TED2010
Gary Flake: Is Pivot a turning point for web exploration?
Gary Flake: Pivot é um ponto de virada para a exploração da web?
Filmed:
Readability: 3.8
751,479 views
Gary Flake demonstra Pivot, uma nova forma de navegar e organizar grandes quantidades de imagens e de dados online. Construído sobre a inovadora tecnologia Seadragon, permite zooms espetaculares dentro e fora das bases de dados na Web, e a descoberta de padrões e ligações invisíveis em uma navegação padrão na web.
Gary Flake - Technologist
Gary Flake is a Technical Fellow at Microsoft, and the founder and director of Live Labs. Full bio
Gary Flake is a Technical Fellow at Microsoft, and the founder and director of Live Labs. Full bio
Double-click the English transcript below to play the video.
00:16
If I can leave you with one big idea today,
0
1000
2000
Se eu posso deixá-los com uma grande idéia, hoje,
00:18
it's that the whole of the data
1
3000
2000
é que o conjunto dos dados
00:20
in which we consume
2
5000
2000
que consumimos
00:22
is greater that the sum of the parts,
3
7000
2000
é maior que a soma das partes,
00:24
and instead of thinking about information overload,
4
9000
3000
e, em vez de pensar sobre a sobrecarga de informações,
00:27
what I'd like you to think about is how
5
12000
2000
o que eu gostaria que vocês pensassem é como
00:29
we can use information so that patterns pop
6
14000
3000
podemos usar a informação para que padrões surjam
00:32
and we can see trends that would otherwise be invisible.
7
17000
3000
e possamos ver tendências que seriam invisíveis.
00:35
So what we're looking at right here is a typical mortality chart
8
20000
3000
Então o que nós estamos olhando bem aqui é um grafico típico de mortalidade
00:38
organized by age.
9
23000
2000
organizado por faixa etária.
00:40
This tool that I'm using here is a little experiment.
10
25000
2000
Esta ferramenta que eu estou usando aqui é uma pequena experiência.
00:42
It's called Pivot, and with Pivot what I can do
11
27000
3000
É chamado Pivot, e com o pivô o que eu posso fazer
00:45
is I can choose to filter in one particular cause of deaths -- say, accidents.
12
30000
4000
é que eu posso escolher para filtrar em uma determinada causa de mortes, vamos dizer acidentes
00:49
And, right away, I see there's a different pattern that emerges.
13
34000
3000
E, logo, eu vejo que há um padrão diferente que emerge.
00:52
This is because, in the mid-area here,
14
37000
2000
Isto porque, na área do meio aqui,
00:54
people are at their most active,
15
39000
2000
as pessoas estão no seu momento mais ativo,
00:56
and over here they're at their most frail.
16
41000
2000
e aqui eles estão no seu mais frágil.
00:58
We can step back out again
17
43000
2000
Podemos dar um passo para trás outra vez
01:00
and then reorganize the data by cause of death,
18
45000
2000
e reorganizar os dados por causa da morte,
01:02
seeing that circulatory diseases and cancer
19
47000
3000
vendo que as doenças circulatórias e câncer
01:05
are the usual suspects, but not for everyone.
20
50000
3000
são os suspeitos habituais, mas não para todos.
01:08
If we go ahead and we filter by age --
21
53000
3000
Se formos adiante e filtrarmos por idade,
01:11
say 40 years or less --
22
56000
2000
digamos 40 anos ou menos,
01:13
we see that accidents are actually
23
58000
2000
vemos que os acidentes são, na realidade
01:15
the greatest cause that people have to be worried about.
24
60000
3000
o motivo principal pelos quais as pessoas deveriam se preocupar.
01:18
And if you drill into that, it's especially the case for men.
25
63000
3000
E se você se aprofundar nisso, é o caso especialmente para homens.
01:21
So you get the idea
26
66000
2000
Então você começa a entender a idéia
01:23
that viewing information, viewing data in this way,
27
68000
3000
que a visualização da informação, a visualização dos dados, desta forma,
01:26
is a lot like swimming
28
71000
2000
é muito parecido com navegar
01:28
in a living information info-graphic.
29
73000
3000
em um gráfico de informações dinâmico
01:31
And if we can do this for raw data,
30
76000
2000
E se podemos fazer isso para os dados brutos,
01:33
why not do it for content as well?
31
78000
3000
Por que não fazer para conteúdos também?
