0:00:00.885,0:00:02.430
Na Grécia antiga,

0:00:03.436,0:00:07.379
quando alguém, de escravos[br]a soldados, poetas e políticos

0:00:07.403,0:00:11.407
precisava tomar uma grande decisão[br]nas questões mais importantes da vida,

0:00:11.431,0:00:12.762
como: "Eu deveria me casar?"

0:00:12.776,0:00:14.593
ou: "Devemos embarcar nesta viagem?"

0:00:14.607,0:00:17.655
ou: "Nosso exército deve[br]avançar para este território?",

0:00:17.679,0:00:20.258
todos consultavam o oráculo.

0:00:21.020,0:00:22.460
É assim que funcionava:

0:00:22.484,0:00:25.256
as pessoas levavam uma pergunta[br]a ela e ficavam de joelhos,

0:00:25.280,0:00:26.741
e então ela caía em transe.

0:00:26.755,0:00:28.498
Levava alguns dias,

0:00:28.518,0:00:31.251
e então, finalmente, ela saía dele,

0:00:31.275,0:00:33.811
dando às pessoas as previsões[br]dela como resposta.

0:00:34.910,0:00:39.836
Dos ossos do oráculo da antiga China[br]à Grécia antiga e aos calendários maias,

0:00:39.869,0:00:45.235
as pessoas têm buscado a profecia[br]para descobrir o que acontecerá a seguir.

0:00:46.516,0:00:49.755
O motivo é que todos queremos[br]tomar a decisão certa.

0:00:49.779,0:00:51.324
Não queremos perder nada.

0:00:51.892,0:00:53.635
O futuro é assustador,

0:00:53.659,0:00:56.276
então é muito melhor saber[br]que podemos tomar uma decisão

0:00:56.300,0:00:58.382
com alguma garantia do resultado.

0:00:59.079,0:01:00.690
Bem, temos um novo oráculo,

0:01:00.714,0:01:02.859
e o nome dele é "big data",

0:01:02.883,0:01:06.822
ou o chamamos de "Watson",[br]"aprendizagem profunda" ou "rede neural".

0:01:07.340,0:01:11.352
Esses são os tipos de perguntas[br]que pedimos agora ao nosso oráculo,

0:01:11.376,0:01:15.298
como: "Qual é o modo mais eficiente[br]de enviar esses telefones

0:01:15.322,0:01:17.145
da China à Suécia?"

0:01:17.169,0:01:18.969
ou: "Quais são as chances

0:01:18.993,0:01:22.356
de meu filho nascer[br]com uma doença genética?"

0:01:22.952,0:01:26.196
ou: "Qual é o volume de vendas[br]que podemos prever para este produto?"

0:01:28.108,0:01:32.155
Tenho um cão. O nome dela é Elle,[br]e ela odeia a chuva.

0:01:32.179,0:01:35.485
Tenho tentado de tudo[br]para destreiná-la.

0:01:35.509,0:01:38.280
Mas, como tenho fracassado nisso,

0:01:38.304,0:01:41.590
também tenho que consultar[br]um "oráculo" chamado "Dark Sky",

0:01:41.614,0:01:43.249
toda vez antes de ir passear,

0:01:43.273,0:01:46.850
para previsões meteorológicas[br]muito precisas dos dez minutos seguintes.

0:01:49.535,0:01:50.838
Ela é uma graça.

0:01:51.827,0:01:57.534
Por causa de tudo isso, nosso oráculo[br]é uma indústria de US$ 122 bilhões.

0:01:58.006,0:02:01.382
Apesar do tamanho dessa indústria,

0:02:01.406,0:02:03.862
os retornos são surpreendentemente baixos.

0:02:04.342,0:02:06.836
Investir em big data é fácil,

0:02:06.860,0:02:08.793
difícil é usá-lo.

0:02:09.981,0:02:14.021
Mais de 73% dos projetos de big data[br]não são nem mesmo rentáveis,

0:02:14.045,0:02:16.280
e tenho executivos[br]chegando até mim e dizendo:

0:02:16.300,0:02:18.249
"Estamos passando pela mesma experiência.

