 版權(quán)聲明 （最近有不少人關(guān)注公號，分享一篇老文，原刊于《紐約時報》中文站。） 對“大數(shù)據(jù)”概念還搞不清的人可以松一口氣了，如果你讀過《大數(shù)據(jù)時代》（Big Data:A Revolution That Will Transform How We Live, Work, and Think），你會發(fā)現(xiàn)舍恩伯格（Viktor Mayer-Sch?nberger）對“大數(shù)據(jù)”的定義如此簡單：所謂大數(shù)據(jù)（Big Data），就是大量的數(shù)據(jù)；它的反義詞同樣簡單：小數(shù)據(jù)（Small Data），很少很少的數(shù)據(jù)。 相比于作者所著同樣談?wù)摯髷?shù)據(jù)話題的《刪除：大數(shù)據(jù)取舍之道》一書，《大數(shù)據(jù)時代》結(jié)構(gòu)緊密，邏輯清晰，論證過程也更為嚴(yán)謹(jǐn)。本書在何為大數(shù)據(jù)、大數(shù)據(jù)有何典型特征、大數(shù)據(jù)的實際應(yīng)用和未來以及大數(shù)據(jù)的隱憂等關(guān)鍵問題上，通過案例和通暢曉白的解釋，梳理清楚了“大數(shù)據(jù)”這個看起來高深復(fù)雜但其實無處不在的概念。在舍恩伯格看來，以往我們因受限于工具而采用的抽樣調(diào)查以及精準(zhǔn)采樣數(shù)據(jù)的分析方法需要革新，大數(shù)據(jù)時代是改變方法論和思維方式的過程。 大數(shù)據(jù)時代的到來，與信息數(shù)字化息息相關(guān)。在2000年的時候，以數(shù)字化形式存儲的數(shù)據(jù)僅占全球數(shù)據(jù)量的四分之一，而到了2007年時，90%以上數(shù)據(jù)是數(shù)字化數(shù)據(jù)，剩下不到10%是存儲在報紙、CD等介質(zhì)上的模擬數(shù)據(jù)。我們知道，模擬數(shù)據(jù)在復(fù)制和傳播過程中信息會失真、噪音疊加，比如一張紙連續(xù)復(fù)印三次之后，噪點越來越多，字跡越來越模糊，一盤音樂磁帶連續(xù)翻錄多次之后，令人厭煩的“嗞嗞”聲越來越大。而二進(jìn)制數(shù)字世界，是一個非黑即白的世界，要么1要么0，即使有噪點，灰色也會被識別黑色（1），淺白則被計算機(jī)處理為白（0），沒有中間地帶，也就沒有了噪音的容身之處。信息在數(shù)字世界得以無損復(fù)制和傳播，再加上不斷廉價化的存儲能力以及同時提高的計算能力，大量以前無法處理的數(shù)據(jù)，有了分析、解讀它們的可能。 在模擬信息的世界，因為信息收集、信息復(fù)制、信息存儲以及信息分析的工具既不夠好，成本也極為高昂，我們只能收集極少量的數(shù)據(jù)（也即所謂的“結(jié)構(gòu)化數(shù)據(jù)”）進(jìn)行分析，由于條件所限，我們發(fā)明了統(tǒng)計學(xué)來通過盡可能少的數(shù)據(jù)，去推導(dǎo)、去證實盡可能重大的發(fā)現(xiàn)。當(dāng)我們意識到我們已經(jīng)擁有能夠收集和處理大規(guī)模數(shù)據(jù)（也即所謂更多的“非結(jié)構(gòu)化數(shù)據(jù)”）能力的時候，我們需要新的理念和工具去重新認(rèn)識這個世界了。 新的理念運(yùn)用于工具上的體現(xiàn)之一是光場相機(jī)Lytro。與其它數(shù)碼相機(jī)不同的是，Lytro相機(jī)可以在拍攝完照片之后再對焦。因為在拍攝時，Lytro可以記錄整個光場里所有的光，照片具體生成什么樣，拍完之后根據(jù)需要再決定?！袥]有發(fā)現(xiàn)這顛覆了我們做事的一貫邏輯？以往我們因為受制于工具或金錢，需要提前想好我們的目的，再去獲取我們需要的信息。而大數(shù)據(jù)時代的思維方式則如Lytro的特性一樣，先拍下來再說，需要什么樣的照片，后期再處理。Lytro相機(jī)也算從膠片機(jī)過渡到數(shù)碼相機(jī)交疊時代思維的延續(xù)，如果攝影技術(shù)不太好，先拍一堆片子再說，你總能挑出幾張好的來。 對小數(shù)據(jù)而言，最重要的要求是減少錯誤，保證質(zhì)量。而大數(shù)據(jù)對更糙的信息及冗余信息容忍度更高，也即當(dāng)資源足夠豐富且廉價的時候，可以先大量浪費(fèi)，再來精準(zhǔn)化。而不是預(yù)設(shè)精準(zhǔn)的目標(biāo)。亞馬遜早期雇傭了一群書評家為讀者薦書，后來發(fā)現(xiàn)通過算法——一群對圖書質(zhì)量判斷能力遠(yuǎn)不如專業(yè)人士的普通讀者的口味的集合——推薦圖書的轉(zhuǎn)化率更高之后，亞馬遜把書評家們都解雇了。由于自己多年積累被算法取代的憤怒，在被解雇之后，書評家發(fā)出這樣的抱怨：（通過算法推薦）“那種感覺就像你和一群腦殘在一起逛書店?！鳖愃频墓适乱舶l(fā)生微軟。微軟機(jī)器翻譯部門的統(tǒng)計學(xué)家們在茶余飯后閑聊中會說，每次一有語言學(xué)家離開他們團(tuán)隊，微軟機(jī)器翻譯質(zhì)量就會變得更好一點。 從對信息質(zhì)量的角度出發(fā)去觀察，我們會發(fā)現(xiàn)大數(shù)據(jù)時代的特性的確越來越“腦殘化”：它放棄原始數(shù)據(jù)的精確性，強(qiáng)調(diào)數(shù)據(jù)量的多和雜；它放棄因果關(guān)系的判斷，強(qiáng)調(diào)相關(guān)關(guān)系；它放棄知其所以然（為什么），只需知其然（是什么）就可以了。豆瓣閱讀為什么給你推薦《中國合伙人》？背后的邏輯可能是你的朋友最近點了“想看”或“看過”。新浪微博為什么推薦李承鵬而不是李開復(fù)給你關(guān)注？背后的邏輯可能是你關(guān)注的人中更多人關(guān)注李承鵬。但為什么因為朋友喜歡，所以機(jī)器就會判定你也會喜歡呢？不知道。機(jī)器通過計算得知，如果你有很多朋友喜歡同一個事物，那么你喜歡這個事物的概率會大一些。可能對，也可能錯。二者之間強(qiáng)相關(guān)，但不因果。 大數(shù)據(jù)最大的用途之一是預(yù)測。好的方面，它可以預(yù)測機(jī)票價格走勢，為自費(fèi)旅游者省錢；它能預(yù)測交通擁堵情況，幫助人們選擇更好的時段和路線節(jié)省出行時間；它也可以像亞馬遜做的那樣，為你提供更準(zhǔn)確的書單，幫你遇見更多好書。《麻省理工科技創(chuàng)業(yè)》曾報道說，英國伯明翰大學(xué)的一個研究團(tuán)隊甚至開發(fā)出一種算法，可以精確地預(yù)測你未來將要去哪里。大多數(shù)人一般有規(guī)律的行為模式，但傳統(tǒng)的預(yù)測算法——只通過用戶本身的行為模式來進(jìn)行預(yù)測，解決不了人們臨時變更路線的情況，導(dǎo)致預(yù)測人們出行的平均誤差高達(dá)1000米。伯明翰大學(xué)開發(fā)的算法可以通過追蹤用戶手機(jī)上的個人過往行為模式數(shù)據(jù)以及用戶手機(jī)里的社交關(guān)系——當(dāng)然，新型算法需要收集和分析大量個人信息。最后能預(yù)測用戶在24小時之內(nèi)會去什么地點，而平均誤差減少到僅20米。 如此精準(zhǔn)的研究結(jié)果讓人驚喜——細(xì)想過后，可能給人帶來更多的是驚訝，或驚恐。沒有人希望自己的正常出行被別人預(yù)測——機(jī)器竟然比我自己還了解自己，我連三小時后我會干嘛都不知道呢！這提醒我們在大數(shù)據(jù)時代，我們將面臨的隱私問題的嚴(yán)峻。 在小數(shù)據(jù)時代，數(shù)據(jù)采集者需要告知數(shù)據(jù)提供者其采集的數(shù)據(jù)用途為何；但在大數(shù)據(jù)時代，這樣的信息管理方式已經(jīng)失效。舍恩伯格在書中指出，“大數(shù)據(jù)”將顛覆隱私保護(hù)法當(dāng)下以個人為中心的思想。比如許多公司采集用戶數(shù)據(jù)時的目的與最后使用的目的往往不同，而且在未來，大數(shù)據(jù)的價值不再單純來自它的基本用途，更多來于它的二次甚至多次利用。但有時候即使個人不同意，也會為公眾帶來隱私問題。以Google街景項目為例，Google采集了街道上的幾乎全部信息，如果有某個人不同意ta的數(shù)據(jù)顯示在Google街景中，Google會將該信息模糊化處理。但當(dāng)其他人的信息都完整呈現(xiàn)在街景圖中時，“馬賽克”（模糊化處理）的部分反倒成了焦點——本想隱藏掉的信息反倒成了此地?zé)o銀三百兩式的焦點。未來的個人數(shù)據(jù)采集與數(shù)據(jù)授權(quán)，需要替換掉目前的隱私保護(hù)方案。 舍恩伯格在書中舉的更諷刺的案例則是，2007年，英國報紙London Evening Standard一篇報道稱，喬治·奧威爾曾居住過的倫敦公寓外方圓183米范圍內(nèi)，有32架攝像機(jī)。如果奧威爾生活到現(xiàn)在，看到此情此景，他會做何感想？ |
|
|
來自： 易良義 > 《網(wǎng)摘》