01:36
So what we have right here
32
81000
2000
Então o que temos aqui,
01:38
is the cover of every single Sports Illustrated
33
83000
3000
é a capa da cada revista Sports Illustrated
01:41
ever produced.
34
86000
2000
já produzida.
01:43
It's all here; it's all on the web.
35
88000
2000
Está tudo aqui. Tudo na web.
01:45
You can go back to your rooms and try this after my talk.
36
90000
3000
Você pode voltar para seus quartos e tentar isso depois da minha palestra.
01:48
With Pivot, you can drill into a decade.
37
93000
3000
Com o Pivot, você pode se aprofundar por uma década.
01:51
You can drill into a particular year.
38
96000
2000
Você pode se aprofundar em um determinado ano.
01:53
You can jump right into a specific issue.
39
98000
3000
Você pode ir direto para uma edição específica.
01:56
So I'm looking at this; I see the athletes
40
101000
2000
Então, eu estou olhando para isto, eu vejo os atletas
01:58
that have appeared in this issue, the sports.
41
103000
2000
que apareceram nesta edição, em esportes.
02:00
I'm a Lance Armstrong fan, so I'll go ahead and I'll click on that,
42
105000
3000
Eu sou um fã de Lance Armstrong, então eu vou seguir em frente e eu vou clicar aqui,
02:03
which reveals, for me, all the issues
43
108000
2000
para que revele para mim, todas as edições
02:05
in which Lance Armstrong's been a part of.
44
110000
2000
que Lance Armstrong fez parte.
02:07
(Applause)
45
112000
3000
(Aplausos)
02:10
Now, if I want to just kind of take a peek at these,
46
115000
3000
Agora, se eu quisesse apenas dar uma olhada,
02:13
I might think,
47
118000
2000
Eu poderia pensar,
02:15
"Well, what about taking a look at all of cycling?"
48
120000
2000
"Bem, que tal dar uma olhada em tudo sobre ciclismo?
02:17
So I can step back, and expand on that.
49
122000
2000
Então eu posso dar um passo atrás, e expandir a esse respeito.
02:19
And I see Greg LeMond now.
50
124000
2000
E eu vejo Greg Lemond agora.
02:21
And so you get the idea that when you
51
126000
2000
E assim você começa a entender que quando você
02:23
navigate over information this way --
52
128000
2000
navega nas informações dessa maneira,
02:25
going narrower, broader,
53
130000
2000
sendo mais limitado ou mais abrangente,
02:27
backing in, backing out --
54
132000
2000
mais específico ou mais superficial
02:29
you're not searching, you're not browsing.
55
134000
2000
você não está procurando, você não está navegando.
02:31
You're doing something that's actually a little bit different.
56
136000
2000
Você está fazendo algo que na verdade é um pouco diferente.
02:33
It's in between, and we think it changes
57
138000
3000
É entre uma coisa e outra, e isso muda
02:36
the way information can be used.
58
141000
2000
a forma como a informação pode ser usada.
02:38
So I want to extrapolate on this idea a bit
59
143000
2000
Então eu quero extrapolar essa idéia um pouco
02:40
with something that's a little bit crazy.
60
145000
2000
algo que é um pouco louco.
02:42
What we're done here is we've taken every single Wikipedia page
61
147000
3000
O que estamos fazendo aqui é tomando todas as páginas da Wikipédia
02:45
and we reduced it down to a little summary.
62
150000
3000
e reduzindo-as a um pequeno resumo.
02:48
So the summary consists of just a little synopsis
63
153000
3000
Isto é, o resumo foi formado a partir de pequenas sinopses
02:51
and an icon to indicate the topical area that it comes from.
64
156000
3000
e um ícone para indicar a área temática que deu origem.
02:54
I'm only showing the top 500
65
159000
3000
Estou apenas mostrando as top 500
02:57
most popular Wikipedia pages right here.
66
162000
2000
mais populares páginas da Wikipédia aqui.
02:59
But even in this limited view,
67
164000
2000
Mas mesmo restringindo a esse ponto,
03:01
we can do a lot of things.
68
166000
2000
podemos fazer um monte de coisas.
03:03
Right away, we get a sense of what are the topical domains
69
168000
2000
De imediato, temos uma noção do que são os tópicos dominantes,
03:05
that are most popular on Wikipedia.
70
170000
2000
que são mais populares na Wikipédia.
