TED2010
Gary Flake: Is Pivot a turning point for web exploration?
Гари Флейк: является ли Пивот революционным шагом в навигации сети?
Filmed:
Readability: 3.8
751,479 views
Гари Флейк демонстрирует работу Пивот, нового способа навигации сети и упорядочивания огромных объемов изображений и данных в сети. Построенное на революционной технологии Сидрагон, приложение дает возможность смотреть на базы с разных точек зрения и открывать зависимости и связи, незаметные для обычного способа навигации сети.
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
Если у меня выйдет донести до вас одну важную идею -
00:18
it's that the whole of the data
1
3000
2000
совокупность данных,
00:20
in which we consume
2
5000
2000
которые мы используем,
00:22
is greater that the sum of the parts,
3
7000
2000
больше, чем сумма частей и
00:24
and instead of thinking about information overload,
4
9000
3000
вместо того, чтобы думать о перезагруженности информацией,
00:27
what I'd like you to think about is how
5
12000
2000
я бы хотел, чтобы вы подумали над тем,
00:29
we can use information so that patterns pop
6
14000
3000
как мы можем использовать информацию, чтобы проявлялись зависимости,
00:32
and we can see trends that would otherwise be invisible.
7
17000
3000
и мы могли видеть тренды, которые в противоположном случае видны бы не были.
00:35
So what we're looking at right here is a typical mortality chart
8
20000
3000
Итак, перед вами обычный график смертности,
00:38
organized by age.
9
23000
2000
организованный по возрасту.
00:40
This tool that I'm using here is a little experiment.
10
25000
2000
Я использую экспериментальное приложение.
00:42
It's called Pivot, and with Pivot what I can do
11
27000
3000
Оно называется Пивот(рус. Ось), и оно позволяет нам
00:45
is I can choose to filter in one particular cause of deaths -- say, accidents.
12
30000
4000
фильтровать данные по причине смерти, например, несчастным случаям.
00:49
And, right away, I see there's a different pattern that emerges.
13
34000
3000
И сразу же я вижу новую проявляющуюся зависимость.
00:52
This is because, in the mid-area here,
14
37000
2000
Это происходит потому, что в середине
00:54
people are at their most active,
15
39000
2000
люди наиболее активны, а здесь, потому,
00:56
and over here they're at their most frail.
16
41000
2000
что они наиболее уязвимы.
00:58
We can step back out again
17
43000
2000
Мы можем снова отойти и
01:00
and then reorganize the data by cause of death,
18
45000
2000
реорганизовать данные по причине смерти,
01:02
seeing that circulatory diseases and cancer
19
47000
3000
увидев, что сердечно-сосудистые заболевания и рак,
01:05
are the usual suspects, but not for everyone.
20
50000
3000
являются наиболее распространенными причинами, но не для всех.
01:08
If we go ahead and we filter by age --
21
53000
3000
Если пойти дальше и отфильтровать по возрасту,
01:11
say 40 years or less --
22
56000
2000
скажем, до 40 лет,
01:13
we see that accidents are actually
23
58000
2000
мы видим, что несчастные случаи
01:15
the greatest cause that people have to be worried about.
24
60000
3000
являются самой распространенной причиной смерти.
01:18
And if you drill into that, it's especially the case for men.
25
63000
3000
И если углубиться в изучение, видно, что это наиболее присуще мужчинам.
01:21
So you get the idea
26
66000
2000
То есть вы поняли, что
01:23
that viewing information, viewing data in this way,
27
68000
3000
рассматривая информацию таким образом
01:26
is a lot like swimming
28
71000
2000
вы как будто плаваете
01:28
in a living information info-graphic.
29
73000
3000
в изменяющемся море информации.
01:31
And if we can do this for raw data,
30
76000
2000
Если мы можем использовать это для исходных данных,
01:33
why not do it for content as well?
31
78000
3000
почему не делать этого для наполнения сети?
