Amerikas Lieblingskuchen ist?
America's favorite pie is?
Publikum: Apfelkuchen. K. Cukier: Es ist natürlich Apfelkuchen. Woher wissen wir das? Aufgrund von Daten. Man schaut sich Umsätze von Supermärkten an, nimmt die Verkaufszahlen von tiefgekühlten Kuchen mit 30 cm Durchmesser, und Apfelkuchen sind einsame Spitze. Die Mehrzahl der Verkäufe sind Apfelkuchen. Doch dann begannen Supermärkte kleinere, 11-cm-Kuchen zu verkaufen, und plötzlich fiel Apfelkuchen auf den 4. oder 5. Platz. Warum? Was ist passiert? Okay, denken Sie darüber nach. Wenn man einen 30-Zentimer-Kuchen kauft, muss die ganze Familie einverstanden sein und Apfelkuchen hat jeder am zweitliebsten. (Gelächter) Aber wenn man einen individuellen 11-Zentimter-Kuchen kauft, kann man den nehmen, den man will. Man kann seine erste Wahl bekommen. Man hat mehr Daten. Man sieht etwas, das man nicht sehen konnte, als man nur kleinere Mengen davon hatte.
Audience: Apple. Kenneth Cukier: Apple. Of course it is. How do we know it? Because of data. You look at supermarket sales. You look at supermarket sales of 30-centimeter pies that are frozen, and apple wins, no contest. The majority of the sales are apple. But then supermarkets started selling smaller, 11-centimeter pies, and suddenly, apple fell to fourth or fifth place. Why? What happened? Okay, think about it. When you buy a 30-centimeter pie, the whole family has to agree, and apple is everyone's second favorite. (Laughter) But when you buy an individual 11-centimeter pie, you can buy the one that you want. You can get your first choice. You have more data. You can see something that you couldn't see when you only had smaller amounts of it.
Der Punkt ist, dass mehr Daten uns nicht nur helfen mehr von den gleichen Dingen zu sehen. Mehr Daten erlauben uns Neues zu sehen. Es hilft uns besser zu sehen. Es hilft uns anders zu sehen. In diesem Fall erlaubt es uns zu sehen, was Amerikas Lieblingskuchen ist: nicht Apfelkuchen.
Now, the point here is that more data doesn't just let us see more, more of the same thing we were looking at. More data allows us to see new. It allows us to see better. It allows us to see different. In this case, it allows us to see what America's favorite pie is: not apple.
Sie haben wahrscheinlich alle schon den Begriff "Big Data" gehört. Wahrscheinlich sind Sie es leid den Begriff "Big Data" zu hören. Es ist wahr, dass es viel Wirbel um den Begriff gibt, was sehr schade ist, weil Big Data ein extrem wichtiges Werkzeug ist, durch das die Gesellschaft vorankommen wird. In der Vergangenheit schauten wir auf "Small Data" [wenige Daten], dachten über ihre Bedeutung nach und versuchten die Welt zu verstehen. Jetzt haben wir viel mehr davon, mehr als jemals zuvor. Wir stellen fest, dass wir mit einer großen Datenmenge grundsätzlich Dinge tun können, die wir zuvor nicht tun konnten, als wir nur kleinere Mengen hatten. Big Data ist wichtig und Big Data ist neu und wenn man darüber nachdenkt, ist der einzige Weg für diesen Planeten, globale Herausforderungen zu bewältigen -- Menschen zu ernähren, medizinische Versorgung, Energie und Elektrizität zu liefern und sicher zu stellen, dass sie nicht durch die globale Erwärmung verbrennen -- die effektive Nutzung von Daten.
Now, you probably all have heard the term big data. In fact, you're probably sick of hearing the term big data. It is true that there is a lot of hype around the term, and that is very unfortunate, because big data is an extremely important tool by which society is going to advance. In the past, we used to look at small data and think about what it would mean to try to understand the world, and now we have a lot more of it, more than we ever could before. What we find is that when we have a large body of data, we can fundamentally do things that we couldn't do when we only had smaller amounts. Big data is important, and big data is new, and when you think about it, the only way this planet is going to deal with its global challenges — to feed people, supply them with medical care, supply them with energy, electricity, and to make sure they're not burnt to a crisp because of global warming — is because of the effective use of data.
