1
00:00:00,787 --> 00:00:04,632
Wat is de lievelingstaart van Amerika?

2
00:00:04,632 --> 00:00:08,138
Publiek: Appel.
Kenneth Cukier: Appel, natuurlijk.

3
00:00:08,138 --> 00:00:09,369
Hoe weten we dat?

4
00:00:09,369 --> 00:00:12,122
Door gegevens.

5
00:00:12,122 --> 00:00:14,188
Je kijkt naar de supermarktverkoop.

6
00:00:14,188 --> 00:00:16,201
Je kijkt naar omzetcijfers

7
00:00:16,201 --> 00:00:18,814
van diepvriestaart van 30 centimeter

8
00:00:18,814 --> 00:00:21,129
en appel wint zeker.

9
00:00:21,129 --> 00:00:25,519
Appel is het meest verkocht.

10
00:00:26,309 --> 00:00:30,273
Toen gingen supermarkten ook
kleinere taarten verkopen

11
00:00:30,273 --> 00:00:31,856
van 11 centimeter.

12
00:00:31,856 --> 00:00:36,030
Dan komt appel
op de vierde of vijfde plaats.

13
00:00:36,030 --> 00:00:38,905
Hoezo? Hoe komt dat nou?

14
00:00:38,905 --> 00:00:41,723
Denk eens goed na.

15
00:00:41,723 --> 00:00:45,571
Als je een taart van 30 centimeter koopt,

16
00:00:45,571 --> 00:00:47,832
moet het hele gezin het eens zijn.

17
00:00:47,832 --> 00:00:51,623
Appel staat bij iedereen
op de tweede plaats.

18
00:00:51,623 --> 00:00:53,558
(Gelach)

19
00:00:53,558 --> 00:00:57,173
Maar als je een eenpersoonstaart
van 11 centimeter koopt,

20
00:00:57,173 --> 00:01:00,918
kan je kopen wat je zelf wilt.

21
00:01:00,918 --> 00:01:04,933
Je kan je eerste keus nemen.

22
00:01:04,933 --> 00:01:06,574
Je hebt meer gegevens.

23
00:01:06,574 --> 00:01:09,248
Je ziet iets dat je eerst niet zag

24
00:01:09,260 --> 00:01:13,213
toen er nog niet zoveel gegevens waren.

25
00:01:13,213 --> 00:01:15,688
Het gaat erom dat je met meer gegevens

26
00:01:15,688 --> 00:01:19,381
niet alleen meer ziet, meer van hetzelfde.

27
00:01:19,825 --> 00:01:23,438
Met meer gegevens zien we nieuwe dingen.

28
00:01:23,438 --> 00:01:26,532
Je krijgt er een betere kijk op.

29
00:01:26,532 --> 00:01:30,188
Je gaat er anders tegenaan kijken.

30
00:01:30,188 --> 00:01:33,361
In dit geval onthult het

31
00:01:33,361 --> 00:01:36,274
wat de lievelingstaart van Amerika is:

32
00:01:36,274 --> 00:01:38,816
geen appel.

33
00:01:38,816 --> 00:01:42,430
Je hebt vast wel gehoord
van de kreet 'big data'.

34
00:01:42,430 --> 00:01:44,487
Je wordt vast doodziek

35
00:01:44,487 --> 00:01:46,117
van de kreet 'big data'.

36
00:01:46,117 --> 00:01:49,447
Het is inderdaad een hype

37
00:01:49,447 --> 00:01:51,779
en dat is erg jammer,

38
00:01:51,779 --> 00:01:54,825
omdat big data
een enorm belangrijk middel is

39
00:01:54,825 --> 00:01:58,559
waarmee de maatschappij opgestuwd wordt.

40
00:01:58,559 --> 00:02:03,430
In het verleden keken we naar 'small data'
en dachten we daarover na.

41
00:02:03,430 --> 00:02:05,424
Zo poogden we de wereld te snappen.