01:36
So what we have right here
32
81000
2000
Здесь изображены
01:38
is the cover of every single Sports Illustrated
33
83000
3000
обложки всех журналов Sports Illustrated (Спортс Илюстрейтед),
01:41
ever produced.
34
86000
2000
когда либо выпущенных.
01:43
It's all here; it's all on the web.
35
88000
2000
Они все здесь. В сети.
01:45
You can go back to your rooms and try this after my talk.
36
90000
3000
Вы можете пойти к себе в комнату и попробовать это после лекции.
01:48
With Pivot, you can drill into a decade.
37
93000
3000
С Пивот, вы можете изучить декаду.
01:51
You can drill into a particular year.
38
96000
2000
Можно углубиться в определенный год.
01:53
You can jump right into a specific issue.
39
98000
3000
Можно перейти прямо к отдельному номеру.
01:56
So I'm looking at this; I see the athletes
40
101000
2000
Вот здесь я вижу спортсменов,
01:58
that have appeared in this issue, the sports.
41
103000
2000
которые появлялись в этом издании, виды спорта.
02:00
I'm a Lance Armstrong fan, so I'll go ahead and I'll click on that,
42
105000
3000
Я поклонник Ланса Армстронга и я нажму здесь,
02:03
which reveals, for me, all the issues
43
108000
2000
чтобы увидеть, в каких выпусках
02:05
in which Lance Armstrong's been a part of.
44
110000
2000
была информация о Лансе Армстронге.
02:07
(Applause)
45
112000
3000
(Аплодисменты)
02:10
Now, if I want to just kind of take a peek at these,
46
115000
3000
Сейчас, если я хочу просто глянуть на эти,
02:13
I might think,
47
118000
2000
я могу подумать:
02:15
"Well, what about taking a look at all of cycling?"
48
120000
2000
"Ну а почему бы не взглянуть на велосипедный спорт в целом?".
02:17
So I can step back, and expand on that.
49
122000
2000
Я могу вернуться и расширить запрос.
02:19
And I see Greg LeMond now.
50
124000
2000
Теперь я вижу Грега Лемонда.
02:21
And so you get the idea that when you
51
126000
2000
И вы теперь понимаете, что когда вы
02:23
navigate over information this way --
52
128000
2000
просматриваете эту информацию,
02:25
going narrower, broader,
53
130000
2000
сужая и расширяя запрос,
02:27
backing in, backing out --
54
132000
2000
двигаясь вперед и назад,
02:29
you're not searching, you're not browsing.
55
134000
2000
вы не ищете и не перемещаетесь по сети.
02:31
You're doing something that's actually a little bit different.
56
136000
2000
Вы делаете нечто, что немного отличается от этого.
02:33
It's in between, and we think it changes
57
138000
3000
Это нечто посередине, и нам кажется, что это изменяет то,
02:36
the way information can be used.
58
141000
2000
как можно использовать информацию.
02:38
So I want to extrapolate on this idea a bit
59
143000
2000
Теперь я хочу немного применить эту идею
02:40
with something that's a little bit crazy.
60
145000
2000
в несколько странной области.
02:42
What we're done here is we've taken every single Wikipedia page
61
147000
3000
Здесь мы взяли все страницы Википедии
02:45
and we reduced it down to a little summary.
62
150000
3000
и сжали их до короткого обобщения.
02:48
So the summary consists of just a little synopsis
63
153000
3000
Информация состояла из небольших аннотаций
02:51
and an icon to indicate the topical area that it comes from.
64
156000
3000
и иконки, чтобы обозначить тематический раздел, к которому они принадлежат.
02:54
I'm only showing the top 500
65
159000
3000
Я показываю всего лишь 500
02:57
most popular Wikipedia pages right here.
66
162000
2000
самых популярных страниц Википедии.
02:59
But even in this limited view,
67
164000
2000
Но даже в таком ограниченом виде,
03:01
we can do a lot of things.
