TEDxVancouver
Jer Thorp: Make data more human
Filmed:
Readability: 4.1
300,699 views
Jer Thorp creates beautiful data visualizations to put abstract data into a human context. At TEDxVancouver, he shares his moving projects, from graphing an entire year’s news cycle, to mapping the way people share articles across the internet.
(Filmed at TEDxVancouver.)
Jer Thorp - Data artist
Jer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them. Full bio
Jer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them. Full bio
Double-click the English transcript below to play the video.
00:10
I want to talk to you about two
of the most exciting possible things.
of the most exciting possible things.
0
1674
6250
Je veux de vous parler de deux des
choses les plus excitantes au monde.
choses les plus excitantes au monde.
00:16
You've probably guessed what they are --
1
7948
1949
Vous avez deviné, n'est-ce pas ?
00:18
data and history.
2
9921
2319
Les données et l'histoire.
00:21
Right?
3
13211
1171
Oui ?
00:24
So, I'm not a historian.
4
15871
1982
Je ne suis pas un historien.
Je ne vais pas vous donner
une définition de l'histoire.
une définition de l'histoire.
00:26
I'm not going to give you
a definition of history.
a definition of history.
5
17877
2728
00:29
But let's think instead
of history within a framework.
of history within a framework.
6
20629
3113
Mais envisageons l'histoire
dans un contexte particulier.
dans un contexte particulier.
00:32
So, when we're making history,
7
23766
1611
Quand on fait de l'histoire,
00:33
or when we're creating
historical documents,
historical documents,
8
25401
2892
c'est-à-dire quand on crée
des documents historiques,
des documents historiques,
00:36
we're taking things
that have happened in the past,
that have happened in the past,
9
28317
2428
en fait, on crée un récit
en cousant ensemble
en cousant ensemble
00:39
and we're stitching them
together into a story.
together into a story.
10
30769
2552
des événements survenus dans le passé.
00:41
So let me start with a little bit
of my own story.
of my own story.
11
33345
2530
Commençons donc par mon propre récit.
00:44
Like anybody my age
who works creatively with computers,
who works creatively with computers,
12
35899
3678
Comme tous ceux de mon âge à l'imagination
débridée avec des ordinateurs,
débridée avec des ordinateurs,
00:48
I was a popular, socially
well-adjusted young man --
well-adjusted young man --
13
39601
4456
j'étais un jeune homme
populaire et très sociable.
populaire et très sociable.
(Rires)
00:52
(Laughter)
14
44081
1122
00:53
And sporty!
15
45227
2541
Sportif !
00:56
Sporty young man.
16
47792
1733
Un jeune homme sportif.
00:58
And like a lot of people my age
in the type of business that I'm in,
in the type of business that I'm in,
17
50075
5353
Comme beaucoup de personnes
de mon âge actives dans mon domaine,
de mon âge actives dans mon domaine,
01:03
I was influenced tremendously by Apple.
18
55452
2645
Apple m'a profondément influencé.
01:07
But notice my choice of logo here, right?
19
58635
3722
Remarquez, s'il vous plaît,
mon choix du logo.
mon choix du logo.
01:10
The Apple on the left,
not the Apple on the right.
not the Apple on the right.
20
62381
3585
La pomme de gauche, pas celle de droite.
01:15
I'm influenced as much
by the Apple on the right
by the Apple on the right
21
66621
2293
La pomme de droite m'influence
autant que n'importe qui, je l'avoue,
autant que n'importe qui, je l'avoue,
01:17
as the next person,
22
68938
2083
01:19
but the Apple on the left --
I mean, look at that logo!
I mean, look at that logo!
23
71045
2633
mais la pomme de gauche,
quelle pomme ! Quel logo !
quelle pomme ! Quel logo !
C'est un arc-en-ciel,
et même pas dans le bon ordre !
et même pas dans le bon ordre !
01:22
It's a rainbow.
It's not even in the right order!
It's not even in the right order!
24
73702
2397
01:24
(Laughter)
25
76123
1134
(Rires)
01:25
That's how crazy Apple was.
26
77281
2273
Le symbole même de la folie chez Apple.
01:28
(Laughter)
27
79578
1037
(Rires)
01:29
But I don't want to talk too much
about the company.
about the company.
28
80639
2945
Ce n'est pas de l'entreprise
que je souhaite parler.
que je souhaite parler.
01:32
I'll start talking about
a machine, though.
a machine, though.
29
83608
2177
Mais je vais évoquer une bécane.
01:34
How amazing it is to think about this.
I go back and I think about this.
I go back and I think about this.
30
85809
4127
J'adore me souvenir de ce moment,
j'y repense souvent, d'ailleurs.
j'y repense souvent, d'ailleurs.
01:38
Wednesday -- one Wednesday,
when I was about 12 years old,
when I was about 12 years old,
31
89960
3314
Un mercredi, j'avais 12 ans environ
01:41
I didn't have a computer.
32
93298
2111
et je n'avais pas d'ordinateur.
01:44
On Thursday, I had a computer.
33
96034
2779
Le jeudi, j'avais un ordinateur.
01:48
Can you imagine that change?
34
99965
1999
Vous pouvez imaginer le changement ?
01:50
It's so drastic.
35
102417
1681
C'est le jour et la nuit.
01:52
I can't even think about anything
that could change our lives that way.
that could change our lives that way.
36
104122
3451
Rien d'autre ne pourra jamais
affecter ma vie autant que ça.
affecter ma vie autant que ça.
01:56
But I'm actually not even going
to talk about the computer.
to talk about the computer.
37
107597
2767
Pourtant, je ne vais pas
vous parler de l'ordinateur,
vous parler de l'ordinateur,
mais plutôt du logiciel
qui était fourni avec.
qui était fourni avec.
01:58
I'm going to talk about a program
that came loaded on that computer.
that came loaded on that computer.
38
110388
3230
Il avait été développé
non pas par le type à gauche,
non pas par le type à gauche,
02:02
And it was build by,
not the guy on the left,
not the guy on the left,
39
113642
2272
mais par celui à droite.
02:04
but the guy on the right.
40
115938
1435
02:05
Does anybody know
who the guy on the right is?
who the guy on the right is?
41
117397
2144
Quelqu'un sait-il de qui il s'agit ?
02:09
Nobody ever knows the answer
to this question.
to this question.
42
121161
2410
La plupart du temps,
personne n'a la réponse.
personne n'a la réponse.
02:12
This is Bill Atkinson.
43
123595
1686
C'est Bill Atkinson.
