Die von der Sistema_VC Foundation organisierte Big Data-Konferenz Meet Big Brother fand in Moskau statt. Alles war da: Ein israelischer Entwickler kam, der weiß, wie man Daten hundertmal schneller verarbeitet als jeder andere. MTS sagte, dass MTS sterben wird, wenn es kein IT-Unternehmen wird. Russische Geschäftsleute haben Alarm geschlagen und versucht, ihn zu zerstreuen.
Es scheint, dass jeder bereits daran gewöhnt ist, dass in Gesprächen über Big Data, insbesondere wenn sie philosophisch sind, früher oder später der orwellsche Superschurke Big Brother erscheinen wird - genau wie Hitler
in allen Streitigkeiten im Internet . Die Organisatoren haben den Stempel nicht sofort im Titel gezogen und geschlagen. Angst - gerechtfertigt oder nicht - ist Teil des Hype, was zu tun ist.
Tatsächlich haben sie von dem großen Datum der Antike geträumt - von allen möglichen alten Ägyptern, als die Menschen umgeschrieben wurden, um zu verstehen, wie man sie effektiver einsetzt. In der Zeit von Peter I. wurden Big Data (Volkszählung zur Steuererhebung) drei Jahre lang gesammelt und dann weitere drei Jahre verarbeitet. Mit Ausnahme dieses Prozesses haben wir nun selbst Drähte, Geschwindigkeiten und Datentypen hinzugefügt. Alles im Namen von Effizienz, Optimierung und einem noch älteren Traum der Menschheit - damit alles irgendwie selbst gemacht wird.
Unternehmen träumen davon, dass alles selbst klar segmentiert sein sollte und entschieden werden sollte, wer, was und wann verkauft werden soll. Käufer möchten, dass alles gekauft, eingeschaltet, gekaut und verdaut wird. Auf der Konferenz versammelten sich kluge Köpfe, um zu diskutieren, wie dies erreicht werden kann. Ich hörte ihnen gut zu, fragte herum und schrieb alles auf.
Yorgan Calllebout und Psychologie in Big Data
Die Konferenz begann mit einer Rede des Psychologen Jorgan Calllebaut. Er arbeitet für DataSine. Mithilfe von maschinellem Lernen und psychologischen Modellen segmentieren sie das Publikum und untersuchen, wer welche Anzeigen zeigen muss.
Das funktioniert so: Sie sammeln alle Daten, die sie finden - von Aufzeichnungen im Internet bis zur Zahlungsgeschichte - und überlagern sie mit Hilfe des maschinellen Lernens dem psychologischen Modell der Big Five.
Extraversion - Introversion
Anhaftung - Isolation
Selbstkontrolle - Impulsivität
emotionale Instabilität - emotionale Stabilität
Ausdruckskraft - Praktikabilität
Yorgan behauptet, dass der vierte Punkt, den ihr Unternehmen nicht verwendet, weil er nicht ethisch ist. Ihm zufolge können wir angeblich auf die psychische Gesundheit eines Menschen schließen und sie gegen ihn einsetzen.
Verteilungsmethoden werden natürlich von der Person abgeleitet und scheinen, wenn sie nicht tief gehen, eher stereotyp zu sein. Zum Beispiel sagt Yorgan, dass Sie, wenn Sie viele Bücher kaufen, höchstwahrscheinlich introvertiert sind. Wenn Sie oft Geld in Bars ausgeben - wahrscheinlich extrovertiert (weil Introvertierte zu Hause sitzen und schweigen).
Auf die Frage "warum sonst ?!" Yorgan hat eine medizinische Reaktion. Die Sache ist das Hormon Acetylcholin, gegen das alle Menschen unterschiedlich empfindlich sind. Wenn eine Person empfindlich auf das Hormon reagiert, wird es introvertiert und schließt sich mit starken Emissionen, beispielsweise durch Interaktion mit Menschen, zu einem Klumpen zusammen und schluckt die Zunge. Extrovertierte haben eine höhere Schwelle für die Hormonstimulation. Daher können die Menge, der Lärm und die Kommunikation für einige Zeit sie nicht stören.
