In ancient Greece, when anyone from slaves to soldiers, poets and politicians, needed to make a big decision on life's most important questions, like, "Should I get married?" or "Should we embark on this voyage?" or "Should our army advance into this territory?" they all consulted the oracle.
Antik Yunan'da, kölesinden askerine, şairinden politikacısına herkes, "Evlenmeli miyim?" veya "Bu yolculuğa çıkmalı mıyım?" veya "Ordumuz bu bölgede ilerlemeli mi?" gibi hayatın en önemli sorularıyla ilgili büyük bir karar vermesi gerektiğinde, hepsi kâhine danışırdı.
So this is how it worked: you would bring her a question and you would get on your knees, and then she would go into this trance. It would take a couple of days, and then eventually she would come out of it, giving you her predictions as your answer.
İşler şöyle yürüyordu: kâhine sorunuzu aktarır ve dizlerinizin üstüne çökerdiniz, sonra o da transa geçerdi. Birkaç gün sürerdi ve nihayetinde kâhin transtan çıkardı, tahminlerini cevaben size söylerdi.
From the oracle bones of ancient China to ancient Greece to Mayan calendars, people have craved for prophecy in order to find out what's going to happen next. And that's because we all want to make the right decision. We don't want to miss something. The future is scary, so it's much nicer knowing that we can make a decision with some assurance of the outcome.
Antik Çin'in fal yazıtlarından antik Yunan ve Maya takvimine, insanlar gelecekte ne olacağını bulmak için kehanetlerin peşinde koşmuştur. Çünkü hepimiz doğru kararı vermek isteriz. Bir şeyleri kaçırmak istemeyiz. Gelecek korkutucu, sonucu garantileyen bir karar verebileceğimizi bilmek çok daha hoş olur.
Well, we have a new oracle, and it's name is big data, or we call it "Watson" or "deep learning" or "neural net." And these are the kinds of questions we ask of our oracle now, like, "What's the most efficient way to ship these phones from China to Sweden?" Or, "What are the odds of my child being born with a genetic disorder?" Or, "What are the sales volume we can predict for this product?"
Artık yeni bir kâhinimiz var ve onun adı büyük veri veya ona "Watson" veya "derin öğrenme" veya "sinir ağı" diyebiliriz. Ve şimdi kâhinimize şu gibi sorular soruyoruz: "Bu telefonları Çin'den İsveç'e göndermenin en kolay yolu nedir?" Veya "Çocuğumun genetik bozuklukla doğma olasılığı nedir?" Veya "Bu ürün için öngörebileceğimiz satış hacmi nedir?"
I have a dog. Her name is Elle, and she hates the rain. And I have tried everything to untrain her. But because I have failed at this, I also have to consult an oracle, called Dark Sky, every time before we go on a walk, for very accurate weather predictions in the next 10 minutes. She's so sweet. So because of all of this, our oracle is a $122 billion industry.
Bir köpeğim var. Adı Elle ve yağmurdan nefret ediyor. Onu eğitmek için her şeyi denedim. Bu konuda başarısız olduğum için yürüyüşe çıkmadan önce sonraki 10 dakikanın kesin hava tahmini için Dark Sky denen kâhine danışmak zorundayım. Çok tatlı. Bu nedenle kâhinimiz 112 milyar dolarlık bir endüstri.
Now, despite the size of this industry, the returns are surprisingly low. Investing in big data is easy, but using it is hard. Over 73 percent of big data projects aren't even profitable, and I have executives coming up to me saying, "We're experiencing the same thing. We invested in some big data system, and our employees aren't making better decisions. And they're certainly not coming up with more breakthrough ideas."
Şimdi, endüstrinin hacmine karşın, getirisi şaşırtıcı derecede düşük. Büyük Veri'ye yatırım yapmak kolay, ama onu kullanmak zor. Büyük Veri projelerinin %73'ünden fazlası kârlı bile değil ve yöneticilerden yanıma gelip "Aynı şeyi deneyimliyoruz. Bazı Büyük Veri sistemlerine yatırım yaptık ama çalışanlarımız daha iyi kararlar vermiyor ve kesinlikle daha çığır açıcı fikirlerle gelmiyorlar." diyor.