03:07
I'm going to go ahead and select government.
71
172000
2000
Avançando, vou escolher um governo.
03:09
Now, having selected government,
72
174000
3000
Agora, tendo selecionado o governo,
03:12
I can now see that the Wikipedia categories
73
177000
2000
posso ver que as categorias Wikipédia
03:14
that most frequently correspond to that
74
179000
2000
que mais frequentemente correspondem a ele
03:16
are Time magazine People of the Year.
75
181000
3000
são a Revista Time e a matéria Pessoa do Ano.
03:19
So this is really important because this is an insight
76
184000
3000
Esta informação é relevante porque nos traz um insight
03:22
that was not contained within any one Wikipedia page.
77
187000
3000
que não estava contido dentro de nenhuma outra página da Wikipédia.
03:25
It's only possible to see that insight
78
190000
2000
Só é possível ter esse insight
03:27
when you step back and look at all of them.
79
192000
3000
quando dou um passo atrás e e vejo todos eles.
03:30
Looking at one of these particular summaries,
80
195000
2000
Olhando apenas para um desses resumos em particular,
03:32
I can then drill into the concept of
81
197000
3000
Posso então aprofundar o conceito de que
03:35
Time magazine Person of the Year,
82
200000
2000
A revista Time e a matéria Pessoa do Ano,
03:37
bringing up all of them.
83
202000
2000
traz tudo isso.
03:39
So looking at these people,
84
204000
2000
Então, olhando para essas pessoas,
03:41
I can see that the majority come from government;
85
206000
3000
Eu posso ver que a maioria vem do governo.
03:45
some have come from natural sciences;
86
210000
3000
Alguns vêm de ciências naturais.
03:49
some, fewer still, have come from business --
87
214000
3000
Alguns, menos ainda, vem de empresas.
03:53
there's my boss --
88
218000
2000
Aqui está meu chefe.
03:55
and one has come from music.
89
220000
5000
E uma pessoa veio de música.
04:00
And interestingly enough,
90
225000
2000
E, curiosamente,
04:02
Bono is also a TED Prize winner.
91
227000
3000
Bono também é um vencedor do Prêmio TED.
04:05
So we can go, jump, and take a look at all the TED Prize winners.
92
230000
3000
Assim, podemos dar um salto, e ver todos os vencedores do Prêmio TED.
04:08
So you see, we're navigating the web for the first time
93
233000
3000
Então como pode notar, estamos navegando na web pela primeira vez
04:11
as if it's actually a web, not from page-to-page,
94
236000
3000
como se fosse realmente uma rede, e não página a página,
04:14
but at a higher level of abstraction.
95
239000
2000
mas a um nível mais elevado de abstração.
04:16
And so I want to show you one other thing
96
241000
2000
E assim eu quero demonstrar uma outra coisa
04:18
that may catch you a little bit by surprise.
97
243000
3000
que pode pegar vocês um pouco de surpresa.
04:21
I'm just showing the New York Times website here.
98
246000
3000
Estou apenas mostrando o website do New York Times aqui.
04:24
So Pivot, this application --
99
249000
2000
Então Pivot, esta aplicação --
04:26
I don't want to call it a browser; it's really not a browser,
100
251000
2000
Eu não quero chamá-lo de um navegador, pois não é realmente um navegador,
04:28
but you can view web pages with it --
101
253000
3000
mas você pode visualizar as páginas com ele --
04:31
and we bring that zoomable technology
102
256000
2000
e nós trouxemos essa tecnologia do zoom
04:33
to every single web page like this.
103
258000
3000
a cada página da web como esta.
04:36
So I can step back,
104
261000
3000
Assim eu posso voltar atrás,
04:39
pop right back into a specific section.
105
264000
2000
e entrar em uma seção específica.
04:41
Now the reason why this is important is because,
106
266000
2000
Agora, a razão pela qual isso é importante é que,
04:43
by virtue of just viewing web pages in this way,
107
268000
3000
em virtude de apenas visualizarmos páginas web, desta forma,
04:46
I can look at my entire browsing history
108
271000
2000
Eu posso ver o meu histórico de navegação inteiro
04:48
in the exact same way.
109
273000
2000
da exata mesma maneira.
04:50
So I can drill into what I've done
110
275000
2000
Então, posso me aprofundar sobre o que eu fiz
04:52
over specific time frames.
111
277000
2000
em períodos específicos.