42
00:02:05,424 --> 00:02:07,311
Nu hebben we veel meer gegevens.

43
00:02:07,311 --> 00:02:10,033
Meer dan we ooit hebben gehad.

44
00:02:10,033 --> 00:02:11,910
We ontdekken dat we

45
00:02:11,910 --> 00:02:14,634
met een grote hoeveelheid gegevens
dingen kunnen doen

46
00:02:14,634 --> 00:02:17,910
die we niet konden doen
met kleinere hoeveelheden.

47
00:02:17,910 --> 00:02:20,551
Big data is belangrijk en nieuw.

48
00:02:20,551 --> 00:02:22,328
Ga maar na:

49
00:02:22,328 --> 00:02:24,544
de enige manier waarmee 
deze aarde om kan gaan

50
00:02:24,544 --> 00:02:26,333
met wereldwijde uitdagingen --

51
00:02:26,333 --> 00:02:29,870
de wereld voeden,
medische verzorging geven,

52
00:02:29,870 --> 00:02:32,680
van energie voorzien, van elektriciteit,

53
00:02:32,680 --> 00:02:35,689
en zorgen dat we niet verbranden
door opwarming van de aarde --

54
00:02:35,689 --> 00:02:39,902
is door effectief gebruik van gegevens.

55
00:02:39,902 --> 00:02:43,772
Wat is nieuw aan big data?
Wat is het bijzondere?

56
00:02:43,772 --> 00:02:46,289
Om daar antwoord op te geven,
moet je eens bedenken

57
00:02:46,289 --> 00:02:48,185
hoe informatie eruitzag.

58
00:02:48,185 --> 00:02:51,219
Hoe het er ooit fysiek uitzag.

59
00:02:51,219 --> 00:02:54,830
In 1908, op het eiland Kreta,

60
00:02:54,830 --> 00:02:59,565
ontdekten archeologen een schijf van klei.

61
00:02:59,565 --> 00:03:03,624
Ze dateerden die op 2.000 voor Christus,
dus 4.000 jaar oud.

62
00:03:03,624 --> 00:03:06,948
Er staan inscripties op die schijf,
maar die kunnen we niet lezen.

63
00:03:06,955 --> 00:03:09,053
Het is een raadsel, maar het gaat erom

64
00:03:09,053 --> 00:03:13,071
dat informatie er
4.000 jaar geleden zo uitzag.

65
00:03:13,071 --> 00:03:18,108
Zo bewaarde en communiceerde
de maatschappij informatie.

66
00:03:19,142 --> 00:03:23,302
De maatschappij is niet zoveel veranderd.

67
00:03:23,302 --> 00:03:26,776
We bewaren informatie
nog steeds op schijven,

68
00:03:26,776 --> 00:03:29,960
maar nu kunnen we
veel meer informatie bewaren.

69
00:03:29,960 --> 00:03:31,220
Meer dan ooit.

70
00:03:31,220 --> 00:03:34,313
Zoeken is makkelijker.
Kopiëren is makkelijker.

71
00:03:34,313 --> 00:03:37,813
Delen en verwerken zijn makkelijker.

72
00:03:37,813 --> 00:03:40,579
We kunnen deze informatie hergebruiken

73
00:03:40,579 --> 00:03:42,413
voor dingen waar we nooit aan dachten

74
00:03:42,413 --> 00:03:45,608
toen we die informatie verzamelden.

75
00:03:45,608 --> 00:03:47,860
In dit verband zijn de gegevens gegaan

76
00:03:47,860 --> 00:03:51,392
van een stapel naar een stroom.

77
00:03:51,392 --> 00:03:55,330
Van iets bewegingsloos en statisch

78
00:03:55,330 --> 00:03:58,939
naar iets dat vloeiend en dynamisch is.

79
00:03:58,939 --> 00:04:03,112
Je kan stellen dat informatie vloeibaar is.

80
00:04:03,112 --> 00:04:09,166
De schijf die 4.000 jaar geleden 
op Kreta werd ontdekt, is zwaar.