0:02:18.273,0:02:19.936
Investimos em sistemas de big data,

0:02:19.960,0:02:23.058
e nossos funcionários não estão[br]tomando as melhores decisões.

0:02:23.082,0:02:26.244
E, certamente, não estão apresentando[br]mais ideias inovadoras".

0:02:26.914,0:02:30.098
Tudo isso é muito interessante para mim,

0:02:30.122,0:02:32.132
porque sou etnógrafa de tecnologia.

0:02:32.630,0:02:35.068
Estudo e aconselho empresas

0:02:35.088,0:02:37.555
sobre os padrões de como[br]as pessoas usam tecnologia,

0:02:37.575,0:02:40.267
e uma de minhas áreas[br]de interesse são dados.

0:02:40.287,0:02:45.470
Então por que ter mais dados não está[br]nos ajudando a tomar as melhores decisões,

0:02:45.494,0:02:48.251
especialmente para as empresas[br]que têm todos esses recursos

0:02:48.271,0:02:50.077
para investir em sistemas de big data?

0:02:50.097,0:02:52.609
Por que não está ficando[br]mais fácil para eles?

0:02:53.990,0:02:56.624
Então testemunhei a luta em primeira mão.

0:02:57.374,0:03:00.858
Em 2009, assumi um cargo[br]de pesquisa na Nokia.

0:03:01.092,0:03:02.074
Na época,

0:03:02.094,0:03:05.396
a Nokia era uma das maiores empresas[br]de telefonia celular do mundo,

0:03:05.416,0:03:08.798
dominando mercados emergentes[br]como China, México e Índia,

0:03:08.822,0:03:11.224
todos os lugares onde eu[br]havia feito muita pesquisa

0:03:11.238,0:03:14.024
sobre como as pessoas[br]de baixa renda usam a tecnologia.

0:03:14.048,0:03:18.988
Gastei muito tempo extra na China[br]conhecendo a economia informal.

0:03:19.018,0:03:21.399
Fiz coisas como trabalhar[br]como vendedora ambulante,

0:03:21.423,0:03:24.097
vendendo bolinhos para trabalhadores[br]da construção civil.

0:03:24.117,0:03:28.389
Fiz trabalho de campo,[br]passando dias e noites em "cybercafés",

0:03:28.409,0:03:29.835
saindo com os jovens chineses,

0:03:29.855,0:03:32.633
para entender como usavam[br]os jogos e telefones celulares

0:03:32.653,0:03:36.653
entre o movimento[br]das áreas rurais para as cidades.

0:03:38.335,0:03:42.262
Ao longo de toda essa evidência[br]qualitativa que eu estava reunindo,

0:03:42.286,0:03:45.110
começava a ver tão claramente

0:03:45.134,0:03:49.606
que aconteceria uma grande mudança[br]entre os chineses de baixa renda.

0:03:51.020,0:03:54.701
Mesmo cercados por anúncios[br]de produtos de luxo

0:03:54.721,0:03:56.960
como banheiros extravagantes,

0:03:56.980,0:03:58.780
"Quem não quer um?",

0:03:58.800,0:04:01.820
apartamentos e carros,

0:04:01.844,0:04:03.664
pelas conversas que tive com eles,

0:04:03.688,0:04:07.529
descobri que os anúncios[br]que realmente os atraíam mais

0:04:07.553,0:04:09.549
eram os de "iPhones",

0:04:09.573,0:04:12.625
prometendo-lhes a entrada[br]nesta vida de alta tecnologia.

0:04:13.469,0:04:16.632
Mesmo quando estava vivendo com eles[br]em favelas urbanas como essa,

0:04:16.656,0:04:19.652
via pessoas investindo mais[br]da metade de sua renda mensal

0:04:19.676,0:04:21.299
na compra de um telefone

0:04:21.323,0:04:23.625
e, cada vez mais, em "shanzhai",

0:04:23.649,0:04:27.037
que eram imitações baratas[br]de iPhones e outras marcas.

0:04:28.303,0:04:29.928
São muito úteis.

0:04:30.890,0:04:32.212
Fazem o trabalho.

