
大数据不再是空中楼阁 未来生活既治病还防霾
大数据这词,我们并不陌生,它的本意是指从海量的数据中,发现有价值的规律,并为人们所用。比如说,前不久支付宝发布的用户“十年账单”,实际上就是一次大数据在商业领域的应用。
当然了,大数据不光只用在淘宝上,在生活中的方方面面都会涉及。今天,在北京举办了一场声势浩大的科技会议,全世界最顶级的大数据公司云集于此,一起分享大数据在现代生活中的各种应用。接下来,我们一起来听听中外企业对大数据的运用,到底达到了什么样的水平了?
首先来听听国外企业。wandisco是一家硅谷的创业公司,主要做医院大数据的信息整合,目前公司已在伦敦证交所上市,今年刚刚进入中国市场,总经理张涛告诉记者,在美国,他们公司做的大数据产品主要针对患者。比如说,有些患者的病容易复发,他们可以通过大数据,精准的预测患者何时复发。
张涛:比如说我们在美国的医院里面,已经做了一个完整地一体化电子病历和整体的大数据医疗行业应用,他们能够更好地预测病人的二次入院时间。以前病人可能在治疗之后,有一个问题是之后可能会复查,之后可能会复发,那我能不能预计一下哪些病人可能在哪些时候有高发的可能性,主动通知他们,而不要等他们发病以后再来。
张涛说,这款大数据应用,对于国内的医生很受用。为什么呢?因为国内的医生每天要看很多的病人,时间很紧张,很难对病人有一个细致的了解。而大数据的运用,则可以大大的提高诊疗效率。
张涛:医生也会更加舒服,因为他也会提前知道,我今天会有哪个病人会进来,这个病人他的上一次治疗在什么时候做的。他会有一个更完整的记录,而不会每一次都是单纯的谈话,这样会影响效果。而我们在美国做的这个案例,是所有的历史记录无论是详细的片子、治疗等等,无论是在这个医院,还是在其他医院,都整合在一个医院里,全部电子化。所以病人不需要出具任何的东西,医生已经全有你的档案,甚至可能是在你来的前一天医生都已经看过了,这样整个效率都得到了提升。
大数据是行业趋势,不光是国外企业,国内企业也相当重视。在今天的会场上,记者还遇到了专做大数据可视化系统的数字冰雹信息公司总经理邓潇。当着记者的面,邓潇演示了他们的可视化系统,通过环保部的公开数据,把全国100多个重点城市的污染情况在屏幕上有了非常直接的呈现。
邓潇:做数据可视化的话,最主要的价值是帮助人们整体把握和驾驭这种大规模的数据。你现在看到的北京市从“优”“良”“轻度污染”“中度污染”“严重污染”全都有,只有“严重污染”的均值略低过全国的所有城市。所以说非常简单的数据可以让你得出非常非常多的结论。然后可以让你按照不同的维度,并且按照不同的指标,跨纬度,跨指标。分析其中的关系并且做出判断。
尽管大数据广泛运用于生活中的方方面面,能够帮助我们寻找到数字背后的规律。但也有专业人士提醒我们,大数据是一把双刃剑,如果管理不慎,它可能会泄露我们的隐私。启明星辰公司副总裁潘柱廷:
来潘柱廷:举个例子说,大家可能会把自己喜欢的照片晒到网上去。比如说孝做了什么活动,幼儿园怎么样。他其实完全可以把你孝是在哪个幼儿园,他现在几岁,他老师叫什么,你家长是什么名字,你家长是什么工作的。那这些是有一定的危险性的。所以我们尽量不要晒未成年尤其是孝的内容。
在今天的会场上,来自美国卡内基梅隆大学计算机技术教授邢波谈到了一个话题:大数据产生了,有人收集了,但他们会互相分享吗?如果不分享,这些大数据还能起到该有的作用吗?
邢波透露,在美国对于大数据的公开标准,有一个严格的界定。
邢波: 一种是所谓的社会知情权,对政府的一些决策、一些经济数据是不是要公布涉及到安全问题;另一种是为了科学使用这样的大数据,用户的数据、科学数据、天文望远镜照了很多星星的照片、或者生物里面很多DNA的生物的数据,在美国我想他是有一个严格界定的。凡是你用公共部门产生的数据,你有义务把他公布,政府也会提供资源让你去公布,比如有一个地方让你可以存、可以放。但是对于公司的话,他有时就要求公司有权利保护自己的数据。
同样的问题,在国内也存在。中国工程院院士李国杰说,院校的大数据研究要落后于企业,为啥?就是因为院校没有数据,而企业有数据;与此同时,国家很多数据也都不公开,导致无米下锅的状态。
李国杰:但是你要大家把希望都寄托在百度、腾讯这些大公司把数据公开,这个不现实。人家花钱的,人家建平台几十亿几十亿的建立,白干了,公司指着什么花呢。国外也不是这个样子的,公司有公开一些觉得对大家有帮助的触及科研工作,这个他可以做到。你让他把所有的东西都拿出来,那他赚什么钱,所以这些东西我们也没必要太苛求这些。
因此,中科院计算机所研究员程学旗建议,数据公开可以先在政府部门内部搞起来,但是目前,即便是各个部门之间,也都是有很多壁垒。比如智慧交通、智慧医疗的建设,如果有了部门间信息的共享,那效果会有很大改观。
程学旗:其实有很多,比如说我们这个智能交通的管理。第二如果我们把城市的一些数据比较好的关联起来,其实在上面做方法、做运用、做决策、甚至城市规划这块,其实我们可以很好地走近一步,但是恰恰在一个城市里面,各委办局,各个行业部门的数据就没办法把他整合在一起,一个目标驱动的情况下都很难做,这是我觉得大数据落地面临的第一个公职上的大的难点问题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29