بریده‌هایی از کتاب کلان داده

در انگلستان مکانیسمی وجود دارد که به نویسندگان، به ازای تعداد دفعاتی که کتاب‌های آنها در کتابخانه‌های عمومی امانت گرفته شده باشد وجهی پرداخت می‌شود

یکی از اولین عرصه‌هایی که کلان‌داده می‌توانست تأثیرگذار باشد در کاری بود که بیشتر ما هم آن را دوست داریم و هم از آن نفرت. خرید.

هدف کلان‌داده این است که با گردآوری هرچه بیشتر داده‌ها خطر پیش‌بینی ناموفق را کم کند.

کیفیت عملکرد کلان‌داده فقط بستگی به کیفیت داده‌ها و الگوریتم‌هایی دارد که آن را به کار می‌برند.

کلِ اهمیت کلان‌داده در این است که فراتر از توانایی و قابلیت اساسی انسان است و بدون کمک دست به ارزیابی می‌زند.

«قدرت زیاد مسئولیت زیاد می‌آورد.»

هدف کلان‌داده این است که با گردآوری هرچه بیشتر داده‌ها خطر پیش‌بینی ناموفق را کم کند.

هوا را در نظر بگیرید. عوامل پیچیدهٔ سیستم کلی هوا آن‌قدر زیاد است -و همه هم بر یکدیگر تأثیر متقابل می‌گذارند- که امکان دارد تفاوت‌های بسیار جزئی در شرایط آغازین کمی بعد منتج به تفاوت‌های عظیمی شوند.

«قوی سیاه» به مثابهٔ استعاره‌ای برای یک چیز نادر بود. قوی سیاه در اصطلاح آماری یعنی این‌که پیش‌بینی بر اساس داده‌های ناقص -که در عالم واقعیت تقریباً همیشه مصداق می‌یابد- خطر گسستن ناگهانی و غیرمنتظره از گذشته را دارد. این کاربرد آماری به این واقعیت اشاره می‌کند که اروپاییان، تا پیش از کاوش دربارهٔ گیا و زیای استرالیایی، پیش‌بینی می‌کردند که «همهٔ قوها سفید هستند»، و این پیش‌بینی معتبر بود. اما با دیدن یک قوی سیاه استرالیایی کل این فرض باطل شد.

هنگامی که فناوری اطلاعاتی پا می‌گرفت سرواژهٔ جی‌گو از این عبارت ساخته شده بود: «garbage in, garbage out -آشغال وارد کنی، آشغال خارج می‌شود». صغری و کبرای ساده‌ای است -هر قدر هم سیستم شما خوب باشد، اگر داده‌هایی که به آن می‌دهید آشغال باشد خروجی هم آشغال خواهد بود. یکی از خطرهای بالقوهٔ کلان‌داده این است که به اندازهٔ کافی بزرگ نیست.

مشکل این‌جاست که نمی‌دانیم این الگوریتم‌ها چگونه کار می‌کنند یا چطور آنها را کنترل کنیم. به گمان من در حال حاضر فیسبوک اخلاقی و بی‌طرفانه عمل می‌کند. اما بگذارید تصور کنیم که در آینده یک قدرت شریر این شرکت را می‌خرد، و تصمیم می‌گیرد بر انتخابات کشور شما تأثیر بگذارد. قدرت در دست آنهاست چون ما نمی‌دانیم چیزی را که در رسانه‌های اجتماعی‌مان ظاهر می‌شود چطور انتخاب می‌کنند.

حل مشکل هم در جایی است که کلان‌داده موقعیت آن را دارد که خود وارد عمل شود، منتها باید از بی‌طرفی آن آگاه باشیم. کلان‌داده می‌تواند کمک کند که مشکلات حل شود یا بر تأثیر مشکلات بیفزاید؛ بستگی دارد به این‌که ما با کلان‌داده چه می‌کنیم.

کلان‌داده مربوط می‌شود به کاربرد تمامی طیف داده‌هایی که برای دگرگون کردن یک سرویس یا سازمان در دسترس است.

آنچه کلان‌داده را موفق یا نابود می‌کند کیفیت الگوریتم‌هاست

کلان‌داده سرگرمی و تفریحاتی به ما می‌دهد یک سروگردن بالاتر از آنچه قبلاً دیده‌ایم. از نظر پزشکی، کلان‌داده می‌تواند افسانه را از درمان، و واقعیت را از گمانه‌زنی تفکیک کند. و دست آخر این‌که ما عاشق اطلاعات هستیم، آگاهی به ما هیجان و لذت می‌دهد. کلان‌داده می‌تواند به‌سرعت به ما اطلاعاتی بدهد که پیش‌تر هرگز نظیرش را ندیده‌ایم.

این نوع جدید و آگاهانهٔ قماربازی اساس کار بیمه شد.

در ۲۰۱۶ دیدیم که «قانون مور»، که پیش‌بینی می‌کند تعداد ترانزیستورهای داخل یک تراشهٔ کامپیوتر در هردو سال دو برابر خواهد شد بیش از پنجاه سال است که درست بوده است. می‌دانیم که این قانون روزی باید ابطال شود، و بیست سال است که انتظار داشته‌ایم این امر «به‌زودی» اتفاق بیفتد ولی جالب این‌جاست که در این مورد «باز هم به همین صورت» خوب عمل کرده است. به همین روال، در بیشتر فرایند تاریخ تورم وجود داشته است. ارزش پول پایین آمده است. البته دوره‌هایی از انقباض پول هم وجود داشته است، مواقعی هم بازتعریف واحد پول رایج شرایط را تغییر می‌دهد ولی روی‌هم‌رفته «ارزش پول پایین می‌آید» به مثابهٔ یک پیش‌بینی‌کنندهٔ خیلی خوب عمل می‌کند.

این است شیوهٔ عمل علم و پیش‌بینی: بهترین گمانه‌زنی را می‌کنند بر مبنای دلیل و گواه موجود؛ واقعیت‌ها را استنتاج نمی‌کنند.

بازار سهام معمولاً در طی زمان بالا می‌رود -تا وقتی که حباب بترکد و بازار سقوط کند.