Was gibt es Neues über Big Data? Was ist das Besondere daran? Um diese Frage zu beantworten, denken Sie darüber nach, wie Informationen aussahen, wie sie in der Vergangenheit physisch aussahen. 1908 entdeckten Archäologen auf der Insel Kreta eine Tonscheibe. Sie datierten sie auf 2 000 v. Chr., sie ist also 4 000 Jahre alt. Es gibt Schriftzeichen darauf, aber wir verstehen sie nicht. Es ist ein absolutes Rätsel, aber der Punkt ist, dass Informationen vor 4 000 Jahren so aussahen. So bewahrte die Gesellschaft Informationen und überlieferte sie.
So what is new about big data? What is the big deal? Well, to answer that question, let's think about what information looked like, physically looked like in the past. In 1908, on the island of Crete, archaeologists discovered a clay disc. They dated it from 2000 B.C., so it's 4,000 years old. Now, there's inscriptions on this disc, but we actually don't know what it means. It's a complete mystery, but the point is that this is what information used to look like 4,000 years ago. This is how society stored and transmitted information.
Die Gesellschaft hat sich seitdem nicht viel verändert. Wir speichern immer noch Informationen auf Scheiben, aber jetzt können wir viel mehr Informationen speichern, mehr als jemals zuvor. Suchen ist einfacher. Kopieren ist einfacher. Teilen ist einfacher. Weiterverarbeitung ist einfacher. Wir können die Informationen für Zwecke wiederverwenden, die für uns unvorstellbar waren, als wir die Daten das erste Mal sammelten. So gesehen haben sich die Daten verändert, von einem Lager zu einem Fluss, von etwas Stationärem und Statischen zu etwas Fließendem und Dynamischem. Gewissermaßen haben Informationen etwas Fließendes an sich. Die Scheibe, die vor Kreta entdeckt wurde und 4 000 Jahre alt ist, ist schwer, sie kann nicht viele Informationen speichern und die Informationen sind unveränderbar. Im Gegensatz dazu passen alle Dateien, die Edward Snowden von der National Security Agency in den Vereinigten Staaten entnahm, auf einen USB-Stick in der Größe eines Fingernagels und sie können in Lichtgeschwindigkeit verbreitet werden. Mehr Daten. Mehr.
Now, society hasn't advanced all that much. We still store information on discs, but now we can store a lot more information, more than ever before. Searching it is easier. Copying it easier. Sharing it is easier. Processing it is easier. And what we can do is we can reuse this information for uses that we never even imagined when we first collected the data. In this respect, the data has gone from a stock to a flow, from something that is stationary and static to something that is fluid and dynamic. There is, if you will, a liquidity to information. The disc that was discovered off of Crete that's 4,000 years old, is heavy, it doesn't store a lot of information, and that information is unchangeable. By contrast, all of the files that Edward Snowden took from the National Security Agency in the United States fits on a memory stick the size of a fingernail, and it can be shared at the speed of light. More data. More.
Ein Grund für die riesige Datenmenge in der Welt heute ist, dass wir Dinge sammeln, über die wir schon immer Informationen gesammelt haben, aber ein weiterer Grund ist: Wir nehmen Dinge, die schon immer Informationen enthielten, aber die noch nie in ein Datenformat übersetzt wurden und erfassen sie als Daten. Denken wir zum Beispiel an die Frage des Aufenthaltsortes. Nehmen wir zum Beispiel Martin Luther. Wenn wir im 16. Jh. wissen wollten, wo Martin Luther war, hätten wir ihm die ganze Zeit folgen müssen, vielleicht mit Feder und Tintenfass, um es aufzuschreiben, und jetzt stellen Sie sich vor, wie es heute ist. Sie wissen, dass irgendwo, wahrscheinlich in der Datenbank eines Telekommunikationsbetreibers, eine Tabelle oder zumindest ein Dateneintrag Informationen darüber enthält, wo Sie sich die ganze Zeit über aufhalten. Wenn Sie ein Handy haben, und das Handy GPS hat, aber auch ohne GPS, kann es Ihre Informationen abspeichern. In dieser Hinsicht wurde der Aufenthaltsort in die Daten aufgenommen.