Das Hormon spritzt nicht nur beim Anblick von Menschen, es reagiert auch auf viele Dinge - Farben, Geräusche, Worte. Daher erstellt das Team von Yorgan für Extrovertierte und Introvertierte verschiedene Werbebriefe.
Zum Beispiel verwenden wir dieselben Zahlen und Fakten, aber wir ordnen Briefe in der Mailingliste auf unterschiedliche Weise an. Für Extrovertierte setzen wir orange Bilder, hell. Für Introvertierte, blau und kalt. Maschinelles Lernen hilft uns bei der Auswahl dieser Bilder. Durch die Tatsache, dass Sie ein Bild in der E-Mail ändern, erhöht sich die Anzahl der Klicks auf den Link um 40%. Wenn Sie auch den Text konfigurieren, erhöhen sich die Koeffizienten auf 80%.
Als Yorgan besorgt gefragt wurde, ob die Einführung von Big Data uns alle zu Introvertierten machen würde, antwortete er nein, würde er nicht. Wie geboren, so wirst du sein.
Aber das war die ungewöhnlichste der beunruhigenden Fragen. Der Rest ging in die Klassiker - aber werden die Unternehmen nicht anfangen, uns mit diesen Ihren psychologischen Geräten zu manipulieren?
Viele Unternehmen haben noch nicht einmal das Niveau erreicht, in dem sie Big Data nutzen und noch weniger jemanden mit ihrer Hilfe manipulieren könnten. Und im Allgemeinen werden wir Sie nicht manipulieren. Wir wollen Sie nicht zwingen, etwas gegen Ihren Willen zu tun. Wir personalisieren die Angebote nur so, dass alle zufrieden sind.
Ami Gal und GPU Speed Database
Ami Gal, der Gründer von SQream, kam aus Tel Aviv zur Konferenz. Sein Unternehmen entwickelt seine Datenbank, die laut Aussage aufgrund der Bearbeitung von Anfragen für die GPU 100-mal schneller als üblich ist. Dies macht es für die Arbeit mit Big Data geeignet.
Von den Beispielen sprach Ami über den Fall des israelischen Krebsforschungszentrums. Es gibt eine Datenbank über die Behandlung von Tausenden von Patienten über Jahrzehnte, es gibt Proben der Gene jedes Patienten, Informationen über alle Anomalien, Reaktionen und natürlich den Erfolg einer bestimmten Behandlung.
Durch die Zusammenstellung großer Datensätze lernten die Wissenschaftler, die statistisch am besten geeigneten Behandlungsmethoden für jeden neuen Patienten auszuwählen. Das Problem war, dass es in nur einer Spalte einer solchen Tabelle bis zu 6 Milliarden Datensätze geben konnte. Früher dauerte die Analyse 2 Monate - jetzt 2 Stunden.
Das heißt, sobald Wissenschaftler eine Probe der DNA des Patienten erhalten, wissen sie sofort, welche Methode am wahrscheinlichsten zum Erfolg führt.
Ich war daran interessiert, mehr über Ami, sein Unternehmen und seine Technologie zu erfahren, und fragte ihn persönlich nach allem.
Ami studierte Informatik und Physik an der Universität von Tel Aviv, arbeitete dann als Programmierer und gründete 1996 seine erste Firma. Ihm zufolge war es dann nicht wie im modernen Alltag von Technologie-Startups: "Wir mussten etwas tun und es sofort an Kunden verkaufen, um zu überleben."
Im Jahr 2000 gründete er mit Partnern Magic Software. Dort übernahm Ami den Posten des technischen Direktors und Vizepräsidenten für Forschung und Entwicklung, wechselte jedoch allmählich von der Technologie zur Wirtschaft - "wechselte auf die dunkle Seite".
