?
19
58635
3722
Mas notem o logo que eu escolhi aqui.
01:10
The Apple on the left,
not the Apple on the right.
not the Apple on the right.
20
62381
3585
Apple da esquerda, não a Apple da direita.
01:15
I'm influenced as much
by the Apple on the right
by the Apple on the right
21
66621
2293
Sou tão influenciado pela Apple
da direita como qualquer pessoa,
da direita como qualquer pessoa,
01:17
as the next person,
22
68938
2083
01:19
but the Apple on the left --
I mean, look at that logo!
I mean, look at that logo!
23
71045
2633
mas a Apple da esquerda, olhem o logo!
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
É um arco-íris, e nem está na ordem certa!
01:24
(Laughter)
25
76123
1134
(Risos)
01:25
That's how crazy Apple was.
26
77281
2273
A Apple era louca assim.
(Risos)
01:28
(Laughter)
27
79578
1037
01:29
But I don't want to talk too much
about the company.
about the company.
28
80639
2945
Mas não quero falar muito sobre a empresa.
01:32
I'll start talking about
a machine, though.
a machine, though.
29
83608
2177
Vou começar a falar sobre uma máquina.
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
Como é incrível pensar sobre isso;
eu fico pensando nisso.
eu fico pensando nisso.
01:38
Wednesday -- one Wednesday,
when I was about 12 years old,
when I was about 12 years old,
31
89960
3314
Numa quarta-feira,
quando eu tinha 12 anos,
quando eu tinha 12 anos,
01:41
I didn't have a computer.
32
93298
2111
eu não tinha um computador.
01:44
On Thursday, I had a computer.
33
96034
2779
Na quinta-feira, eu tinha um computador.
01:48
Can you imagine that change?
34
99965
1999
Podem imaginar essa mudança?
01:50
It's so drastic.
35
102417
1681
Tão drástica!
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
Não imagino nada mais
que pudesse mudar nossa vida dessa forma.
que pudesse mudar nossa vida dessa forma.
01:56
But I'm actually not even going
to talk about the computer.
to talk about the computer.
37
107597
2767
Nem vou falar sobre o computador,
mas sobre um programa que ele tinha.
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
Não foi criado pelo cara da esquerda,
mas pelo da direita.
mas pelo da direita.
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
02:05
Does anybody know
who the guy on the right is?
who the guy on the right is?
41
117397
2144
Alguém sabe quem é este à direita?
02:09
Nobody ever knows the answer
to this question.
to this question.
42
121161
2410
Ninguém sabe a resposta.
02:12
This is Bill Atkinson.
43
123595
1686
Ele é Bill Arkinson.
02:13
And Bill Atkinson was responsible
for tons of things
for tons of things
44
125305
3107
Bill Arkinson foi responsável
por toneladas de coisas
por toneladas de coisas
02:16
that you see on your computer every day.
45
128436
2482
que vemos nos computadores todos os dias.
02:19
But I want to talk about one program
that Bill Atkinson wrote,
that Bill Atkinson wrote,
46
130942
3107
Quero falar sobre um programa
que Bill Arkinson escreveu,
que Bill Arkinson escreveu,
02:22
called HyperCard.
47
134073
1500
chamado HyperCard.
02:25
Someone's cheering over there.
48
137025
2160
Alguém gostou disso ali.
02:27
(Laughter)
49
139209
1205
(Risos)
02:28
HyperCard was a program
that shipped with the Mac,
that shipped with the Mac,
50
140438
2602
HyperCard era um programa
que vinha no Mac,
que vinha no Mac,
02:31
and it was designed
for users of the computer
for users of the computer
51
143064
2569
e foi feito para os usuários
criarem programas em seus computadores.
criarem programas em seus computadores.
02:34
to make programs on their computers.
52
145657
3197
02:38
Crazy idea today.
53
149505
1597
Uma ideia maluca hoje.
02:39
And these programs were not the apps
that we think about today,
that we think about today,
54
151126
2973
Esses programas não eram
os aplicativos de hoje,
os aplicativos de hoje,
com suas verbas enormes
e grande distribuição.
e grande distribuição.
02:42
with their large budgets
and their big distribution.
and their big distribution.
55
154123
2449
Eram pequenos:
02:45
These were small things,
56
156596
1189
pessoas criavam aplicativos para seguir
a pontuação do time de basquete delas,
a pontuação do time de basquete delas,
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
ou organizar seus estudos,
02:53
or to teach people about classical music
59
164564
3016
ou ensinar outros sobre música clássica
02:56
or to calculate weird astronomical dates.
60
167604
4095
ou calcular datas astronômicas estranhas.
03:00
And then, of course,
there were some art projects.
there were some art projects.
61
171723
2381
E havia, lógico, projetos de arte.
03:02
This is my favorite one.
62
174128
1220
Este é o meu favorito.
Chama-se "If Monks Had Macs"
Chama-se "If Monks Had Macs"
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
e é um ambiente de exploração não linear.
03:10
I thank the stars for HyperCard
all of the time.
all of the time.
65
182043
5573
Agradeço sempre às estrelas por HyperCard
03:16
And I thank the stars
for putting me in this era
for putting me in this era
66
187640
2447
e por elas me colocarem nesta era
em que pude usar o programa.
em que pude usar o programa.
