Viele Daten heißt bessere Daten
-
0:01 - 0:05Amerikas Lieblingskuchen ist?
-
0:05 - 0:08Publikum: Apfelkuchen.
K. Cukier: Es ist natürlich Apfelkuchen. -
0:08 - 0:10Woher wissen wir das?
-
0:10 - 0:12Aufgrund von Daten.
-
0:12 - 0:14Man schaut sich Umsätze
von Supermärkten an, -
0:14 - 0:17nimmt die Verkaufszahlen
von tiefgekühlten Kuchen -
0:17 - 0:21mit 30 cm Durchmesser,
und Apfelkuchen sind einsame Spitze. -
0:21 - 0:25Die Mehrzahl der Verkäufe
sind Apfelkuchen. -
0:26 - 0:29Doch dann begannen Supermärkte
-
0:29 - 0:32kleinere, 11-cm-Kuchen zu verkaufen,
-
0:32 - 0:36und plötzlich fiel Apfelkuchen
auf den 4. oder 5. Platz. -
0:36 - 0:39Warum? Was ist passiert?
-
0:39 - 0:42Okay, denken Sie darüber nach.
-
0:42 - 0:46Wenn man einen 30-Zentimer-Kuchen kauft,
-
0:46 - 0:48muss die ganze Familie einverstanden sein
-
0:48 - 0:52und Apfelkuchen hat jeder
am zweitliebsten. -
0:52 - 0:54(Gelächter)
-
0:54 - 0:57Aber wenn man einen individuellen
11-Zentimter-Kuchen kauft, -
0:57 - 1:01kann man den nehmen, den man will.
-
1:01 - 1:05Man kann seine erste Wahl bekommen.
-
1:05 - 1:07Man hat mehr Daten.
-
1:07 - 1:08Man sieht etwas,
-
1:08 - 1:10das man nicht sehen konnte,
-
1:10 - 1:13als man nur kleinere Mengen davon hatte.
-
1:13 - 1:16Der Punkt ist, dass mehr Daten
-
1:16 - 1:18uns nicht nur helfen
-
1:18 - 1:20mehr von den gleichen Dingen zu sehen.
-
1:20 - 1:23Mehr Daten erlauben uns Neues zu sehen.
-
1:23 - 1:27Es hilft uns besser zu sehen.
-
1:27 - 1:30Es hilft uns anders zu sehen.
-
1:30 - 1:33In diesem Fall erlaubt es uns zu sehen,
-
1:33 - 1:36was Amerikas Lieblingskuchen ist:
-
1:36 - 1:39nicht Apfelkuchen.
-
1:39 - 1:42Sie haben wahrscheinlich alle schon
den Begriff "Big Data" gehört. -
1:42 - 1:44Wahrscheinlich sind Sie es leid
-
1:44 - 1:46den Begriff "Big Data" zu hören.
-
1:46 - 1:49Es ist wahr, dass es viel Wirbel
um den Begriff gibt, -
1:49 - 1:52was sehr schade ist,
-
1:52 - 1:55weil Big Data
ein extrem wichtiges Werkzeug ist, -
1:55 - 1:59durch das die Gesellschaft
vorankommen wird. -
1:59 - 2:02In der Vergangenheit schauten wir
auf "Small Data" [wenige Daten], -
2:02 - 2:04dachten über ihre Bedeutung nach
-
2:04 - 2:06und versuchten die Welt zu verstehen.
-
2:06 - 2:07Jetzt haben wir viel mehr davon,
-
2:07 - 2:10mehr als jemals zuvor.
-
2:10 - 2:13Wir stellen fest, dass wir
mit einer großen Datenmenge -
2:13 - 2:15grundsätzlich Dinge tun können,
-
2:15 - 2:18die wir zuvor nicht tun konnten,
als wir nur kleinere Mengen hatten. -
2:18 - 2:21Big Data ist wichtig
und Big Data ist neu -
2:21 - 2:22und wenn man darüber nachdenkt,
-
2:22 - 2:24ist der einzige Weg für diesen Planeten,
-
2:24 - 2:26globale Herausforderungen zu bewältigen --
-
2:26 - 2:30Menschen zu ernähren,
medizinische Versorgung, -
2:30 - 2:33Energie und Elektrizität zu liefern
-
2:33 - 2:34und sicher zu stellen,
-
2:34 - 2:37dass sie nicht durch die
globale Erwärmung verbrennen -- -
2:37 - 2:40die effektive Nutzung von Daten.