Nachdem Ami Magic nach drei Jahren verlassen hatte, begann er in Startups zu investieren. „Wenn Startups auf Verwandte, Freunde und Narren angewiesen sind, war ich einer der letzten“, lacht er.
Und schließlich kam Ami 2010 zusammen mit Kostya Varakin, einem russischen Migranten, auf die Idee, Datenbanken mithilfe einer GPU zu beschleunigen, und gründete SQream.
- Als die Idee aufkam, gab es keine Sensation wie "Ja, es ist offensichtlich! Warum verarbeitet noch niemand SQL-Abfragen auf der GPU? “Heute ist offensichtlich. Aber als wir anfingen, wollte uns niemand zuhören. Es schien allen, dass dies unmöglich war.
Die Idee kam meinem Mitbegründer Kostya Varakin aus St. Petersburg. Aber sie schien so unmöglich, dass er sich nicht sofort entschied, es auszusprechen. Und ich dachte - die Verwendung einer GPU ist nicht für Spiele, sondern für die Datenverarbeitung - es ist cool. Wir haben angefangen zu arbeiten und diesen Ansatz in den Mittelpunkt des Unternehmens gestellt.
Natürlich waren wir der Meinung, dass GPUs für Daten großartig sind und jeder sie genau dort verwenden würde. Aber sie haben nicht angefangen. Ich erinnere mich, als ich Investitionen tätigen wollte, reagierten die Geschäftsleute wie folgt: „Machst du Witze? GPU-Datenverarbeitung? Das passiert nicht, geh. "
Nur sechs Jahre später (vor etwa zwei bis drei Jahren) wurde die GPU dank ihrer Arbeit mit KI, Deep Machine Learning, zum Mainstream. Und jetzt scheint die Verarbeitung von Daten auf der GPU keine seltsame Idee mehr zu sein.
"Haben die Leute, die Sie vorgeschlagen haben, nicht Geschwindigkeit gesehen?"Gesehen, jeder hat gesehen. Tatsache ist jedoch, dass GPUs für die Verwendung mit Vektorgrafiken ausgelegt sind. Und die Art und Weise, wie wir Daten verarbeiten, ist das genaue Gegenteil der Arbeit mit einem Vektor. Der Chip ist nicht für diese Art der Berechnung ausgelegt. Daher müssen wir bei Software den Prozessor glauben machen, dass er beispielsweise Video verarbeitet, obwohl dies nicht der Fall ist. Das heißt, Sie müssen alles vor und nach der GPU konvertieren, da nur der Vektor akzeptiert wird.
Wir mussten komplexe Probleme in Listen einfacher Anweisungen für den Prozessor zerlegen. Aber es sah fast unmöglich aus.
- Und was war am schwierigsten zu entwickeln?Arbeite mit Russen (lacht). In der Tat war das Schwierigste in der Geschichte des Unternehmens keine technische Lösung. Ganz am Anfang wollten wir nur einen Beschleuniger für die Datenbanken anderer Leute entwickeln. Etwas, das Oracle und MS SQL beschleunigen wird. Angenommen, wir senden eine Anfrage an Oracle, die dank der GPU schneller ausgeführt wird.
Wir sind mit der Frage in den Markt eingetreten: "Benötigen Sie etwas, mit dem Ihre Datenbank 20-mal schneller funktioniert?" Und der Markt antwortete: "Nein, nicht benötigt."
Das Problem war, dass wir die Anfrage zwischen der Engine und dem Client abgefangen haben. Dies war eine Störung von Oracle. Uns wurde gesagt: "Dies ist unmöglich - senden Sie eine Anfrage an Ihren Motor und bearbeiten Sie sie selbst." Und wir sagen: "Wir haben keine Datenbank."
"Also mach es."
Wir haben uns angesehen, wie andere Unternehmen handeln und wie Data Warehouses mit MPP-Architektur angeordnet sind. Alle von ihnen werden auf der Basis einer anderen Datenbank erstellt - hauptsächlich PostgreSQL oder MySQL. Vertica, Greenplum und andere Legacy-Repositorys basieren auf PostgreS.
