If I can leave you with one big idea today, it's that the whole of the data in which we consume is greater that the sum of the parts, and instead of thinking about information overload, what I'd like you to think about is how we can use information so that patterns pop and we can see trends that would otherwise be invisible.
אם אוכל להשאיר אתכם עם רעיון גדול אחד היום, זה שהמידע בכללותו שאנו צורכים גדול מסכום חלקיו, ובמקום לחשוב על עומס יתר של מידע הייתי רוצה שתחשבו איך אנחנו יכולים להשתמש במידע כך שתבניות יקפצו ונוכל לראות טרנדים שאחרת היו בלתי נראים.
So what we're looking at right here is a typical mortality chart organized by age. This tool that I'm using here is a little experiment. It's called Pivot, and with Pivot what I can do is I can choose to filter in one particular cause of deaths -- say, accidents. And, right away, I see there's a different pattern that emerges. This is because, in the mid-area here, people are at their most active, and over here they're at their most frail. We can step back out again and then reorganize the data by cause of death, seeing that circulatory diseases and cancer are the usual suspects, but not for everyone. If we go ahead and we filter by age -- say 40 years or less -- we see that accidents are actually the greatest cause that people have to be worried about. And if you drill into that, it's especially the case for men.
אז מה שאנחנו רואים פה זו טבלת תמותה טיפוסית מסודרת לפי גיל. הכלי שאני משתמש בו כאן הוא ניסוי קטן. הוא ניקרא Pivot, ועם Pivot מה שאני יכול לעשות זה לבחור לסנן לפי גורם מוות אחד, לדוגמה תאונות. ומייד, אני רואה תבנית שונה צצה. זה מפני, שבאזור האמצעי כאן, אנשים בשלב הכי אקטיבי שלהם, וכאן הם בשלב הכי שברירי. אנחנו יכולים ללכת צעד אחורה שוב ואז לארגן את המידע לפי סיבת המוות, ולראות שמחלות לב וסרטן הם החשודים העיקריים, אבל לא לכולם. אם נסנן לפי גיל, נגיד 40 ופחות, נראה שבעצם תאונות הן הדבר שאנשים צריכים לחשוש ממנו ביותר. ואם נתמקד בזה, נראה שזה בעיקר אצל גברים.
So you get the idea that viewing information, viewing data in this way, is a lot like swimming in a living information info-graphic. And if we can do this for raw data, why not do it for content as well? So what we have right here is the cover of every single Sports Illustrated ever produced. It's all here; it's all on the web. You can go back to your rooms and try this after my talk. With Pivot, you can drill into a decade. You can drill into a particular year. You can jump right into a specific issue. So I'm looking at this; I see the athletes that have appeared in this issue, the sports. I'm a Lance Armstrong fan, so I'll go ahead and I'll click on that, which reveals, for me, all the issues in which Lance Armstrong's been a part of.
אז אתם מבינים את הרעיון שלראות את המידע, בצורה הזו, דומה מאוד לשחיה באוקיינוס-מידע חי. ואם אנחנו יכולים לעשות את זה עם מידע גולמי, למה לא לעשות את זה גם עם תוכן? אז מה שיש לנו פה, זה השערים של כל גליונות ספורטס אילוסטרייטד שפורסמו אי פעם. הכל פה. הכל ברשת. אתם יכולים לחזור לחדרים שלכם ולנסות אחרי ההרצאה שלי. עם Pivot, אפשר להתמקד בעשור מסויים. אפשר להתמקד בשנה מסויימת. אפשר לקפוץ ישר לגיליון מסויים. אז אני מסתכל על זה; אני רואה את האתלטים שהופיעו בגיליון הזה, את הענפים. אני אוהד של לאנס ארמסטרונג, אז אני אבחר בו, מה שמראה בשבילי, את כל הגיליונות שבהם לאנס ארמסטרונג הופיע.