Now, one reason why we have so much data in the world today is we are collecting things that we've always collected information on, but another reason why is we're taking things that have always been informational but have never been rendered into a data format and we are putting it into data. Think, for example, the question of location. Take, for example, Martin Luther. If we wanted to know in the 1500s where Martin Luther was, we would have to follow him at all times, maybe with a feathery quill and an inkwell, and record it, but now think about what it looks like today. You know that somewhere, probably in a telecommunications carrier's database, there is a spreadsheet or at least a database entry that records your information of where you've been at all times. If you have a cell phone, and that cell phone has GPS, but even if it doesn't have GPS, it can record your information. In this respect, location has been datafied. Now think, for example, of the issue of posture,
Denken wir zum Beispiel an das Problem der Körperhaltung, die Art wie Sie gerade sitzen, die Art wie Sie sitzen, die Art wie Sie sitzen, die Art wie Sie sitzen. Es ist immer verschieden und abhängig von Ihrer Beinlänge und Ihrem Rücken, und Ihren Rückenkonturen,
the way that you are all sitting right now, the way that you sit, the way that you sit, the way that you sit. It's all different, and it's a function of your leg length and your back and the contours of your back,
und würde ich Sensoren -- vielleicht 100 davon -- an Ihren Sitzen anbringen, dann könnte ich eine Tabelle erstellen, die Sie unverwechselbar erkennt, wie eine Art Fingerabdruck, aber ohne Ihren Finger.
and if I were to put sensors, maybe 100 sensors into all of your chairs right now, I could create an index that's fairly unique to you, sort of like a fingerprint, but it's not your finger.
Was könnten wir damit tun? Forscher in Tokio benutzen ihn als eine potenzielle Vorrichtung gegen Autodiebstahl. Laut diesem Konzept sitzt der Autodieb hinter dem Lenkrad, versucht wegzufahren, aber das Auto erkennt ihn als nicht berechtigten Fahrer, und vielleicht schaltet sich der Motor ab, außer Sie geben ein Passwort ins Armaturenbrett ein, das sagt: "Hey, ich habe die Genehmigung zu fahren." Großartig.
So what could we do with this? Researchers in Tokyo are using it as a potential anti-theft device in cars. The idea is that the carjacker sits behind the wheel, tries to stream off, but the car recognizes that a non-approved driver is behind the wheel, and maybe the engine just stops, unless you type in a password into the dashboard to say, "Hey, I have authorization to drive." Great.
Was wäre, wenn jedes einzelne Auto in Europa diese Technologie besäße? Was könnten wir dann tun? Wenn wir die Daten zusammentragen, könnten wir vielleicht verdächtige Zeichen erkennen, welche am besten vorhersagen, dass in den nächsten 5 Sekunden ein Autounfall stattfinden wird. Dann werden wir Fahrerermüdung als Daten aufgenommen haben. Die Dienstleistung wäre dann, wenn das Auto spürt, dass die Person in diese Position fällt, dann weiß es automatisch, dass es einen internen Alarm auslösen muss, welcher das Lenkrad vibrieren lässt, im Auto hupt, um zu sagen: "Hey, wach auf, pass besser auf die Straße auf." Solche Dinge können wir umsetzen, wenn wir mehr Aspekte unseres Lebens in Daten umwandeln.
What if every single car in Europe had this technology in it? What could we do then? Maybe, if we aggregated the data, maybe we could identify telltale signs that best predict that a car accident is going to take place in the next five seconds. And then what we will have datafied is driver fatigue, and the service would be when the car senses that the person slumps into that position, automatically knows, hey, set an internal alarm that would vibrate the steering wheel, honk inside to say, "Hey, wake up, pay more attention to the road." These are the sorts of things we can do when we datafy more aspects of our lives.