03:18
where I got to use HyperCard.
67
190111
2300
03:20
HyperCard was the last program to ship
on a public computer
on a public computer
68
192435
4640
HyperCard foi o último programa
a vir num computador público
a vir num computador público
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
que foi criado para usuários
de computador criarem programas.
de computador criarem programas.
03:30
If you talked to the people
who invented the computer
who invented the computer
70
202252
2705
Se conversassem
com os inventores do computador
com os inventores do computador
03:33
and you told them there would be
a day, a magical day,
a day, a magical day,
71
204981
2749
e dissessem para eles
que haveria um dia mágico,
que haveria um dia mágico,
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
em que todos teriam computadores,
mas ninguém saberia como programá-los,
mas ninguém saberia como programá-los,
03:41
they would think you were crazy.
73
212840
1811
eles pensariam que você era louco.
03:43
So let's skip forward a few years.
74
215486
1664
Alguns anos mais tarde,
03:45
I'm starting my career as an artist,
75
217174
2588
eu comecei minha carreira de artista,
03:48
and I'm building things
with my computer, small-scale things,
with my computer, small-scale things,
76
219786
3962
criando coisas com meu computador
em pequena escala,
em pequena escala,
03:52
investigating things like
the growth systems of plants.
the growth systems of plants.
77
223772
3603
investigando coisas como os sistemas
de crescimento de plantas.
de crescimento de plantas.
03:55
Or, in this example, I'm building
a simulated economy
a simulated economy
78
227399
2999
Neste exemplo, estou construindo
uma economia simulada
uma economia simulada
03:58
in which pixels are trading color
with one another,
with one another,
79
230422
3961
na qual pixels trocam de cor
uns com os outros,
uns com os outros,
04:02
trying to investigate how
these types of systems work,
these types of systems work,
80
234407
2575
investigando como
esses tipos de sistemas funcionam,
esses tipos de sistemas funcionam,
04:05
and just kind of having fun.
81
237006
1402
e estou me divertindo.
04:06
And then this project led me
to start working with data.
to start working with data.
82
238432
2628
Este projeto me levou
a começar a trabalhar com dados.
a começar a trabalhar com dados.
04:09
So I'm building graphics like this,
83
241084
2989
Criei gráficos como este,
04:12
which compare "communism" --
84
244097
2594
que compara "comunismo",
04:15
the frequency of usage of the word
"communism" in the New York Times --
"communism" in the New York Times --
85
246715
3395
a frequência de uso da palavra
"comunismo" no New York Times,
"comunismo" no New York Times,
04:18
to "terrorism," at the top.
86
250134
1937
com "terrorismo", em cima.
04:20
You see "terrorism" kind of appears
as "communism" is going away.
as "communism" is going away.
87
252095
4625
Vemos "terrorismo" meio que aparecendo
quando "comunismo" começa a desaparecer.
quando "comunismo" começa a desaparecer.
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
Com esses gráficos, eu estava interessado
na estética dos gráficos.
na estética dos gráficos.
04:29
This is Iran and Iraq.
89
260584
1150
Aqui é Irã e Iraque.
04:30
It reads like a clock. It's called
a "timepiece graph."
a "timepiece graph."
90
261758
3910
Parece um relógio
e chama-se "gráfico de relógio".
e chama-se "gráfico de relógio".
04:34
This is another timepiece graph,
overlaying "despair" over "hope."
overlaying "despair" over "hope."
91
265692
5711
Este é um outro gráfico de relógio,
sobrepondo "desespero" e "esperança".
sobrepondo "desespero" e "esperança".
04:39
And there's only three times -- actually,
it's "crisis" over "hope" --
it's "crisis" over "hope" --
92
271427
3310
Na verdade é "crise" acima da "esperança".
04:43
there's only three times
when "crisis" eclipses "hope."
when "crisis" eclipses "hope."
93
274761
2609
Somente três vezes
"crise" ofusca "esperança".
"crise" ofusca "esperança".
04:45
We're in the middle
of one of them right now.
of one of them right now.
94
277394
2155
Estamos no meio de uma agora,
mas não pensem muito nisso.
mas não pensem muito nisso.
04:48
But don't think about that too much.
95
279573
1772
(Risos)
04:49
(Laughter)
96
281369
1888
04:51
And finally, the culmination of this work
with the New York Times data
with the New York Times data
97
283281
3780
E por fim, o auge desse trabalho
com os dados do New York Times
com os dados do New York Times
04:55
a few years ago
98
287085
1202
há alguns anos
04:56
was the attempt to combine
an entire year's news cycle
an entire year's news cycle
99
288311
3176
foi uma tentativa de combinar o ciclo
de um ano todo de notícias num só gráfico.
de um ano todo de notícias num só gráfico.
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
Estes gráficos nos mostram
um ano todo de notícias, todas as pessoas,
um ano todo de notícias, todas as pessoas,
05:05
and how they're connected
into a single graphic.
into a single graphic.
102
297099
2630
e como estão ligadas, num único gráfico.
05:08
And from there, I started to be
interested again in more active systems.
interested again in more active systems.