02:13
And Bill Atkinson was responsible
for tons of things
for tons of things
44
125305
3107
Bill Atkinson est le responsable
d'une montagne de choses
d'une montagne de choses
que vous utilisez tous les jours
dans vos ordinateurs.
dans vos ordinateurs.
02:16
that you see on your computer every day.
45
128436
2482
02:19
But I want to talk about one program
that Bill Atkinson wrote,
that Bill Atkinson wrote,
46
130942
3107
Un des logiciels programmé
par Bill Atkinson
par Bill Atkinson
02:22
called HyperCard.
47
134073
1500
s'appelle HyperCard.
02:25
Someone's cheering over there.
48
137025
2160
Quelqu'un se réjouit dans la salle !
02:27
(Laughter)
49
139209
1205
(Rires)
HyperCard était un programme
installé par défaut sur Mac.
installé par défaut sur Mac.
02:28
HyperCard was a program
that shipped with the Mac,
that shipped with the Mac,
50
140438
2602
02:31
and it was designed
for users of the computer
for users of the computer
51
143064
2569
Il permettait aux utilisateurs
de la machine
de la machine
02:34
to make programs on their computers.
52
145657
3197
de créer leurs propres
programmes sur leur ordinateur.
programmes sur leur ordinateur.
02:38
Crazy idea today.
53
149505
1597
Aujourd'hui, cette idée serait ridicule.
02:39
And these programs were not the apps
that we think about today,
that we think about today,
54
151126
2973
Ce n'était pas les applis
telles que nous les visualisons,
telles que nous les visualisons,
02:42
with their large budgets
and their big distribution.
and their big distribution.
55
154123
2449
avec de gros budgets
et une vaste distribution.
et une vaste distribution.
02:45
These were small things,
56
156596
1189
C'était des petits trucs.
02:46
people making applications to keep track
of their local basketball team scores
of their local basketball team scores
57
157809
3882
On créait un programme
pour suivre l'évolution
pour suivre l'évolution
des résultats de son équipe de basket,
02:50
or to organize their research
58
161715
2825
pour organiser ses recherches,
02:53
or to teach people about classical music
59
164564
3016
pour enseigner la musique classique
02:56
or to calculate weird astronomical dates.
60
167604
4095
ou pour calculer des dates
astronomiques bizarres.
astronomiques bizarres.
03:00
And then, of course,
there were some art projects.
there were some art projects.
61
171723
2381
Il y a aussi des projets
artistiques évidemment.
artistiques évidemment.
Voici mon préféré.
03:02
This is my favorite one.
62
174128
1220
Le titre est : « Des moines à Mac ».
03:03
It's called "If Monks Had Macs,"
63
175372
2089
03:05
and it's a nonlinear
kind of exploratory environment.
kind of exploratory environment.
64
177485
4534
C'est un environnement
d'exploration non linéaire.
d'exploration non linéaire.
03:10
I thank the stars for HyperCard
all of the time.
all of the time.
65
182043
5573
Je remercie les cieux
continuellement pour HyperCard.
continuellement pour HyperCard.
Je remercie aussi les cieux de m'avoir
fait naître à l'époque de HyperCard.
fait naître à l'époque de HyperCard.
03:16
And I thank the stars
for putting me in this era
for putting me in this era
66
187640
2447
03:18
where I got to use HyperCard.
67
190111
2300
03:20
HyperCard was the last program to ship
on a public computer
on a public computer
68
192435
4640
HyperCard est le dernier programme
pré-installé sur des ordinateurs normaux
pré-installé sur des ordinateurs normaux
03:25
that was designed for the users
of the computer to make programs with it.
of the computer to make programs with it.
69
197099
5129
conçu pour que les utilisateurs
puissent programmer.
puissent programmer.
Si on avait dit aux personnes
qui ont inventé l'ordinateur,
qui ont inventé l'ordinateur,
03:30
If you talked to the people
who invented the computer
who invented the computer
70
202252
2705
03:33
and you told them there would be
a day, a magical day,
a day, a magical day,
71
204981
2749
qu'un jour magique arriverait à l'avenir
03:36
when everybody had a computer
but none of them knew how to program,
but none of them knew how to program,
72
207754
5062
où tout le monde posséderait un ordinateur
mais personne ne saurait programmer,
mais personne ne saurait programmer,
03:41
they would think you were crazy.
73
212840
1811
ils nous auraient pris pour des fous.
03:43
So let's skip forward a few years.
74
215486
1664
Quelques années passent.
03:45
I'm starting my career as an artist,
75
217174
2588
Je démarre ma carrière d'artiste
03:48
and I'm building things
with my computer, small-scale things,
with my computer, small-scale things,
76
219786
3962
et je conçois des choses
de petite envergure avec mon ordinateur,
de petite envergure avec mon ordinateur,
03:52
investigating things like
the growth systems of plants.
the growth systems of plants.
77
223772
3603
explorant des sujets comme
le système de croissance des plantes,
le système de croissance des plantes,
03:55
Or, in this example, I'm building
a simulated economy
a simulated economy
78
227399
2999
ou comme ici, une simulation d'économie
03:58
in which pixels are trading color
with one another,
with one another,
79
230422
3961
où les pixels échangent
des couleurs entre eux.
des couleurs entre eux.
Je cherche à comprendre comment
ce genre de systèmes fonctionne,
ce genre de systèmes fonctionne,
04:02
trying to investigate how
these types of systems work,
these types of systems work,
80
234407
2575
04:05
and just kind of having fun.
81
237006
1402
pour le fun.
C'est ce projet qui m'a mis
le pied à l'étrier des données.
le pied à l'étrier des données.
04:06
And then this project led me
to start working with data.
to start working with data.
82
238432
2628
04:09
So I'm building graphics like this,
83
241084
2989
Je développe des graphiques
comme celui-ci.
comme celui-ci.
04:12
which compare "communism" --
84
244097
2594
Il compare le « communisme »,
04:15
the frequency of usage of the word
"communism" in the New York Times --
"communism" in the New York Times --
85
246715
3395
la fréquence d'apparition du mot
« communisme » dans le New York Times,
« communisme » dans le New York Times,
04:18
to "terrorism," at the top.
86
250134
1937
avec celle de « terrorisme », en haut.
04:20
You see "terrorism" kind of appears
as "communism" is going away.
as "communism" is going away.
87
252095
4625
On observe l'apparition de « terrorisme »
avec la disparition de « communisme».
avec la disparition de « communisme».
04:25
And with these graphics, I was really
interested in the aesthetic of the graphs.
interested in the aesthetic of the graphs.
88
256744
3816
C'est l'esthétique de ces graphiques
qui m'intéresse vraiment.
qui m'intéresse vraiment.
04:29
This is Iran and Iraq.