0:04:32.750,0:04:38.539
Após anos vivendo com migrantes,[br]trabalhando com eles

0:04:38.563,0:04:41.997
e fazendo realmente tudo[br]o que estavam fazendo,

0:04:42.021,0:04:45.618
comecei a juntar todas[br]essas unidades de informação,

0:04:45.642,0:04:48.765
das coisas que pareciam aleatórias,[br]como eu, vendendo bolinhos,

0:04:48.789,0:04:50.073
para as coisas mais óbvias,

0:04:50.087,0:04:53.443
como rastrear quanto gastavam[br]em suas contas de telefone celular.

0:04:53.463,0:04:56.072
Consegui criar essa imagem[br]muito mais completa

0:04:56.086,0:04:57.382
do que estava acontecendo.

0:04:57.396,0:04:59.438
Comecei, então, a perceber

0:04:59.462,0:05:02.971
que até mesmo os mais pobres[br]da China queriam um smartphone,

0:05:02.995,0:05:07.980
e fariam de tudo para colocar[br]as mãos em um aparelho.

0:05:09.073,0:05:11.477
Vocês precisam ter em mente

0:05:11.501,0:05:14.585
que os iPhones tinham acabado[br]de ser lançados, era 2009,

0:05:14.609,0:05:16.408
oito anos atrás,

0:05:16.428,0:05:18.955
e os "Androids" começavam[br]a se parecer com os iPhones.

0:05:18.979,0:05:21.352
Muitas pessoas inteligentes[br]e realistas disseram:

0:05:21.372,0:05:23.717
"Esses smartphones, é apenas uma moda.

0:05:24.243,0:05:27.239
Quem vai querer levar[br]essas coisas pesadas,

0:05:27.263,0:05:30.970
com baterias que se esgotam rapidamente,[br]e que quebram quando deixamos cair?"

0:05:32.473,0:05:33.994
Mas eu tinha muitos dados,

0:05:34.018,0:05:36.278
e estava tão confiante de minhas ideias

0:05:36.302,0:05:39.131
que fiquei muito animada[br]em compartilhá-las com a Nokia.

0:05:41.332,0:05:43.849
Mas a Nokia não estava convencida,

0:05:43.873,0:05:46.208
porque não eram informações importantes.

0:05:47.022,0:05:49.426
Disseram: "Temos milhões[br]de unidades de informação,

0:05:49.450,0:05:53.697
e não vemos nenhum indicador[br]de quem quer comprar um smartphone,

0:05:53.721,0:05:58.109
e seu conjunto de dados de 100,[br]tão heterogêneo, é muito fraco

0:05:58.133,0:05:59.847
para até mesmo levarmos a sério".

0:06:00.888,0:06:02.513
Eu disse: "Nokia, vocês têm razão.

0:06:02.537,0:06:03.631
Claro, não veem isso,

0:06:03.651,0:06:05.706
porque estão enviando pesquisas

0:06:05.726,0:06:08.389
supondo que as pessoas[br]não sabem o que é um smartphone.

0:06:08.409,0:06:10.419
Então é claro que não terão de volta

0:06:10.439,0:06:13.245
os dados sobre quem quer comprar[br]um smartphone em dois anos.

0:06:13.267,0:06:15.643
As pesquisas e os métodos[br]de vocês foram projetados

0:06:15.657,0:06:17.799
para otimizar um modelo[br]de negócios existente,

0:06:17.819,0:06:20.481
e estou analisando[br]essas dinâmicas humanas emergentes

0:06:20.505,0:06:21.859
que ainda não aconteceram.

0:06:21.883,0:06:24.321
Estamos olhando fora[br]da dinâmica do mercado

0:06:24.345,0:06:26.246
para que possamos ficar à frente disso".

0:06:27.373,0:06:29.617
Bem, sabem o que aconteceu com a Nokia?

0:06:29.641,0:06:32.006
O negócio deles caiu de um penhasco.

0:06:32.791,0:06:36.518
Este é o custo de deixar[br]escapar alguma coisa.

0:06:37.163,0:06:39.162
Era impossível de entender.

0:06:40.003,0:06:41.654
Mas a Nokia não está sozinha.