103
299753
3938
A partir daí, comecei a me interessar
de novo em sistemas mais ativos.
de novo em sistemas mais ativos.
05:12
Here's a project called "Just Landed,"
104
303715
2264
Aqui, um projeto chamado "Just Landed",
05:14
where I'm looking at people
tweeting on Twitter.
tweeting on Twitter.
105
306003
3151
em que examino pessoas tuitando.
05:17
"Hey! I just landed
in Hawaii!" -- you know,
in Hawaii!" -- you know,
106
309178
2060
"Oi, acabei de pousar no Havaí", sabem,
05:19
how people just casually try to sneak
that into their Twitter conversation.
that into their Twitter conversation.
107
311262
3702
como as pessoas gostam de escrever
no Twitter, como quem não quer nada:
no Twitter, como quem não quer nada:
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
"Não estou esnobando, não!
Mas eu acabei de pousar no Havaí".
Mas eu acabei de pousar no Havaí".
05:26
And then I'm plotting
those people's trips,
those people's trips,
109
318129
2743
Daí eu traço as viagens dessas pessoas,
05:29
in the hopes that maybe
we can use social network
we can use social network
110
320896
3212
na esperança de que talvez
possamos usar a rede social
possamos usar a rede social
05:32
and the data that it leaves behind
111
324132
1681
e dados que deixam para trás
05:34
to provide a model of how people move,
112
325837
2199
para criar um modelo
de movimento das pessoas.
de movimento das pessoas.
05:36
which would be valuable
to epidemiologists, among other people.
to epidemiologists, among other people.
113
328060
2975
Isso seria útil para epidemiologistas,
entre outros.
05:39
And, more fun -- this
is a similar project,
is a similar project,
114
331059
2579
Este é um projeto parecido,
mais legal ainda,
mais legal ainda,
05:42
looking at people
saying "Good morning" to each other
saying "Good morning" to each other
115
333662
2491
seguindo pessoas dando "bom dia"
no mundo todo.
no mundo todo.
05:44
all around the world.
116
336177
1183
05:45
Which taught me, by the way,
117
337384
1434
Isso me ensinou
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
que é verdade que as pessoas em Vancouver,
na Costa Oeste, acordam bem mais tarde
na Costa Oeste, acordam bem mais tarde
05:51
and say "Good morning" much later
119
343216
1583
e falam "bom dia" bem mais tarde
05:53
than the people on the East Coast,
120
344823
1861
do que aqueles na Costa Leste,
que são mais aventureiros.
que são mais aventureiros.
05:55
who are more adventurous.
121
346708
1799
05:57
Here's a more useful -- maybe -- project,
122
348531
1974
Aqui um projeto talvez mais útil,
05:59
where I took all the information
from the Kepler Project
from the Kepler Project
123
350529
3351
em que peguei as informações
do Projeto Kepler
do Projeto Kepler
e tentei compilá-las de uma forma visual
que fosse clara para mim.
que fosse clara para mim.
06:02
and tried to put it into some visual form
that made sense to me.
that made sense to me.
124
353904
3043
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
Devo dizer que tudo que mostrei
até agora, eu fiz por diversão.
até agora, eu fiz por diversão.
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
Pode parecer estranho,
mas retornamos ao HyperCard.
mas retornamos ao HyperCard.
06:13
I'm building tools for myself.
128
364814
1830
Construía ferramentas para mim,
06:15
I may share them with a few other people,
129
366668
1983
talvez as compartilhasse com alguns,
mas as criei para minha diversão.
mas as criei para minha diversão.
06:17
but they're for fun, they're for me.
130
368675
2107
06:21
So, all these tools I show you
kind of occupy this weird space
kind of occupy this weird space
131
373341
3970
Todas as ferramentas que lhes mostrei
ocupam um lugar estranho,
ocupam um lugar estranho,
06:25
somewhere between science, art and design.
132
377335
2544
algo entre ciência, arte e design.
06:28
That's where my practice lies.
133
379903
1805
É como eu trabalho.
06:30
And still today,
from my experience with HyperCard,
from my experience with HyperCard,
134
381732
3156
Ainda hoje, com a minha experiência
com HyperCard,
com HyperCard,
06:33
what I'm doing is building visual tools
to help me understand systems.
to help me understand systems.
135
384912
4230
eu crio ferramentas visuais
que me ajudam a entender sistemas.
que me ajudam a entender sistemas.
06:38
So today, I work at the New York Times.
136
390083
2221
Hoje, eu trabalho para o New York Times.
06:40
I'm the data artist in residence
at the New York Times.
at the New York Times.
137
392328
2873
Sou o artista de dados em residência
no New York Times.
no New York Times.
06:43
And I've had an opportunity at the Times
138
395225
1933
Lá eu tenho oportunidade de trabalhar
em vários projetos interessantes,
em vários projetos interessantes,
06:45
to work on a variety
of really interesting projects,
of really interesting projects,
139
397182
2464
e vou compartilhar dois com vocês.
06:48
two of which I'm going
to share with you today.
to share with you today.
140
399670
2222
No primeiro, eu trabalho com Mark Hansen.
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
Ele é professor de estatística da UCLA
e também artista de multimídia.
e também artista de multimídia.