(Applause)
(מחיאות כפיים)
Now, if I want to just kind of take a peek at these, I might think, "Well, what about taking a look at all of cycling?" So I can step back, and expand on that. And I see Greg LeMond now. And so you get the idea that when you navigate over information this way -- going narrower, broader, backing in, backing out -- you're not searching, you're not browsing. You're doing something that's actually a little bit different. It's in between, and we think it changes the way information can be used.
עכשיו, אם אני רוצה רק להביט באלה, אולי אני אחשוב, "מה אם אני רוצה להביט על כל המאמרים על אופניים?" אז אני יכול ללכת אחורה, ולהרחיב על הנושא. ואני רואה את גרג למונד עכשיו. אז אתם רואים את הרעיון שכשאתם מנווטים במידע ככה, נכנסים פנימה, יוצאים החוצה, בחזרה פנימה, ושוב החוצה, אתם לא מחפשים, אתם לא גולשים. אתם בעצם עושים משהו קצת שונה. זה משהו באמצע, ואנחנו חושבים שזה משנה את הדרך שבה אפשר להשתמש במידע.
So I want to extrapolate on this idea a bit with something that's a little bit crazy. What we're done here is we've taken every single Wikipedia page and we reduced it down to a little summary. So the summary consists of just a little synopsis and an icon to indicate the topical area that it comes from. I'm only showing the top 500 most popular Wikipedia pages right here. But even in this limited view, we can do a lot of things. Right away, we get a sense of what are the topical domains that are most popular on Wikipedia. I'm going to go ahead and select government. Now, having selected government, I can now see that the Wikipedia categories that most frequently correspond to that are Time magazine People of the Year. So this is really important because this is an insight that was not contained within any one Wikipedia page. It's only possible to see that insight when you step back and look at all of them.
אז אני רוצה להרחיב על הנושא קצת משהו שהוא קצת משוגע. מה שעשינו פה זה לקחת את כל העמודים של ויקיפדיה וקיצרנו אותם לסיכום קטן. אז הסיכום הכיל רק תקציר קטן וסמליל שיראה מאיזה נושא המאמר הגיע. אני מראה כאן רק את 500 העמודים הפופולריים ביותר בוויקיפדיה כאן. אבל אפילו בתצוגה הצרה הזו, אפשר לעשות הרבה דברים. מייד מבינים מהם הנושאים העיקריים שהכי פופולריים בוויקיפדיה. אני אבחר בממשל. עכשיו שבחרתי בממשל, אני יכול לראות שהקטגוריות של וויקיפדיה שהכי מתייחסות לנושא הן איש השנה של מגזין טיים. אז זה ממש חשוב מפני שזו תובנה שלא נמצאת באף דף של וויקיפדיה. אפשר לראות את התובנה הזו רק כשיוצאים החוצה ורואים את כולם.
Looking at one of these particular summaries, I can then drill into the concept of Time magazine Person of the Year, bringing up all of them. So looking at these people, I can see that the majority come from government; some have come from natural sciences; some, fewer still, have come from business -- there's my boss -- and one has come from music. And interestingly enough, Bono is also a TED Prize winner. So we can go, jump, and take a look at all the TED Prize winners. So you see, we're navigating the web for the first time as if it's actually a web, not from page-to-page, but at a higher level of abstraction.
כשמתמקדים במאמר ספציפי, אני יכול להתמקד ברעיון של איש השנה של מגזין טיים, ולהעלות את כולם. וכשמביטים בכולם, אני יכול לראות שרובם מגיעים מהממשל. חלק הגיעו ממדעים. חלק, אבל פחות, מעסקים. הנה הבוס שלי. ואחד הגיע ממוזיקה. ומה שמעניין, שבונו הוא גם זוכה פרס TED. אז אנחנו יכולים לעבור, לקפוץ, ולבחון את כל זוכי פרס TED. אז אתם רואים, אנחנו מנווטים ברשת בפעם הראשונה כאילו זו באמת רשת, ולא מדף לדף. אבל בהפשטה גדולה יותר.