0:06:42.258,0:06:44.683
Vejo organizações jogando[br]os dados fora o tempo todo

0:06:44.703,0:06:47.424
porque não vieram[br]de um modelo quantitativo

0:06:47.448,0:06:49.216
ou não se encaixam em um.

0:06:50.219,0:06:52.267
Mas não é culpa do big data.

0:06:52.942,0:06:56.849
É o modo como o usamos;[br]é nossa responsabilidade.

0:06:57.730,0:06:59.641
A reputação para o sucesso do big data

0:06:59.665,0:07:03.424
vem da quantificação[br]de ambientes muito específicos,

0:07:03.448,0:07:08.361
como redes de energia elétrica,[br]logística de entrega ou código genético,

0:07:08.385,0:07:12.703
quando quantificamos em sistemas[br]mais ou menos controlados.

0:07:12.727,0:07:15.696
Mas nem todos os sistemas[br]estão tão bem controlados.

0:07:15.720,0:07:18.978
Quando estamos quantificando[br]e os sistemas são mais dinâmicos,

0:07:19.002,0:07:22.801
especialmente sistemas[br]que envolvem seres humanos,

0:07:22.825,0:07:25.251
as forças são complexas e imprevisíveis,

0:07:25.275,0:07:28.761
e são coisas que não sabemos[br]tão bem como modelar.

0:07:29.204,0:07:32.017
Depois de prever algo[br]sobre o comportamento humano,

0:07:32.041,0:07:33.896
surgem novos fatores,

0:07:33.920,0:07:36.119
porque as condições[br]estão em constante mudança.

0:07:36.139,0:07:37.702
Por isso é um ciclo sem fim.

0:07:37.716,0:07:41.870
Achamos que conhecemos algo,[br]e então surge algo desconhecido.

0:07:41.890,0:07:45.212
É por isso que confiar apenas no big data

0:07:45.236,0:07:48.085
aumenta a chance de deixar[br]escapar alguma coisa,

0:07:48.109,0:07:51.886
ao nos dar essa ilusão[br]de que já sabemos tudo.

0:07:52.406,0:07:56.126
O que torna muito difícil[br]ver esse paradoxo

0:07:56.146,0:07:58.945
e até mesmo envolver[br]nossos cérebros em torno disso

0:07:58.969,0:08:02.660
é que temos o que chamo[br]de viés de quantificação,

0:08:02.684,0:08:08.216
que é a crença inconsciente de valorizar[br]o mensurável sobre o imensurável.

0:08:09.222,0:08:12.506
Muitas vezes passamos[br]por isso em nosso trabalho.

0:08:12.530,0:08:15.044
Talvez trabalhemos[br]ao lado de colegas assim,

0:08:15.064,0:08:17.486
ou até mesmo toda a nossa[br]empresa pode ser assim,

0:08:17.506,0:08:20.216
onde as pessoas ficam tão obcecadas[br]com aquela quantidade,

0:08:20.236,0:08:21.953
que não podem ver nada fora dela,

0:08:21.967,0:08:26.265
mesmo quando apresentamos[br]evidências bem diante dos olhos delas.

0:08:27.123,0:08:30.494
Esta é uma mensagem muito interessante,

0:08:30.508,0:08:32.685
porque não há nada errado em quantificar;

0:08:32.705,0:08:34.315
é realmente muito gratificante.

0:08:34.339,0:08:38.701
Tenho uma grande sensação de conforto[br]ao olhar para uma planilha do Excel,

0:08:38.725,0:08:40.126
mesmo as mais simples.

0:08:40.150,0:08:41.164
(Risos)

0:08:41.188,0:08:45.870
É meio como: "Sim! A fórmula funcionou.[br]Está tudo bem. Está tudo sob controle".

0:08:46.792,0:08:49.182
Mas o problema é

0:08:49.206,0:08:51.867
que quantificar é viciante.

0:08:51.891,0:08:53.273
Quando nos esquecemos disso

0:08:53.293,0:08:55.999
e não temos algo[br]para manter esse controle,

0:08:56.019,0:08:58.477
é muito fácil simplesmente[br]jogar os dados fora

0:08:58.501,0:09:01.219
porque não podem ser expressos[br]como um valor numérico.