06:58
And Mark came to the Times
with a very interesting question
with a very interesting question
143
410308
2786
O Mark veio para o Times
com uma pergunta bem interessante
com uma pergunta bem interessante
07:01
to what may seem like an obvious problem:
144
413118
2660
para um problema que parece óbvio:
07:04
When people share content on the internet,
145
415802
3151
quando as pessoas compartilham
conteúdos na internet,
conteúdos na internet,
07:07
how does that content get
from person A to person B?
from person A to person B?
146
418977
3615
como o conteúdo chega
da pessoa A à pessoa B?
da pessoa A à pessoa B?
07:11
Or maybe, person A to person B
to person C to person D?
to person C to person D?
147
423358
4724
Ou talvez de pessoa A à B, à C à D?
07:16
We know that people share content
in the internet,
in the internet,
148
428106
2354
Sabemos que as pessoas
compartilham conteúdo,
compartilham conteúdo,
07:18
but what we don't know
is what happens in that gap
is what happens in that gap
149
430484
2358
mas o que não sabemos
é o que acontece no espaço
é o que acontece no espaço
07:21
between one person to the other.
150
432866
1791
entre uma pessoa e outra.
07:23
So we decided to build
the tool to explore that,
the tool to explore that,
151
434681
2356
Decidimos criar uma ferramenta
pra explorar isso, que se chama "Cascade".
pra explorar isso, que se chama "Cascade".
07:25
and this tool is called Cascade.
152
437061
1823
07:27
If we look at these systems
153
439471
2595
Se observarmos estes sistemas
07:30
that start with one event
that leads to other events,
that leads to other events,
154
442090
4430
que começam com um evento
que leva a outros,
que leva a outros,
07:35
we call that structure a cascade.
155
446544
2238
chamamos esta estrutura de cascata,
07:37
And these cascades
actually happen over time.
actually happen over time.
156
448806
2409
e elas acontecem ao longo do tempo.
07:39
So we can model these things over time.
157
451239
2020
Então criamos os modelos no tempo.
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
Muitos leitores do New York Times
compartilham nosso conteúdo,
compartilham nosso conteúdo,
07:45
so the cascades do not look like that one,
they look more like this.
they look more like this.
159
457338
3491
então as cascatas não são como essa;
elas são mais assim.
elas são mais assim.
07:49
Here's a typical cascade.
160
460853
1540
Aqui, uma cascata típica.
07:50
At the bottom left, the very first event.
161
462417
2714
À esquerda embaixo, o primeiro evento.
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
Daí, à medida que as pessoas
compartilham conteúdo,
compartilham conteúdo,
07:59
we go up in the Y axis,
degrees of separation,
degrees of separation,
163
470533
3794
subimos no eixo Y, graus de separação.
08:02
and over on the X axis, for time.
164
474351
2768
No eixo X, é o tempo.
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
Assim podemos ver uma conversa
de ângulos diferentes:
de ângulos diferentes:
esta, que mostra a sequência da conversa,
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
e esta, que combina
aquela vista sobreposta
aquela vista sobreposta
08:15
with a view that lets us see the threads.
168
486525
2932
com uma vista das sequências.
08:18
Now, the Times publishes
about 7,000 pieces of content
about 7,000 pieces of content
169
489924
3345
O Times publica cerca de 7 mil
segmentos de conteúdo por mês.
segmentos de conteúdo por mês.
08:21
every month.
170
493293
1210
08:23
So it was important for us,
when we were building this tool,
when we were building this tool,
171
494527
2842
Era importante para nós,
ao criarmos essa ferramenta,
ao criarmos essa ferramenta,
torná-la exploratória,
08:25
to make it an exploratory one,
172
497393
1633
08:27
so that people could dig through
this vast terrain of data.
this vast terrain of data.
173
499050
4207
para que as pessoas explorassem
este vasto terreno de dados.
este vasto terreno de dados.
08:31
I think of it as a vehicle
that we're giving people
that we're giving people
174
503281
2436
Penso nisso como um veículo
para os usuários
para os usuários
atravessarem este terreno
muito grande dos dados.
muito grande dos dados.
08:34
to traverse this really big
terrain of data.
terrain of data.
175
505741
3473
08:37
So here's what it really looks like,
176
509238
1718
Aqui, como ela ficou,
e a cascata em tempo real.
e a cascata em tempo real.
08:39
and here's the cascade
playing in real time.
playing in real time.
177
510980
2740
08:42
I have to say, this was
a tremendous moment.
a tremendous moment.
178
513744
2079
Este momento foi tremendo.
08:44
We had been working with canned
data, fake data, for so long,
data, fake data, for so long,
179
515847
4017
Trabalhávamos com amostras de dados,
dados falsos, por tanto tempo,
dados falsos, por tanto tempo,
08:48
that when we saw this
for the first moment,
for the first moment,
180
519888
2805
que quando vimos isso
num primeiro momento,
num primeiro momento,
08:51
it was like an archaeologist who had
just dusted off these dinosaur bones.
just dusted off these dinosaur bones.
181
522717
4878
foi como um arqueólogo que tirou
o pó de ossos de dinossauro.
o pó de ossos de dinossauro.
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
Descobrimos algo
que víamos pela primeira vez,
que víamos pela primeira vez,
09:00
these sharing structures
that underlie the internet.
that underlie the internet.