-
2:40 - 2:44Was gibt es Neues über Big Data?
Was ist das Besondere daran? -
2:44 - 2:46Um diese Frage zu beantworten,
denken Sie darüber nach, -
2:46 - 2:48wie Informationen aussahen,
-
2:48 - 2:52wie sie in der Vergangenheit
physisch aussahen. -
2:52 - 2:551908 entdeckten Archäologen
-
2:55 - 3:00auf der Insel Kreta eine Tonscheibe.
-
3:00 - 3:04Sie datierten sie auf 2 000 v. Chr.,
sie ist also 4 000 Jahre alt. -
3:04 - 3:06Es gibt Schriftzeichen darauf,
-
3:06 - 3:07aber wir verstehen sie nicht.
-
3:07 - 3:09Es ist ein absolutes Rätsel,
aber der Punkt ist, -
3:09 - 3:11dass Informationen
-
3:11 - 3:13vor 4 000 Jahren so aussahen.
-
3:13 - 3:16So bewahrte die Gesellschaft
-
3:16 - 3:19Informationen und überlieferte sie.
-
3:19 - 3:23Die Gesellschaft hat sich seitdem
nicht viel verändert. -
3:23 - 3:27Wir speichern immer noch
Informationen auf Scheiben, -
3:27 - 3:30aber jetzt können wir
viel mehr Informationen speichern, -
3:30 - 3:31mehr als jemals zuvor.
-
3:31 - 3:34Suchen ist einfacher.
Kopieren ist einfacher. -
3:34 - 3:38Teilen ist einfacher.
Weiterverarbeitung ist einfacher. -
3:38 - 3:41Wir können die Informationen
für Zwecke wiederverwenden, -
3:41 - 3:43die für uns unvorstellbar waren,
-
3:43 - 3:46als wir die Daten das erste Mal sammelten.
-
3:46 - 3:48So gesehen haben sich
die Daten verändert, -
3:48 - 3:51von einem Lager zu einem Fluss,
-
3:51 - 3:55von etwas Stationärem und Statischen
-
3:55 - 3:59zu etwas Fließendem und Dynamischem.
-
3:59 - 4:03Gewissermaßen haben Informationen
etwas Fließendes an sich. -
4:03 - 4:06Die Scheibe, die vor Kreta entdeckt wurde
-
4:06 - 4:10und 4 000 Jahre alt ist, ist schwer,
-
4:10 - 4:12sie kann nicht viele
Informationen speichern -
4:12 - 4:15und die Informationen sind unveränderbar.
-
4:15 - 4:19Im Gegensatz dazu passen alle Dateien,
-
4:19 - 4:22die Edward Snowden von
der National Security Agency -
4:22 - 4:24in den Vereinigten Staaten entnahm,
-
4:24 - 4:26auf einen USB-Stick
-
4:26 - 4:29in der Größe eines Fingernagels
-
4:29 - 4:34und sie können in Lichtgeschwindigkeit
verbreitet werden. -
4:34 - 4:38Mehr Daten. Mehr.
-
4:38 - 4:41Ein Grund für die riesige Datenmenge
in der Welt heute ist, -
4:41 - 4:43dass wir Dinge sammeln,
-
4:43 - 4:46über die wir schon immer Informationen
gesammelt haben, -
4:46 - 4:49aber ein weiterer Grund ist:
Wir nehmen Dinge, -
4:49 - 4:51die schon immer Informationen enthielten,
-
4:51 - 4:54aber die noch nie in ein Datenformat
übersetzt wurden -
4:54 - 4:56und erfassen sie als Daten.
-
4:56 - 5:00Denken wir zum Beispiel
an die Frage des Aufenthaltsortes. -
5:00 - 5:02Nehmen wir zum Beispiel Martin Luther.