89
260584
1150
Voici l'Iran et l'Irak.
04:30
It reads like a clock. It's called
a "timepiece graph."
a "timepiece graph."
90
261758
3910
On le lit comme une montre, c'est pour ça
que ça s'appelle : « graphique horloger ».
que ça s'appelle : « graphique horloger ».
04:34
This is another timepiece graph,
overlaying "despair" over "hope."
overlaying "despair" over "hope."
91
265692
5711
Voici un autre graphique horloger
superposant « désespoir » et « espoir ».
superposant « désespoir » et « espoir ».
04:39
And there's only three times -- actually,
it's "crisis" over "hope" --
it's "crisis" over "hope" --
92
271427
3310
À trois occasions uniquement,
en fait, c'est « crise » et « espoir »,
en fait, c'est « crise » et « espoir »,
à trois occasions uniquement,
la crise éclipse l'espoir.
la crise éclipse l'espoir.
04:43
there's only three times
when "crisis" eclipses "hope."
when "crisis" eclipses "hope."
93
274761
2609
04:45
We're in the middle
of one of them right now.
of one of them right now.
94
277394
2155
Nous sommes au cœur d'un de ces moments.
04:48
But don't think about that too much.
95
279573
1772
Ne perdez pas trop de temps à y réfléchir.
04:49
(Laughter)
96
281369
1888
(Rires)
04:51
And finally, the culmination of this work
with the New York Times data
with the New York Times data
97
283281
3780
Le point culminant de ce travail
sur les données du New York Times
sur les données du New York Times
a été atteint il y a quelques années,
04:55
a few years ago
98
287085
1202
04:56
was the attempt to combine
an entire year's news cycle
an entire year's news cycle
99
288311
3176
dans la tentative de
combiner en un graphique
combiner en un graphique
un cycle annuel entier d'informations.
05:00
into a single graphic.
100
291511
1313
05:01
So these graphics actually show us
a full year of news, all the people,
a full year of news, all the people,
101
292848
4227
Ces graphiques illustrent une année
d'informations, toutes les personnes,
d'informations, toutes les personnes,
et comment elles sont reliées ensemble
dans un seul graphique.
dans un seul graphique.
05:05
and how they're connected
into a single graphic.
into a single graphic.
102
297099
2630
05:08
And from there, I started to be
interested again in more active systems.
interested again in more active systems.
103
299753
3938
De là, je me suis progressivement
intéressé à des systèmes plus actifs.
intéressé à des systèmes plus actifs.
05:12
Here's a project called "Just Landed,"
104
303715
2264
Voici un autre projet :
« Viens d'atterrir ».
« Viens d'atterrir ».
05:14
where I'm looking at people
tweeting on Twitter.
tweeting on Twitter.
105
306003
3151
Nous observons les gens
qui tweete sur Twitter.
qui tweete sur Twitter.
05:17
"Hey! I just landed
in Hawaii!" -- you know,
in Hawaii!" -- you know,
106
309178
2060
« He ! Je viens d'atterrir à Hawaii ».
05:19
how people just casually try to sneak
that into their Twitter conversation.
that into their Twitter conversation.
107
311262
3702
Les gens essaient de placer ce genre
d'info dans leurs conversations.
d'info dans leurs conversations.
« Je frime à peine. C'est vrai.
Mais je viens d'atterrir à Hawaii. »
Mais je viens d'atterrir à Hawaii. »
05:23
"I'm not showing off. Really.
But I did just land in Hawaii."
But I did just land in Hawaii."
108
314988
3117
05:26
And then I'm plotting
those people's trips,
those people's trips,
109
318129
2743
De là, je cartographie
les voyages de ces gens,
les voyages de ces gens,
05:29
in the hopes that maybe
we can use social network
we can use social network
110
320896
3212
avec l'espoir de pouvoir
utiliser les médias sociaux
utiliser les médias sociaux
et les traces de données
qu'ils abandonnent
qu'ils abandonnent
05:32
and the data that it leaves behind
111
324132
1681
05:34
to provide a model of how people move,
112
325837
2199
pour modéliser la mobilité des gens.
05:36
which would be valuable
to epidemiologists, among other people.
to epidemiologists, among other people.
113
328060
2975
Ça pourrait être utile pour
des épidémiologistes par exemple.
des épidémiologistes par exemple.
05:39
And, more fun -- this
is a similar project,
is a similar project,
114
331059
2579
Un projet similaire, plus cool,
05:42
looking at people
saying "Good morning" to each other
saying "Good morning" to each other
115
333662
2491
observe les gens qui se disent
« Bonjour » partout dans le monde.
« Bonjour » partout dans le monde.
05:44
all around the world.
116
336177
1183
05:45
Which taught me, by the way,
117
337384
1434
Ce qui m'a éclairé sur le fait
05:47
that it is true that people in Vancouver
on the West Coast wake up much later
on the West Coast wake up much later
118
338842
4350
que les gens de la côte ouest
de Vancouver, se lèvent bien plus tard
de Vancouver, se lèvent bien plus tard
et disent « Bonjour » bien plus tard
05:51
and say "Good morning" much later
119
343216
1583
05:53
than the people on the East Coast,
120
344823
1861
que leurs concitoyens de la côte est,
qui sont plus audacieux.
qui sont plus audacieux.
05:55
who are more adventurous.
121
346708
1799
Voici un projet plus utile,
enfin, je l'espère.
enfin, je l'espère.
05:57
Here's a more useful -- maybe -- project,
122
348531
1974
05:59
where I took all the information
from the Kepler Project
from the Kepler Project
123
350529
3351
J'ai pris toutes les données
du projet Kepler,
du projet Kepler,
06:02
and tried to put it into some visual form
that made sense to me.
that made sense to me.
124
353904
3043
pour les compiler sous une forme
visuelle compréhensible par moi.
visuelle compréhensible par moi.
06:05
And I should say that everything
I've shown you up to now --
I've shown you up to now --
125
356971
2884
Je précise bien que tout ce que
je viens de vous montrer,
je viens de vous montrer,
06:08
these are all things
that I just did for fun.
that I just did for fun.
126
359879
2152
je l'ai réalisé pour le plaisir.
Ça peut sembler étrange,
mais on revient à HyperCard.
mais on revient à HyperCard.
06:10
It may seem weird,
but this comes back from HyperCard.
but this comes back from HyperCard.
127
362055
2735
Je me construis des outils.
06:13
I'm building tools for myself.
128
364814
1830
06:15
I may share them with a few other people,
129
366668
1983
Je les partage aussi autour de moi,
06:17
but they're for fun, they're for me.