183
531521
3712
as estruturas compartilhadas
que fundamentam a internet.
que fundamentam a internet.
09:04
And maybe the dinosaur
analogy is a good one,
analogy is a good one,
184
536475
2105
Talvez a analogia do dinossauro seja boa,
09:07
because we're actually making
some probabilistic guesses
some probabilistic guesses
185
538604
3047
porque fazemos estimativas prováveis
de como elas se conectam.
de como elas se conectam.
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
Olhamos alguns desses exemplares
fazendo estimativas,
fazendo estimativas,
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
mas assegurando que sejam o mais
estatisticamente rigorosas possível.
estatisticamente rigorosas possível.
09:19
Now tweets, in this case,
they become parts of stories.
they become parts of stories.
189
550720
4662
Tuítes, neste caso, se tornam
partes de histórias, de narrativas.
partes de histórias, de narrativas.
09:23
They become parts of narratives.
190
555406
1925
09:25
So we are building histories here,
191
557355
2420
Estamos construindo histórias aqui,
09:28
but they're very short-term histories.
192
559799
2175
mas são histórias de curto prazo.
09:30
And sometimes these very large cascades
are the most interesting ones,
are the most interesting ones,
193
561998
3838
Às vezes as cascatas grandes
são as mais interessantes,
são as mais interessantes,
09:34
but sometimes the small ones
are also interesting.
are also interesting.
194
565860
3135
mas às vezes as pequenas
também são interessantes.
também são interessantes.
09:37
This is one of my favorites.
We call this the "Rabbi Cascade."
We call this the "Rabbi Cascade."
195
569019
3525
Esta é uma das minhas favoritas:
a chamamos de "Cascata de Rabino".
a chamamos de "Cascata de Rabino".
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
É a conversa entre rabinos
sobre um artigo no New York Times
sobre um artigo no New York Times
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
de como trabalhadores religiosos
não têm muito tempo livre.
não têm muito tempo livre.
09:49
I guess Saturdays and Sundays are bad days
for them to take off.
for them to take off.
198
581477
4035
Imagino que sábados e domingos
são dias ruins para se ausentarem.
são dias ruins para se ausentarem.
09:54
So, in this cascade, there's a group
of rabbis having a conversation
of rabbis having a conversation
199
585536
3692
Nesta cascata, há um grupo de rabinos
debatendo um artigo do New York Times.
debatendo um artigo do New York Times.
09:57
about a New York Times story.
200
589252
1402
Um deles tem o melhor nome no Twitter:
09:59
One of them has the best
Twitter name ever --
Twitter name ever --
201
590678
2124
10:01
he's called "The Velveteen Rabbi."
202
592826
1855
Ele se chama "O Rabino de Veludo".
10:03
(Laughter)
203
594705
2323
(Risos)
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
Nunca teríamos encontrado isso
senão por essa ferramenta exploratória.
senão por essa ferramenta exploratória.
10:10
This would just be sitting somewhere,
205
601583
1802
Isso estaria parado lá,
e nunca teríamos visto.
e nunca teríamos visto.
10:11
and we would have never
been able to see that.
been able to see that.
206
603409
2186
Este exercício de tomar uma informação
10:14
But this exercise of taking
single pieces of information
single pieces of information
207
605619
4141
10:18
and building narrative structures,
building histories out of them,
building histories out of them,
208
609784
4221
e construir estruturas de narrativa
e histórias a partir delas,
e histórias a partir delas,
10:22
I find tremendously interesting.
209
614029
1925
eu acho muito interessante.
10:24
You know, I moved to New York
about two years ago.
about two years ago.
210
616319
2344
Me mudei para Nova Iorque há dois anos
10:27
And in New York, everybody has a story
211
618687
2720
e lá todos têm uma história
que permeia o evento impactante
que permeia o evento impactante
10:29
that surrounds this
tremendously impactful event
tremendously impactful event
212
621431
2960
10:32
that happened on September 11 of 2001.
213
624415
2299
que aconteceu em 11 de setembro de 2001.
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
A minha história com o dia 11 de setembro
se tornou mais complexa,
se tornou mais complexa,
10:42
because I spent a great deal of time
215
633764
2064
porque eu passei muito tempo
10:44
working on a piece
of the 9/11 Memorial in Manhattan.
of the 9/11 Memorial in Manhattan.
216
635852
4149
trabalhando num artigo
sobre o Memorial de 11/09 em Manhattan.
sobre o Memorial de 11/09 em Manhattan.
10:49
The central idea about the 9/11 Memorial
217
640530
2564
A ideia central do Memorial de 11/09
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
é de que os nomes no memorial
não fossem colocados em ordem alfabética
não fossem colocados em ordem alfabética
10:56
or chronological order,
219
647601
1685
ou cronológica,
10:57
but instead, they're laid out in a way
220
649310
1824
mas de forma em que os relacionamentos
entre os que morreram
entre os que morreram
10:59
in which the relationships
between the people who were killed
between the people who were killed
221
651158
3424
11:03
are embodied in the memorial.
222
654606
1960
fossem parte do memorial.
11:05
Brothers are placed next to brothers,
223
657153
2538
Irmãos estão perto de irmãos,
11:08
coworkers are placed together.