81
00:04:10,200 --> 00:04:12,162
Er staat weinig informatie op,

82
00:04:12,162 --> 00:04:15,278
en die informatie is niet te wijzigen.

83
00:04:15,278 --> 00:04:19,289
Aan de andere kant pasten alle bestanden

84
00:04:19,289 --> 00:04:21,150
die Edward Snowden pikte

85
00:04:21,150 --> 00:04:23,771
van de NSA in de VS

86
00:04:23,771 --> 00:04:26,190
op een geheugenstick

87
00:04:26,190 --> 00:04:29,200
met de grootte van een vingernagel.

88
00:04:29,200 --> 00:04:33,945
De informatie kan worden gedeeld
met lichtsnelheid.

89
00:04:33,945 --> 00:04:37,970
Meer data. Meer.

90
00:04:39,200 --> 00:04:41,174
We hebben nu veel meer data,

91
00:04:41,174 --> 00:04:45,326
omdat we dingen verzamelen waarover we 
van oudsher informatie verzamelen.

92
00:04:45,886 --> 00:04:48,542
Maar ook omdat we dingen verzamelen

93
00:04:48,542 --> 00:04:51,354
die altijd al informatie boden,

94
00:04:51,354 --> 00:04:53,840
maar die nooit in dataformaat 
werden opgeslagen.

95
00:04:53,840 --> 00:04:56,259
We maken er nu gegevens van.

96
00:04:56,259 --> 00:04:59,567
Denk eens aan de locatie.

97
00:04:59,567 --> 00:05:01,816
Neem bijvoorbeeld Martin Luther.

98
00:05:01,816 --> 00:05:03,693
Als we in de 16e eeuw wilden weten

99
00:05:03,693 --> 00:05:06,080
waar Martin Luther zich bevond,

100
00:05:06,080 --> 00:05:08,172
zouden we hem steeds moeten volgen,

101
00:05:08,172 --> 00:05:10,309
misschien met inkt en een veer,

102
00:05:10,309 --> 00:05:11,985
en we zouden dat vastleggen.

103
00:05:11,985 --> 00:05:14,168
Maar bedenk eens hoe dat er nu uitziet.

104
00:05:14,168 --> 00:05:16,290
Je weet dat er ergens,

105
00:05:16,290 --> 00:05:18,736
in een database van een telefoonbedrijf

106
00:05:18,736 --> 00:05:23,862
een bestand is, of iets in dat bestand,
dat informatie over jou bevat.

107
00:05:23,862 --> 00:05:25,923
Over waar je ooit hebt uitgehangen.

108
00:05:25,923 --> 00:05:28,793
Als je een mobieltje hebt met gps,

109
00:05:28,793 --> 00:05:30,130
maar zelfs zonder,

110
00:05:30,130 --> 00:05:32,515
dan bewaart het die informatie.

111
00:05:32,515 --> 00:05:36,599
Hierbij wordt locatie in gegevens omgezet.

112
00:05:36,599 --> 00:05:41,200
Denk bijvoorbeeld eens aan je houding.

113
00:05:41,200 --> 00:05:42,995
Hoe je op dit moment zit.

114
00:05:42,995 --> 00:05:44,515
Hoe jij zit,

115
00:05:44,515 --> 00:05:47,286
hoe jij zit, hoe jij zit.

116
00:05:47,286 --> 00:05:48,356
Dat is verschillend

117
00:05:48,356 --> 00:05:49,746
en hangt af van je beenlengte

118
00:05:49,746 --> 00:05:51,456
en je rug en de kromming ervan.

119
00:05:51,456 --> 00:05:53,987
Als ik 100 sensoren zou plaatsen

120
00:05:53,987 --> 00:05:55,753
in jullie stoelen,

121
00:05:55,753 --> 00:05:59,353
zou ik een serie getallen krijgen
die uniek voor jou is.

122
00:05:59,353 --> 00:06:03,762
Een soort vingerafdruk
maar niet van je vinger.