So this is all really interesting to me, because I'm a technology ethnographer. I study and I advise companies on the patterns of how people use technology, and one of my interest areas is data. So why is having more data not helping us make better decisions, especially for companies who have all these resources to invest in these big data systems? Why isn't it getting any easier for them?
Bunların hepsi benim için çok ilginç, çünkü ben bir teknoloji etnografıyım. Hem araştırıyor, hem de insanların teknolojiyi kullanım modelleri üzerinden şirketlere tavsiyeler veriyorum ve ilgi alanlarımdan biri de veri. Peki neden daha fazla veriye sahip olmak daha iyi kararlar vermeye yardımcı olmuyor özellikle de büyük veri sistemlerine yatırım yapacak kaynakları olan şirketlere? Bu neden onların işini kolaylaştırmıyor?
So, I've witnessed the struggle firsthand. In 2009, I started a research position with Nokia. And at the time, Nokia was one of the largest cell phone companies in the world, dominating emerging markets like China, Mexico and India -- all places where I had done a lot of research on how low-income people use technology. And I spent a lot of extra time in China getting to know the informal economy. So I did things like working as a street vendor selling dumplings to construction workers. Or I did fieldwork, spending nights and days in internet cafés, hanging out with Chinese youth, so I could understand how they were using games and mobile phones and using it between moving from the rural areas to the cities.
Bu sıkıntıya birebir şahit oldum. 2009'da Nokia'nın araştırma bölümünde işe başladım. Ve o zamanlar, Nokia dünyadaki en büyük telefon şirketlerinden biriydi, Çin, Meksika ve Hindistan gibi gelişen pazarlara egemendi. Tüm bu yerlerde düşük gelirli insanların teknoloji kullanımı üzerine birçok araştırma yaptım. Ve kayıt dışı ekonomiyi öğrenmek için Çin'de epey fazla zaman harcadım. İşportacılık gibi şeyler yaptım, inşaat işçilerine mantı sattım. Veya saha işi yaptım, gece gündüzümü internet kafelerinde geçirdim, oyunları ve cep telefonlarını ve bunları köyden kente geçişte nasıl kullandıklarını anlamak için genç Çinlilerle takıldım.
Through all of this qualitative evidence that I was gathering, I was starting to see so clearly that a big change was about to happen among low-income Chinese people. Even though they were surrounded by advertisements for luxury products like fancy toilets -- who wouldn't want one? -- and apartments and cars, through my conversations with them, I found out that the ads the actually enticed them the most were the ones for iPhones, promising them this entry into this high-tech life. And even when I was living with them in urban slums like this one, I saw people investing over half of their monthly income into buying a phone, and increasingly, they were "shanzhai," which are affordable knock-offs of iPhones and other brands. They're very usable. Does the job.
Topladığım tüm bu nitel kanıtlarla düşük gelirli Çin halkı içinde büyük bir değişimin olmak üzere olduğunu açık bir şekilde görmeye başlıyordum. Süslü tuvaletler -bunu kim istemez ki?- ve binalar, arabalar gibi lüks ürün reklamlarıyla etrafları çevrili olmasına rağmen, onlarla yaptığım konuşmalarda onların en çok aklını çelen reklamların onlara bu yüksek teknoloji hayatına girmeyi vaat eden iPhone reklamları olduğunu öğrendim. Ve hatta onlarla burası gibi varoşlarda yaşıyorken aylık gelirlerinin yarısını bir telefona harcayan insanlar gördüm ve çoğunlukla bunlar "shanzhai" denen iPhone ve diğer markaların uygun fiyatlı taklitleri oluyor. Çok kullanışlılar. İş görüyor.
And after years of living with migrants and working with them and just really doing everything that they were doing, I started piecing all these data points together -- from the things that seem random, like me selling dumplings, to the things that were more obvious, like tracking how much they were spending on their cell phone bills. And I was able to create this much more holistic picture of what was happening. And that's when I started to realize that even the poorest in China would want a smartphone, and that they would do almost anything to get their hands on one.