130
368675
2107
mais je les ai créés
pour le fun, pour moi.
pour le fun, pour moi.
06:21
So, all these tools I show you
kind of occupy this weird space
kind of occupy this weird space
131
373341
3970
Ces outils que je viens de vous présenter
occupent une position inhabituelle
occupent une position inhabituelle
06:25
somewhere between science, art and design.
132
377335
2544
à cheval entre la science,
l'art et le design.
l'art et le design.
06:28
That's where my practice lies.
133
379903
1805
Là réside mon savoir-faire.
06:30
And still today,
from my experience with HyperCard,
from my experience with HyperCard,
134
381732
3156
Aujourd'hui encore, sur la base
de mon expérience avec HyperCard,
de mon expérience avec HyperCard,
06:33
what I'm doing is building visual tools
to help me understand systems.
to help me understand systems.
135
384912
4230
je construis des outils visuels
pour m'aider à comprendre les systèmes.
pour m'aider à comprendre les systèmes.
06:38
So today, I work at the New York Times.
136
390083
2221
Je travaille au New York Times.
06:40
I'm the data artist in residence
at the New York Times.
at the New York Times.
137
392328
2873
Je suis leur artiste
de données en résidence.
de données en résidence.
Depuis que j'y suis,
j'ai eu l'occasion de travailler
j'ai eu l'occasion de travailler
06:43
And I've had an opportunity at the Times
138
395225
1933
06:45
to work on a variety
of really interesting projects,
of really interesting projects,
139
397182
2464
sur plusieurs projets intéressants
et je vais vous en présenter deux.
et je vais vous en présenter deux.
06:48
two of which I'm going
to share with you today.
to share with you today.
140
399670
2222
Je travaille sur le premier
avec Mark Hansen.
avec Mark Hansen.
06:50
The first one, I've been working on
in conjunction with Mark Hansen.
in conjunction with Mark Hansen.
141
401916
3202
06:53
Mark Hansen is a professor of statistics
at UCLA. He's also a media artist.
at UCLA. He's also a media artist.
142
405142
5142
Mark est professeur de statistiques à
l'Université de Californie à Los Angeles.
l'Université de Californie à Los Angeles.
C'est aussi un artiste en média.
06:58
And Mark came to the Times
with a very interesting question
with a very interesting question
143
410308
2786
Mark a contacté le Times
avec une question très intéressante
avec une question très intéressante
07:01
to what may seem like an obvious problem:
144
413118
2660
même si ça peut sembler
être un problème évident :
être un problème évident :
07:04
When people share content on the internet,
145
415802
3151
quand une personne partage
un contenu sur Internet,
un contenu sur Internet,
07:07
how does that content get
from person A to person B?
from person A to person B?
146
418977
3615
comment ce contenu parvient-il
de la personne A à la personne B ?
de la personne A à la personne B ?
07:11
Or maybe, person A to person B
to person C to person D?
to person C to person D?
147
423358
4724
Ou encore, de la personne A, à B,
à la personne C et à la personne D ?
à la personne C et à la personne D ?
C'est un fait que les gens
partagent du contenu.
partagent du contenu.
07:16
We know that people share content
in the internet,
in the internet,
148
428106
2354
07:18
but what we don't know
is what happens in that gap
is what happens in that gap
149
430484
2358
Mais on ne sait pas ce qui
se passe dans l'intervalle
se passe dans l'intervalle
07:21
between one person to the other.
150
432866
1791
entre deux personnes.
Nous avons décidé de développer
un outil qui explore ça.
un outil qui explore ça.
07:23
So we decided to build
the tool to explore that,
the tool to explore that,
151
434681
2356
07:25
and this tool is called Cascade.
152
437061
1823
Cet outil s'appelle : « Cascade ».
07:27
If we look at these systems
153
439471
2595
Il s'agit de systèmes
07:30
that start with one event
that leads to other events,
that leads to other events,
154
442090
4430
initiés par un événement
qui conduisent à d'autres événements.
qui conduisent à d'autres événements.
07:35
we call that structure a cascade.
155
446544
2238
Voici ce qu'on appelle
une structure en cascade.
une structure en cascade.
07:37
And these cascades
actually happen over time.
actually happen over time.
156
448806
2409
De telles cascades
se développent dans le temps.
se développent dans le temps.
07:39
So we can model these things over time.
157
451239
2020
On peut donc les modéliser dans le temps.
07:41
Now, the New York Times has
a lot of people who share our content,
a lot of people who share our content,
158
453283
4031
Le lectorat du New York Times partage
fréquemment nos publications.
fréquemment nos publications.
07:45
so the cascades do not look like that one,
they look more like this.
they look more like this.
159
457338
3491
Les cascades ressemblent plutôt à ceci.
07:49
Here's a typical cascade.
160
460853
1540
Voici une cascade typique.
07:50
At the bottom left, the very first event.
161
462417
2714
En bas, à gauche le premier événement.
07:54
And then as people are sharing
the content from one person to another,
the content from one person to another,
162
466237
4272
Ensuite, au fur et à mesure
que les gens partagent le contenu,
que les gens partagent le contenu,
07:59
we go up in the Y axis,
degrees of separation,
degrees of separation,
163
470533
3794
on monte sur l'ordonnée,
le degré de diffusion
le degré de diffusion
08:02
and over on the X axis, for time.
164
474351
2768
et sur l'abscisse, on a le temps.
08:05
So we're able to look at that conversation
in a couple of different views:
in a couple of different views:
165
477143
3501
On peut donc observer une conversation
selon plusieurs angles :
selon plusieurs angles :
Celui-ci nous montre
les fils de la conversation,
les fils de la conversation,
08:09
this one, which shows us
the threads of conversation,
the threads of conversation,
166
480668
2615
08:11
and this one, which combines
that stacked view
that stacked view
167
483307
3194
et celui-ci combine la vue consolidée
08:15
with a view that lets us see the threads.
168
486525
2932
avec une vue qui nous permet
de voir les fils de conversation.
de voir les fils de conversation.
08:18
Now, the Times publishes
about 7,000 pieces of content
about 7,000 pieces of content
169
489924
3345
Le Times publie [6 500]
articles environ par mois.
articles environ par mois.
08:21
every month.
170
493293
1210
Au moment de la conception de l'outil,
il nous est paru essentiel
il nous est paru essentiel
08:23
So it was important for us,
when we were building this tool,
when we were building this tool,
171
494527
2842
08:25
to make it an exploratory one,
172
497393
1633
de le rendre exploratoire,
08:27
so that people could dig through
this vast terrain of data.
this vast terrain of data.
173
499050
4207
pour que ses utilisateurs puissent
extraire des informations de ces données.
extraire des informations de ces données.