123
00:06:03,762 --> 00:06:06,731
Wat zouden we er dan mee kunnen doen?

124
00:06:06,731 --> 00:06:09,128
Onderzoekers in Tokyo gebruiken dit

125
00:06:09,128 --> 00:06:13,516
als mogelijk anti-autodiefstal-apparaat.

126
00:06:13,516 --> 00:06:16,440
Het idee is dat de autodief
achter het stuur zit

127
00:06:16,440 --> 00:06:18,544
en ervandoor gaat, maar de auto ontdekt

128
00:06:18,544 --> 00:06:20,906
dat iemand stuurt die daar niet hoort.

129
00:06:20,906 --> 00:06:22,280
De motor stopt dan,

130
00:06:22,280 --> 00:06:26,247
tenzij je een wachtwoord intypt
op het dashboard

131
00:06:26,247 --> 00:06:28,607
waarmee je zegt: "Ik heb toestemming."


132
00:06:28,607 --> 00:06:29,967
Geweldig.

133
00:06:30,967 --> 00:06:33,328
Als alle auto's in Europa

134
00:06:33,328 --> 00:06:34,915
deze technologie nou eens hadden?

135
00:06:34,915 --> 00:06:38,080
Wat zouden we nog meer kunnen doen?

136
00:06:38,080 --> 00:06:40,320
Als we deze informatie zouden verzamelen

137
00:06:40,320 --> 00:06:44,134
konden we aanwijzingen signaleren

138
00:06:44,134 --> 00:06:51,103
die voorspellen dat over 5 seconden 
een auto-ongeluk gaat gebeuren.

139
00:06:52,736 --> 00:06:55,293
Wat we daarvoor zullen gaan vastleggen,

140
00:06:55,293 --> 00:06:57,076
is vermoeidheid tijdens het rijden.

141
00:06:57,076 --> 00:06:59,410
De applicatie in de auto merkt het

142
00:06:59,410 --> 00:07:02,847
als de persoon wegzakt

143
00:07:02,847 --> 00:07:06,841
en weet dan automatisch
dat er een wekker moet afgaan

144
00:07:06,841 --> 00:07:08,866
die het stuurwiel laat trillen, toetert,

145
00:07:08,866 --> 00:07:10,587
en zegt: "Wakker worden,

146
00:07:10,587 --> 00:07:12,491
beter opletten op de weg."

147
00:07:12,491 --> 00:07:14,344
Dit soort dingen kunnen we doen

148
00:07:14,344 --> 00:07:17,165
als we nog meer van ons leven
vastleggen in gegevens.

149
00:07:17,165 --> 00:07:20,840
Wat is de waarde van big data?

150
00:07:20,840 --> 00:07:23,030
Denk eens na.

151
00:07:23,030 --> 00:07:25,442
Je hebt meer informatie.

152
00:07:25,442 --> 00:07:28,783
Je kan dingen doen
die je eerst niet kon doen.

153
00:07:28,783 --> 00:07:30,459
Een van de indrukwekkendste plekken

154
00:07:30,459 --> 00:07:32,188
waar dit idee wordt uitgevoerd

155
00:07:32,188 --> 00:07:35,495
is die van machine-leren.

156
00:07:35,495 --> 00:07:38,572
Machine-leren is een tak
van kunstmatige intelligentie

157
00:07:38,572 --> 00:07:41,950
die zelf weer onderdeel is
van computerwetenschap.

158
00:07:41,950 --> 00:07:45,603
Het idee is dat we de computer
niet vertellen wat hij moet doen

159
00:07:45,610 --> 00:07:48,230
maar dat we er gewoon gegevens in gooien

160
00:07:48,230 --> 00:07:51,436
en de computer opdragen
het probleem zelf op te lossen.

161
00:07:51,436 --> 00:07:55,053
Je begrijpt het beter als je ziet
waar het vandaan komt.