-
5:02 - 5:04Wenn wir im 16. Jh. wissen wollten,
-
5:04 - 5:06wo Martin Luther war,
-
5:06 - 5:08hätten wir ihm die ganze Zeit
folgen müssen, -
5:08 - 5:10vielleicht mit Feder und Tintenfass,
-
5:10 - 5:12um es aufzuschreiben,
-
5:12 - 5:14und jetzt stellen Sie sich vor,
wie es heute ist. -
5:14 - 5:16Sie wissen, dass irgendwo,
-
5:16 - 5:18wahrscheinlich in der Datenbank
-
5:18 - 5:19eines Telekommunikationsbetreibers,
-
5:19 - 5:22eine Tabelle oder zumindest
ein Dateneintrag -
5:22 - 5:24Informationen darüber enthält,
-
5:24 - 5:26wo Sie sich die ganze Zeit über aufhalten.
-
5:26 - 5:27Wenn Sie ein Handy haben,
-
5:27 - 5:30und das Handy GPS hat,
aber auch ohne GPS, -
5:30 - 5:33kann es Ihre Informationen abspeichern.
-
5:33 - 5:37In dieser Hinsicht wurde der
Aufenthaltsort in die Daten aufgenommen. -
5:37 - 5:41Denken wir zum Beispiel an
das Problem der Körperhaltung, -
5:41 - 5:42die Art wie Sie gerade sitzen,
-
5:42 - 5:45die Art wie Sie sitzen,
-
5:45 - 5:47die Art wie Sie sitzen,
die Art wie Sie sitzen. -
5:47 - 5:49Es ist immer verschieden
und abhängig von Ihrer Beinlänge -
5:49 - 5:51und Ihrem Rücken,
und Ihren Rückenkonturen, -
5:51 - 5:54und würde ich Sensoren --
vielleicht 100 davon -- -
5:54 - 5:56an Ihren Sitzen anbringen,
-
5:56 - 5:59dann könnte ich eine Tabelle erstellen,
die Sie unverwechselbar erkennt, -
5:59 - 6:04wie eine Art Fingerabdruck,
aber ohne Ihren Finger. -
6:04 - 6:07Was könnten wir damit tun?
-
6:07 - 6:09Forscher in Tokio benutzen ihn
-
6:09 - 6:14als eine potenzielle Vorrichtung
gegen Autodiebstahl. -
6:14 - 6:16Laut diesem Konzept sitzt
der Autodieb hinter dem Lenkrad, -
6:16 - 6:19versucht wegzufahren,
aber das Auto erkennt -
6:19 - 6:21ihn als nicht berechtigten Fahrer,
-
6:21 - 6:23und vielleicht schaltet sich der Motor ab,
-
6:23 - 6:26außer Sie geben ein Passwort
ins Armaturenbrett ein, -
6:26 - 6:31das sagt: "Hey, ich habe
die Genehmigung zu fahren." Großartig. -
6:31 - 6:33Was wäre, wenn
jedes einzelne Auto in Europa -
6:33 - 6:35diese Technologie besäße?
-
6:35 - 6:38Was könnten wir dann tun?
-
6:38 - 6:41Wenn wir die Daten zusammentragen,
-
6:41 - 6:44könnten wir vielleicht
verdächtige Zeichen erkennen, -
6:44 - 6:49welche am besten vorhersagen,
dass in den nächsten 5 Sekunden -
6:49 - 6:53ein Autounfall stattfinden wird.
-
6:53 - 6:57Dann werden wir Fahrerermüdung
als Daten aufgenommen haben. -
6:57 - 7:00Die Dienstleistung wäre dann,
wenn das Auto spürt, -
7:00 - 7:03dass die Person in diese Position fällt,
-
7:03 - 7:06dann weiß es automatisch, dass es
einen internen Alarm auslösen muss, -
7:06 - 7:09welcher das Lenkrad vibrieren lässt,
im Auto hupt, -
7:09 - 7:11um zu sagen: "Hey, wach auf,
-
7:11 - 7:12pass besser auf die Straße auf."