J'envisage cet outil comme un véhicule
qui permet aux utilisateurs
qui permet aux utilisateurs
08:31
I think of it as a vehicle
that we're giving people
that we're giving people
174
503281
2436
08:34
to traverse this really big
terrain of data.
terrain of data.
175
505741
3473
de traverser un immense
terrain de données.
terrain de données.
08:37
So here's what it really looks like,
176
509238
1718
Voilà ce que ça donne.
08:39
and here's the cascade
playing in real time.
playing in real time.
177
510980
2740
La cascade en temps réel.
Découvrir le résultat
fut un moment jouissif.
fut un moment jouissif.
08:42
I have to say, this was
a tremendous moment.
a tremendous moment.
178
513744
2079
08:44
We had been working with canned
data, fake data, for so long,
data, fake data, for so long,
179
515847
4017
Nous avions travaillé si longtemps
avec des données de test,
avec des données de test,
08:48
that when we saw this
for the first moment,
for the first moment,
180
519888
2805
qu'au moment de découvrir ça
la toute première fois,
la toute première fois,
08:51
it was like an archaeologist who had
just dusted off these dinosaur bones.
just dusted off these dinosaur bones.
181
522717
4878
nous étions comme un archéologue qui
vient de découvrir des os de dinosaures.
vient de découvrir des os de dinosaures.
08:56
We discovered this thing,
and we were seeing it for the first time,
and we were seeing it for the first time,
182
527619
3878
Nous découvrions et visionnions
pour la toute première fois
pour la toute première fois
09:00
these sharing structures
that underlie the internet.
that underlie the internet.
183
531521
3712
les structures de partage
latentes de l'Internet.
latentes de l'Internet.
09:04
And maybe the dinosaur
analogy is a good one,
analogy is a good one,
184
536475
2105
L'analogie du dinosaure
n'est pas si mauvaise,
n'est pas si mauvaise,
09:07
because we're actually making
some probabilistic guesses
some probabilistic guesses
185
538604
3047
car nous émettons
des hypothèses probabilistes
des hypothèses probabilistes
sur la manière dont ces objets sont liés.
09:10
about how these things link.
186
541675
1359
09:11
We're looking at some of these
pieces and making some guesses,
pieces and making some guesses,
187
543058
2926
On observe certains éléments
et on fait des hypothèses
et on fait des hypothèses
09:14
but we try to make sure that those
are as statistically rigorous as possible.
are as statistically rigorous as possible.
188
546008
3937
tout en veillant à ce que ce soit le plus
rigoureux possible statistiquement.
rigoureux possible statistiquement.
09:19
Now tweets, in this case,
they become parts of stories.
they become parts of stories.
189
550720
4662
Les tweets deviennent
des bouts d'histoires.
des bouts d'histoires.
09:23
They become parts of narratives.
190
555406
1925
Ils deviennent des bouts de narrations.
Nous sommes donc en train
de construire des histoires,
de construire des histoires,
09:25
So we are building histories here,
191
557355
2420
09:28
but they're very short-term histories.
192
559799
2175
mais avec une mémoire à très court terme.
09:30
And sometimes these very large cascades
are the most interesting ones,
are the most interesting ones,
193
561998
3838
Parfois, les grandes cascades
s'avèrent être les plus intéressantes
s'avèrent être les plus intéressantes
09:34
but sometimes the small ones
are also interesting.
are also interesting.
194
565860
3135
mais parfois, les petites le sont aussi.
09:37
This is one of my favorites.
We call this the "Rabbi Cascade."
We call this the "Rabbi Cascade."
195
569019
3525
Celle-ci est ma préférée : nous l'avons
surnommée : « la Cascade du Rabbin ».
surnommée : « la Cascade du Rabbin ».
09:41
It's a conversation amongst rabbis
about this article in the New York Times,
about this article in the New York Times,
196
572568
5089
Il s'agit d'une conversation entre
rabbins sur un article précis du Times
rabbins sur un article précis du Times
09:46
about the fact that religious workers
don't get a lot of time off.
don't get a lot of time off.
197
577681
3772
au sujet du peu de congés que
peuvent se permettre les prédicateurs.
peuvent se permettre les prédicateurs.
09:49
I guess Saturdays and Sundays are bad days
for them to take off.
for them to take off.
198
581477
4035
J'imagine que c'est tabou de prendre
congé le samedi et le dimanche.
congé le samedi et le dimanche.
09:54
So, in this cascade, there's a group
of rabbis having a conversation
of rabbis having a conversation
199
585536
3692
Donc, la cascade est celle
d'un groupe de rabbins
d'un groupe de rabbins
qui débattent de l'article
du New York Times.
du New York Times.
09:57
about a New York Times story.
200
589252
1402
09:59
One of them has the best
Twitter name ever --
Twitter name ever --
201
590678
2124
Un de ces rabbins a le meilleur
nom Twitter au monde :
nom Twitter au monde :
10:01
he's called "The Velveteen Rabbi."
202
592826
1855
« Le Rabbin Veloutine ».
10:03
(Laughter)
203
594705
2323
(Rires)
10:05
But we would have never found this
if it weren't for this exploratory tool.
if it weren't for this exploratory tool.
204
597052
4507
Sans cet outil exploratoire,
nous n'aurions jamais découvert ça.
nous n'aurions jamais découvert ça.
10:10
This would just be sitting somewhere,
205
601583
1802
Ça aurait existé quelque part,
et nous n'aurions pas pu le distinguer.
et nous n'aurions pas pu le distinguer.
10:11
and we would have never
been able to see that.
been able to see that.
206
603409
2186
10:14
But this exercise of taking
single pieces of information
single pieces of information
207
605619
4141
Cet exercice qui consiste à extraire
des morceaux d'informations
des morceaux d'informations
10:18
and building narrative structures,
building histories out of them,
building histories out of them,
208
609784
4221
pour les construire en structures
narratives, en récits,
narratives, en récits,
10:22
I find tremendously interesting.
209
614029
1925
est vraiment passionnant pour moi.
10:24
You know, I moved to New York
about two years ago.
about two years ago.
210
616319
2344
J'ai déménagé à New York
il y a deux ans environ.
il y a deux ans environ.
10:27
And in New York, everybody has a story
211
618687
2720
À New York, tout le monde a un récit
10:29
that surrounds this
tremendously impactful event
tremendously impactful event
212
621431
2960
autour de cet événement à l'impact majeur
10:32
that happened on September 11 of 2001.
213
624415
2299
qui est survenu le 11 septembre 2001.