68
166000
2000
мы можем сделать множество вещей.
03:03
Right away, we get a sense of what are the topical domains
69
168000
2000
Прямо сейчас, мы видим, какие темы
03:05
that are most popular on Wikipedia.
70
170000
2000
наиболее популярны на Википедии.
03:07
I'm going to go ahead and select government.
71
172000
2000
Я выберу правительство.
03:09
Now, having selected government,
72
174000
3000
Теперь выбрав правительство,
03:12
I can now see that the Wikipedia categories
73
177000
2000
я вижу, что категорией Википедии,
03:14
that most frequently correspond to that
74
179000
2000
которая наиболее часто связана с этим запросом
03:16
are Time magazine People of the Year.
75
181000
3000
является раздел "Люди года" журнала Time.
03:19
So this is really important because this is an insight
76
184000
3000
Это важно, потому что это позволяет понять,
03:22
that was not contained within any one Wikipedia page.
77
187000
3000
чего не содержалось ни в одной из страниц Википедии.
03:25
It's only possible to see that insight
78
190000
2000
Это возможно увидеть,
03:27
when you step back and look at all of them.
79
192000
3000
если вернуться на шаг назад и посмотреть на них всех.
03:30
Looking at one of these particular summaries,
80
195000
2000
Глядя на одну из таких аннотаций,
03:32
I can then drill into the concept of
81
197000
3000
я затем могу углубиться в информацию о
03:35
Time magazine Person of the Year,
82
200000
2000
"Людях года" журнала Time,
03:37
bringing up all of them.
83
202000
2000
найдя их всех.
03:39
So looking at these people,
84
204000
2000
Глядя на этих людей,
03:41
I can see that the majority come from government;
85
206000
3000
я вижу, что большинство из них связаны с правительством.
03:45
some have come from natural sciences;
86
210000
3000
Некоторые - с областью естественных наук.
03:49
some, fewer still, have come from business --
87
214000
3000
Некоторые, их меньше, - с бизнесом.
03:53
there's my boss --
88
218000
2000
Это мой босс.
03:55
and one has come from music.
89
220000
5000
А один связан с музыкой.
04:00
And interestingly enough,
90
225000
2000
Интересно, что
04:02
Bono is also a TED Prize winner.
91
227000
3000
Боно тоже выиграл приз ТЕД.
04:05
So we can go, jump, and take a look at all the TED Prize winners.
92
230000
3000
Мы можем пойти, прыгнуть и посмотреть, кто был награжден призом ТЕД.
04:08
So you see, we're navigating the web for the first time
93
233000
3000
Вы видите, что мы путешествуем по сети впервые как
04:11
as if it's actually a web, not from page-to-page,
94
236000
3000
именно по сети, не перемещаясь от страницы к странице,
04:14
but at a higher level of abstraction.
95
239000
2000
а на более высоком уровне.
04:16
And so I want to show you one other thing
96
241000
2000
Я хочу вам показать еще одну интересную вещь,
04:18
that may catch you a little bit by surprise.
97
243000
3000
которая может немного вас удивить.
04:21
I'm just showing the New York Times website here.
98
246000
3000
Это вебсайт газеты New York Times.
04:24
So Pivot, this application --
99
249000
2000
Итак Пивот, это приложение -
04:26
I don't want to call it a browser; it's really not a browser,
100
251000
2000
я не хочу называть это браузером, это не бразузер,
04:28
but you can view web pages with it --
101
253000
3000
но оно позволяет просматривать страницы и
04:31
and we bring that zoomable technology
102
256000
2000
мы используем технологию увеличения
04:33
to every single web page like this.
103
258000
3000
на каждой из страниц.
04:36
So I can step back,
104
261000
3000
Я могу переместиться назад и
04:39
pop right back into a specific section.
105
264000
2000
выбрать отдельную секцию.