-
7:12 - 7:14Solche Dinge können wir umsetzen,
-
7:14 - 7:17wenn wir mehr Aspekte unseres Lebens
in Daten umwandeln. -
7:17 - 7:21Was ist also der Wert von Big Data?
-
7:21 - 7:23Nun ja, denken Sie darüber nach.
-
7:23 - 7:25Man hat mehr Informationen.
-
7:25 - 7:29Man kann Dinge tun,
die man vorher nicht tun konnte. -
7:29 - 7:30Eines der beeindruckendsten Gebiete
-
7:30 - 7:32für die Anwendung dieses Konzepts
-
7:32 - 7:35ist der Bereich
des Maschinellen Lernens. -
7:35 - 7:39Maschinelles Lernen ist
ein Zweig der künstlichen Intelligenz, -
7:39 - 7:42die wiederum ein Zweig
der Informatik ist. -
7:42 - 7:43Der Grundgedanke ist,
-
7:43 - 7:46anstatt einem Computer beizubringen,
was zu tun ist, -
7:46 - 7:48füttern wir ihn einfach mit Daten
-
7:48 - 7:51und lassen den Computer
das Problem selbst lösen. -
7:51 - 7:53Das können Sie besser verstehen,
-
7:53 - 7:57wenn Sie die Ursprünge kennenlernen.
-
7:57 - 7:59In den 1950ern spielte ein Informatiker
-
7:59 - 8:03bei IBM mit dem Namen
Arthur Samuel gerne Dame, -
8:03 - 8:04also schrieb er ein Programm,
-
8:04 - 8:07um gegen den Computer spielen zu können.
-
8:07 - 8:09Er spielte. Er gewann.
-
8:10 - 8:11Er spielte. Er gewann.
-
8:12 - 8:14Er spielte. Er gewann,
-
8:15 - 8:17weil der Computer nur wusste,
-
8:17 - 8:19was ein erlaubter Zug ist.
-
8:19 - 8:21Arthur Samuel wusste noch etwas anderes.
-
8:21 - 8:26Arthur Samuel kannte Strategien.
-
8:26 - 8:28Deshalb schrieb er dazu
ein kleines Unterprogramm, -
8:28 - 8:30das im Hintergrund arbeitete
-
8:30 - 8:32und die Wahrscheinlichkeit bewertete,
-
8:32 - 8:34ob eine bestimmte Brettaufstellung eher
-
8:34 - 8:38zu einem gewinnenden oder
verlierenden Brett führt. -
8:38 - 8:40Die Berechnung erfolgte Zug für Zug.
-
8:40 - 8:42Er spielt gegen den Computer. Er gewinnt.
-
8:43 - 8:45Er spielt gegen den Computer. Er gewinnt.
-
8:45 - 8:48Er spielt gegen den Computer. Er gewinnt.
-
8:49 - 8:51Und dann lässt Arthur Samuel den Computer
-
8:51 - 8:54gegen sich selbst spielen.
-
8:54 - 8:57Er spielt für sich selbst.
Er sammelt mehr Daten. -
8:57 - 9:01Er sammelt mehr Daten. Er erhöht
die Genauigkeit seiner Voraussagen. -
9:01 - 9:04Dann geht Arthur Samuel
zurück zum Computer, -
9:04 - 9:06spielt gegen ihn und er verliert,
-
9:06 - 9:08und er spielt gegen ihn und er verliert,
-
9:08 - 9:10und er spielt gegen ihn und er verliert.
-
9:10 - 9:13Damit erfindet Arthur Samuel
eine Maschine, -
9:13 - 9:19die seine Fähigkeit in einer Aufgabe
übertrifft, die er ihr selbst beibrachte. -
9:19 - 9:21Dieses Konzept des Maschinellen Lernens
-
9:21 - 9:25verbreitet sich überallhin.
-
9:25 - 9:28Wie, denken Sie, sind wir zu
selbstfahrenden Autos gekommen? -
9:28 - 9:31Geht es uns als Gesellschaft besser,
-
9:31 - 9:34wenn wir alle Verkehrsregeln
in Computerprogramme speisen? -
9:34 - 9:36Nein. Datenspeicher ist billiger. Nein.
