京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据仍然离不开人的赋予
大数据意义重大,这是毋庸置疑的一件事,但最终当我们真正弄清楚如何充分利用大数据时,也许它并没有开始认为的那么了不起。现在的我们处于一个比较混乱的中间时段,一方面我们认识到了这些数据的价值,而另一方面大多数组织机构和政府并不知道如何利用这些数据以充分发挥其作用。
在最近一期的《经济学人》,有两篇文章描述了大数据发展的现状。首先我们要说的是《打破常规》( Out of the box )这篇文章,该文谈到开放数据的承诺,这个承诺到现在仍未实现。文章认为,开放数据不仅可以促进透明度的提升,还可以作为一个商业创新的平台,它在一些公司的作用便是如此,如 Zillow 和 Garmin,后两者分别是基于公开的房地产数据和基于 GPS 技术的公司。
该文章称,在美国政府数据共享网站 Data.gov 上,一共发布了来自 170 个数据源的 20 万个数据集。所有这些数据不仅让创业公司能够蓬勃发展,那些向公众开放的信息也让公民和监管机构可以更好地进行监管并根除腐败。不过,虽然作者在文章中谈到公开数据的很多好处,但同时也承认我们离真正了解这些数据能做什么还差一步,并且我们需要更多的公开数据,以便让这些数据真正发挥出它们的作用。
在同一期的《经济学人》杂志上还有另一篇关于大数据的文章,这篇名为《德国发展数字化吗?》( Does Deutschland do digital? )的文章谈论了制造业的无常性以及德国能否跟上变化的问题。由传感器和物联网所推动的新兴浪潮正迫使那些传统的德国制造商向软件和数据公司转型,在后者的领域里,由传感器产生的数据可能比机器本身更有价值。
在《经济学人》发行的纸质版中,这两篇文章中间仅隔了一页,它们用不同的方式展现出现如今我们对于大数据所感到的困惑。这就好比我们意识到存在着某物,我们也知道它的重要性,但就是找不到充分利用它的方式。
数据不是孤立的
也许原因在于我们太相信能用技术手段解决我们的各种问题。我们一直相信大数据可以帮助企业做出更明智的决策。在医疗保健领域,它可以帮助我们的医生和医疗专业人士更好地进行诊断并且找到最合适的治疗方法。在体育运动领域,它可以帮助我们最喜欢的球队挑选出最好的球员。在政府方面,通过开放信息,能够让政府的透明度提升到承诺高度,贪污腐败的政府官员将无所遁形。此外,大数据还有助于发现潜在的罪犯。
从巴黎最近发生的恐怖袭击可以看出,有时候并不是我们收集信息多寡的问题。正如娜塔莎·洛马斯(Natasha Lomas)在袭击发生后 为 TechCrunch 所写的一篇文章所说 ,也许事件的发生不仅仅与数据有关。也许有关系的是人们如何处理这些数据:
另一个残酷的政治真相是,有效的反恐政策需要在当地实体资源上花钱——向各地派出更多的政府特工 ,融入 当地社区,让他们在那里获取人们的信任并收集情报。
我认为洛马斯是触动到了一些东西。我们觉得科技是问题的答案,但其实它只是人类手中的一个工具。看过《法律与秩序》剧集的人就会知道,虽然在犯罪现场你可以获得 DNA 证据,但是身为警探仍然必须辛勤工作,找到这些数据所指向的人。如果没有人去连结这些信息点,那么这些数据也就没有用处。
这一点同样适用于大规模的政府监控。当然你可以收集到任何你想要的数据,但如果缺少传统方式的检测来帮助人们去理解这些数据,人们会很难知晓其中的意义。
无论是阻止恐怖袭击,还是为找到跟隔壁企业竞争的最好方法,无不是如此。数据是中立的。只有你知道如何将这些数据联系在一起,否则它对你而言没有帮助。虽然计算机可以帮人们更快地搜集和处理数据,但是不管我们自己信不信,要让计算机为我们从数据中提取意义还有很长的一段路要走。
人机合作
麻省理工学院教授安德鲁·麦克菲(AndrewMcAfee)和艾瑞克·布林约夫森(Erik Brynjolfsson)在他们合著的《第二次机器革命》( The Second Machine Age )中讲述了一个关于 IBM 计算机深蓝的故事, 1997 年深蓝在比赛中击败了当时世界上最好的人类国际象棋手 。2005 年,一组业余的国际象棋选手在三台计算机的帮助下,击败了这台击败过世界上最好棋手的机器。
这件事表明,作为一种工具,技术可以被人们用来提高自身能力,并且充分发挥出计算机和技术的作用,这些都是我们自己创造的机器和技术。如果你对此有所怀疑,可以参考美国国防部的想法,他们差不多就是按照这个思路认为未来最有效的战争策略是 人类部队与机器的联合 。
尽管科技进步的演变速度正变得越来越快,但我们对于自身技术的先进性仍然存在高估。很显然,对于所收集数据的理解仍然离不开人的帮助。
如果我们可以高效地完成这个任务,最终这些数据会让我们人类变得更聪明,让我们生活得更安全和更健康。我们只需记住数据是我们达到目的的一种手段,而不是目的本身。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27