10:35
And my own story with September 11
has really become a more intricate one,
has really become a more intricate one,
214
627373
6367
Ma propre histoire avec
le 11 septembre s'est complexifiée
le 11 septembre s'est complexifiée
10:42
because I spent a great deal of time
215
633764
2064
car j'ai passé beaucoup de temps
10:44
working on a piece
of the 9/11 Memorial in Manhattan.
of the 9/11 Memorial in Manhattan.
216
635852
4149
à travailler sur une partie du
mémorial du 11 septembre de Manhattan.
mémorial du 11 septembre de Manhattan.
10:49
The central idea about the 9/11 Memorial
217
640530
2564
Le principe même du mémorial
10:51
is that the names in the memorial
are not laid out in alphabetical order
are not laid out in alphabetical order
218
643118
4459
est fondé sur le fait que les noms ne
sont pas inscrits par ordre alphabétique
sont pas inscrits par ordre alphabétique
10:56
or chronological order,
219
647601
1685
ou par ordre chronologique,
10:57
but instead, they're laid out in a way
220
649310
1824
mais ils sont inscrits
10:59
in which the relationships
between the people who were killed
between the people who were killed
221
651158
3424
en fonction des relations qui existaient
entre les personnes avant leur mort.
entre les personnes avant leur mort.
11:03
are embodied in the memorial.
222
654606
1960
11:05
Brothers are placed next to brothers,
223
657153
2538
Les frères sont côte à côte,
11:08
coworkers are placed together.
224
659715
2185
les collègues sont réunis.
11:10
So this memorial actually considers
all of these myriad connections
all of these myriad connections
225
661924
4665
Ce mémorial prend donc en considération
les myriades de liens tissés
les myriades de liens tissés
qui faisaient de la vie
de ces personnes ce qu'elle était.
de ces personnes ce qu'elle était.
11:15
that were part of these people's lives.
226
666613
2421
11:18
I worked with a company
called Local Projects
called Local Projects
227
670310
3433
J'ai collaboré avec une entreprise
appelée « Local Projects »
appelée « Local Projects »
11:22
to work on an algorithm
and a software tool
and a software tool
228
673767
2674
pour développer un outil
numérique, un algorithme,
numérique, un algorithme,
11:24
to help the architects build
the layout for the memorial:
the layout for the memorial:
229
676465
3004
qui aiderait les architectes
à concevoir le plan du mémorial.
à concevoir le plan du mémorial.
11:28
almost 3,000 names
230
680331
1722
Il y a presque 3 000 noms
11:30
and almost 1,500 of these
adjacency requests,
adjacency requests,
231
682077
3627
et presque 1 500 liens adjacents,
ces liens tissés entre les personnes.
11:34
these requests for connection --
232
685728
1610
11:35
so a very dense story,
a very dense narrative,
a very dense narrative,
233
687362
3386
C'est donc un récit très dense,
une narration très dense,
une narration très dense,
11:39
that becomes an embodied part
of this memorial.
of this memorial.
234
690772
2816
qui s'est incarnée dans ce mémorial.
11:42
Working with Jake Barton,
we produce the software tool,
we produce the software tool,
235
694195
3331
Nous avons créé un outil
informatique avec Jake Barton
informatique avec Jake Barton
11:46
which allows the architects to,
first of all, generate a layout
first of all, generate a layout
236
697550
4119
qui permet avant tout
aux architectes de créer un plan
aux architectes de créer un plan
qui satisfasse toutes les contraintes
relatives aux liens adjacents
relatives aux liens adjacents
11:50
that satisfied all of those
adjacency requests,
adjacency requests,
237
701693
3129
11:53
but then second, make little adjustments
where they needed to
where they needed to
238
704846
3033
et qui fasse des petits ajustements
là où cela s'avère nécessaire
là où cela s'avère nécessaire
11:56
to tell the stories
that they wanted to tell.
that they wanted to tell.
239
707903
2348
pour relater les histoires
qu'ils souhaitaient relater.
qu'ils souhaitaient relater.
11:59
So this memorial, I think,
has an incredibly timely concept
has an incredibly timely concept
240
711219
4135
Ce mémorial est, selon moi,
un concept qui tombe à point nommé
un concept qui tombe à point nommé
12:03
in our era of social networks,
241
715378
2990
dans notre époque de réseaux sociaux,
12:06
because these networks -- these real-life
networks that make up people's lives --
networks that make up people's lives --
242
718392
3975
car ces réseaux, ces réseaux de la vraie
vie, qui ont modelé la vie de ces gens,
vie, qui ont modelé la vie de ces gens,
12:10
are actually embodied
inside of the memorial.
inside of the memorial.
243
722391
2432
sont physiquement incarnés
dans le mémorial.
dans le mémorial.
12:13
And one of the most tremendously
moving experiences
moving experiences
244
725286
3471
Quand on visite le mémorial,
une des sensations les plus émouvantes
que l'on éprouve
que l'on éprouve
12:17
is to go to the memorial
245
728781
1661
12:18
and see how these people
are placed next to each other,
are placed next to each other,
246
730466
4200
survient quand on regarde comment ces gens
sont placés les uns à côté des autres,
sont placés les uns à côté des autres,
et que cette disposition
représente leur vie.
représente leur vie.
12:23
so that this memorial
is representing their own lives.
is representing their own lives.
247
734690
2862
12:27
How does this affect our lives?
248
738859
1687
En quoi cela nous affecte-t-il ?
12:29
Well, I don't know if you remember,
249
741133
1676
Peut-être vous souvenez vous
12:31
but in the spring,
there was a controversy,
there was a controversy,
250
742833
2713
de cette controverse
survenue le printemps dernier
survenue le printemps dernier
12:34
because it was discovered
that on the iPhone
that on the iPhone
251
745570
2198
quand on a découvert que nos iPhones
et nos ordinateurs
et nos ordinateurs
12:36
and, actually, on your computer,
252
747792
1606
12:37
we were storing a tremendous amount
of the location data.
of the location data.
253
749422
3315
enregistraient un volume incroyable
de données de géolocalisation.
de données de géolocalisation.
12:41
So Apple responded, saying,
this was not location data about you,
this was not location data about you,
254
753173
3861
Apple a réagi en disant que ce n'était
pas des données de localisation sur vous,
pas des données de localisation sur vous,
12:45
it was location data
about wireless networks
about wireless networks
255
757058
2805
mais qu'il s'agissait de données
de localisation sur les réseaux sans fil
de localisation sur les réseaux sans fil
12:48
that were in the area where you are.
256
759887
2287
dans les zones où nous nous trouvions.
12:50
So it's not about you,
257
762198
1428
Ce n'est pas nous.
12:52
but it's about where you are.