224
659715
2185
colegas de trabalho estão juntos.
11:10
So this memorial actually considers
all of these myriad connections
all of these myriad connections
225
661924
4665
Este memorial considera
todas as miríades de ligações
todas as miríades de ligações
11:15
that were part of these people's lives.
226
666613
2421
que fizeram parte da vida dessas pessoas.
11:18
I worked with a company
called Local Projects
called Local Projects
227
670310
3433
Eu trabalhei com uma empresa
chamada Local Projects
chamada Local Projects
para desenvolver um algoritmo
e uma ferramenta de software
e uma ferramenta de software
11:22
to work on an algorithm
and a software tool
and a software tool
228
673767
2674
11:24
to help the architects build
the layout for the memorial:
the layout for the memorial:
229
676465
3004
para ajudar os arquitetos a conceber
um plano para o memorial:
um plano para o memorial:
11:28
almost 3,000 names
230
680331
1722
foram quase 3 mil nomes e quase 1,5 mil
dos pedidos de proximidade, por ligações.
dos pedidos de proximidade, por ligações.
11:30
and almost 1,500 of these
adjacency requests,
adjacency requests,
231
682077
3627
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
Uma história e uma narrativa muito densa,
11:39
that becomes an embodied part
of this memorial.
of this memorial.
234
690772
2816
que se tornaram parte deste memorial.
11:42
Working with Jake Barton,
we produce the software tool,
we produce the software tool,
235
694195
3331
Trabalhando com Jake Barton,
produzimos uma ferramenta de software,
produzimos uma ferramenta de software,
11:46
which allows the architects to,
first of all, generate a layout
first of all, generate a layout
236
697550
4119
que permitisse aos arquitetos,
em primeiro lugar, gerar uma configuração
em primeiro lugar, gerar uma configuração
11:50
that satisfied all of those
adjacency requests,
adjacency requests,
237
701693
3129
que satisfizesse os pedidos
de proximidade,
de proximidade,
11:53
but then second, make little adjustments
where they needed to
where they needed to
238
704846
3033
mas em segundo lugar, que pudesse
fazer pequenos ajustes onde necessário
fazer pequenos ajustes onde necessário
11:56
to tell the stories
that they wanted to tell.
that they wanted to tell.
239
707903
2348
para contar as histórias
que eles queriam contar.
que eles queriam contar.
11:59
So this memorial, I think,
has an incredibly timely concept
has an incredibly timely concept
240
711219
4135
Este memorial, eu penso,
tem um conceito incrivelmente oportuno
tem um conceito incrivelmente oportuno
12:03
in our era of social networks,
241
715378
2990
em nossa era de redes sociais,
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
porque essas redes da vida real
que constituem a vida de pessoas,
que constituem a vida de pessoas,
12:10
are actually embodied
inside of the memorial.
inside of the memorial.
243
722391
2432
estão expressas no memorial.
12:13
And one of the most tremendously
moving experiences
moving experiences
244
725286
3471
Uma das experiências mais comoventes
12:17
is to go to the memorial
245
728781
1661
é ir ao memorial
12:18
and see how these people
are placed next to each other,
are placed next to each other,
246
730466
4200
e ver quantos foram colocados
próximos uns dos outros,
próximos uns dos outros,
12:23
so that this memorial
is representing their own lives.
is representing their own lives.
247
734690
2862
para que o memorial
representasse a vida deles.
representasse a vida deles.
12:27
How does this affect our lives?
248
738859
1687
Como isso afeta a nossa vida?
12:29
Well, I don't know if you remember,
249
741133
1676
Não sei se lembram-se,
12:31
but in the spring,
there was a controversy,
there was a controversy,
250
742833
2713
mas na primavera houve uma controvérsia,
12:34
because it was discovered
that on the iPhone
that on the iPhone
251
745570
2198
porque descobriu-se que no iPhone
12:36
and, actually, on your computer,
252
747792
1606
e no seu computador
12:37
we were storing a tremendous amount
of the location data.
of the location data.
253
749422
3315
estavam guardando uma quantia
enorme de dados de localização.
enorme de dados de localização.
12:41
So Apple responded, saying,
this was not location data about you,
this was not location data about you,
254
753173
3861
A Apple respondeu dizendo que não eram
dados de localização sobre vocês,
dados de localização sobre vocês,
12:45
it was location data
about wireless networks
about wireless networks
255
757058
2805
eram dados sobre redes sem fios
que estavam na área onde vocês estão.
que estavam na área onde vocês estão.
12:48
that were in the area where you are.
256
759887
2287
12:50
So it's not about you,
257
762198
1428
Então não é sobre você,
mas sobre onde você está.
mas sobre onde você está.
12:52
but it's about where you are.
258
763650
1584
12:53
(Laughter)
259
765258
1648
(Risos)
12:55
This is very valuable data.
260
766930
2808
Esses são dados muito valiosos.
12:58
It's like gold to researchers,
this human-mobility data.
this human-mobility data.
261
769762
4625
É como ouro para os pesquisadores,
esses dados de mobilidade humana.
esses dados de mobilidade humana.
13:02
So we thought, "Man!
How many people have iPhones?"