162
00:07:56,765 --> 00:07:58,153
In de vijftiger jaren

163
00:07:58,153 --> 00:08:02,745
vond computerwetenschapper Arthur Samuel
van IBM, het leuk om te dammen.

164
00:08:02,745 --> 00:08:04,147
Hij schreef een programma

165
00:08:04,147 --> 00:08:06,960
zodat hij tegen de computer kon spelen.

166
00:08:06,960 --> 00:08:09,671
Hij speelde en won.

167
00:08:09,671 --> 00:08:11,774
Hij speelde en won.

168
00:08:11,774 --> 00:08:14,789
Hij speelde en won,

169
00:08:14,789 --> 00:08:16,567
omdat de computer alleen wist

170
00:08:16,567 --> 00:08:18,794
wat een geldige zet was.

171
00:08:18,794 --> 00:08:20,881
Arthur Samuel wist nog meer.

172
00:08:20,881 --> 00:08:24,580
Arthur Samuel kende strategie.

173
00:08:25,510 --> 00:08:27,906
Hij schreef er een programmaatje bij

174
00:08:27,906 --> 00:08:29,880
dat op de achtergrond werkte

175
00:08:29,880 --> 00:08:31,697
en bijhield hoe groot de kans was

176
00:08:31,697 --> 00:08:34,260
dat een bepaalde spelsituatie leidde

177
00:08:34,260 --> 00:08:37,170
naar winst of verlies

178
00:08:37,170 --> 00:08:39,678
na elke zet.

179
00:08:39,678 --> 00:08:42,828
Hij speelt tegen de computer. Hij wint.

180
00:08:42,828 --> 00:08:45,336
Hij speelt tegen de computer. Hij wint.

181
00:08:45,336 --> 00:08:48,007
Hij speelt tegen de computer. Hij wint.

182
00:08:49,067 --> 00:08:53,564
En dan laat hij het de computer
tegen zichzelf spelen.

183
00:08:53,571 --> 00:08:57,080
Hij speelt tegen zichzelf
en verzamelt meer gegevens.

184
00:08:57,080 --> 00:09:01,389
Hij verzamelt meer gegevens
en wordt preciezer in zijn voorspelling.

185
00:09:01,389 --> 00:09:03,493
Dan gaat Samuel terug naar de computer,

186
00:09:03,493 --> 00:09:05,811
speelt tegen hem en verliest.

187
00:09:05,811 --> 00:09:07,880
En speelt nogmaals en verliest.

188
00:09:07,880 --> 00:09:09,927
En speelt weer en verliest.

189
00:09:09,927 --> 00:09:12,526
Arthur Samuel heeft een machine gemaakt

190
00:09:12,526 --> 00:09:18,814
die beter is dan Arthur, in een taak 
die Arthur hem aangeleerd heeft.

191
00:09:18,814 --> 00:09:21,312
Dit idee van machine-leren

192
00:09:21,312 --> 00:09:25,239
heeft allerlei gevolgen.

193
00:09:25,239 --> 00:09:28,388
Hoe denk je dat we
zelfrijdende auto's krijgen?

194
00:09:28,388 --> 00:09:30,525
Zijn we beter af als maatschappij

195
00:09:30,525 --> 00:09:33,810
door alle regels van de weg
in software te stoppen?

196
00:09:33,810 --> 00:09:36,408
Nee. Geheugen is goedkoper. Nee.

197
00:09:36,408 --> 00:09:40,402
Algoritmes zijn sneller. Nee.
Processors zijn beter. Nee.

198
00:09:40,402 --> 00:09:43,174
Die dingen doen ertoe,
maar dat is niet de reden.

199
00:09:43,174 --> 00:09:46,315
Het komt omdat we de aard 
van het probleem veranderd hebben.

200
00:09:46,315 --> 00:09:47,845
Vroeger probeerden we

201
00:09:47,845 --> 00:09:50,090
aan de computer uit te leggen

202
00:09:50,090 --> 00:09:52,671
hoe hij moet rijden.

