大資料自動挖掘”才是現在這些大資料的真正意義

標籤：http   使用   os   資料   問題   html   工作   時間   

http://www.cognoschina.net/club/thread-66425-1-1.html  僅供參考

 

“大資料自動挖掘”才是現在這些大資料的真正意義

　　現在大資料火得不行，幾乎人人都在說大資料，但到底什麼是大資料，恐怕沒有多少人知道，魚目混珠的人太多。

　　大資料不是指很多很多資料。

　　所以不是儲存了很多資料就是在搞大資料了，因為“大資料”只是個簡稱，說全一點應是“大資料採礦”，沒經過挖掘的大資料只是沒有開採出來的原油，一點用處都沒有。

　　大資料也不是指一般意義上的資料採礦。

　　有很多人以前是搞資料分析或資料採礦的，當《大資料時代》這本書一問世、大資料開始火的時候，他們搖身一變就成了搞大資料的專家了。如果真是這樣，就根本沒必要提大資料這事兒，因為它本來就一直存在著，只不過換個說法。就好像我們沒必要今天突然提出個說法“飲H2O”來代替“喝水”.嗯，對，那叫玩概念。

　　“大資料採礦”其實還沒有說全，再說完整點，應該是“大資料自動挖掘”。

　　以前的資料分析或挖掘，是指人通過資料去進行分析，挖掘出一些規律性的東西以供以後使用。

　　但面對大資料，由於不光是資料量太大，而且往往包括資料的維度也很多，人已不可能去處理這樣海量的資料，甚至是如何處理都不知道，這時必須用電腦來自動處理，挖掘出資料中的規律。

　　但是目前電腦還不能像人那樣進行嚴密、複雜的邏輯思維，因此它們也無法用我們人的思維模式去分析資料，人可能只要較少的資料就能分析出其中的規律，資料多了反而沒有辦法，所以我們人類都是採用抽樣分析。

　　電腦則正好相反，無法根據少量資料去分析出規律，但它有一個優勢，那就是運算速度非常快，因此有可能處理海量資料以後找出其中的規律。

　　由於電腦還不能進行複雜的邏輯思維，所以它的處理方法很簡單，就是進行簡單的統計運算，也就是“硬算”，統計出在什麼情況會出什麼樣的結果，然後當類似的情況再出現時，它就會告訴我們可能會出現某種結果了。

　　由這裡也可看大資料的另一個特點，即大資料主要是進行預測，告訴你未來將會出現什麼樣的結果。而不是只分析出過去的走勢和現狀，未來還是要由人去判斷。
為什麼這種簡單的方法會有效呢？這就回到“大資料”這個詞上來了，那就是因為資料量非常大，統計出來的結果就往往是正確的。

　　大家一定都知道這個例子，扔硬幣來統計正、反面出現的機率，如果只扔10次，也許正面出現9次，以此來得出結論肯定是錯的；但如果你扔10萬次、100萬次，甚至更多，那你統計出來的結果基本是正確的，正、反面出現的機率一定是各50%.

　　是的，大資料自動挖掘就是依據這一原理。

　　這裡沒有嚴密的原因分析，不是通過資料分析出原因再推匯出結果；而是通過統計知道有這樣的情況，一般就會有這樣的結果，也即現象與結果的相關性。所以大資料就有一個顯著的特點，只關心相關性，不關心因果；用更通俗的話說就是“只知道結果，不知道原因”.

　　這實際是人們根據電腦的優勢，找出了一個全新的資料分析、挖掘方式，與傳統的方式完全不同，所以傳統那些搞資料分析或挖掘的專家並不能稱作為搞大資料的。

　　不過你一定要小心，冷不防你就會碰上一個這樣的專家，他們甚至可能是來自某名牌大學的知名教授之類。進到書店你也會看到許多講大資料的書，封面無一例外都有很大的“大資料”三個字，但其實都是在講傳統、人工的資料分析方式，和大資料一點邊都不沾。當然，這裡不包括《大資料時代》這本書。