How many people have iPhones?"
262
774411
3664
Então, pensamos:
"Quantas pessoas têm iPhones?"
"Quantas pessoas têm iPhones?"
13:06
How many of you have iPhones?
263
778099
1448
Quantos de vocês têm iPhones?
13:09
So in this room, we have this tremendous
database of location data
database of location data
264
780608
5478
Nesta sala, temos um banco de dados
de localização enorme
de localização enorme
13:14
that researchers
would really, really like.
would really, really like.
265
786110
3775
que pesquisadores gostariam muito.
13:18
So we built this system called Open Paths,
266
789909
2031
Criamos um sistema chamado "Open Paths",
13:20
which lets people upload their iPhone data
267
791964
2656
que permite às pessoas inserir
os dados de seu iPhone
os dados de seu iPhone
13:23
and broker relationships
with researchers to share that data,
with researchers to share that data,
268
794644
3796
e relações mediadoras com pesquisadores
para compartilhar os dados,
para compartilhar os dados,
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
para doá-los às pessoas que podem usá-los.
13:30
Open Paths was a great
success as a prototype.
success as a prototype.
270
802256
2350
Open Paths foi um grande sucesso
como protótipo.
como protótipo.
13:33
We received thousands of data sets,
271
804630
3433
Recebemos milhares de dados,
13:36
and we built this interface
272
808087
1349
e criamos uma interface que permite
que usuário observe sua vida se desdobrar
que usuário observe sua vida se desdobrar
13:37
which allows people to actually
see their lives unfolding
see their lives unfolding
273
809460
3318
13:41
from these traces
that are left behind on your devices.
that are left behind on your devices.
274
812802
3156
a partir dos traços deixados
em seu aparelho.
em seu aparelho.
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
Algo que não esperávamos era
que essa experiência seria emocionante.
que essa experiência seria emocionante.
Quando inseri meus dados, pensei:
13:50
When I uploaded my data,
I thought, "Big deal.
I thought, "Big deal.
276
821884
2227
"Grande coisa. Sei onde moro,
onde trabalho. O que vou ver aqui?"
onde trabalho. O que vou ver aqui?"
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
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
Vi o momento em que saí do avião
13:59
to start my new life in New York;
279
831100
1623
para começar uma nova vida
em Nova Iorque;
em Nova Iorque;
o restaurante tailandês,
onde comi naquela primeira noite,
onde comi naquela primeira noite,
14:02
the restaurant where I had Thai food
that first night,
that first night,
280
833588
2606
14:04
thinking about this new experience
of being in New York;
of being in New York;
281
836218
2953
pensando sobre essa nova experiência
em Nova Iorque;
em Nova Iorque;
14:07
the day that I met my girlfriend.
282
839195
1623
o dia em que conheci minha namorada.
14:11
This is LaGuardia airport.
283
842587
2275
Este é o aeroporto de LaGuardia.
14:13
(Laughter)
284
844886
1487
(Risos)
14:14
This is this Thai restaurant
on Amsterdam Avenue.
on Amsterdam Avenue.
285
846397
3641
Este é o restaurante tailandês
na Avenida Amsterdam.
na Avenida Amsterdam.
14:19
This is the moment I met my girlfriend.
286
850559
2050
Este é o momento em que
conheci minha namorada.
conheci minha namorada.
14:22
See how that changes the first time
I told you about those stories
I told you about those stories
287
854146
3451
Observem a diferença
entre a primeira e a segunda vez
entre a primeira e a segunda vez
14:26
and the second time I told
you about those stories?
you about those stories?
288
857621
2468
que contei essas histórias!
14:28
Because what we do
in the tool, inadvertently,
in the tool, inadvertently,
289
860113
3207
Colocamos acidentalmente na ferramenta
partes dos dados num contexto humano.
partes dos dados num contexto humano.
14:31
is we put these pieces of data
into a human context.
into a human context.
290
863344
3115
14:35
And by placing data into a human context,
291
866935
2498
E ao fazer isso,
14:37
it gains meaning.
292
869457
1474
ela ganhou significado.
14:39
And I think this is tremendously,
tremendously important,
tremendously important,
293
870955
3328
Acho isso tremendamente importante,
14:42
because these are our histories
that are being stored on these devices.
that are being stored on these devices.
294
874307
4918
porque essas são as nossas histórias
que estão sendo guardadas nos aparelhos.
que estão sendo guardadas nos aparelhos.
14:49
And by thinking about them that way,
295
880809
1994
E pensando nelas dessa forma,
14:52
putting them in a human context --
296
883543
1902
colocando-as num contexto humano,
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
primeiro, entendemos melhor nossos dados,
14:57
of the type of information
that we're sharing.
that we're sharing.
298
889155
2479
o tipo de informação
que estamos compartilhando.
que estamos compartilhando.
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
Se pudermos fazer isso com outros dados,
colocá-los num contexto humano,
colocá-los num contexto humano,
15:04
I think we can change a lot of things,
300
895735
2918
acho que podemos mudar muitas coisas,
15:07
because it builds, automatically, empathy
for the people involved in these systems.
for the people involved in these systems.
301
898677
6385
porque isso cria, automaticamente, empatia
para com aqueles envolvidos nos sistemas.
para com aqueles envolvidos nos sistemas.