Ve yıllarca göçmenlerle yaşayıp çalıştıktan sonra ve sadece gerçekten onların yaptığı her şeyi yaparak tüm bu veri noktalarını birleştirmeye başladım; benim mantı satmam gibi rastgele görünen şeylerden, telefon faturalarına ne kadar harcadıklarını takip etmek gibi daha aşikâr olan şeylere kadar. Ve neler olduğunu gösteren bu, çok daha bütüncül olan resmi yapabildim. Ve işte o zaman en fakir Çinlinin bile bir akıllı telefon istediğini ve onlardan birine el sürebilmek için neredeyse ne olursa yapacaklarını fark etmeye başladım.
You have to keep in mind, iPhones had just come out, it was 2009, so this was, like, eight years ago, and Androids had just started looking like iPhones. And a lot of very smart and realistic people said, "Those smartphones -- that's just a fad. Who wants to carry around these heavy things where batteries drain quickly and they break every time you drop them?" But I had a lot of data, and I was very confident about my insights, so I was very excited to share them with Nokia.
Unutmamalısınız ki, iPhone'lar yeni çıkmıştı, 2009 yılıydı, yani bu, sekiz yıl kadar önce ve Android'ler henüz iPhone'lar gibi gözükmeye başlamıştı. Birçok zeki ve gerçekçi kişi şöyle söyledi: "Bu akıllı telefonlar -- bir heves. Pili hemen biten ve her düştüğünde kırılan bu ağır şeyleri kim taşımak ister?" Fakat çok fazla verim vardı ve sezgilerim konusunda kendimden çok emindim, bu yüzden bunları Nokia ile paylaşmak için sabırsızlanıyordum.
But Nokia was not convinced, because it wasn't big data. They said, "We have millions of data points, and we don't see any indicators of anyone wanting to buy a smartphone, and your data set of 100, as diverse as it is, is too weak for us to even take seriously." And I said, "Nokia, you're right. Of course you wouldn't see this, because you're sending out surveys assuming that people don't know what a smartphone is, so of course you're not going to get any data back about people wanting to buy a smartphone in two years. Your surveys, your methods have been designed to optimize an existing business model, and I'm looking at these emergent human dynamics that haven't happened yet. We're looking outside of market dynamics so that we can get ahead of it." Well, you know what happened to Nokia? Their business fell off a cliff. This -- this is the cost of missing something. It was unfathomable.
Ama Nokia ikna olmamıştı, çünkü bu büyük veri değildi. "Elimizde milyonlarca veri noktası var ve kimsenin akıllı telefon almak istediğine dair bir işaret görmüyoruz ve 100 olan veri kümen çok kapsamlı olsa da, ciddiye alamayacağımız kadar zayıf." Ben de, "Nokia, haklısın. Tabii ki bunu göremezsiniz, çünkü insanların akıllı telefonun ne olduğunu bilmediğini varsayan anketler yapıyorsunuz, o yüzden tabii ki iki yıl içinde akıllı telefon almak isteyen insanlar hakkında veri dönüşü alamazsınız. Anketçileriniz, metodlarınız mevcut bir iş modelini en iyi hale getirmek için tasarlandı ve ben henüz oluşmamış yeni insan dinamiklerine bakıyorum. Biz pazar dinamikleri dışından bakıyoruz, ki onların önüne geçebilelim." Nokia'ya ne olduğunu biliyor musunuz? İşleri uçurumdan yuvarlandı. Bu, bir şeyi kaçırmanın bedeli. Bu akıl sır ermez bir şeydi.
But Nokia's not alone. I see organizations throwing out data all the time because it didn't come from a quant model or it doesn't fit in one. But it's not big data's fault. It's the way we use big data; it's our responsibility. Big data's reputation for success comes from quantifying very specific environments, like electricity power grids or delivery logistics or genetic code, when we're quantifying in systems that are more or less contained.