Was ist also der Wert von Big Data? Nun ja, denken Sie darüber nach. Man hat mehr Informationen. Man kann Dinge tun, die man vorher nicht tun konnte. Eines der beeindruckendsten Gebiete für die Anwendung dieses Konzepts ist der Bereich des Maschinellen Lernens. Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, die wiederum ein Zweig der Informatik ist. Der Grundgedanke ist, anstatt einem Computer beizubringen, was zu tun ist, füttern wir ihn einfach mit Daten und lassen den Computer das Problem selbst lösen. Das können Sie besser verstehen, wenn Sie die Ursprünge kennenlernen. In den 1950ern spielte ein Informatiker bei IBM mit dem Namen Arthur Samuel gerne Dame, also schrieb er ein Programm, um gegen den Computer spielen zu können. Er spielte. Er gewann. Er spielte. Er gewann. Er spielte. Er gewann, weil der Computer nur wusste, was ein erlaubter Zug ist. Arthur Samuel wusste noch etwas anderes. Arthur Samuel kannte Strategien. Deshalb schrieb er dazu ein kleines Unterprogramm, das im Hintergrund arbeitete und die Wahrscheinlichkeit bewertete, ob eine bestimmte Brettaufstellung eher zu einem gewinnenden oder verlierenden Brett führt. Die Berechnung erfolgte Zug für Zug. Er spielt gegen den Computer. Er gewinnt. Er spielt gegen den Computer. Er gewinnt. Er spielt gegen den Computer. Er gewinnt. Und dann lässt Arthur Samuel den Computer gegen sich selbst spielen. Er spielt für sich selbst. Er sammelt mehr Daten. Er sammelt mehr Daten. Er erhöht die Genauigkeit seiner Voraussagen. Dann geht Arthur Samuel zurück zum Computer, spielt gegen ihn und er verliert, und er spielt gegen ihn und er verliert, und er spielt gegen ihn und er verliert. Damit erfindet Arthur Samuel eine Maschine, die seine Fähigkeit in einer Aufgabe übertrifft, die er ihr selbst beibrachte.
So what is the value of big data? Well, think about it. You have more information. You can do things that you couldn't do before. One of the most impressive areas where this concept is taking place is in the area of machine learning. Machine learning is a branch of artificial intelligence, which itself is a branch of computer science. The general idea is that instead of instructing a computer what do do, we are going to simply throw data at the problem and tell the computer to figure it out for itself. And it will help you understand it by seeing its origins. In the 1950s, a computer scientist at IBM named Arthur Samuel liked to play checkers, so he wrote a computer program so he could play against the computer. He played. He won. He played. He won. He played. He won, because the computer only knew what a legal move was. Arthur Samuel knew something else. Arthur Samuel knew strategy. So he wrote a small sub-program alongside it operating in the background, and all it did was score the probability that a given board configuration would likely lead to a winning board versus a losing board after every move. He plays the computer. He wins. He plays the computer. He wins. He plays the computer. He wins. And then Arthur Samuel leaves the computer to play itself. It plays itself. It collects more data. It collects more data. It increases the accuracy of its prediction. And then Arthur Samuel goes back to the computer and he plays it, and he loses, and he plays it, and he loses, and he plays it, and he loses, and Arthur Samuel has created a machine that surpasses his ability in a task that he taught it.
Dieses Konzept des Maschinellen Lernens verbreitet sich überallhin. Wie, denken Sie, sind wir zu selbstfahrenden Autos gekommen? Geht es uns als Gesellschaft besser, wenn wir alle Verkehrsregeln in Computerprogramme speisen? Nein. Datenspeicher ist billiger. Nein. Algorithmen sind schneller. Nein. Prozessoren sind besser. Nein. All diese Dinge sind wichtig, aber nicht entscheidend. Das liegt daran, dass wir das Wesen des Problems verändert haben. Wir haben das Wesen des Problems von einem, in dem wir versuchten, dem Computer deutlich zu erklären, wie man fährt, zu einem verändert, in dem wir sagen: "Hier gibt es viele Daten um das Auto herum. Du findest es heraus. Du findest heraus, dass das eine Ampel ist, dass die Ampel rot und nicht grün leuchtet, dass das bedeutet, dass man anhalten muss und nicht weiterfahren darf."
And this idea of machine learning is going everywhere. How do you think we have self-driving cars? Are we any better off as a society enshrining all the rules of the road into software? No. Memory is cheaper. No. Algorithms are faster. No. Processors are better. No. All of those things matter, but that's not why. It's because we changed the nature of the problem. We changed the nature of the problem from one in which we tried to overtly and explicitly explain to the computer how to drive to one in which we say, "Here's a lot of data around the vehicle. You figure it out. You figure it out that that is a traffic light, that that traffic light is red and not green, that that means that you need to stop and not go forward."