-
9:36 - 9:40Algorithmen sind schneller. Nein.
Prozessoren sind besser. Nein. -
9:40 - 9:43All diese Dinge sind wichtig,
aber nicht entscheidend. -
9:43 - 9:46Das liegt daran, dass wir das Wesen
des Problems verändert haben. -
9:46 - 9:48Wir haben das Wesen des Problems
-
9:48 - 9:50von einem, in dem wir versuchten,
-
9:50 - 9:52dem Computer deutlich zu erklären,
wie man fährt, -
9:52 - 9:54zu einem verändert, in dem wir sagen:
-
9:54 - 9:56"Hier gibt es viele Daten
um das Auto herum. -
9:56 - 9:57Du findest es heraus.
-
9:57 - 9:59Du findest heraus,
dass das eine Ampel ist, -
9:59 - 10:01dass die Ampel rot und
nicht grün leuchtet, -
10:01 - 10:03dass das bedeutet, dass man anhalten muss
-
10:03 - 10:06und nicht weiterfahren darf."
-
10:06 - 10:08Maschinelles Lernen ist die Grundlage
-
10:08 - 10:10für viele Dinge, die wir online tun:
-
10:10 - 10:12Suchmaschinen,
-
10:12 - 10:16die Personalisierungsalgorithmen
von Amazon, -
10:16 - 10:18computergestützte Übersetzungen,
-
10:18 - 10:22Spracherkennungssysteme.
-
10:22 - 10:24Forscher haben sich neulich
-
10:24 - 10:28mit der Frage
von Gewebeentnahmen beschäftigt, -
10:28 - 10:31Entnahmen von krebskrankem Gewebe.
-
10:31 - 10:33Sie haben den Computer
-
10:33 - 10:36mit Daten und Überlebensraten gefüttert,
-
10:36 - 10:39und ihn angewiesen zu bestimmen,
-
10:39 - 10:42ob die Zellen tatsächlich
krebserregend sind oder nicht. -
10:42 - 10:45Nach dem Füttern mit Daten
konnte der Rechner -
10:45 - 10:47durch einen maschinellen Lernalgorithmus
-
10:47 - 10:51die 12 verdächtigsten Zeichen erkennen,
die am besten vorhersagen, -
10:51 - 10:54dass die Gewebeentnahme
von Brustkrebszellen -
10:54 - 10:57wirklich Krebszellen enthalten.
-
10:57 - 11:00Das Problem dabei:
Die medizinische Literatur -
11:00 - 11:03kannte nur neun davon.
-
11:03 - 11:04Drei Merkmale waren welche,
-
11:04 - 11:07die man bisher nicht suchen musste,
-
11:07 - 11:13die aber vom Rechner entdeckt wurden.
-
11:13 - 11:19Es gibt aber auch
eine dunkle Seite von Big Data. -
11:19 - 11:21Die Daten werden unser Leben verbessern,
-
11:21 - 11:24aber es gibt auch Probleme,
die uns bewusst sein müssen -
11:24 - 11:26und dazu gehört zuallererst,
-
11:26 - 11:29dass wir für Vorhersagen
bestraft werden könnten, -
11:29 - 11:33dass die Polizei die Daten
für ihre Zwecke benutzen könnte, -
11:33 - 11:35fast wie im Film "Minority Report".
-
11:35 - 11:38Man nennt das "predictive policing"
[Verbrechen voraussagen] -
11:38 - 11:39oder "algorithmic criminology",
-
11:39 - 11:42was bedeutet, dass man
eine Menge Daten sammelt, -
11:42 - 11:44z. B. wo vergangene Verbrechen
begangen wurden, -
11:44 - 11:47und weiß, wohin man
die Polizeistreifen schicken muss. -
11:47 - 11:49Das leuchtet ein,
aber das Problem ist natürlich, -
11:49 - 11:53dass es nicht einfach bei
Standortdaten aufhören wird, -
11:53 - 11:56es wird auch auf der Ebene
der individuellen Daten passieren. -
11:56 - 11:59Warum verwenden wir nicht die Daten
-
11:59 - 12:00über das Abschlusszeugnis einer Person?