203
00:09:52,671 --> 00:09:53,987
Nu zeggen we:

204
00:09:53,987 --> 00:09:57,243
"Hier zijn veel gegevens over dit voertuig.
Zoek het maar uit.

205
00:09:57,396 --> 00:09:59,263
Vind maar uit
dat het een verkeerslicht is,

206
00:09:59,263 --> 00:10:01,344
dat het rood is en niet groen,

207
00:10:01,344 --> 00:10:03,358
dat je dan moet stoppen

208
00:10:03,358 --> 00:10:06,441
en niet meer vooruit moet gaan."

209
00:10:06,441 --> 00:10:07,959
Machine-leren is de basis

210
00:10:07,959 --> 00:10:09,950
van veel dingen die we online doen:

211
00:10:09,950 --> 00:10:11,807
zoekmachines,

212
00:10:11,807 --> 00:10:15,608
het personaliseer-algoritme van Amazon,

213
00:10:15,608 --> 00:10:17,820
computervertalingen,

214
00:10:17,820 --> 00:10:20,340
systemen voor stemherkenning.

215
00:10:22,110 --> 00:10:24,945
Onderzoekers hebben onlangs gekeken

216
00:10:24,945 --> 00:10:28,140
naar de kwestie van biopsies,

217
00:10:28,140 --> 00:10:30,907
kankerbiopsies.

218
00:10:30,907 --> 00:10:33,222
Ze vroegen de computer te kijken

219
00:10:33,222 --> 00:10:35,693
naar de gegevens 
en overlevingsstatistieken

220
00:10:35,693 --> 00:10:41,660
om te bepalen of het kankercellen zijn

221
00:10:41,660 --> 00:10:42,904

of niet.

222
00:10:42,904 --> 00:10:44,682
Als je de gegevens erin gooit

223
00:10:44,682 --> 00:10:46,729
en een machine-leer-algoritme gebruikt,

224
00:10:46,729 --> 00:10:49,886
bleek dat de machine
12 verklikkers kon bepalen

225
00:10:49,886 --> 00:10:51,268
die het beste voorspellen

226
00:10:51,268 --> 00:10:54,167
of een biopsie van kankercellen

227
00:10:54,167 --> 00:10:57,385
inderdaad kanker is.

228
00:10:57,385 --> 00:10:59,883
Het probleem: de medische literatuur

229
00:10:59,883 --> 00:11:02,672
kende er maar negen.

230
00:11:02,672 --> 00:11:04,472
Naar drie kenmerken

231
00:11:04,472 --> 00:11:07,447
hoefde de mens niet te kijken,

232
00:11:07,447 --> 00:11:10,478
maar de machine zag ze wel.

233
00:11:12,978 --> 00:11:18,643
Er zit ook een zwarte kant aan big data.

234
00:11:18,643 --> 00:11:20,977
Het verbetert ons leven,
maar er zijn problemen

235
00:11:20,977 --> 00:11:23,617
waar we ons van bewust moeten zijn.

236
00:11:23,617 --> 00:11:26,240
De eerste is het idee

237
00:11:26,240 --> 00:11:28,926
dat we gestraft kunnen worden
voor onze voorspellingen

238
00:11:28,926 --> 00:11:32,796
en dat de politie ook big data gebruikt.

239
00:11:32,796 --> 00:11:35,147
Een beetje als in de film 'Minory Report'.

240
00:11:35,147 --> 00:11:37,898
Het heet 'predictive policing'
(voorspellend politiewerk),

241
00:11:37,898 --> 00:11:39,951
of algoritme-criminologie.

242
00:11:39,951 --> 00:11:41,987
We nemen daarbij een hoop gegevens

243
00:11:41,987 --> 00:11:44,146
bijvoorbeeld waar criminaliteit voorkwam,

244
00:11:44,146 --> 00:11:46,689
om te weten we waar agenten
hun ronde moeten doen.