258
763650
1584
C'est le lieu où nous nous trouvons.
12:53
(Laughter)
259
765258
1648
(Rires)
12:55
This is very valuable data.
260
766930
2808
Mais il s'agit là de données inestimables.
12:58
It's like gold to researchers,
this human-mobility data.
this human-mobility data.
261
769762
4625
Les données sur la mobilité humaine,
ça vaut de l'or pour les chercheurs.
ça vaut de l'or pour les chercheurs.
13:02
So we thought, "Man!
How many people have iPhones?"
How many people have iPhones?"
262
774411
3664
Du coup, on s’est mis à estimer le nombre
de personnes qui ont un iPhone.
de personnes qui ont un iPhone.
13:06
How many of you have iPhones?
263
778099
1448
Qui a un iPhone parmi vous ?
13:09
So in this room, we have this tremendous
database of location data
database of location data
264
780608
5478
Dans cet auditoire, nous avons donc
des données de géolocalisation
des données de géolocalisation
13:14
that researchers
would really, really like.
would really, really like.
265
786110
3775
très, très attractives
pour les chercheurs.
pour les chercheurs.
13:18
So we built this system called Open Paths,
266
789909
2031
Nous avons donc développé « Open Paths »,
13:20
which lets people upload their iPhone data
267
791964
2656
un système avec lequel on peut
télécharger les données mobiles
télécharger les données mobiles
13:23
and broker relationships
with researchers to share that data,
with researchers to share that data,
268
794644
3796
et négocier avec les chercheurs
le partage de ses données,
le partage de ses données,
13:26
to donate that data to people
that can actually put it to use.
that can actually put it to use.
269
798464
3387
et en faire don à ceux qui
les utiliseront vraiment.
les utiliseront vraiment.
13:30
Open Paths was a great
success as a prototype.
success as a prototype.
270
802256
2350
Le prototype d’Open Paths
a rencontré le succès.
a rencontré le succès.
13:33
We received thousands of data sets,
271
804630
3433
Nous avons reçu des tonnes de données
13:36
and we built this interface
272
808087
1349
et développé une interface
13:37
which allows people to actually
see their lives unfolding
see their lives unfolding
273
809460
3318
qui permet aux utilisateurs d’observer
leur vie en train de se dérouler
leur vie en train de se dérouler
13:41
from these traces
that are left behind on your devices.
that are left behind on your devices.
274
812802
3156
grâce aux traces laissées
par leurs appareils numériques.
par leurs appareils numériques.
13:45
Now, what we didn't expect
was how moving this experience would be.
was how moving this experience would be.
275
816593
5267
Toutefois, nous avons été surpris
par le caractère émotionnel
par le caractère émotionnel
qui accompagne cette observation.
13:50
When I uploaded my data,
I thought, "Big deal.
I thought, "Big deal.
276
821884
2227
Quand je l'ai fait, j'ai pensé :
« Pas de souci.
« Pas de souci.
13:52
I know where I live. I know where I work.
What am I going to see here?"
What am I going to see here?"
277
824135
3416
Je sais où j’habite et où je travaille,
que pourrais-je découvrir ? »
que pourrais-je découvrir ? »
13:56
Well, it turns out, what I saw
was that moment I got off the plane
was that moment I got off the plane
278
827575
3501
En fait, j’ai vu le moment
où je sortais de l’avion
où je sortais de l’avion
13:59
to start my new life in New York;
279
831100
1623
pour commencer ma nouvelle vie à New York
14:02
the restaurant where I had Thai food
that first night,
that first night,
280
833588
2606
et le restaurant thaï où j’ai dîné
ce premier soir
ce premier soir
14:04
thinking about this new experience
of being in New York;
of being in New York;
281
836218
2953
réfléchissant à cette nouvelle
page qui s’ouvrait à New York.
page qui s’ouvrait à New York.
14:07
the day that I met my girlfriend.
282
839195
1623
J’ai revu le jour où
j’ai rencontré ma copine.
j’ai rencontré ma copine.
14:11
This is LaGuardia airport.
283
842587
2275
C’est l’aéroport de LaGuardia.
14:13
(Laughter)
284
844886
1487
(Rires)
14:14
This is this Thai restaurant
on Amsterdam Avenue.
on Amsterdam Avenue.
285
846397
3641
Voici le restaurant thaï
sur Amsterdam Avenue.
sur Amsterdam Avenue.
14:19
This is the moment I met my girlfriend.
286
850559
2050
Et l’instant où j’ai rencontré mon amie.
14:22
See how that changes the first time
I told you about those stories
I told you about those stories
287
854146
3451
Remarquez-vous la différence
entre mon premier récit
entre mon premier récit
14:26
and the second time I told
you about those stories?
you about those stories?
288
857621
2468
et le deuxième ?
14:28
Because what we do
in the tool, inadvertently,
in the tool, inadvertently,
289
860113
3207
En fait, avec cet outil, nous remettons
les données dans un contexte humain
les données dans un contexte humain
14:31
is we put these pieces of data
into a human context.
into a human context.
290
863344
3115
tout à fait par hasard.
14:35
And by placing data into a human context,
291
866935
2498
En remettant les données
dans leur contexte humain,
dans leur contexte humain,
14:37
it gains meaning.
292
869457
1474
nous leur donnons sens.
14:39
And I think this is tremendously,
tremendously important,
tremendously important,
293
870955
3328
C’est ça qui est essentiel pour moi,
14:42
because these are our histories
that are being stored on these devices.
that are being stored on these devices.
294
874307
4918
car il s’agit de l’enregistrement de notre
histoire personnelle sur nos appareils.
histoire personnelle sur nos appareils.
14:49
And by thinking about them that way,
295
880809
1994
Penser à nos données sous cet angle
14:52
putting them in a human context --
296
883543
1902
de leur contextualisation,
14:53
first of all, what we do with our own data
is get a better understanding
is get a better understanding
297
885469
3662
nous permet tout d’abord
de mieux appréhender
de mieux appréhender
14:57
of the type of information
that we're sharing.
that we're sharing.
298
889155
2479
le genre d’informations
que nous partageons.
que nous partageons.
15:00
But if we can do this with other data,
if we can put data into a human context,
if we can put data into a human context,
299
891658
4053
Si nous pouvons reproduire avec d'autres
données cette contextualisation,
données cette contextualisation,
15:04
I think we can change a lot of things,
300
895735
2918
nous pourrons transformer
beaucoup de choses
beaucoup de choses
15:07
because it builds, automatically, empathy
for the people involved in these systems.
for the people involved in these systems.