Ama Nokia yalnız değil. Sürekli verileri görmezden gelen şirketler görüyorum çünkü bu nicel bir modelden gelmiyor veya birine uymuyor. Ama bu, büyük verinin hatası değil. Bu bizim büyük veriyi kullanma şeklimiz; bu bizim sorumluluğumuz. Büyük verinin başarı şöhreti çok belirli çevrelerin nicelendirilmesinden geliyor. Örneğin; enerji nakil şebekeleri veya dağıtım lojistikleri veya genetik kod gibi az çok kapsamlı sistemler.
But not all systems are as neatly contained. When you're quantifying and systems are more dynamic, especially systems that involve human beings, forces are complex and unpredictable, and these are things that we don't know how to model so well. Once you predict something about human behavior, new factors emerge, because conditions are constantly changing. That's why it's a never-ending cycle. You think you know something, and then something unknown enters the picture. And that's why just relying on big data alone increases the chance that we'll miss something, while giving us this illusion that we already know everything.
Ama tüm sistemler bu kadar düzgün belirlenmemiştir. Belirleme yaparken ve sistemler daha dinamikse, özellikle insanı içeren sistemler, kuvvetler karmaşık ve kestirilemez ve bunlar, nasıl modelleyeceğimizi çok iyi bilmediğimiz sistemler. İnsan davranışları hakkında bir tahminde bulunduğunuzda yeni faktörler ortaya çıkar, çünkü şartlar sürekli değişmektedir. Bu yüzen hiç bitmeyen bir döngüdür. Bir şeyi bildiğinizi düşünürsünüz ve sonra bilinmeyen bir şey olaya dahil olur. Ve bu yüzden, sadece büyük veriye güvenmek bir şeyleri kaçırma ihtimalini artırarak zaten her şeyi bildiğimizi düşündürerek bizi yanıltır.
And what makes it really hard to see this paradox and even wrap our brains around it is that we have this thing that I call the quantification bias, which is the unconscious belief of valuing the measurable over the immeasurable. And we often experience this at our work. Maybe we work alongside colleagues who are like this, or even our whole entire company may be like this, where people become so fixated on that number, that they can't see anything outside of it, even when you present them evidence right in front of their face. And this is a very appealing message, because there's nothing wrong with quantifying; it's actually very satisfying. I get a great sense of comfort from looking at an Excel spreadsheet, even very simple ones.
Ve bu paradoksu görmeyi ve hatta anlam vermemizi zorlaştıran şey nicelleştirme önyargısı olarak adlandırdığım ölçülemez olan yerine ölçülebilir olan şeye değer biçme bilinç dışı inancıdır. Ve bunu işimizde sık sık yaşıyoruz. Belki bu gibi meslektaşların yanında çalışıyoruz veya hatta belki de tüm şirketimiz böyledir. İnsanlar o numaraya sabitlenmiştir, onun dışında hiçbir şey göremiyorlardır, hatta kanıtları onların gözlerine soktuğunuzda bile. Bu çok albenili bir mesajdır, çünkü belirlemenin yanlış bir tarafı yoktur; aslında çok tatmin edicidir. Çok basit Excel tablolarına baktığımda bile huzurla doluyorum.
(Laughter)
(Gülüşmeler)
It's just kind of like, "Yes! The formula worked. It's all OK. Everything is under control."
Bu şunun gibidir: "Evet! Formül işe yaradı. Her şey tamam. Her şey kontrol altında."
But the problem is that quantifying is addictive. And when we forget that and when we don't have something to kind of keep that in check, it's very easy to just throw out data because it can't be expressed as a numerical value. It's very easy just to slip into silver-bullet thinking, as if some simple solution existed. Because this is a great moment of danger for any organization, because oftentimes, the future we need to predict -- it isn't in that haystack, but it's that tornado that's bearing down on us outside of the barn. There is no greater risk than being blind to the unknown. It can cause you to make the wrong decisions. It can cause you to miss something big.
