Big Data – popularny termin oznaczający ogromne zbiory różnorodnych danych. Są wykorzystywane głównie przez analityków w dużych korporacjach, jednak cieszą się również sporym zainteresowaniem wśród zwykłych ludzi. Odnoszę wrażenie, że na tyle dużym, że staramy zamienić każdy nasz dzień w ciąg cyfr (których i tak zwykle nie analizujemy).

W ostatnim czasie obserwujemy wzrost popularności zjawiska określanego mianem „Quantified Self”, czyli wykorzystanie aplikacji i podpięcie się do różnego rodzaju czujników, zamieniających każdą naszą aktywność w słupki, wykresy i liczby. Dosłownie każdą. Otaczamy się kolejnymi inteligentnymi urządzeniami, które mogą nie tylko zmierzyć liczbę kroków i spalonych w ciągu dnia kalorii, czy określić jakość naszego snu (co większości urządzeń wychodzi bardzo przeciętnie). Dziś te urządzenia powiedzą nam również czy nie jemy za szybko, czy prawidłowo umyliśmy zęby, oraz jak radzimy sobie w łóżku.

wieciecownecie_gadzety

wieciecownecie_gadzety

Jaki jest tego wynik? Pod koniec dnia mamy tak dużo danych opisujących każdą naszą aktywność, że nie jesteśmy w stanie ich przeanalizować. Dostajemy informację, że spaliśmy 7h 24min z czego zaledwie 1h 10 min to głęboki sen, w ciągu nocy przebudziliśmy się 4 razy, wstaliśmy o 6:42, o 7:01 nasza waga pokazała 84,3 kg (z czego 59,5% to woda, 17,6% tkanka tłuszczowa, 67,3% tkanka mięśniowa), zrobiliśmy dokładnie 13 242 kroki, z czego 1648 to bieg a 96 to wejście po schodach, spaliliśmy 2453 kcal w ciągu dnia, nasze średnie tętno w ciągu dnia to 83, zjedliśmy posiłki o zbyt dużej wadze kalorycznej, wypiliśmy o 328 ml wody za mało, przeszliśmy dokładnie 12,43 km, siedzieliśmy łącznie 8h 34 minuty, z czego transport z i do pracy zajął nam 47 minut (o 13 minut krócej niż zwykle), wydaliśmy 84,19 PLN na zakupy (w tym spożywcze 19,90 zł, używki 11,40 zł, paliwo 52,89 zł), telefon odblokowaliśmy 53 razy i najczęściej korzystaliśmy z aplikacji FB (34 uruchomienia), ale korzystaliśmy też z YouTube przez 34 minuty (o 3 min i 24 sekundy krócej niż średnia), łącznie spędziliśmy na rozmowie przez telefon 1h 34min 24 sek, szczotkowaliśmy zęby przez 4 minuty 32 sekundy, nasz stosunek trwał 9min 27 sekund, podczas którego wypadliśmy z rytmu 24 razy (ale nasza aplikacja i tak oceniła nas na 72%), zasnęliśmy o godzinie 23:43:23 (o 11 minut i 22 sekundy później niż wczoraj), obudziliśmy się o 6:34, spaliśmy łącznie…

Rozumiecie o co mi chodzi? Cały czas zbieramy w różnych aplikacjach, za pomocą różnych urządzeń dużo danych, jednak finalnie nic z nich nie wynika. Może inaczej – wynika, ale jest ich zbyt wiele i nie jesteśmy w stanie wyciągnąć z nich sensownych wniosków. Żeby nie było, sam jestem fanem tego typu urządzeń. Uwielbiam biegać z aplikacją, która po skończonym treningu zapisuje jego podsumowanie. Dzięki temu mogę śledzić postępy, co nie tylko dodatkowo mnie motywuje, wprowadzając element grywalizacji, ale daje również możliwość eliminacji złych nawyków. Jednak jak we wszystkim, tak i w tym można przesadzić i dojść do momentu, że przez tak przytłaczającą ilość danych nie jesteśmy w stanie wyciągnąć konkretnych wniosków.

Podobny problem dotyczy wielu firm, które zbierają dane na zasadzie „lepiej mieć niż nie mieć” oraz „a może kiedyś się przyda” i przechowują je na serwerach, ponosząc niepotrzebne koszty.

Pracując w firmie badawczej na co dzień spotykam się z sytuacją, kiedy klient nie jest zainteresowany kolejnym kolorowym raportem, pełnym mądrych zestawień, tabelek i wykresów. Po pierwsze, nie chce lub nie ma zasobów aby wszystkie te dane dokładnie przeanalizować. Po drugie, wszystkie te dane dotyczą przeszłości. To, co najbardziej interesuje klienta, to stworzone na ich podstawie wnioski i rekomendacje na przyszłość.

Ale jak to zrobić? Skoro nie radzimy sobie ze skuteczną analizą i wyciągnięciem wniosków z informacji dotyczących tylko naszej osoby, to co zrobić z ilością danych, jaką zbiera średniej korporacja? Tu z pomocą przychodzi nam sztuczna inteligencja. I nie jest to pieśń przyszłości. Od dawna wykorzystujemy ją tam, gdzie możliwości człowieka są niewystarczające. Przykładem może być wykorzystanie AI przez największe agencje informacyjne do przygotowywania newsów oraz w systemach monitoringu, gdzie człowiek od ciągłego patrzenia na ekran męczy i umykają mu istotne szczegóły. Komputer się nie zmęczy i gdy tylko pojawi się sygnał budzący obawy, natychmiast informuje o tym pracowników ochrony. Może nie zdajesz sobie z tego sprawy, ale spotykasz się z tym również na co dzień w aplikacjach jak Netflix czy Spotify, które przygotowują dla Ciebie rekomendacje, biorąc pod uwagę twoje wcześniejsze wybory.

Niezależnie od tego z jak zaawansowanych technologii korzystamy i czy przygotowujemy analizy dla siebie, czy jesteśmy dużą korporacją świadczącą swoje usługi klientom, musimy pamiętać jedno. Zanim zdecydujemy się na pomiar, przemyślmy, co chcemy nim osiągnąć i jakich dokładnie danych do tego potrzebujemy. Zbieranie wszystkiego po prostu mija się z celem.

 

Udostępnij