Wir haben beschlossen, es auch zu versuchen. Sie nahmen PostgreSQL und implementierten es auf der GPU. Es stellte sich sehr langsam heraus: Die Geschwindigkeit stieg nur zweimal an. Niemand würde Datenbanken auf der GPU aus Gründen der Beschleunigung in etwa zwei Fällen übersetzen. Wir wussten nicht, was wir tun sollten, schliefen eine Woche lang nicht. Bei allem Respekt vor mir und meinen Kollegen konnten wir es uns nicht leisten, eine Datenbank von Grund auf neu zu erstellen - dies ist ein zu großes Projekt.
Aber wir haben es versucht und nach dem Bau des ersten Blocks hat sich die Produktivität um das 18-fache erhöht. Dann beschlossen wir weiterzumachen, obwohl wir wussten, dass der Weg lang und schwierig sein würde. Diese Entscheidung erwies sich für die gesamte SQream-Zeit als die schwierigste. Dies bedeutete schließlich, dass wir viel mehr Geld, Menschen und Zeit benötigen würden, um ein Unternehmen aufzubauen.
Aus technologischer Sicht war es am schwierigsten, einen JOIN mit einer GPU zwischen zwei großen Tabellen auf der Festplatte zu starten.
- Was ist dein Stapel?Wir verwenden CUDA, um mit der GPU zu arbeiten. Wir schreiben alles in C ++, Haskell und ein bisschen in Erlang.
Wenn Sie über einen bestimmten Zeitraum mit Milliarden von Transaktionen arbeiten, beispielsweise in Sekundenbruchteilen, benötigen Sie etwas, das der Hardware sehr nahe kommt.
Wir gehen vom Assembler zu Cuda und zu C ++. Wenn Sie unterwegs noch etwas hinzufügen, sinkt die Geschwindigkeit bereits, sodass wir so niedrig wie möglich sein müssen. Wir haben versucht, mit anderen Plattformen zu arbeiten: Zum Beispiel haben wir OpenCL anstelle von Cuda verwendet, aber das alles war nicht so gut geklappt, der Prozess ging zu langsam.
Wir müssen so tief wie möglich gehen, damit die Produktivität hoch ist.
Dafür verwenden wir Programmiersprachen wie C ++, Haskell, Cuda. An einigen Stellen implementieren wir Erlang, aber dies passiert viel seltener - wir verwenden immer mehr dasselbe C ++.
- Wenn ich nur mit regulären Datenbanken gearbeitet habe, muss ich im Falle eines Wechsels zu Ihren Datenbanken umschulten?Aus sprachlicher Sicht besteht keine Notwendigkeit, etwas Neues zu lernen. Wenn Sie in SQL geschrieben haben, ist hier alles gleich. Es gibt Dinge, die anders funktionieren. Aber die Spezifikationen beschreiben gut, wie man alles einrichtet.
- Die deklarierte Beschleunigung von 100 ist das Maximum, das Sie aus der GPU herausdrücken können?Ich denke nicht, dass unser Unternehmen 10% des Möglichen erreicht hat. Bereits im September bringen wir die dritte Version des Produkts auf den Markt, mit der wir die Produktivität verdoppeln werden. In Zukunft wollen wir es immer weiter steigern. Die Leistung der CPU seit 2006 wächst fast nicht und die Datenmenge wächst exponentiell. Die GPU-Leistung wächst auf die gleiche Weise.
Es stellt sich heraus, dass wir am Anfang des Lebenszyklus stehen. Eines der Dinge, die wir bald planen, ist die Steigerung der Leistung nicht nur auf einer GPU, sondern auch auf mehreren. Stellen Sie sich vor, wie schnell es sein wird! Hier ist eine Anfrage von 100 Sekunden Dauer. Wir teilen es in mehrere kleine zwischen zehn GPUs auf - und die Anfrage wird sofort weitergeleitet.