0:09:01.243,0:09:03.918
É muito fácil ter apenas[br]um pensamento imediatista,

0:09:03.938,0:09:06.767
como se houvesse alguma solução simples.

0:09:07.600,0:09:11.662
Este é um grande momento[br]de perigo para qualquer organização,

0:09:11.686,0:09:14.320
porque, muitas vezes,[br]o futuro que precisamos prever

0:09:14.344,0:09:16.510
não está nesse palheiro,

0:09:16.534,0:09:19.072
mas é aquele tornado[br]que está vindo em nossa direção

0:09:19.096,0:09:20.584
do lado de fora do celeiro.

0:09:22.960,0:09:26.980
Não há risco maior do que ficar[br]cego para o desconhecido.

0:09:27.000,0:09:29.003
Isso pode nos fazer[br]tomar decisões erradas.

0:09:29.023,0:09:31.147
Pode nos fazer perder algo grande.

0:09:31.734,0:09:34.835
Mas não precisamos seguir esse caminho.

0:09:35.453,0:09:38.512
Acontece que o oráculo da Grécia antiga

0:09:38.532,0:09:42.638
guarda a chave secreta[br]que nos mostra o caminho adiante.

0:09:43.654,0:09:46.109
Pesquisas geológicas recentes mostraram

0:09:46.133,0:09:49.837
que o Templo de Apolo,[br]onde estava o oráculo mais famoso,

0:09:49.861,0:09:52.945
foi, na verdade, construído[br]sobre duas falhas de terremoto.

0:09:52.969,0:09:57.378
Essas falhas liberavam gases petroquímicos[br]debaixo da crosta terrestre.

0:09:57.398,0:10:01.454
O oráculo literalmente se sentava[br]bem acima dessas falhas,

0:10:01.478,0:10:04.880
inalando enormes quantidades[br]de gás etileno, essas fissuras.

0:10:04.900,0:10:05.728
(Risos)

0:10:05.728,0:10:06.719
É verdade.

0:10:06.739,0:10:08.336
(Risos)

0:10:08.360,0:10:11.663
Tudo isso é verdade,[br]e era o que a fazia murmurar e alucinar

0:10:11.683,0:10:13.431
e entrar nesse estado de transe.

0:10:13.451,0:10:15.411
Ela ficava alta como uma pipa!

0:10:15.435,0:10:17.436
(Risos)

0:10:20.413,0:10:26.973
Como alguém conseguiria[br]algum conselho útil dela naquele estado?

0:10:27.497,0:10:29.778
Estão vendo aquelas pessoas[br]que cercam o oráculo?

0:10:29.802,0:10:33.236
Veem aquelas pessoas que a apoiam,[br]porque ela está um pouco zonza?

0:10:33.256,0:10:37.484
E aquele cara do lado esquerdo[br]dela segurando o caderno laranja?

0:10:38.105,0:10:42.875
Aqueles eram os guias do templo,[br]e trabalhavam de mãos dadas com o oráculo.

0:10:44.084,0:10:46.600
Quando os interrogadores[br]vinham e ficavam de joelhos,

0:10:46.624,0:10:48.638
os guias do templo chegavam ao trabalho.

0:10:48.658,0:10:52.271
Depois de fazerem perguntas a ela,[br]observavam o estado emocional deles.

0:10:52.291,0:10:54.295
Então lhes faziam perguntas como:

0:10:54.319,0:10:57.623
"Por que querem conhecer[br]esta profecia? Quem são vocês?

0:10:57.637,0:11:00.115
O que irão fazer com esta informação?"

0:11:00.135,0:11:05.657
Então os guias do templo levavam[br]esta informação etnográfica e qualitativa

0:11:05.677,0:11:07.856
e interpretavam os murmúrios do oráculo.

0:11:09.428,0:11:11.484
O oráculo não ficava sozinho,

0:11:11.504,0:11:14.122
e nossos sistemas de big data[br]também não deveriam ficar.

0:11:14.300,0:11:15.345
Para ser clara,

0:11:15.365,0:11:19.274
não estou dizendo que os sistemas[br]de big data estão inalando gás de etileno,

0:11:19.298,0:11:21.585
ou que estão até mesmo[br]dando previsões inválidas.