245
00:11:46,689 --> 00:11:48,804
Dat lijkt slim maar het probleem

246
00:11:48,804 --> 00:11:53,348
is dat het niet zal blijven
bij gegevens over de locatie,

247
00:11:53,348 --> 00:11:56,307
maar dat tot op 
het individuele niveau zal gaan.

248
00:11:56,307 --> 00:11:58,297
Waarom gebruiken we geen gegevens

249
00:11:58,297 --> 00:12:00,785
over iemands middelbareschoolverleden?

250
00:12:00,785 --> 00:12:03,036
Of ze werkloos zijn of niet,

251
00:12:03,036 --> 00:12:04,374
hun kredietwaardigheid,

252
00:12:04,374 --> 00:12:05,926
hun websurfgedrag,

253
00:12:05,926 --> 00:12:07,804
of ze laat naar bed gaan.

254
00:12:07,804 --> 00:12:10,965
Als hun gps-horloge
biologische dingen kan meten,

255
00:12:10,965 --> 00:12:13,641
zal het merken
of hij agressieve gedachten heeft.

256
00:12:15,201 --> 00:12:17,422
We zullen algoritmes krijgen
die voorspellen

257
00:12:17,422 --> 00:12:19,055
wat we van plan zijn te doen

258
00:12:19,055 --> 00:12:22,889
en zouden kunnen worden aangesproken
voordat we gehandeld hebben.

259
00:12:22,889 --> 00:12:24,621
Privacy was de grote uitdaging

260
00:12:24,621 --> 00:12:27,501
bij weinig gegevens.

261
00:12:27,501 --> 00:12:29,650
In het big data-tijdperk

262
00:12:29,650 --> 00:12:34,173
wordt de uitdaging het waarborgen 
van de vrije wil,

263
00:12:34,173 --> 00:12:37,952
morele keuzevrijheid, menselijke wil,

264
00:12:37,952 --> 00:12:41,020
menselijk handelen.

265
00:12:42,540 --> 00:12:44,765
Er is nog een probleem.

266
00:12:44,765 --> 00:12:48,321
Big data zal banen gaan kosten.

267
00:12:48,321 --> 00:12:51,833
Big data en algoritmes zullen het opnemen

268
00:12:51,833 --> 00:12:54,894
tegen de kantoormensen, kenniswerk,

269
00:12:54,894 --> 00:12:56,547
in de 21ste eeuw.

270
00:12:56,547 --> 00:12:58,981
Net zoals fabrieksautomatisering

271
00:12:58,981 --> 00:13:01,170
en lopende banden

272
00:13:01,170 --> 00:13:04,196
het opnamen tegen de fabrieksaarbeiders
in de 20ste eeuw.

273
00:13:04,196 --> 00:13:06,288
Denk eens aan een laborant

274
00:13:06,288 --> 00:13:07,697
die in een microscoop kijkt

275
00:13:07,697 --> 00:13:09,321
naar een kankerbiopsie

276
00:13:09,321 --> 00:13:11,958
om te kijken of het kanker is of niet.

277
00:13:11,958 --> 00:13:13,930
Deze persoon is afgestudeerd,

278
00:13:13,930 --> 00:13:15,360
koopt een huis,

279
00:13:15,360 --> 00:13:17,101
hij of zij gaat naar de stembus,

280
00:13:17,101 --> 00:13:20,767
en neemt deel aan de maatschappij.

281
00:13:20,767 --> 00:13:25,321
Die persoon en nog een hele rij
soortgelijke professionals

282
00:13:25,739 --> 00:13:28,889
zullen merken dat hun baan
heel erg verandert

283
00:13:28,889 --> 00:13:31,246
of helemaal verdwijnt.

284
00:13:31,246 --> 00:13:32,530
We willen graag geloven

285
00:13:32,530 --> 00:13:35,717
dat techniek mettertijd
voor banen zorgt,

286
00:13:35,717 --> 00:13:39,182
na een periode van ontwrichting.