　　另外，傳統搞神經網路、深度學習等人工智慧的，也基本不算大資料，因為這裡面還是很多人為因素，包括建模型、對程式進行訓練等，這裡人仍需要對所分析的商務邏輯非常熟悉才能做，目前這種方法也難以達到實用的效果。而大資料只是讓電腦根據一些簡單卻巧妙的演算法，去進行大量資料的統計，找出連人都想不到的規律。大資料在這裡基本是與商務邏輯無關的，人不需要知道這是什麼業務，比如分析移動互連網行業的資料，他不需要知道這個行業的來龍去脈、當前狀況等，他只需要對大量曆史資料進行統計，就能夠找出其未來的走勢。

　　說到這，你一定很想問，那就找不到一個真正搞大資料的了？

　　先來講個小故事：

　　80年代有倆電腦獃子在IBM做翻譯系統。當時的磚家都在探索語言之間的內在聯絡，文法、句法神馬的。倆獃子路數不同，他們把能找到的各種語言相對應的文獻全部做成資料，旁人批評“這種電腦蠻力不算科學”，後來他倆被一個對沖基金老闆招走了。現這倆獃子是複興科技co-CEO，老闆是Jim Simons.

　　複興科技co-CEO每位年度營收大概是1億美元，比華爾街各大行CEO的年度營收要高一些，關鍵是這兩位幾乎名不見經傳。他們老闆James Simons比較有名，是位元學家，跟陳省身一起寫過定理，跟楊振寧是同事，年度營收超過10億美元，現在退休做慈善。清華有Chern-Simons樓，是楊振寧拉Simons掏錢修的。

　　在金融投資領域，只關注相關性、不關注因果的對沖基金做得很好（複興科技，DE Shaw），但金融理論基礎深厚、大資料分析能力欠佳的公司卻沒有類似的業績，MIT金融學家羅聞全坦言不明白複興科技在幹什麼。
喂，說你呢，別老盯著人家年度營收1億美元。

　　這裡關鍵的是很多人批評“這種電腦蠻力不算科學”（這些人肯定都是磚家，否則估計也沒資格批評），還有就是金融學家們完全不明白他們在幹什麼。

　　這說明了什嗎？說明了在國外發達國家贊成這種方式的人很少，知道怎麼用這種方式的人就更少了，那麼各位可以想像下在中國能有多少人知道這種方法該怎麼做。

　　在中國，如果誰用這種非主流的野路子做事，別說評專家、教授了，更別說什麼收入上億了，你估計不被餓死的機率有多大。

　　反正筆者知道一個傢伙，從2000年開始，就像美國那兩個獃子，用這種“不科學的蠻力的硬算方法”進行語義相關度分析，做的事與那兩個獃子搞的翻譯系統異曲同工，都是有關語言的。可以說他在這方面做出了突破性成果，然而他寫的成果文檔，博士、專家們看都不看。他現在也就在一家小公司做一份普通IT工作，勉強維持溫飽，曾經好長一段時間找不到合適工作，差點去洗碗、當保安。

　　也許有人要問了，搞語言方面的去搞數字，這靠譜嗎？用大資料的思路，你別管原因，那兩個複興科技的獃子已經告訴你結果了。

　　非要知道原因，也可以跟你說說：

　　其實語言比數字複雜太多了，舉個簡單的例子吧：1和2，電腦天然就知道它們的關係，知道哪個大、哪個小，以及大多少；但是“人”和“大”，電腦怎麼知道這二者有什麼關係，要知道也行，傳統的方法就是進行很多人工註解（專業叫詞性標註）。要讓電腦自己通過資料採礦來知道文字的意義和相關性，甚至連基本的詞庫都不給電腦，而讓它自己去建，那實在太難了點，簡直就是匪夷所思，然而那個傢伙做到了。

　　也就是說在大資料方面，語言處理與數字相比，難度絕對不是一、兩個數量級的差別，因此能做語言的，做數字就很簡單了。在有就還是大資料的特點，大資料是不管你什麼樣的資料，它就是找出相關性，所以文字和數字並沒有太大區別。

　　前段時間那傢伙碰到有人提出一個行業趨勢分析的問題，他說只用一個小時就想出了演算法，只要把大量資料拿來就能出結果，但是在中國沒人敢相信他。

　　好了，有點跑題，不好意思。不過你現在知道什麼是真正的“大資料”了吧。首先記得大資料是用來進行預測的，即直接告訴你未來的結果，另外就是牢牢記住7個字“大資料自動挖掘”，那就誰也忽悠不了你了。