Ich denke im Allgemeinen, dass wir kurz vor einer neuen Ära stehen, in der GPU-Computing in der Datenverarbeitung eine dominierende Rolle spielen wird.
"Warum haben sie es nicht noch?" Was hört auf?Viel davon. Ich kann drei Hindernisse nennen.
Der erste ist nicht so stark wie zuvor, existiert aber immer noch. Wenn wir zu Unternehmen kommen, die mit Oracle oder IBM zusammenarbeiten, stehen sie vor der Wahl: Gehen Sie zu einem kleinen Startup aus Tel Aviv oder bleiben Sie bei einem großen Player. Selbst wenn sie gelöst sind, verzögert sich dieser Prozess erheblich.
Die zweite Barriere ist der Mangel an Menschen. Tel Aviv ist ein kleines Silicon Valley. Israel hat einen sehr starken Wettbewerb um Mitarbeiter: Ich brauche drei Monate, um den richtigen Mitarbeiter zu finden, obwohl ich ihn in drei Sekunden brauche.
Und schließlich die dritte - als Eigentümer eines Technologieunternehmens kann ich sagen, dass es immer jemanden gibt, der schlauer ist als Sie und vieles mehr. Wir müssen ständig sicherstellen, dass die Technologie auf dem Höhepunkt der Chancen steht und viel in sie investieren.
- Scheint es Ihnen nicht immer noch eine „Krücke“ zu sein, und für Daten ist es besser, eine eigene Verarbeitungseinheit zu finden oder zu erfinden?Natürlich suchen wir nach neuen Prozessortypen - nicht nur nach grafischen. Jetzt gibt es Technologien und bessere - sie werden in den nächsten Jahren auf den Markt kommen. Darauf muss man vorbereitet sein. Deshalb stehen wir in Kontakt mit Startups, Herstellern von Computerchips, einschließlich Quantencomputern.
Sobald sich diese Technologien entwickeln, wird die Welt in der Lage sein, Probleme viel schneller zu lösen, und dies kann natürlich nicht abwarten, es zu sehen. Um sehr optimistisch zu sein, werden in fünf Jahren die ersten derartigen Maschinen erscheinen, ihre sehr frühen Versionen, die für die akademische Forschung geeignet sind. Und noch weniger als zehn Jahre werden vergehen, bis die ersten Versuche unternommen werden, eine solche Technologie im öffentlichen Bereich einzuführen: Medizin und Sicherheit. Vorher wird die GPU eine gute Leistung erbringen. Es ist interessant zu sehen, was schließlich schneller wird.
Russische Unternehmen und Big Data
Zwischen den Vorstellungen wanderten junge und schöne Menschen durch den stilvollen Raum, gingen auf das Dach, plauderten und tranken Kräuterlimonade. Ich habe es wegen des dummen Acetylcholins nicht bekommen (Danke an Yorgan für die Erklärung), aber ich bin nicht beleidigt.
Dann betraten Leonid Tkachenko, Leiter der Big Data-Abteilung bei MTS, Alisa Chumachenko, Gründerin des GOSU Data Lab, Segmento-Gründerin Roma Nester und Jewgeni Isupow von der Tinkoff Bank die Bühne, um über Big Data zu diskutieren.
Sowohl ich als auch das Publikum wurden von den Aussagen von Leonid perfekt angesprochen. Es ist ungewöhnlich, ein solches Maß an Offenheit von der Spitze eines der größten Unternehmen in Russland zu hören. Die Tatsache, dass ich ihn hier mehr zitieren werde, bedeutet nicht, dass er so viel mehr gesprochen hat als jeder andere (dies ist keine MTS-Werbung. Ich habe einen anderen Betreiber, und Leonid hat sich nach seinen Worten bereits damit abgefunden. Obwohl er auch in diesem Fall über mich spricht weiß mehr als ich dachte).