04:54
Here, in fact, is the state
112
279000
2000
Aqui, de fato, é o estado
04:56
of all the demo that I just gave.
113
281000
2000
de toda a demonstração que acabei de fazer.
04:58
And I can sort of replay some stuff that I was looking at earlier today.
114
283000
3000
E eu posso repassar algumas coisas que eu estava olhando hoje cedo.
05:01
And, if I want to step back and look at everything,
115
286000
3000
E, se eu quiser dar um passo atrás e olhar para tudo,
05:04
I can slice and dice my history,
116
289000
2000
Eu posso cortar e mudar minha história
05:06
perhaps by my search history --
117
291000
2000
talvez pelo meu histórico de pesquisas.
05:08
here, I was doing some nepotistic searching,
118
293000
2000
Aqui, eu estava fazendo umas pesquisas nepotistas,
05:10
looking for Bing, over here for Live Labs Pivot.
119
295000
3000
procurando no Bing, por Live Labs Pivot.
05:13
And from these, I can drill into the web page
120
298000
2000
E a partir disso, posso aprofundar na página
05:15
and just launch them again.
121
300000
2000
e lançá-lo novamente.
05:17
It's one metaphor repurposed multiple times,
122
302000
3000
É uma metáfora reaproveitada várias vezes,
05:20
and in each case it makes the whole greater
123
305000
2000
e em cada caso, torna o conjunto maior
05:22
than the sum of the parts with the data.
124
307000
2000
do que a soma das partes com os dados.
05:24
So right now, in this world,
125
309000
3000
Então, agora, neste mundo,
05:27
we think about data as being this curse.
126
312000
3000
nós pensamos sobre os dados como sendo essa maldição.
05:30
We talk about the curse of information overload.
127
315000
3000
Falamos sobre a maldição da sobrecarga de informação.
05:33
We talk about drowning in data.
128
318000
3000
Falamos sobre nos afogarmos em dados.
05:36
What if we can actually turn that upside down
129
321000
2000
E se nós realmente pudermos virar isso de cabeça para baixo
05:38
and turn the web upside down,
130
323000
2000
e virar a web de cabeça para baixo,
05:40
so that instead of navigating from one thing to the next,
131
325000
3000
de forma que em vez de irmos de uma coisa para a outra,
05:43
we get used to the habit of being able to go from many things to many things,
132
328000
3000
pudéssemos nos acostumar com o hábito de sermos capazes de ir de muitas coisas para muitas coisas,
05:46
and then being able to see the patterns
133
331000
2000
e, em seguida, sermos capazes de enxergar as tendências
05:48
that were otherwise hidden?
134
333000
2000
que estava escondidas?
05:50
If we can do that, then instead of being trapped in data,
135
335000
5000
Se pudermos fazer isso, então, ao invés de sermos trapaceados pelos dados,
05:55
we might actually extract information.
136
340000
3000
poderíamos realmente extrair informações.
05:58
And, instead of dealing just with information,
137
343000
2000
E, em vez de lidar apenas com a informação,
06:00
we can tease out knowledge.
138
345000
2000
poderíamos destrinchar conhecimento.
06:02
And if we get the knowledge, then maybe even there's wisdom to be found.
139
347000
3000
E, se chegarmos ao conhecimento, então talvez ainda haja sabedoria a ser encontrada.
06:05
So with that, I thank you.
140
350000
2000
Então, com isso, eu lhe agradeço.
06:07
(Applause)
141
352000
8000
(Aplausos)
ABOUT THE SPEAKER
Gary Flake - TechnologistGary Flake is a Technical Fellow at Microsoft, and the founder and director of Live Labs.
Why you should listen
Gary Flake is a Technical Fellow at Microsoft, where he focuses on Internet products and technologies including search, advertising, content, portals, community and application development. In this capacity, he helps define and evolve Microsoft's product vision, technical architecture and business strategy for online services. He is also the founder and director of Live Labs, a skunkworks that bridges research and development, and is widely recognized for inventing new best practices for catalyzing and managing innovation.
Prior to joining Microsoft, Flake founded Yahoo! Research Labs, ran Yahoo!'s corporate R&D activities and company-wide innovation effort, and was the Chief Science Officer of Overture, the company that invented the paid search business model. Flake also wrote the award-winning book The Computational Beauty of Nature, which is used in college courses worldwide.
Gary Flake | Speaker | TED.com