0:11:21.605,0:11:23.886
Muito pelo contrário, o que estou dizendo

0:11:23.912,0:11:28.658
é que, da mesma forma que o oráculo[br]precisava dos guias de templo dela,

0:11:28.678,0:11:31.030
nossos sistemas de big data[br]precisam deles também.

0:11:31.050,0:11:35.133
Precisam de pessoas como etnógrafos[br]e pesquisadores de usuários

0:11:35.153,0:11:37.759
que podem reunir o que chamo[br]de "thick data".

0:11:38.502,0:11:40.787
São dados valiosos de pessoas,

0:11:40.807,0:11:45.443
como histórias, emoções e interações[br]que não podem ser quantificadas.

0:11:45.463,0:11:47.459
É o tipo de dados[br]que coletei para a Nokia,

0:11:47.479,0:11:50.658
que chega na forma de um tamanho[br]de amostra muito pequeno,

0:11:50.682,0:11:53.637
mas oferece uma profundidade[br]de significado incrível.

0:11:53.661,0:11:57.341
O que o torna tão denso e significante

0:11:58.445,0:12:02.474
é a experiência de compreender[br]a narrativa humana.

0:12:02.498,0:12:06.137
Isso é o que ajuda a ver o que está[br]faltando em nossos modelos.

0:12:06.851,0:12:10.896
Thick data baseia nossas questões[br]de negócio em questões humanas,

0:12:10.920,0:12:14.366
e é por isso que integrar[br]big data e thick data

0:12:14.386,0:12:16.195
forma uma imagem mais completa.

0:12:16.772,0:12:19.653
Big data é capaz de oferecer[br]compreensões sobre a escala

0:12:19.677,0:12:22.324
e alavancar o melhor[br]da inteligência da máquina,

0:12:22.348,0:12:25.744
enquanto thick data pode nos ajudar[br]a resgatar a perda de contexto,

0:12:25.764,0:12:27.696
que vem de tornar o big data utilizável,

0:12:27.716,0:12:30.247
e a aproveitar o melhor[br]da inteligência humana.

0:12:30.271,0:12:33.273
Quando os dois são integrados,[br]as coisas ficam muito divertidas,

0:12:33.287,0:12:36.763
porque não estamos mais apenas[br]trabalhando com dados já coletados.

0:12:36.783,0:12:39.564
Também trabalhamos com dados[br]que não foram coletados.

0:12:39.578,0:12:41.941
Fazemos perguntas sobre o porquê:

0:12:41.961,0:12:43.488
"Por que está acontecendo isso?"

0:12:43.778,0:12:45.071
Quando a Netflix fez isso,

0:12:45.091,0:12:48.466
foi revelada uma forma totalmente nova[br]de transformar os negócios.

0:12:49.406,0:12:53.276
A Netflix é conhecida por seu excelente[br]algoritmo de recomendação,

0:12:53.296,0:12:58.183
e ofereceu um prêmio de US$ 1 milhão[br]para quem pudesse melhorá-lo.

0:12:58.207,0:12:59.521
Houve ganhadores.

0:13:00.255,0:13:04.578
Mas a Netflix descobriu que as melhorias[br]eram apenas incrementais.

0:13:05.312,0:13:11.087
Para descobrir o que estava acontecendo,[br]contratou um etnógrafo, Grant McCracken,

0:13:11.107,0:13:12.683
para reunir ideias de thick data.

0:13:12.697,0:13:18.031
O que ele descobriu foi algo não visto[br]inicialmente nos dados quantitativos:

0:13:18.922,0:13:21.714
as pessoas adoravam assistir[br]às maratonas de séries na TV.

0:13:21.734,0:13:25.457
De fato, nem se sentiam[br]culpadas por isso; elas gostavam.

0:13:25.480,0:13:26.200
(Risos)

0:13:26.220,0:13:28.700
Para a Netflix era como:[br]"Ah, esta é uma nova visão".

0:13:28.720,0:13:30.622
Levou para a equipe de ciência de dados,

0:13:30.642,0:13:35.710
que conseguiu dimensionar esta visão[br]do big data com os dados quantitativos.