-
12:00 - 12:02Vielleicht sollten wir prüfen,
-
12:02 - 12:04ob sie arbeiten oder nicht,
ihre Kreditwürdigkeit, -
12:04 - 12:06ihr Surfverhalten,
-
12:06 - 12:08oder ob sie bis spät nachts
wach sind. -
12:08 - 12:11Sobald ihr "Fitbit" biochemische
Prozesse erkennen kann, -
12:11 - 12:14wird es zeigen können,
wann jemand aggressive Gedanken hat. -
12:14 - 12:17Wir werden vielleicht Algorithmen haben,
-
12:17 - 12:19die vorhersagen könnten,
was wir tun werden, -
12:19 - 12:21und wir könnten bestraft werden,
-
12:21 - 12:23bevor wir tatsächlich gehandelt haben.
-
12:23 - 12:25Privatsphäre war
die größte Herausforderung -
12:25 - 12:28im Zeitalter der Small Data.
-
12:28 - 12:30Im Zeitalter der Big Data
-
12:30 - 12:34wird die Herausforderung sein,
den freien Willen, -
12:34 - 12:38moralische Entscheidungen,
menschliche Willensäußerungen -
12:38 - 12:41und menschliches Handeln zu beschützen.
-
12:43 - 12:45Es gibt ein weiters Problem:
-
12:45 - 12:48Big Data wird unsere Jobs klauen.
-
12:48 - 12:52Big Data und Algorithmen werden
eine Herausforderung -
12:52 - 12:55für Angestellte
und professionelle Wissensarbeit -
12:55 - 12:57im 21. Jahrhundert
-
12:57 - 12:59auf die gleiche Art werden,
wie die Fabrikautomation -
12:59 - 13:01und das Fließband
-
13:01 - 13:04eine Herausforderung für Arbeiter
im 20. Jahrhundert war. -
13:04 - 13:06Denken Sie an einen Laboranten,
-
13:06 - 13:08der durch ein Mikroskop
-
13:08 - 13:09Gewebeentnahmen anschaut
-
13:09 - 13:12und bestimmt,
ob es Krebszellen sind oder nicht. -
13:12 - 13:14Die Person ging zur Universität.
-
13:14 - 13:15Die Person kauft ein Grundstück.
-
13:15 - 13:17Er oder sie wählt.
-
13:17 - 13:21Er oder sie ist ein wichtiger
Akteur in der Gesellschaft. -
13:21 - 13:22Der Beruf der Person,
-
13:22 - 13:24genauso wie ein ganzes Geschwader
-
13:24 - 13:26an Berufstätigen wie diese Person,
-
13:26 - 13:29wird feststellen, dass ihre Berufe
sich radikal verändern -
13:29 - 13:31oder sogar komplett verdrängt werden.
-
13:31 - 13:32Wir mögen den Gedanken,
-
13:32 - 13:36dass Technologie in einem bestimmten
Zeitraum neue Berufe -
13:36 - 13:39nach einer kurzen vorübergehenden Zeit
der Verlagerung schafft, -
13:39 - 13:41und das stimmt für unseren Bezugsrahmen,
-
13:41 - 13:43die industrielle Revolution,
-
13:43 - 13:46weil genau das passiert ist.
-
13:46 - 13:48Aber wir vergessen etwas in der Analyse:
-
13:48 - 13:50Es gibt einige Arten von Berufen,
-
13:50 - 13:53die einfach verdrängt werden
und nie zurückkommen. -
13:53 - 13:55Die industrielle Revolution war
nicht sehr gut, -
13:55 - 13:59wenn man ein Pferd war.
-
13:59 - 14:01Deshalb müssen wir vorsichtig sein
-
14:01 - 14:05und Big Data
unseren Bedürfnissen anpassen, -
14:05 - 14:08unseren zutiefst
menschlichen Bedürfnissen. -
14:08 - 14:10Wir müssen die Herrscher
über diese Technologie sein -
14:10 - 14:12und nicht ihre Diener.