04:41
Now the reason why this is important is because,
106
266000
2000
Это важно, потому что
04:43
by virtue of just viewing web pages in this way,
107
268000
3000
рассматривая веб страницы таким образом
04:46
I can look at my entire browsing history
108
271000
2000
я могу посмотреть историю навигации
04:48
in the exact same way.
109
273000
2000
таким же способом.
04:50
So I can drill into what I've done
110
275000
2000
Я могу просмотреть, что я сделал
04:52
over specific time frames.
111
277000
2000
в выбранных временных рамках.
04:54
Here, in fact, is the state
112
279000
2000
Здесь показана
04:56
of all the demo that I just gave.
113
281000
2000
демонстрация, которую я только что сделал.
04:58
And I can sort of replay some stuff that I was looking at earlier today.
114
283000
3000
Я могу повторно проиграть то, на что я смотрел ранее.
05:01
And, if I want to step back and look at everything,
115
286000
3000
И если я хочу вернуться назад и посмотреть на все,
05:04
I can slice and dice my history,
116
289000
2000
я могу рассмотреть историю по частям,
05:06
perhaps by my search history --
117
291000
2000
например, используя историю поисковых запросов.
05:08
here, I was doing some nepotistic searching,
118
293000
2000
Здесь я делал запросы по теме семейного протекционизма,
05:10
looking for Bing, over here for Live Labs Pivot.
119
295000
3000
в поисках Bing, для приложения Live Labs Pivot..
05:13
And from these, I can drill into the web page
120
298000
2000
А отсюда, я могу углубиться в веб страницу
05:15
and just launch them again.
121
300000
2000
и просто снова их открыть.
05:17
It's one metaphor repurposed multiple times,
122
302000
3000
Это один и тот же образ, перенаправленный несколько раз и
05:20
and in each case it makes the whole greater
123
305000
2000
каждый раз это делает целое большим, чем
05:22
than the sum of the parts with the data.
124
307000
2000
сумма отдельных частей.
05:24
So right now, in this world,
125
309000
3000
Итак, сейчас, в этом мире
05:27
we think about data as being this curse.
126
312000
3000
мы считаем данные чем-то вроде проклятия.
05:30
We talk about the curse of information overload.
127
315000
3000
Мы говорим о том, что информационная перегруженность - это проклятие.
05:33
We talk about drowning in data.
128
318000
3000
Мы говорим о том, что тонем в данных.
05:36
What if we can actually turn that upside down
129
321000
2000
А что если мы перевернем эту страницу вверх ногами
05:38
and turn the web upside down,
130
323000
2000
и перевернем мировую сеть вверх ногами,
05:40
so that instead of navigating from one thing to the next,
131
325000
3000
таким образом, чтобы вместо поочередного перемещения,
05:43
we get used to the habit of being able to go from many things to many things,
132
328000
3000
мы вошли в привычку идти от многого к многому,
05:46
and then being able to see the patterns
133
331000
2000
а затем выделять повторяющиеся сценарии,
05:48
that were otherwise hidden?
134
333000
2000
которые иначе нельзя увидеть?
05:50
If we can do that, then instead of being trapped in data,
135
335000
5000
Если мы можем это сделать, тогда, вместо того, чтобы быть в ловушке данных,
05:55
we might actually extract information.
136
340000
3000
мы могли бы получать информацию.
05:58
And, instead of dealing just with information,
137
343000
2000
И вместо того, чтобы просто иметь информацию,
06:00
we can tease out knowledge.
138
345000
2000
мы могли бы вытянуть из нее знания.
06:02
And if we get the knowledge, then maybe even there's wisdom to be found.
139
347000
3000
И если мы получим знания, тогда может быть есть шанс обрести мудрость.
06:05
So with that, I thank you.
140
350000
2000
Вот и все, спасибо.
06:07
(Applause)
141
352000
8000
Аплодисменты.
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