15:14
And that, in turn, results
in a fundamental respect,
in a fundamental respect,
302
905602
2953
Em troca, isso resulta
num respeito fundamental,
num respeito fundamental,
15:17
which, I believe, is missing
in a large part of technology,
in a large part of technology,
303
908579
3163
que eu creio estar faltando
em grande parte da tecnologia,
em grande parte da tecnologia,
15:20
when we start to deal
with issues like privacy,
with issues like privacy,
304
912329
2938
quando lidamos
com questões de privacidade.
com questões de privacidade.
15:25
by understanding that these numbers
are not just numbers,
are not just numbers,
305
916765
2717
Ao entender que esses números
não são só números,
não são só números,
15:28
but instead they're attached, tethered to,
pieces of the real world.
pieces of the real world.
306
919506
3619
mas estão ligados, conectados
a partes do mundo real,
a partes do mundo real,
15:31
They carry weight.
307
923149
1506
que eles têm peso,
15:33
By understanding that,
the dialog becomes a lot different.
the dialog becomes a lot different.
308
924679
3332
o diálogo se torna muito diferente.
15:38
How many of you have ever clicked a button
309
929595
2331
Quantos aqui já clicaram num botão
15:40
that enables a third party to access
your location data on your phone?
your location data on your phone?
310
931950
4987
que habilita uma terceira pessoa acessar
os dados da sua localização no telefone?
os dados da sua localização no telefone?
15:46
Lots of you.
311
937595
1555
Muitos.
15:47
So the third party is the developer,
312
939174
2245
A terceira pessoa é o programador,
15:49
the second party is Apple.
313
941443
1801
a segunda pessoa é a 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
A única pessoa que não tem acesso
à essa informação é a primeira pessoa.
à essa informação é a primeira pessoa.
15:58
And I think that's because we think
about these pieces of data
about these pieces of data
315
950198
3135
Eu acho que é porque pensamos
nessas informações
nessas informações
16:01
in this stranded, abstract way.
316
953357
2055
de uma forma estagnada, abstrata.
16:03
We don't put them into a context
317
955436
1897
Nós não as contextualizamos, o que,
eu acho, as torna muito mais importantes.
eu acho, as torna muito mais importantes.
16:05
which, I think, makes them
a lot more important.
a lot more important.
318
957357
2309
O que eu lhes peço é algo muito simples:
16:08
So what I'm asking you
to do is really simple:
to do is really simple:
319
959690
2166
16:10
start to think about data
in a human context.
in a human context.
320
961880
2323
comecem a pensar em dados
num contexto humano.
num contexto humano.
16:13
It doesn't really take anything.
321
964918
1657
Não custa nada.
16:15
When you read stock prices,
think about them in a human context.
think about them in a human context.
322
966599
3359
Ao olharem os preços das ações,
remetam isso a um contexto humano.
remetam isso a um contexto humano.
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
Quando pensarem em relatos hipotecários,
remetam isso a um contexto humano.
remetam isso a um contexto humano.
16:22
There's no doubt that big data
is big business.
is big business.
324
973548
3930
Não há dúvidas de que um grande
banco de dados é um grande negócio.
banco de dados é um grande negócio.
16:26
There's an industry being developed here.
325
977502
3018
Há um mercado sendo criado.
16:30
Think about how well we've done
326
981520
1501
Pensem em como lidamos
16:31
in previous industries
that we've developed involving resources.
that we've developed involving resources.
327
983045
3369
em mercados anteriores
que criamos envolvendo recursos.
que criamos envolvendo recursos.
16:34
Not very well at all.
328
986438
1300
Nada bem.
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
Acho que parte do problema é que
nos faltou participação nesses diálogos
nos faltou participação nesses diálogos
16:40
from multiple pieces of human society.
330
992308
4428
de múltiplas partes da sociedade humana.
16:45
So the other thing that I'm asking for
331
996760
1992
A outra coisa que lhes peço
16:48
is an inclusion in this dialogue
from artists, from poets, from writers --
from artists, from poets, from writers --
332
999669
4378
é incluir neste diálogo os artistas,
poetas, escritores,
poetas, escritores,
16:52
from people who can bring a human element
into this discussion.
into this discussion.
333
1004071
4013
pessoas que possam trazer
um elemento humano à conversa.
um elemento humano à conversa.
16:57
Because I believe that this world of data
334
1008725
2356
Pois acredito que este mundo de dados
16:59
is going to be transformative for us.
335
1011105
3025
será transformador para nós.
17:03
And unlike our attempts
with the resource industry
with the resource industry
336
1014687
3169
E, contrário às nossas tentativas
com a indústria de recursos
com a indústria de recursos
17:06
and our attempts
with the financial industry,
with the financial industry,
337
1017880
2153
e com a indústria financeira,
17:08
by bringing the human
element into this story,
element into this story,
338
1020057
2931
ao trazer o elemento humano
para a história,
para a história,
17:11
I think we can take it
to tremendous places.
to tremendous places.
339
1023012
2178
penso que podemos progredir tremendamente.
Obrigado.
17:14
Thank you.
340
1026203
1155
(Aplausos)
17:15
(Applause)
341
1027382
4052
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