Aprendizajes de trabajo en bibliotecas digitales

Cinco cosas que he aprendido en ocho años de trabajo en bibliotecas digitales

Transcript

1. mauricio giraldo arteaga
   @mgiraldo
   algunas cosas que he aprendido hasta ahora
   red de bibliotecas de bogotá, noviembre 2019
   

   View Slide

2. hola
   

   View Slide

3. mi nombre es mauricio
   

   View Slide

4. View Slide

5. View Slide

6. View Slide

7. View Slide

8. foto: wallyg en flickr
   

   View Slide

9. View Slide

10. View Slide

11. llevo en esto cerca de ocho años*
    *el fellowship empieza en 2020
    

    View Slide

12. algunas cosas que he aprendido hasta el momento
    …y que creo pueden beneficiar a la red de bibliotecas de bogotá
    

    View Slide

13. cinco cosas
    

    View Slide

14. prácticas
    

    View Slide

15. quizás obvias
    

    View Slide

16. View Slide

17. tener una visión clara*
    *y no me refiero a visiones grandilocuentes
    

    View Slide

18. …con capacidad de ejecución*
    *con presupuesto y prestando atención a una diversidad de experiencias
    

    View Slide

19. View Slide

20. View Slide

21. View Slide

22. foto: myleen hollero
    

    View Slide

23. NYPL Labs
    

    View Slide

24. ¿qué hacer cuando todo esté digitalizado?
    

    View Slide

25. View Slide

26. View Slide

27. View Slide

28. View Slide

29. View Slide

30. View Slide

31. View Slide

32. las expectativas* están establecidas por terceros
    *y los puntos de referencia de interacción
    

    View Slide

33. View Slide

34. es un reto común en colecciones digitales
    

    View Slide

35. View Slide

36. View Slide

37. dependen de metadatos de texto
    

    View Slide

38. View Slide

39. View Slide

40. View Slide

41. View Slide

42. View Slide

43. View Slide

44. es imposible hacer descripciones exhaustivas
    pero es un trabajo valioso
    

    View Slide

45. además es lenguaje técnico-bibliográfico
    no el lenguaje al que estamos acostumbrados
    

    View Slide

46. View Slide

47. tecnología digital para automatizar la creación* de metadatos
    *y mejorar los existentes
    

    View Slide

48. View Slide

49. View Slide

50. View Slide

51. empezar con prototipos
    

    View Slide

52. empezar (y continuar) con prototipos
    

    View Slide

53. View Slide

54. View Slide

55. View Slide

56. View Slide

57. View Slide

58. “¿qué tal si…?”
    

    View Slide

59. View Slide

60. View Slide

61. un fin de semana después…
    

    View Slide

62. View Slide

63. reducir la labor a sus componentes básicos
    

    View Slide

64. los prototipos ayudan a establecer viabilidad
    

    View Slide

65. los prototipos ayudan a comunicar la idea
    

    View Slide

66. –@mikeindustries
    “un prototipo vale mil reuniones”
    

    View Slide

67. View Slide

68. “¡excelente! es cuestión de refinarlo y ya”
    

    View Slide

69. View Slide

70. el refinamiento toma tiempo
    

    View Slide

71. el refinamiento toma (un montón de) tiempo
    

    View Slide

72. View Slide

73. tres meses después…
    

    View Slide

74. View Slide

75. stereo.nypl.org
    

    View Slide

76. View Slide

77. View Slide

78. en todo caso, tres meses no es tanto tiempo
    cuando se está acostumbrado a proyectos que tardan años
    

    View Slide

79. 87,000 imágenes creadas
    

    View Slide

80. el refinamiento genera valor*
    *cuando se hace de manera informada
    

    View Slide

81. por cierto, el refinado puede esperar
    

    View Slide

82. View Slide

83. podría beneficiarse de un rediseño
    

    View Slide

84. View Slide

85. View Slide

86. 1.1 millón platos más
    y eso que la biblioteca ya no digitaliza menús con la misma prioridad
    

    View Slide

87. @katie_rawson y @trevormunoz
    

    View Slide

88. @_BadTaste_ por @bibliotechy
    

    View Slide

89. refinar funciona
    

    View Slide

90. …pero toma tiempo
    

    View Slide

91. “bueno… lo tendré en cuenta en planeación”
    