287
00:13:39,182 --> 00:13:41,123
Dat klopt voor het referentiekader

288
00:13:41,123 --> 00:13:43,265
waarin we leven, de industriële revolutie.

289
00:13:43,265 --> 00:13:45,593
Want dat is precies wat er is gebeurd.

290
00:13:45,593 --> 00:13:47,926
Maar we hebben iets vergeten
in die analyse.

291
00:13:47,926 --> 00:13:49,756
Er zijn een paar soorten banen

292
00:13:49,756 --> 00:13:53,176
die gewoon verdwijnen
en nooit meer terugkomen.

293
00:13:53,176 --> 00:13:55,180
De industriële revolutie was niet best

294
00:13:55,180 --> 00:13:59,182
als je een paard was.

295
00:13:59,182 --> 00:14:01,237
We moeten dus erg zorgvuldig zijn,

296
00:14:01,237 --> 00:14:04,751
en big data aanpassen aan onze behoeftes,

297
00:14:04,751 --> 00:14:07,936
onze zeer menselijke behoeftes.

298
00:14:07,936 --> 00:14:09,890
We moeten de technologie de baas zijn.

299
00:14:09,890 --> 00:14:11,546
niet omgekeerd.

300
00:14:11,546 --> 00:14:14,504
We staan aan het begin
van het big data-tijdperk,

301
00:14:14,504 --> 00:14:17,654
en eerlijk gezegd
zijn we nog niet zo goed

302
00:14:17,654 --> 00:14:21,861
in het omgaan met de big data
die we verzamelen.

303
00:14:21,861 --> 00:14:25,191
Het is niet alleen een probleem
voor de NSA.

304
00:14:25,191 --> 00:14:28,229
Bedrijven verzamelen veel data
en misbruiken die ook.

305
00:14:28,229 --> 00:14:31,896
We moeten er beter in worden
en dat kost tijd.

306
00:14:31,896 --> 00:14:33,718
Het lijkt op de uitdaging

307
00:14:33,718 --> 00:14:36,125
die de mens ooit had met vuur.

308
00:14:36,125 --> 00:14:38,010
Het is een gereedschap,

309
00:14:38,010 --> 00:14:41,569
maar als je niet uitkijkt, verbrand je.

310
00:14:44,008 --> 00:14:47,128
Big data gaat ons leven veranderen.

311
00:14:47,128 --> 00:14:49,929
Hoe we leven, hoe we werken
en hoe we denken.

312
00:14:49,929 --> 00:14:51,818
Het gaat ons helpen bij onze carrière

313
00:14:51,818 --> 00:14:55,452
en ons een tevreden
en hoopvol leven laten leiden

314
00:14:55,452 --> 00:14:58,444
in blijdschap en gezondheid.

315
00:14:58,444 --> 00:15:01,750
Maar vroeger keken we vaak 
naar informatietechnologie

316
00:15:01,750 --> 00:15:03,958
en zagen we alleen de T,

317
00:15:03,958 --> 00:15:05,644
Technologie, de spullen,

318
00:15:05,644 --> 00:15:07,906
omdat dat fysiek was.

319
00:15:07,906 --> 00:15:10,830
Maar nu moeten we onze blik aanpassen
om de I te zien,

320
00:15:10,830 --> 00:15:12,210
de Informatie,

321
00:15:12,210 --> 00:15:13,583
die minder zichtbaar is

322
00:15:13,583 --> 00:15:17,692
maar in zekere zin belangrijker.

323
00:15:17,692 --> 00:15:21,157
De mensheid kan eindelijk leren
van informatie

324
00:15:21,157 --> 00:15:23,575
die ze verzamelt

325
00:15:23,575 --> 00:15:25,690
als onderdeel van onze eeuwige zoektocht

326
00:15:25,690 --> 00:15:28,849
om de wereld en onze plek erin
beter te begrijpen.

327
00:15:28,849 --> 00:15:34,480
Daarom is big data van groot belang.

328
00:15:34,480 --> 00:15:38,048
(Applaus)