Ama problem şu ki, belirleme işi bağımlılık yapıyor. Ve bunu unuttuğumuzda ve bunu kontrolde tutacak bir şeyimiz yoksa, veriyi çöpe atmak çok kolaydır çünkü sayısal değer olarak ifade edilemez. Basit bir çözüm varmış gibi sihirli değnek düşüncesine girmek çok kolaydır. Çünkü bu her şirket için büyük tehlike anıdır, çünkü çoğu zaman, tahmin etmemiz gereken gelecek, ot yığınının içinde değil, ahırın dışından üzerimize gelen o kasırgadır. Bilinmeyeni görememekten daha büyük bir risk yoktur. Bu, yanlış kararlar vermenize neden olabilir. Büyük bir şey kaçırmanıza neden olabilir.
But we don't have to go down this path. It turns out that the oracle of ancient Greece holds the secret key that shows us the path forward. Now, recent geological research has shown that the Temple of Apollo, where the most famous oracle sat, was actually built over two earthquake faults. And these faults would release these petrochemical fumes from underneath the Earth's crust, and the oracle literally sat right above these faults, inhaling enormous amounts of ethylene gas, these fissures.
Fakat bu yoldan gitmek zorunda değiliz. Meğer antik Yunan kâhinlerinin elinde bizi ileriye götürecek olan yolun gizli anahtarı varmış. Yakın zamanda yapılan jeolojik araştırma en meşhur kâhinin oturduğu Apollo Tapınağının aslında iki deprem fayı üzerine inşa edildiğini gösterdi. Ve bu faylar Dünya'nın kabuğu altından petro-kimyasal gazlar salıyor ve kâhin tam olarak bu fayların üzerine oturmuş, bu yarıklardan gelen muazzam miktarda etilen gazını soluyor.
(Laughter)
(Kahkaha)
It's true.
Bu doğru.
(Laughter) It's all true, and that's what made her babble and hallucinate and go into this trance-like state. She was high as a kite!
(Kahkaha) Hepsi doğru ve onun saçmalamasına ve hayal görmesine ve onu trans durumuna sokan şey bu. Bir uçurtma kadar yüksekte uçuyordu.
(Laughter)
(Kahkaha)
So how did anyone -- How did anyone get any useful advice out of her in this state? Well, you see those people surrounding the oracle? You see those people holding her up, because she's, like, a little woozy? And you see that guy on your left-hand side holding the orange notebook? Well, those were the temple guides, and they worked hand in hand with the oracle. When inquisitors would come and get on their knees, that's when the temple guides would get to work, because after they asked her questions, they would observe their emotional state, and then they would ask them follow-up questions, like, "Why do you want to know this prophecy? Who are you? What are you going to do with this information?" And then the temple guides would take this more ethnographic, this more qualitative information, and interpret the oracle's babblings. So the oracle didn't stand alone, and neither should our big data systems.
Peki bir kimse nasıl -- Peki bir kimse kadın bu haldeyken ondan nasıl faydalı bir tavsiye alır? Kâhinin etrafını saran insanları görüyor musunuz? Bu insanların onu tutmasının sebebi kadının kafasının güzel olması mı? Peki sol tarafta turuncu defteri tutan adamı görüyor musunuz? Bunlar tapınak rehberleriydi ve kâhinle el ele çalışıyorlardı. Talepte bulunanlar gelip dizlerinin üzerine çöktüklerinde tapınak rehberleri işe koyulur, çünkü kâhine sorularını sorduktan sonra rehberler kişinin duygusal durumunu gözlemler ve ona sorular sorarlar: "Bu kehaneti neden bilmek istiyorsun? Sen kimsin? Bu bilgi ile ne yapacaksın?" Ve sonra tapınak rehberleri bu daha çok kültürel, bu daha çok nitel bilgiyi alır ve kâhinin zırvalamalarını yorumlardı. Yani kâhin tek başına değildi ve bizim büyük verimiz de öyle olmalı.
Now to be clear, I'm not saying that big data systems are huffing ethylene gas, or that they're even giving invalid predictions. The total opposite. But what I am saying is that in the same way that the oracle needed her temple guides, our big data systems need them, too. They need people like ethnographers and user researchers who can gather what I call thick data. This is precious data from humans, like stories, emotions and interactions that cannot be quantified. It's the kind of data that I collected for Nokia that comes in in the form of a very small sample size, but delivers incredible depth of meaning.