301
898677
6385
car cela suscite
naturellement de l'empathie
naturellement de l'empathie
de la part des personnes
associées à ces projets.
associées à ces projets.
15:14
And that, in turn, results
in a fundamental respect,
in a fundamental respect,
302
905602
2953
Et cette empathie même conduit
à une marque fondamentale de respect
à une marque fondamentale de respect
15:17
which, I believe, is missing
in a large part of technology,
in a large part of technology,
303
908579
3163
qui est le grand absent
dans les technologies, selon moi,
dans les technologies, selon moi,
15:20
when we start to deal
with issues like privacy,
with issues like privacy,
304
912329
2938
quand on parle de gestion
de la vie privée, par exemple,
de la vie privée, par exemple,
15:25
by understanding that these numbers
are not just numbers,
are not just numbers,
305
916765
2717
issue de la compréhension que
ces chiffres ne sont pas que des chiffres,
ces chiffres ne sont pas que des chiffres,
15:28
but instead they're attached, tethered to,
pieces of the real world.
pieces of the real world.
306
919506
3619
mais qu'ils sont ancrés
dans des parties du monde réel.
dans des parties du monde réel.
15:31
They carry weight.
307
923149
1506
Ils ont un poids.
15:33
By understanding that,
the dialog becomes a lot different.
the dialog becomes a lot different.
308
924679
3332
Cette compréhension permet
d'entretenir un dialogue très différent.
d'entretenir un dialogue très différent.
15:38
How many of you have ever clicked a button
309
929595
2331
Combien parmi vous
ont cliqué sur un bouton
ont cliqué sur un bouton
15:40
that enables a third party to access
your location data on your phone?
your location data on your phone?
310
931950
4987
qui permet à une partie tierce à accéder
à vos données de géolocalisation ?
à vos données de géolocalisation ?
15:46
Lots of you.
311
937595
1555
Vous êtes nombreux.
15:47
So the third party is the developer,
312
939174
2245
La partie tierce est le développeur,
15:49
the second party is Apple.
313
941443
1801
le deuxième interlocuteur est Apple.
15:52
The only party that never gets access
to this information is the first party!
to this information is the first party!
314
943954
4823
Le seul qui n'a jamais accès à ces
informations est le premier intéressé.
informations est le premier intéressé.
15:58
And I think that's because we think
about these pieces of data
about these pieces of data
315
950198
3135
C'est dû au fait, je crois, que nous
considérons nos données
considérons nos données
16:01
in this stranded, abstract way.
316
953357
2055
de manière aliénée, abstraite.
16:03
We don't put them into a context
317
955436
1897
On ne les remet pas dans leur contexte,
16:05
which, I think, makes them
a lot more important.
a lot more important.
318
957357
2309
alors que c'est ce qui leur
confère leur valeur.
confère leur valeur.
16:08
So what I'm asking you
to do is really simple:
to do is really simple:
319
959690
2166
Je vous demanderai donc une chose simple :
16:10
start to think about data
in a human context.
in a human context.
320
961880
2323
considérez les données
dans leur contexte humain.
dans leur contexte humain.
16:13
It doesn't really take anything.
321
964918
1657
Ce n'est pas très compliqué.
16:15
When you read stock prices,
think about them in a human context.
think about them in a human context.
322
966599
3359
Quand vous analysez les marchés,
envisagez-les dans leur contexte.
envisagez-les dans leur contexte.
Quand vous analysez
des prêts hypothécaires,
des prêts hypothécaires,
16:18
When you think about mortgage reports,
think about them in a human context.
think about them in a human context.
323
969982
3542
remettez-les dans leur contexte.
16:22
There's no doubt that big data
is big business.
is big business.
324
973548
3930
C'est un fait acquis, le big data
est un gros business.
est un gros business.
16:26
There's an industry being developed here.
325
977502
3018
Une industrie est en train
de se développer.
de se développer.
16:30
Think about how well we've done
326
981520
1501
Pensez un moment à nos résultats
16:31
in previous industries
that we've developed involving resources.
that we've developed involving resources.
327
983045
3369
dans d'autres industries liées aux
ressources que nous avons développées.
ressources que nous avons développées.
16:34
Not very well at all.
328
986438
1300
Ils ne sont pas mirobolants.
16:36
I think part of that problem is, we've had
a lack of participation in these dialogues
a lack of participation in these dialogues
329
987762
4522
Je pense que le problème émerge
notamment à cause du manque
de participation dans ces dialogues
de participation dans ces dialogues
16:40
from multiple pieces of human society.
330
992308
4428
de la part des multiples parties
constitutives de la société humaine.
constitutives de la société humaine.
J'aimerais être le témoin
d'une deuxième chose :
d'une deuxième chose :
16:45
So the other thing that I'm asking for
331
996760
1992
16:48
is an inclusion in this dialogue
from artists, from poets, from writers --
from artists, from poets, from writers --
332
999669
4378
l'inclusion au sein de ce dialogue
d'artistes, de poètes, d'auteurs,
d'artistes, de poètes, d'auteurs,
16:52
from people who can bring a human element
into this discussion.
into this discussion.
333
1004071
4013
de personnes capables d'apporter
l'humain dans la discussion.
l'humain dans la discussion.
16:57
Because I believe that this world of data
334
1008725
2356
En effet, je crois que
ce monde des données
ce monde des données
16:59
is going to be transformative for us.
335
1011105
3025
va nous transformer.
17:03
And unlike our attempts
with the resource industry
with the resource industry
336
1014687
3169
Et contrairement à nos tentatives
avec l'industrie des ressources,
avec l'industrie des ressources,
17:06
and our attempts
with the financial industry,
with the financial industry,
337
1017880
2153
ou avec l'industrie financière,
17:08
by bringing the human
element into this story,
element into this story,
338
1020057
2931
en amenant le facteur
humain au sein du récit,
humain au sein du récit,
17:11
I think we can take it
to tremendous places.
to tremendous places.
339
1023012
2178
nous pourrons le faire progresser
comme jamais auparavant.
comme jamais auparavant.
17:14
Thank you.
340
1026203
1155
Merci.
17:15
(Applause)
341
1027382
4052
(Applaudissements)
ABOUT THE SPEAKER
Jer Thorp - Data artistJer Thorp’s work focuses on adding meaning and narrative to huge amounts of data as a way to help people take control of the information that surrounds them.
Why you should listen
Currently the data artist in residence at the New York Times, Jer’s software-based art has been featured all over the world. His former career as a data artist explains why his art often brings big data sets to life and is deeply influenced by science. Originally from Vancouver, he lives in New York City, where, along with his work at the New York Times, he teaches in NYU’s ITP program.
Jer Thorp | Speaker | TED.com