Maschinelles Lernen ist die Grundlage für viele Dinge, die wir online tun: Suchmaschinen, die Personalisierungsalgorithmen von Amazon, computergestützte Übersetzungen, Spracherkennungssysteme. Forscher haben sich neulich mit der Frage von Gewebeentnahmen beschäftigt, Entnahmen von krebskrankem Gewebe. Sie haben den Computer mit Daten und Überlebensraten gefüttert, und ihn angewiesen zu bestimmen, ob die Zellen tatsächlich krebserregend sind oder nicht. Nach dem Füttern mit Daten konnte der Rechner durch einen maschinellen Lernalgorithmus die 12 verdächtigsten Zeichen erkennen, die am besten vorhersagen, dass die Gewebeentnahme von Brustkrebszellen wirklich Krebszellen enthalten. Das Problem dabei: Die medizinische Literatur kannte nur neun davon. Drei Merkmale waren welche, die man bisher nicht suchen musste, die aber vom Rechner entdeckt wurden.
Machine learning is at the basis of many of the things that we do online: search engines, Amazon's personalization algorithm, computer translation, voice recognition systems. Researchers recently have looked at the question of biopsies, cancerous biopsies, and they've asked the computer to identify by looking at the data and survival rates to determine whether cells are actually cancerous or not, and sure enough, when you throw the data at it, through a machine-learning algorithm, the machine was able to identify the 12 telltale signs that best predict that this biopsy of the breast cancer cells are indeed cancerous. The problem: The medical literature only knew nine of them. Three of the traits were ones that people didn't need to look for,
Es gibt aber auch eine dunkle Seite von Big Data. Die Daten werden unser Leben verbessern, aber es gibt auch Probleme, die uns bewusst sein müssen und dazu gehört zuallererst, dass wir für Vorhersagen bestraft werden könnten, dass die Polizei die Daten für ihre Zwecke benutzen könnte, fast wie im Film "Minority Report". Man nennt das "predictive policing" [Verbrechen voraussagen] oder "algorithmic criminology", was bedeutet, dass man eine Menge Daten sammelt, z. B. wo vergangene Verbrechen begangen wurden, und weiß, wohin man die Polizeistreifen schicken muss. Das leuchtet ein, aber das Problem ist natürlich, dass es nicht einfach bei Standortdaten aufhören wird, es wird auch auf der Ebene der individuellen Daten passieren. Warum verwenden wir nicht die Daten über das Abschlusszeugnis einer Person? Vielleicht sollten wir prüfen, ob sie arbeiten oder nicht, ihre Kreditwürdigkeit, ihr Surfverhalten, oder ob sie bis spät nachts wach sind. Sobald ihr "Fitbit" biochemische Prozesse erkennen kann, wird es zeigen können, wann jemand aggressive Gedanken hat. Wir werden vielleicht Algorithmen haben, die vorhersagen könnten, was wir tun werden, und wir könnten bestraft werden, bevor wir tatsächlich gehandelt haben. Privatsphäre war die größte Herausforderung im Zeitalter der Small Data. Im Zeitalter der Big Data wird die Herausforderung sein, den freien Willen, moralische Entscheidungen, menschliche Willensäußerungen und menschliches Handeln zu beschützen.
but that the machine spotted. Now, there are dark sides to big data as well. It will improve our lives, but there are problems that we need to be conscious of, and the first one is the idea that we may be punished for predictions, that the police may use big data for their purposes, a little bit like "Minority Report." Now, it's a term called predictive policing, or algorithmic criminology, and the idea is that if we take a lot of data, for example where past crimes have been, we know where to send the patrols. That makes sense, but the problem, of course, is that it's not simply going to stop on location data, it's going to go down to the level of the individual. Why don't we use data about the person's high school transcript? Maybe we should use the fact that they're unemployed or not, their credit score, their web-surfing behavior, whether they're up late at night. Their Fitbit, when it's able to identify biochemistries, will show that they have aggressive thoughts. We may have algorithms that are likely to predict what we are about to do, and we may be held accountable before we've actually acted. Privacy was the central challenge in a small data era. In the big data age, the challenge will be safeguarding free will, moral choice, human volition, human agency.