Er begann sofort mit der Tatsache, dass Big Data momentan wirklich nicht funktioniert und der Mythos aufgebläht ist. Wenn das Problem mit herkömmlichen Methoden nicht gelöst werden könne, werde sich mit dem Aufkommen von Big Data nichts ändern.
Zum Beispiel hatte MTS ein erfolgreiches Modell zur Vorhersage der Kundenabwanderung. Wenn Big Data darauf angewendet wurde, war das Wachstum völlig vernachlässigbar. Und genau das Gegenteil. MTS konnte nicht vorhersagen, wann sich Abonnenten für einen günstigeren Tarif entscheiden würden (um im Voraus anzurufen und ein paar Boni abzuraten). Als wir versuchten, das Problem mithilfe von Big Data zu lösen, funktionierte es immer noch nicht.
Sie müssen nicht nach einem Wunder in Big Data-Technologien suchen
Evgeny Isupov widersprach ihm:
- Als wir neue Daten oder eine speziellere Mathematik hinzufügten, die es uns ermöglicht, fortgeschrittenes Feature-Engineering durchzuführen, um Features zu generieren, die für eine Person schwer zu finden waren, konnten wir dort einen deutlichen Anstieg feststellen.
Und damit stimmte Leonid überein:
- Hier ist auch ein Beispiel, bei dem das Hinzufügen neuer Daten eine wichtige Rolle spielt. Wenn wir beobachten, wie unsere Teilnehmer anrufen, wissen wir nur, dass sie anrufen. Es lohnt sich, eine minimale Geoanalyse hinzuzufügen, eine Basisstation, an der das Telefon die meisten Nächte verbringt, und eine Basisstation, an der es sich an fünf Tagen in der Woche befindet. Alles - wir wissen, wo Sie leben und arbeiten.
Wenn wir eine Modellierung basierend auf dem Anrufprofil hinzufügen - und das haben wir getan - können wir Ihren gesamten Haushalt wiederherstellen. Wir sehen, dass drei MTS-Teilnehmer darin sind, ein weiterer Beeline und ein weiteres Megaphon. Wir haben keine Geoanalytiker, wir wissen nur, wie sie unser Netzwerk nennen.
In diesem Modell gibt es mehr als tausend sehr subtile wichtige Dinge, die Sie selbst nicht generieren werden. Zum Beispiel eine solche Funktion - wie sich die Kommunikationsdichte zwischen Personen am Freitag von 3 auf 4 und von 4 auf 5 ändert. Und so weiter. Wir nehmen alle Paare von Freunden oder Fremden, die sich oft anrufen, Tausende von Merkmalen auferlegen und sie in zwei Teile teilen können - Paare, die zusammen leben, und Paare, die nicht zusammen leben.
Alisa Chumachenko führte die Idee in eine pragmatische Richtung - in erster Linie gehen ihrer Meinung nach die Aufgaben voran, nicht die Technologien. Wenn es sinnvoll ist, mithilfe von Big Data etwas zu tun, und es rentabler und effektiver als die alten Methoden ist, werden sie verwendet. Die Arbeit mit Big Data im Interesse von Big Data ist nicht erforderlich, aber aus irgendeinem Grund versuchen es viele.
Big Data ist genau ein Hype und wird dort angezeigt, wo es überhaupt nicht hingehört.
Als sie fragte, ob jemand von DeepMind gehört hätte, streckte ich meine Hand mit dem Gedanken aus: "Herr, natürlich haben alle gehört, sie sind verdammt besser bekannt als der Papst." Aber ungefähr fünf Leute hoben ihre Arme.
Dann begann Alice über den Sieg der KI in Go zu sprechen und fügte eine Tatsache hinzu, die mich persönlich überraschte. Es stellt sich heraus, dass für ein trainiertes neuronales Netzwerk praktische Anwendung gefunden wurde. Es wird verwendet, um Google-Server zu kühlen.