Yanlış anlaşılmasın, büyük veri sistemlerinin etilen gazı olduğunu veya geçersiz tahminlerde bulunduğunu söylemiyorum. Tam tersi. Ama söylediğim şey şu; kâhinin tapınak rehberlerine ihtiyaç duyması gibi büyük veri sistemlerimiz de buna ihtiyaç duyar. Yoğun veri dediğim şeyleri toplayabilen etnograflar ve kullanıcı araştırmacıları gibi insanlara ihtiyaçları var. Bu, insanlardan gelen, nicelleştirilemeyen hikâyeler, duygular ve etkileşimler gibi değerli verilerdir. Nokia için topladığım benzer veri çok küçük bir örnek boyutu formundaydı ancak inanılmaz derin mana katmaktaydı.
And what makes it so thick and meaty is the experience of understanding the human narrative. And that's what helps to see what's missing in our models. Thick data grounds our business questions in human questions, and that's why integrating big and thick data forms a more complete picture. Big data is able to offer insights at scale and leverage the best of machine intelligence, whereas thick data can help us rescue the context loss that comes from making big data usable, and leverage the best of human intelligence. And when you actually integrate the two, that's when things get really fun, because then you're no longer just working with data you've already collected. You get to also work with data that hasn't been collected. You get to ask questions about why: Why is this happening?
Onu bu kadar yoğun ve özlü yapan şey insan anlatısını anlama deneyimidir. Ve modellerimizde neyin eksik olduğunu görmeye yardım eden de bu. Yoğun veri işle ilgili sorularımızı insanla ilgili sorularımızla temellendirir ve bu nedenle büyük ve yoğun veriyi birleştirmek daha bütün bir resim oluşturur. Büyük veri ölçekli sezgi sağlayıp en iyi makine zekâsını geliştirebilir, oysa yoğun veri bize büyük veriyi kullanılabilir yaparken oluşan içerik kaybını kurtarmamızda yardım edebilir ve en iyi insan zekâsını geliştirir. Ve bu ikisini birleştirdiğinizde işler eğlenceli hale gelir, çünkü artık sadece topladığınız veriyle çalışıyor olmazsınız. Ayrıca henüz toplanmamış veriyle çalışabilirsiniz. Kendinize nedenlerle ilgili sorular sorabilirsiniz: Bu neden oluyor?
Now, when Netflix did this, they unlocked a whole new way to transform their business. Netflix is known for their really great recommendation algorithm, and they had this $1 million prize for anyone who could improve it. And there were winners. But Netflix discovered the improvements were only incremental. So to really find out what was going on, they hired an ethnographer, Grant McCracken, to gather thick data insights. And what he discovered was something that they hadn't seen initially in the quantitative data. He discovered that people loved to binge-watch. In fact, people didn't even feel guilty about it. They enjoyed it.
Netflix bunu yaptığında, işlerini dönüştürmek için tamamen yeni bir yolun kilidini açtı. Netflix gerçekten harika tavsiye algoritmasıyla bilinir ve bunu geliştirecek kişi için 1 milyon dolarlık ödül koydular ve kazananlar oldu. Ama Netflix yapılan geliştirmelerin sadece aşamalı olduğunu keşfetti. Ve gerçekte neler olduğunu bulması, yoğun veri içgörülerini toplaması için etnograf Grant McCracken'i işe aldılar. Ve o, kantitatif veride ilk başta görmedikleri bir şeyi keşfetti. İnsanların dizileri peş peşe izlemeyi sevdiğini keşfetti. Doğrusu insanlar bu konuda suçlu da hissetmiyorlardı. Bu onları eğlendiriyordu.
(Laughter)
(Kahkaha)
So Netflix was like, "Oh. This is a new insight." So they went to their data science team, and they were able to scale this big data insight in with their quantitative data. And once they verified it and validated it, Netflix decided to do something very simple but impactful. They said, instead of offering the same show from different genres or more of the different shows from similar users, we'll just offer more of the same show. We'll make it easier for you to binge-watch. And they didn't stop there. They did all these things to redesign their entire viewer experience, to really encourage binge-watching. It's why people and friends disappear for whole weekends at a time, catching up on shows like "Master of None." By integrating big data and thick data, they not only improved their business, but they transformed how we consume media. And now their stocks are projected to double in the next few years.