    View Slide

92. View Slide

93. todo toma más tiempo que el estimado
    

    View Slide

94. las gente es mala para hacer estimados*
    *S. Grimstada, M. Jørgensena, 2007; I. Newby-Clark, M. Ross, R. Buehler, D. Koehler, D. Griffin, 2007;
    V. Mahnič, T. Hovelja, 2012; y más…
    

    View Slide

95. (sí, aún en desarrollo “ágil”)
    

    View Slide

96. no puede estimar lo que no ha hecho
    

    View Slide

97. –@jasonfried
    “planear es adivinar”
    

    View Slide

98. rediseño de colecciones digitales nypl
    ca. 2005
    

    View Slide

99. View Slide

100. View Slide

101. View Slide

102. “tomémonos 90 días para rediseñar esto”
     

     View Slide

103. 
     (una bandera roja gigante)
     

     View Slide

104. siempre habrá sorpresas
     usualmente de las que no son bienvenidas
     

     View Slide

105. View Slide

106. View Slide

107. View Slide

108. View Slide

109. “tenemos que incluir esta funcionalidad”
     

     View Slide

110. 18 meses después…
     

     View Slide

111. View Slide

112. View Slide

113. View Slide

114. View Slide

115. View Slide

116. View Slide

117. View Slide

118. digitalcollections.nypl.org
     

     View Slide

119. empezar con un alcance o una fecha
     

     View Slide

120. …pero no ambos
     

     View Slide

121. pero no se demore demasiado
     en mostrar algo a sus usuarios
     

     View Slide

122. –Reid Hoffman
     “si no te avergüenza la primera
     versión de tu producto, lo has
     lanzado demasiado tarde”
     

     View Slide

123. …pero tómese cuanto sea necesario*
     *ver punto sobre el refinamiento
     

     View Slide

124. …y prepárese para las sorpresas
     

     View Slide

125. View Slide

126. los “hackatones” son puntos de partida*
     *no esperar proyectos terminados listos para producción
     

     View Slide

127. View Slide

128. View Slide

129. View Slide

130. View Slide

131. planta
     material
     uso
     calles
     dirección
     pisos
     nombre
     clase
     geo localización
     año
     claraboyas
     jardines
     

     View Slide

132. View Slide

133. View Slide

134. “¿qué tal si…?”
     

     View Slide

135. View Slide

136. luego de preguntar a muchos expertos
     y no recibir ayuda alguna
     

     View Slide

137. View Slide

138. ¿será que podemos automatizarlo?
     

     View Slide

139. View Slide

140. View Slide

141. View Slide

142. View Slide

143. View Slide

144. View Slide

145. View Slide

146. View Slide

147. cinco semanas después
     de refinamiento del proceso
     

     View Slide

148. View Slide

149. github.com/NYPL/map-vectorizer
     

     View Slide

150. View Slide

151. más de 80 mil edificios en un día
     en lugar de años
     

     View Slide

152. View Slide

153. “¿qué tan bueno es el algoritmo?”
     

     View Slide

154. …hicimos un prototipo
     

     View Slide

155. View Slide

156. View Slide

157. buildinginspector.nypl.org
     

     View Slide

158. dos meses después…
     

     View Slide

159. View Slide

160. View Slide

161. 84%: SI
     7%: ARREGLAR
     o 91% suficientemente bueno
     

     View Slide

162. View Slide

163. …así que hicimos más prototipos
     

     View Slide

164. View Slide

165. 2 millones de clasificaciones
     en unos 24 meses
     

     View Slide

166. View Slide

167. View Slide

168. View Slide

169. View Slide

170. spacetime.nypl.org
     

     View Slide

171. foto: knight foundation
     

     View Slide

172. View Slide

173. View Slide

174. View Slide

175. View Slide

176. View Slide

177. View Slide

178. …y todo empezó con un prototipo
     en un hackatón
     

     View Slide

179. resumen
     

     View Slide

180. tener una visión clara y ejecutable
     empezar (y continuar) con prototipos
     el refinamiento toma tiempo
     todo toma más tiempo que el estimado
     los “hackatones” son puntos de partida
     

     View Slide

181. @mgiraldo
     que gracias
     

     View Slide