درباره Big Data

Andrew Ng در کتاب The Inevitble یک استعاره برای توضیح هوش مصنوعی و بیگ دیتا ارائه می‌ده:

“هوش مصنوعی یا AI مثل ساختن یک راکت است. راکتی که به  موتوری عظیم و سوختی زیاد نیاز داره. الگوریتم‌های یادگیری همون موتور این سیستم هستند و داده‌ها به منزله سوخت فراوانی هست که به موتور تزریق می‌شن”

با این تعریف فکر کنم بتوان عطش شرکت‌های تکنولوژی مثل گوگل و OTTها را برای جمع‌آوری اطلاعات ما را حدس زد. اطلاعات به منزله سوخت مورد نیاز برای حرکت ماشین AI آنهاست. شاید هم یکی از دلایل شکست استارت‌ آپ های حوزه فناوری اطلاعات ناتوانی در جذب داده‌های کافی باشد.

6 نظر در “درباره Big Data

  • ۱۳۹۶-۰۲-۱۰ در ۸:۳۳ ب٫ظ
    پیوند یکتا

    علی جان
    فکر می کنم یکی از دلایل عطش شرکت ها به جمع آوری داده و استفاده از آن، نیاز آنها به بهبود عملکرد موتورها (الگوریتم های یادگیری ماشین) برای کمک به انسان هاست. چرا که همواره محققان در تلاش اند تا پارامترهایی همچون دقت و سرعت الگوریتم های یادگیری ماشین را ارتقا دهند تا ازاین طریق بتوانند به قابلیت اطمینان مورد نظر در مساله اشان دست یابند.

    پاسخ
  • ۱۳۹۶-۰۲-۱۱ در ۰:۲۰ ق٫ظ
    پیوند یکتا

    سلام، یکی از استادهای ما که در حوزه فناوری اطلاعات کار می کنه در این مورد نظر جالبی داد، به نظر او بیشتر کسانی که در ایران در این حوزه کار می کنند نحوه جمع آوری اطلاعات رو به خوبی نمی دونند، چون معمولا پرسش نامه ها و یا مثلا سوالاتی که در ابتدای عضویت یک برنامه پرسیده می شه حوصله کاربر رو سر می بره و یا اصلا به این داده ها به چشم یک دارایی ارزشمند نگاه نمی کنند، مثلا اپلیکیشنی مثل اسنپ یکی از سرمایه هاش میتونه داده هاش باشه، داده هایی که جمع آوری نمی کنه و کاربر رو کلا عام در نظر میگیره در حالی که اگر می دونست کاربری که از اپلیکیشن استفاده می کنه، چه میزان سن ، تحصیلات، درآمد و … ای داره( البته چگونگی پرسیدن همین ها خودش خیلی مهمه) در طولانی مدت میتونست نوآوری های جدیدی بر پایه همین اطلاعات ایجاد کنه

    پاسخ
  • ۱۳۹۶-۰۲-۱۱ در ۰:۴۱ ق٫ظ
    پیوند یکتا

    سلام مریم عزیز
    البته یک نکته هست اینکه استراتژی‌های “همه چیز را که دستمان می‌آید ذخیره کنیم” یا “داده، هر چه بیشتر بهتر” همیشه و همه جا مفید نیست. یعنی ما باید به هزینه جمع‌آوری و نگهداری این حجم گسترده از داده‌ها فکر هم فکر کنیم وگرنه اینکار به صرفه نمیشه. یک مطلب هست از محمدرضا در مورد نظریه اطلاعات که اگر نخوندی توصیه می‌کنم حتماً نگاهی بنداز یک جاییش میگه:
    “آشنایی سطحی با Big Data در شرکتها و سازمان‌ها و کسب و کارها، صرفاً باعث شده که حجم بسیار زیادی از اطلاعات ذخیره و نگهداری بشه. در واقع هر چیزی که در یک سیستم، دیده‌ایم و توانسته‌ایم ثبت کنیم، ثبت کرده‌ایم. بحث محتوای اطلاعاتی یا Information Content در کنار بحث Big Data می‌تونه کمک بزرگی برای تشخیص پاسخ این سوال کلیدی باشه که: چه اطلاعاتی را نباید ذخیره کنیم؟”
    اینکه پرسیدن تحصیلات مصرف‌کنندگان خدمات شرکت اسنپ و داده‌های مشابه در نهایت برای کسب و کار سود و منفعتی ایجاد می‌کنه یا نه، فکر کنم به بررسی بیشتری نیاز داشته باشه.

    پاسخ
  • ۱۳۹۶-۰۲-۱۱ در ۱۲:۲۱ ب٫ظ
    پیوند یکتا

    چند روز پیش داشتم یک پادکست از TED Radio Hour گوش میدادم که میگفت سرعت پیشرفت ماشینها چندین برابر انسان است که دلیلش نیز تکنولوژی ML و یادگیری بر اساس تجربه است. چیزی که در بین انسانها ناشناخته است. جدا از اینکه سازمانها به دیتا و BI نیاز دارند به نظرم در آینده انسانها نیز برای بالا رفتن کیفیت تصمیم گیری قطعا به چیزی مثل ML نیاز دارند . چون ما تصور میکنیم که یاد میگیریم و از تجاربمون استفاده میکنیم ولی در عمل اینطور نیست و هر روز انسان از ماشین عقب می افتد. انسانها هم باید به سمت ML و استفاده از آن بروند تا باهوش تر و بدون خطا بشوند

    پاسخ
  • ۱۳۹۶-۰۲-۱۱ در ۷:۵۲ ب٫ظ
    پیوند یکتا

    به نظرم بحث سنتور یا سابورگ هم به این مسئله ربط داشته باشه. یعنی انسان بدون تکنولوژی نمی‌تونه خوب فکر کنه و بهتره همیشه کنارش هوش مصنوعی باشه. یعنی ترکیب انسان + ماشین. متاسفانه ما خیلی از ابزارهای و داده‌های موجود نمی‌تونیم استفاده کنیم. شرکت مطرح دنیا این مساله را فهمیدن و هر تکونی که ما می‌خوریم را ذخیره می‌کنن و بعد از تحلیل و آنالیز این اطلاعات را به خودمون می‌فروشن.

    پاسخ
  • Pingback روش های کسب درآمد از محتوای دیجیتال (بخش دوم) - سایلاگ

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد.