¿Cómo aprender sobre "big data"?

Pensamiento general

Para estudiar las características generales de los fenómenos sociales en la investigación de las ciencias sociales, el muestreo siempre ha sido el principal método de adquisición de datos en el pasado. Esta es una elección inútil para los humanos. no pueden obtener información de datos generales. En la era del big data, las personas pueden obtener y analizar más datos, e incluso todos los datos relacionados con ellos, en lugar de depender del muestreo, lo que puede lograr una comprensión más completa y descubrir con mayor claridad detalles que la información de las muestras no puede revelar. .

Como concluyó Schonberger: "Siempre estamos acostumbrados a considerar el muestreo estadístico como una base sólida para el establecimiento de la civilización, al igual que los teoremas de la geometría y la ley de la gravitación universal. Sin embargo, el muestreo estadístico en realidad es sólo con el propósito de Fue creado en un período específico en el que la tecnología estaba limitada para resolver algunos problemas específicos que existían en ese momento. Su historia se remonta a hace menos de cien años. Hoy en día, el entorno tecnológico ha mejorado enormemente en la época. "El big data es así en la era de los automóviles. Al igual que montar a caballo, en algunos casos específicos todavía podemos utilizar el análisis de muestras, pero esta ya no es la forma principal en que analizamos los datos. En otras palabras, en la era del big data, con el avance de la tecnología de recopilación, almacenamiento y análisis de datos, podemos obtener todos los datos relacionados con los objetos de investigación de manera más conveniente, rápida y dinámica, en lugar de tener que utilizar métodos de investigación de muestra. En consecuencia, debido a muchas restricciones, la forma de pensar también debe cambiar del pensamiento de muestra al pensamiento general, para que la situación general pueda comprenderse de manera más integral, tridimensional y sistemática.

Pensamiento tolerante a fallos

En la era de los datos pequeños, debido a la cantidad relativamente pequeña de información de muestra recopilada, es necesario garantizar que los datos registrados sean lo más estructurados y precisos posible. como sea posible, de lo contrario, los resultados del análisis La conclusión será "completamente diferente" cuando se extrapole al conjunto. Por lo tanto, debemos prestar gran atención al pensamiento preciso. Sin embargo, en la era del big data, gracias a los avances en la tecnología de big data, se pueden almacenar y analizar grandes cantidades de datos heterogéneos y no estructurados. Esto ha mejorado nuestra capacidad para obtener conocimientos y conocimientos a partir de los datos, por un lado, y por otro. Por otro lado, ha mejorado nuestra capacidad para obtener conocimientos y perspectivas a partir de los datos. Por un lado, también desafía el pensamiento preciso tradicional.

Schonberg señaló: “La obsesión por la precisión es producto de la era de la escasez de información y la era de la simulación. Si el caos persiste, sólo el 5% de los datos están estructurados y pueden aplicarse a las bases de datos tradicionales. no se acepta, el restante 95% de los datos no estructurados no se puede explotar, y sólo aceptando la imprecisión podemos abrir una ventana a un mundo que nunca antes se ha explorado”.

En otras palabras, en la era del big data, la forma de pensar debe pasar del pensamiento de precisión al pensamiento tolerante a fallas. Cuando hay una cantidad masiva de datos en tiempo real, la precisión absoluta ya no es necesaria. El objetivo principal a perseguir y los problemas a nivel micro se ignoran adecuadamente. La precisión permite un cierto grado de error y confusión, pero permite un mejor conocimiento y comprensión a nivel macro.

Pensamiento relevante

En el mundo de los datos pequeños, las personas a menudo están obsesionadas con la relación causal detrás de los fenómenos, tratando de analizar el mecanismo subyacente a través de datos de muestra limitados. Otro defecto de los datos pequeños es que los datos de muestra limitados no pueden reflejar la correlación universal entre las cosas. En la era del big data, las personas pueden usar la tecnología de big data para descubrir correlaciones ocultas entre las cosas y obtener más conocimientos y conocimientos. El uso de estos conocimientos y conocimientos puede ayudarnos a capturar el presente y predecir el futuro basándose en la correlación. El análisis es el tema central del big data.

Prestar atención a las correlaciones lineales y a las correlaciones no lineales complejas puede ayudar a las personas a ver muchas conexiones que no habían notado antes y también a comprender dinámicas tecnológicas y sociales complejas que antes eran incomprensibles. Las relaciones pueden incluso trascender causa y efecto y convertirse en una mejor perspectiva para que entendamos el mundo. Schoenberg señaló que la aparición de big data ha hecho que la gente abandone su deseo de causalidad y se centre en la correlación. La gente sólo necesita saber "qué" en lugar de "por qué".

No tenemos que conocer las razones complejas y profundas detrás de las cosas o fenómenos, pero saber "qué" a través del análisis de big data es de gran importancia, lo que nos proporcionará perspectivas y perspectivas muy novedosas y valiosas. información y conocimiento.

En otras palabras, en la era del big data, la forma de pensar debe pasar del pensamiento causal al pensamiento de correlación y esforzarse por subvertir los patrones de pensamiento tradicionales y los sesgos inherentes formados por los humanos durante miles de años, para que podamos compartir mejor los profundos conocimientos aportados por el big data.

Pensamiento inteligente

Mejorar continuamente el nivel de automatización y inteligencia de las máquinas siempre ha sido la dirección de los incansables esfuerzos a largo plazo de la sociedad humana. La aparición de las computadoras ha impulsado en gran medida el desarrollo de nuevas tecnologías como el control automático, la inteligencia artificial y el aprendizaje automático. La investigación y el desarrollo de "robots" también ha logrado rápidos avances y ha comenzado a aplicarse. Cabe decir que desde que ingresamos a la sociedad de la información, el nivel de automatización e inteligencia en la sociedad humana ha mejorado significativamente, pero siempre ha enfrentado cuellos de botella y no ha podido lograr avances revolucionarios. La forma de pensar de las máquinas sigue siendo lineal. Pensamiento simple, físico y natural Inteligente El nivel aún no es satisfactorio.

Sin embargo, la llegada de la era del big data puede brindar oportunidades para mejorar la inteligencia de las máquinas, porque los big data promoverán efectivamente la transformación del pensamiento de las máquinas del pensamiento natural al pensamiento inteligente. pensamiento de big data, contenido central.

Como todos sabemos, la razón por la que el cerebro humano es inteligente y sabio radica en su capacidad para recopilar, juzgar lógicamente y resumir de manera integral los datos e información circundantes, y para obtener conocimientos e ideas sobre cosas o fenómenos. . De manera similar, en la era del big data, con el gran desarrollo de Internet de las cosas, la computación en la nube, la computación social, la tecnología visual, etc., el sistema de big data también puede buscar automáticamente toda la información de datos relevante y luego estar tan activo. y tridimensional como el "cerebro humano", analiza datos lógicamente, emite juicios y proporciona ideas, entonces sin duda tendrá capacidades de pensamiento inteligente similares a las humanas y la capacidad de predecir el futuro.

"Inteligencia y sabiduría" son las características distintivas de la era del big data. La forma de pensar en la era del big data también requiere un cambio del pensamiento natural al pensamiento inteligente y mejorar continuamente las capacidades y la informática social. nivel de inteligencia de las máquinas o sistemas, obteniendo así algo de conocimiento y nuevo valor, incluso algo parecido a la "sabiduría" humana.