8‎ > ‎m‎ > ‎

n

Big Data Гость Сообщение

Реальная обещание большой данных: Это изменение всего пути людей будет решать проблемы

Реальная обещание большой данных: Это изменение всего пути людей будет решать проблемыРеальная обещание большой данных: Это изменение всего пути людей будет решать проблемы

Вверху: реальный потенциал большой данных

Изображение Фото: Сергей Nivens / Shutterstock 9 февраля 2014 10:15 утра
Zavain Дар, инновации Усилия 0

Текущий "большой данных" и "API-фикация" тенденции можно проследить свои корни к определению Канта впервые введен в 18 веке. В своем Критике чистого разума, Кант обратил дихотомию между аналитическими и синтетическими истинами.

Аналитическое правда был один, который может быть получен из логических аргументов, учитывая основную модель или аксиоматизация объектов в заявлении говорится. Учитывая правила арифметики мы можем сказать "2 + 2 = 4", не подвергая два-то рядом с двумя-то еще и подсчета в общей сложности четыре.

Синтетический правда, с другой стороны, было заявление которого корректность не может быть определен без доступа к эмпирических данных или внешних данных. Без эмпирических данных, я не могу рассуждать, что добавление пять внешних ссылок на моей веб-странице будет увеличить количество уникальных посетителей 32%.

В этом ключе, подъем больших данных и распространение программных интерфейсов для новых месторождений и промышленности перешли манеру, в которой мы решать проблемы. По сути, мы прошли путь от создания новых аналитических моделей и выводя новые выводы, к созданию инфраструктуры и возможностей, чтобы решать те же проблемы через синтетическими средствами.

До недавнего времени мы использовали аналитическую аргументацию ездить научно-технических достижений. Наш акцент был либо 1) для создания новых аксиомы и модели, или 2) использовать уже существующие модели, чтобы получить новые заявления и результаты.

В математике, наши величайшие достижения были сделаны, когда математикам пришлось «Ага!» Моменты, которые привели к новым аксиом или новых доказательств, полученных из существующих ранее правил. В физике мы сосредоточены на поиске новых законов, из которых мы, полученные новые знания и ноу-хау. В вычислительных наук, мы разработали новые модели вычислений, с которой мы смогли получить новые заявления о самой природе, что было вычислим.

Сравнительно недавнее развитие компьютерных систем и сетей побудило переход от аналитических к синтетическим инноваций.

Например, как мы стремимся понять "физику" в Сети очень отличается от того, как мы стремимся понять физику кварков или строк. В веб-рейтинге, ученые не пытаться раскрыть аксиомы о связности ссылки и страницы, на которых в то вытекают теоремы для лучшего поиска. Скорее, они принимают синтетический подход, сбора и обобщения предыдущих потоков мыши и данные ссылку, чтобы предсказать, какое будущее пользователи захотят увидеть.

Точно так же на Амазонки, нет "Законы электронной коммерции", регулирующие, кто покупает то, что и как действовать потребители. Вместо этого, мы удаляем себя от бремени принципиально раскопкам и понимание структуры (или даже полагающей существование такой структуры) и использовать данные из предыдущих событий для оптимизации будущих событий.

Google и Amazon служить ранние примеры перехода от аналитических до синтетического решения проблемы, потому что их продукция существует поверх данных, которая существует в цифровом носителе. Все, начиная от создания данных, в хранилище данных, и, наконец, к интерфейсам ученые используют для взаимодействия с данными оцифровываются и автоматизирован.

Пионеры в науках данных и инфраструктуры разработаны высокой пропускной и низких архитектур задержки дистанцироваться от жесткого до времени "ступенчатой ​​функции" приводом аналитические идеи и вместо этого производят постепенное, но предсказуемый синтетический инноваций и понимание.

Прежде, чем мы можем применить методы синтеза для новых месторождений, два инфраструктурные шаги должны произойти:

1) основные данные должны существовать в цифровом виде и

2) стек из данных до ученого и обратно к данным должен быть автоматизирован.

То есть, мы должны автоматизировать как входные и выходные процессы.

Что касается первого, мы в настоящее время видим агрессивную погоню оцифровки новых наборов данных. Компания инновационной начинаниях ", Estimote примером этой тенденции. Использование Bluetooth 4.0, Estimote настоящее время занимается сбором пользовательских конкретные физические данные в четко определенных микросреды. Применяя это к коммерции, они строят Amazon-эск данные для несетевых ритейлеров.