-
14:12 - 14:15Wir stehen erst am Anfang
des Zeitalters der Big Data, -
14:15 - 14:18und ehrlich gesagt sind wir nicht sehr gut
-
14:18 - 14:22im Umgang mit all den Daten,
die wir erheben können. -
14:22 - 14:25Es ist nicht nur ein Problem für
die National Security Agency [NSA]. -
14:25 - 14:28Unternehmen erheben auch viele Daten
und sie missbrauchen sie auch, -
14:28 - 14:31und wir müssen darin besser werden
und das wird Zeit brauchen. -
14:31 - 14:34Es ist ein bisschen wie
die Herausforderung, -
14:34 - 14:36die Feuer für den
primitiven Menschen darstellte. -
14:36 - 14:38Es ist ein Werkzeug, aber eines,
-
14:38 - 14:42an dem wir uns verbrennen
werden, wenn wir nicht aufpassen. -
14:43 - 14:47Big Data wird unser Art, wie wir leben,
grundlegend verändern, -
14:47 - 14:49ebenso wie wir arbeiten
und wie wir denken. -
14:49 - 14:52Es wird uns helfen
unsere Berufe zu bewältigen -
14:52 - 14:55und ein Leben voller Zufriedenheit
und Hoffnung -
14:55 - 14:57und Glück und Gesundheit zu führen,
-
14:57 - 15:01aber in der Vergangenheit haben wir
bei Informationstechnologie -
15:01 - 15:04nur das "T" gesehen,
-
15:04 - 15:06die Technologie, die Hardware,
-
15:06 - 15:08weil das greifbar war.
-
15:08 - 15:11Jetzt müssen wir unseren Blick
auf das "I" richten, -
15:11 - 15:12die Information,
-
15:12 - 15:14die weniger sichtbar ist,
-
15:14 - 15:18aber in mancher Weise viel wichtiger ist.
-
15:18 - 15:21Die Menschheit kann endlich
von den Informationen lernen, -
15:21 - 15:24die sie einsammelt,
-
15:24 - 15:26als Teil unserer zeitlosen Aufgabe,
-
15:26 - 15:29die Welt und unseren Platz
darin zu verstehen, -
15:29 - 15:34und deshalb ist Big Data
eine große Sache. -
15:34 - 15:38(Applaus)
- Title:
- Viele Daten heißt bessere Daten
- Speaker:
- Kenneth Cukier
- Description:
-
Selbstfahrende Autos waren nur der Anfang. Was ist die Zukunft der von "Big Data" gesteuerten Technologie und ihrem Design? In einem spannenden wissenschaftlichen Vortrag erläutert Kenneth Cukier, wohin Maschinelles Lernen – und menschliches Wissen führen wird.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 15:51
Retired user edited German subtitles for Big data is better data | ||
Retired user edited German subtitles for Big data is better data | ||
Retired user edited German subtitles for Big data is better data | ||
Retired user edited German subtitles for Big data is better data | ||
Retired user approved German subtitles for Big data is better data | ||
Marco Caresia accepted German subtitles for Big data is better data | ||
Nicole Jendro edited German subtitles for Big data is better data | ||
Nicole Jendro edited German subtitles for Big data is better data |
Retired user
Hallo ihr beiden!
Erst einmal herzlich willkommen, da ihr beide noch recht neu hier seid :)
Ich habe zu eurem Video das Approval übernommen. Sprachlich gab es einige schöne Stellen, andere mussten aber korrigiert werden. Dabei sind mir folgende Dinge aufgefallen:
- Publikum bitte immer mit "Sie" ansprechen, außer bei den kurzen animierten TED-Ed-Videos
- Nach einem Doppelpunkt groß weiterschreiben, wenn ein vollständiger Satz folgt
- Vor der direkten Rede macht man im Deutschen einen Doppelpunkt und kein Komma
- Kein Komma nach einer Satzeinleitung wie z. B. nach: "In der Vergangenheit haben wir ..." kein Komma nach "Vergangenheit" (im Gegensatz zum Englischen)
- Bei Zahlen an der Tausenderstelle einen Leerraum machen
- Bei Zeilenumbrüchen bitte darauf achten, dass beide Zeilen in etwa gleich lang sind, dann muss das Auge nicht so weit hin- und herspringen (aber nie Artikel vom Nomen trennen)
- Beim Untertiteln nicht gendern, dafür haben wir keinen Platz
Ich möchte euch generell ermutigen, mehr von der englischen Satzstruktur wegzugehen und auf Deutsch idiomatischere (typisch deutsche) Formulierungen zu finden. Genau zu übersetzen heißt nicht, die englische Satzstruktur mit zu übernehmen.