0:13:35.730,0:13:38.995
Uma vez verificados e validados,

0:13:39.019,0:13:43.780
a Netflix decidiu fazer algo[br]muito simples, mas de grande impacto.

0:13:44.834,0:13:51.220
Disse que, em vez de oferecer[br]o mesmo programa de diferentes gêneros

0:13:51.240,0:13:55.238
ou mais dos diferentes programas[br]de usuários semelhantes,

0:13:55.262,0:13:57.816
iria apenas oferecer mais[br]do mesmo programa,

0:13:57.840,0:13:59.945
fazer com que seja mais fácil assistir.

0:13:59.969,0:14:00.969
E não parou por aí.

0:14:00.989,0:14:02.953
Ela fez tudo isso

0:14:02.977,0:14:05.750
para replanejar toda a experiência[br]do telespectador,

0:14:05.770,0:14:07.818
e realmente incentivá-lo a assistir.

0:14:08.050,0:14:11.471
É por isso que as pessoas e os amigos[br]somem em finais de semana inteiros,

0:14:11.495,0:14:13.918
colocando em dia as séries[br]como "Master of None".

0:14:13.938,0:14:18.035
Ao integrar big data e thick data,[br]ela não só melhorou os negócios,

0:14:18.059,0:14:20.871
mas transformou a forma[br]como consumimos a mídia.

0:14:20.895,0:14:25.447
Agora as ações dela estão projetadas[br]para duplicar nos próximos anos.

0:14:26.280,0:14:30.110
Mas não se trata apenas[br]de assistir a mais vídeos

0:14:30.134,0:14:31.754
ou de vender mais smartphones.

0:14:32.143,0:14:36.193
Para alguns, integrar[br]thick data ao algoritmo

0:14:36.217,0:14:38.480
pode ser uma questão de vida ou morte,

0:14:38.504,0:14:40.650
especialmente para os marginalizados.

0:14:41.738,0:14:44.976
Em todo o país, os departamentos[br]de polícia estão usando o big data

0:14:44.996,0:14:47.159
para o policiamento preditivo,

0:14:47.183,0:14:50.161
para estabelecer valores de títulos[br]e recomendações de sentença

0:14:50.181,0:14:53.438
de forma a reforçar[br]as prevenções existentes.

0:14:54.296,0:14:56.719
O algoritmo de aprendizagem[br]de máquina Skynet da NSA

0:14:56.743,0:15:02.081
ajudou possivelmente na morte[br]de milhares de civis no Paquistão

0:15:02.101,0:15:04.932
pela leitura errada de metadados[br]do dispositivo celular.

0:15:07.131,0:15:10.338
À medida que toda a nossa vida[br]se torna mais automatizada,

0:15:10.358,0:15:13.638
dos automóveis aos planos[br]de saúde ou ao emprego,

0:15:13.662,0:15:16.012
é provável que todos nós

0:15:16.036,0:15:19.025
sejamos impactados[br]pelo viés da quantificação.

0:15:20.972,0:15:23.593
A boa notícia é que percorremos[br]um longo caminho,

0:15:23.617,0:15:26.067
de inalar gás de etileno[br]a fazer previsões.

0:15:26.091,0:15:29.161
Temos ferramentas melhores,[br]então vamos apenas usá-las melhor.

0:15:29.185,0:15:31.332
Vamos integrar o big data ao thick data,

0:15:31.352,0:15:33.493
trazer nossos guias[br]do templo com os oráculos,

0:15:33.513,0:15:37.433
e se este trabalho acontecer em empresas[br]ou organizações sem fins lucrativos,

0:15:37.453,0:15:39.686
no governo ou mesmo no software,

0:15:39.710,0:15:41.502
tudo isso importa.

0:15:41.526,0:15:44.549
Significa que estamos[br]comprometidos coletivamente

0:15:44.573,0:15:46.764
a elaborar dados melhores,

0:15:46.788,0:15:50.294
algoritmos melhores, resultados melhores[br]e decisões melhores.

0:15:50.315,0:15:53.873
É assim que evitaremos[br]deixar escapar esse algo.

0:15:55.222,0:15:58.220
(Aplausos)