Ощутимо, мы не далеко от дня, когда наши смартфоны автоматически направлять нас, в магазине, в деталях, то мы ранее просмотренных онлайн.

Аналогично, каждая команда в НБА приняло камерами SportsVU отслеживать местоположение каждого игрока (и мяч) микросекунды на микросекунды. С этим мы уже видим крах предыдущих аналитических моделей. Друг, Muthu Alapagan, недавно получил освещение в прессе, когда он поставил под сомнение и деконструкции наше предположение в полагающей пять различных позиционно-типов. Какие данные что мы должны были подкрепить наши предположения, что баскетбол был по своей сути структурированный с пятью типами игроков? Откуда эти предположения взялись? Как правильно они были? Точно так же Хьюстон Рокетс поставили традиционную идеологию мяча, чтобы отдохнуть в успешного запуска рекордное количество попыток трехочковых.

не, наконец, в экономике, мы больше не полагаться на некорректных традиционных микроэкономических аксиом вывести макроэкономические теории и прогнозы. Вместо этого мы видим эконометрика играют каждый возрастающую роль в практике и изучением экономики.

По касательной, недавний всплеск в цифровых валют можно рассматривать как следствие этой тенденции. В сущности, Bitcoin может представлять ранние подач совершенно оцифрованного финансовой системы, где базовые финансовые самородки, что мы взаимодействуем с существуют принципиально в цифровой форме.

Мы видим большое внимание не только в сборе новых данных, но и в хранении и автоматизации actionability этих данных. В долине мы шутим о том, как термин "большие данные" свободно разбросаны. Это может иметь больше смысла, чтобы посмотреть "большие данные" не с точки зрения размера данных или типа базы данных, а скорее как необходимое инфраструктурное эволюции как мы переходим от аналитических до решения синтетического проблемы.

Большой данных не имеет смысла в одиночку; скорее это побочный продукт и средство для достижения цели, как мы меняем, как мы решаем проблемы.

Повторное появление Biotech, или BioTech 2,0, это отличный пример инноваций в автоматизации процедур на вершине вновь закупаемого наборов данных. Такие компании, как Transcriptic делают роботов полностью автоматизированные мокрые лаборатории в то время как TeselaGen и Геном Компилятор предоставляют CAD и CAM инструменты для биологов. Мы не далеко от дня, когда биологи полностью удалены из пипеток и традиционной лабораторной работы. Следующее поколение биологов вполне может использовать программные интерфейсы и абстрагированные модели как вычислительной биологии конвертов полноту биологии - водительские что традиционно аналитическая истина ищет экспедицию к высокой пропускной низкой задержкой науки синтетической данных.

По сути, мы наблюдаем сдвиг в том, как мы подходим проблемы. Удалив себя от интеллектуального и, возможно, философской бремени полагающей структуры и аксиомы, мы больше не полагаться на шаг функциональных приводом аналитических выводов. Скорее, мы видим широкое инфраструктурное принятие ускорить принятие решения синтетического проблемы.

Традиционно эти методы были вынуждены поддоменов информатики - искусственного интеллекта и информационного поиска приходят на ум в качестве материальных примеров - но, как мы оцифровать новые наборы данных и создания необходимого автоматизации на них, мы можем использовать синтетические приложения в совершенно новых областях .

Марк Андреессен знаменитому утверждению, "Программное обеспечение ест мир" в его 2011 эссе. Однако, как мы углубимся и лучше понять природу программного обеспечения, интерфейсов, и больших данных, это не программа одна, но программное обеспечение в сочетании с цифровыми наборов данных и автоматизированных входных и выходных механизмы, которые будут питаться в мире в науке данных, автоматизации, и Программное обеспечение объединить свои силы в преобразовании наших способы решения проблем, возможности - от аналитических к синтетическим.

Zavain Дар Zavain Дар является капиталистическая предприятие в инновационных Endeavors Эрика Шмидта. До прихода в инновационных начинаниях он был одним из первых сотрудник Discovery Engine, следующего ключевое слово поколение поисковой системы, приобретенной Twitter. Там он инженерии машинного обучения и наука Данные алгоритмы по собственной рамках распределенных систем для построения веб масштабные алгоритмы ранжирования. Он был также одним из основателей Fountainhop, одного из первых гиперлокальных социальных сетях. Там он работал как на разработке продукта и контроль за запуск в колледжах по всей стране в 2010 году Пошлите ему ваши мыслиzavaindar.


VentureBeat изучает мобильного автоматизации маркетинга. Chime в, и мы будем обмениваться данными.

#auto

Subpages (1): o
Comments