Am besten prüft man die gesamten UT zunächst auf ihre - inhaltliche - Vollständigkeit. Dann liest man die gesamte Übersetzung - nur - auf Deutsch durch, ohne die englische Version daneben. Der Text sollte idealerweise so klingen, als wäre der Redner deutscher Muttersprachler gewesen. Fragt euch bei holprigen Stellen, wie ihr den Inhalt in eigenen Worten einem deutschen Bekannten erzählen würdet. Das ist dann meist die bessere Version.
Bitte schaut euch meine bisherigen Änderungen im Revisionsvergleich an (den könnt ihr übrigens jederzeit selbst aufrufen, auch wenn ihr gerade gar nicht am Video arbeitet): http://www.amara.org/de/videos/diffing/1692542/1665658/. In den roten Zeilen wurde etwas korrigiert. Falls keine Änderung ersichtlich ist, wurde nur das Timing angepasst.
Marco, schick das Video bitte durch Klick auf "Send back" im Editor an Sven zurück, damit der die nötige Überarbeitung vornehmen kann. Ich habe bis zur Minute 07:12 korrigiert. Wenn das Video dann wieder zu dir zurückkommt, überprüfe bitte, ob die nötigen Änderungen gemacht wurden.
Marco, deine Aufgabe als Reviewer ist es neben dem Timing auch, auf eine flüssige Sprache, Tipp- und Kommafehler zu achten. Bitte schau in Zukunft genauer drauf. Aus diesem Grund empfehlen wir neuen Untertitlern auch, zunächst einmal ca. 90 min an Talks selbst zu übersetzen, dann kann man als Reviewer eine bessere Hilfestellung geben. Vielleicht machst du in nächster Zeit also erst mal ein paar Übersetzungen ins Deutsche.
Untertiteln ist am Anfang nicht leicht, aber es wird mit der Zeit immer einfacher werden. Ich hoffe also, dass wir noch weitere Untertitelungen von euch sehen werden!
Falls ihr Fragen habt, könnt ihr mir jederzeit schreiben, ich helfe euch sehr gern weiter.
Liebe Grüße, Johanna
Retired user
Ein paar Kommentare zum zweiten Teil (ab 07:12):
- Ich denke, dass es reicht, Big Data nur am Anfang unter Anführungsstriche zu setzen, danach ist es nicht mehr notwendig.
- "Und" am Satzanfang weglassen, auch wenn es auf Englisch so dasteht. Das gilt auch für Wörter wie "Nun" am Satzanfang.
- Einige das/dass haben nicht gestimmt.
- Gedankenstriche immer als doppelte Bindestriche darstellen.
07:38 "wiederum" mit nur einem "r"
08:27 mit "welches" bitte keinen Relativsatz beginnen, sondern besser mit "der/die/das"
12:19 "strafmündig" bedeutet, ob man generell das Alter oder die geistige Reife hat, für seine Taten vor Gericht verantwortlich zu sein, passt hier also nicht ganz
14:01 Im Englischen werden oft zwei Verben für eine Tätigkeit verwendet; da reicht im Deutschen eines vollkommen, z. B. "go and see" (anschauen), "take the data and analyze it" (analysieren) etc.
14:38 Es heißt zwar richtig "die Finger verbrennen", aber in dem Fall wären es wohl viel mehr als nur die Finger, darum habe ich sie rausgenommen.
Lg, Johanna