Es gibt ein weiters Problem: Big Data wird unsere Jobs klauen. Big Data und Algorithmen werden eine Herausforderung für Angestellte und professionelle Wissensarbeit im 21. Jahrhundert auf die gleiche Art werden, wie die Fabrikautomation und das Fließband eine Herausforderung für Arbeiter im 20. Jahrhundert war. Denken Sie an einen Laboranten, der durch ein Mikroskop Gewebeentnahmen anschaut und bestimmt, ob es Krebszellen sind oder nicht. Die Person ging zur Universität. Die Person kauft ein Grundstück. Er oder sie wählt. Er oder sie ist ein wichtiger Akteur in der Gesellschaft. Der Beruf der Person, genauso wie ein ganzes Geschwader an Berufstätigen wie diese Person, wird feststellen, dass ihre Berufe sich radikal verändern oder sogar komplett verdrängt werden. Wir mögen den Gedanken, dass Technologie in einem bestimmten Zeitraum neue Berufe nach einer kurzen vorübergehenden Zeit der Verlagerung schafft, und das stimmt für unseren Bezugsrahmen, die industrielle Revolution, weil genau das passiert ist. Aber wir vergessen etwas in der Analyse: Es gibt einige Arten von Berufen, die einfach verdrängt werden und nie zurückkommen. Die industrielle Revolution war nicht sehr gut, wenn man ein Pferd war. Deshalb müssen wir vorsichtig sein und Big Data unseren Bedürfnissen anpassen, unseren zutiefst menschlichen Bedürfnissen. Wir müssen die Herrscher über diese Technologie sein und nicht ihre Diener. Wir stehen erst am Anfang des Zeitalters der Big Data, und ehrlich gesagt sind wir nicht sehr gut im Umgang mit all den Daten, die wir erheben können. Es ist nicht nur ein Problem für die National Security Agency [NSA]. Unternehmen erheben auch viele Daten und sie missbrauchen sie auch, und wir müssen darin besser werden und das wird Zeit brauchen. Es ist ein bisschen wie die Herausforderung, die Feuer für den primitiven Menschen darstellte. Es ist ein Werkzeug, aber eines, an dem wir uns verbrennen werden, wenn wir nicht aufpassen.
There is another problem: Big data is going to steal our jobs. Big data and algorithms are going to challenge white collar, professional knowledge work in the 21st century in the same way that factory automation and the assembly line challenged blue collar labor in the 20th century. Think about a lab technician who is looking through a microscope at a cancer biopsy and determining whether it's cancerous or not. The person went to university. The person buys property. He or she votes. He or she is a stakeholder in society. And that person's job, as well as an entire fleet of professionals like that person, is going to find that their jobs are radically changed or actually completely eliminated. Now, we like to think that technology creates jobs over a period of time after a short, temporary period of dislocation, and that is true for the frame of reference with which we all live, the Industrial Revolution, because that's precisely what happened. But we forget something in that analysis: There are some categories of jobs that simply get eliminated and never come back. The Industrial Revolution wasn't very good if you were a horse. So we're going to need to be careful and take big data and adjust it for our needs, our very human needs. We have to be the master of this technology, not its servant. We are just at the outset of the big data era, and honestly, we are not very good at handling all the data that we can now collect. It's not just a problem for the National Security Agency. Businesses collect lots of data, and they misuse it too, and we need to get better at this, and this will take time. It's a little bit like the challenge that was faced by primitive man and fire. This is a tool, but this is a tool that, unless we're careful, will burn us.
Big Data wird unser Art, wie wir leben, grundlegend verändern, ebenso wie wir arbeiten und wie wir denken. Es wird uns helfen unsere Berufe zu bewältigen und ein Leben voller Zufriedenheit und Hoffnung und Glück und Gesundheit zu führen, aber in der Vergangenheit haben wir bei Informationstechnologie nur das "T" gesehen, die Technologie, die Hardware, weil das greifbar war. Jetzt müssen wir unseren Blick auf das "I" richten, die Information, die weniger sichtbar ist, aber in mancher Weise viel wichtiger ist. Die Menschheit kann endlich von den Informationen lernen, die sie einsammelt, als Teil unserer zeitlosen Aufgabe, die Welt und unseren Platz darin zu verstehen, und deshalb ist Big Data eine große Sache.
Big data is going to transform how we live, how we work and how we think. It is going to help us manage our careers and lead lives of satisfaction and hope and happiness and health, but in the past, we've often looked at information technology and our eyes have only seen the T, the technology, the hardware, because that's what was physical. We now need to recast our gaze at the I, the information, which is less apparent, but in some ways a lot more important. Humanity can finally learn from the information that it can collect, as part of our timeless quest to understand the world and our place in it, and that's why big data is a big deal.
(Applaus)
(Applause)