Netflix de, "Bu yeni bir anlayış" dedi. Onlar da veri araştırma ekiplerine gittiler ve ekipleri de büyük veri içgörülerini nicel veri içinde ölçeklendirmeyi başardı. Ve bunu onaylayıp doğruladıklarında, Netflix çok basit ama çok etkili bir şey yapmaya karar verdi. Şunu söylediler: Aynı şovu farklı türlerden veya benzer kullanıcılardan gelen farklı şovlardan daha fazla sunmak yerine, aynı şovdan daha fazlasını sunacağız. Bölümlerini peş peşe izlemeyi kolaylaştıracağız. Ve orada da durmadılar. Tüm bunları tüm izleyici deneyimini tekrar tasarlamak ve seri izlemeyi desteklemek için yaptılar. Bu yüzden insanlar ve arkadaşlarınız, "Master of None" gibi dizileri izlemek için tüm hafta sonu birden kayboluyordu. Büyük veri ve yoğun veriyi birleştirerek işlerini geliştirmekle kalmadılar, medyayı tüketim şeklimizi de değiştirdiler. Ve şimdi hisse senetlerinin sonraki birkaç yılda iki katına çıkacağı öngörülüyor.
But this isn't just about watching more videos or selling more smartphones. For some, integrating thick data insights into the algorithm could mean life or death, especially for the marginalized. All around the country, police departments are using big data for predictive policing, to set bond amounts and sentencing recommendations in ways that reinforce existing biases. NSA's Skynet machine learning algorithm has possibly aided in the deaths of thousands of civilians in Pakistan from misreading cellular device metadata. As all of our lives become more automated, from automobiles to health insurance or to employment, it is likely that all of us will be impacted by the quantification bias.
Fakat mesele sadece daha çok video izlemek veya daha çok akıllı telefon satmak değil. Kimisi için, yoğun veri içgörüsünü algoritmaya entegre etmek ölüm kalım meselesidir, özellikle de ötekileştirilenler için. Tüm ülke çapında, polis merkezleri öngörücü polislik için, mevcut önyargıları güçlendirecek şekilde kefalet miktarını ayarlamak ve cezalandırma önerileri için büyük veriyi kullanıyor. Ulusal Güvenlik Teşkilatı'nın Skynet makine öğrenimi algoritması muhtemelen mobil cihaz verilerinin yanlış okunması nedeniyle binlerce Pakistanlının ölmesine sebep oldu. Otomobillerden sağlık sigortasına veya istihdama, tüm hayatımız otomatikleştikçe muhtemelen hepimiz nicelleştirme önyargısından etkileneceğiz.
Now, the good news is that we've come a long way from huffing ethylene gas to make predictions. We have better tools, so let's just use them better. Let's integrate the big data with the thick data. Let's bring our temple guides with the oracles, and whether this work happens in companies or nonprofits or government or even in the software, all of it matters, because that means we're collectively committed to making better data, better algorithms, better outputs and better decisions. This is how we'll avoid missing that something.
Şimdi, iyi haber şu ki, etilen gazından tahminlerde bulunmaya kadar uzun bir yol geldik. Daha iyi araçlarımız var, gelin onları daha iyi kullanalım. Gelin büyük veriyi yoğun veriyle entegre edelim. Gelin tapınak rehberleriyle kâhinleri bir araya getirelim ve bu işin şirketlerde, kâr amacı gütmeyen kuruluşlarda, devlette veya yazılımda çalışıp çalışmadığını öğrenelim, hepsi önemlidir, çünkü bu, toplu olarak veriyi, algoritmaları, sonuçları ve verilen kararları daha iyi hale getirmeye kararlı olduğumuz anlamına gelir. İşte bu şekilde o bir şeyleri kaçırmaktan sakınacağız.
(Applause)
(Alkış)