And so I want to show you one other thing that may catch you a little bit by surprise. I'm just showing the New York Times website here. So Pivot, this application -- I don't want to call it a browser; it's really not a browser, but you can view web pages with it -- and we bring that zoomable technology to every single web page like this. So I can step back, pop right back into a specific section. Now the reason why this is important is because, by virtue of just viewing web pages in this way, I can look at my entire browsing history in the exact same way. So I can drill into what I've done over specific time frames. Here, in fact, is the state of all the demo that I just gave. And I can sort of replay some stuff that I was looking at earlier today. And, if I want to step back and look at everything, I can slice and dice my history, perhaps by my search history -- here, I was doing some nepotistic searching, looking for Bing, over here for Live Labs Pivot. And from these, I can drill into the web page and just launch them again. It's one metaphor repurposed multiple times, and in each case it makes the whole greater than the sum of the parts with the data.
אז אני רוצה להראות לכם משהו נוסף. שאולי יפתיע אתכם. אני רק מראה כאן את אתר הניו יורק טיימס. אז Pivot, האפליקציה הזו - אני לא רוצה לקרוא לה דפדפן, זה באמת לא דפדפן, אבל אפשר לראות איתה דפי רשת - ואנחנו מביאים את טכנולוגית הזום הזו לכל דף אינטרנט ככה. אז אני יכול ללכת אחורה, ולקפוץ בחזרה לחלק מסויים. והסיבה שזה חשוב היא, שרק על ידי צפייה בדפי אינטרנט בשיטה הזו, אני יכול להביט בכל הסטוריית הגלישה באותה דרך. אז אני יכול לההתמקד במה שעשיתי בזמן מסויים. הנה, לדוגמה, כל המצב של ההדגמה שכרגע הצגתי. ואני בערך יכול להריץ שוב דברים שעשיתי מוקדם יותר היום. ואם אני רוצה לקחת צעד אחורה אני יכול להביט בהכל, אני יכול לבחון את כל ההסטוריה אולי לפי הסטוריית החיפוש שלי. כאן עשיתי חיפוש קצת משוחד, חיפשתי את Bing, וכאן את מעבדת Pivot. ומכאן, אני יכול להתמקד בדפי האינטרנט ופשוט לפתוח אותם שוב. זו מטאפורה אחת שהשתמשנו בה פעמים רבות. ובכל מקרה היא הפכה את השלם לגדול מחלקי המידע שממנו הורכב.
So right now, in this world, we think about data as being this curse. We talk about the curse of information overload. We talk about drowning in data. What if we can actually turn that upside down and turn the web upside down, so that instead of navigating from one thing to the next, we get used to the habit of being able to go from many things to many things, and then being able to see the patterns that were otherwise hidden? If we can do that, then instead of being trapped in data, we might actually extract information. And, instead of dealing just with information, we can tease out knowledge. And if we get the knowledge, then maybe even there's wisdom to be found.
אז עכשיו, בעולם, אנחנו חושבים על מידע כעל מין קללה. אנחנו מדברים על הקללה של עומס יתר של מידע. אנחנו מדברים על טביעה במידע. מה אם נוכל בעצם להפוך את זה ולהפוך את הרשת, כך שבמקום מדבר אחד לבא אחריו, נתרגל לרעיון של ללכת מהרבה דברים להרבה דברים, וליכולת לראות תבניות שאחרת היו נסתרות ? אם נעשה את זה, אז במקום להיות לכודים במידע, נוכל באמת להפיק מידע. ובמקום להתעסק רק במידע, נוכל לשאוב ידע. ואם נקבל את הידע, אז אולי נוכל אפילו למצוא חוכמה.
So with that, I thank you.
אז עם זאת, אני מודה לכם
(Applause)
(מחיאות כפיים)