AI geht durch, welche Art von Kühlschlangen wo und wann gedreht werden muss, lernt, ermutigt sich selbst und bestraft - und dieser Prozess hat die Serverkosten bereits um 40% gesenkt.Alice selbst träumt, da sie mit Spielen arbeitet, von einem System, das alles über ihre Spielpräferenzen weiß. Sie erinnerte sich an das erste Mal, als sie in die League of Legends eintrat, und das Spiel gab ihr 30 Sekunden Zeit, um einen von ein paar hundert Helden auszuwählen.- Wenn das Spiel wüsste, dass ich immer Unterstützung spiele, würde es die Helden hervorheben, die besser zu mir passen, und mir raten, den Rest nicht zu berühren. Wenn das Spiel wüsste, dass ich liebe, würde ich zu einem Benutzer konvertieren und das Geld darin tragen.
In einem coolen Monolog über die Zukunft von Big Data gab Leonid erneut:- MTS ist ein Mann in den Fünfzigern. Alles ist dahinter. Vor uns liegt entweder ein elendes Leben oder allgemein Vagankovo. Klassische Telekommunikation ist das Ende. Wir sind uns dessen bewusst und suchen als Unternehmen nach einem neuen Körper, um unsere Seele in ein neues Unternehmen zu überführen. Und in diesem Körper sind wir fertig.Big Data kann eins werden. Wir haben drei Strategien:
- Die vollständige Anhäufung aller Daten über den Kunden im Allgemeinen, auch wenn wir nicht verstehen, wie man sie verwendet. Speichertechnologien sind billig genug, um alles zu speichern.
- Open Data Wissenschaftler greifen auf Daten zu und versuchen, etwas zu blenden.- Bauen Sie ein neues Geschäft auf, das auf Wissen über Menschen basiert, basierend auf dem Eindringen in ihre Köpfe, Seelen und Wünsche. Machen Sie die bestmögliche Personalisierung. Alles über dich zu wissen, als ob wir dich beobachten und belauschen würden, ohne dies zu tun.
Und die letzte Meile dieses Geschäfts wurde bereits gebaut - um eine Person im Internet zu fangen und ihr eine Werbung zu zeigen. Es bleibt, den ersten zu bauen, tief und tief einzudringen und herauszufinden, was diese Person sehen will. Damit jeder zweite kauft.
Leonid glaubt, dass die Zukunft der Daten auf zwei Arten verlaufen kann. Oder die Daten werden Eigentum von Personen und sie können Informationen über sich selbst verkaufen, entscheiden, welches Unternehmen und was geöffnet werden soll. Oder die Daten werden das volle Eigentum von Staaten.
Es wird absolut alles über uns wissen. Aber zumindest wird das Leben sicherer.
Alle sind sich einig, dass die Daten auf die eine oder andere Weise stark reguliert werden.- Jeder, der sich in den letzten sechs Monaten mit der DSGVO auseinandergesetzt hat, weiß, dass der Zugang zu privaten Daten sehr stark reguliert wird. Auf der anderen Seite gibt es China, bei dem Sie verstehen, dass dies nicht der Fall ist. Russland wird wahrscheinlich der chinesischen Version folgen. Auf jeden Fall werden die großen Unternehmen, die diese Daten speichern (schlau auf Leonid), es schwer haben.Der Roman glaubt, dass Angst aus Unwissenheit und Missverständnissen entsteht:- Wir befinden uns in einem Zustand technologischer Panik. Jeder hat Angst, dass jemand etwas über ihn weiß, und jeder mag es nicht. Zum Beispiel gibt es 15 technologische und geschäftliche Gründe, warum Facebook nicht rentabel ist, um Menschen zu belauschen. Aber die Leute glaubten daran und nehmen den Dienst jetzt anders wahr.Der Datenerfassungsprozess sollte transparent sein, damit die Menschen keine Angst haben.
Wie in allen globalen Fragen entstehen Widersprüche in kleinen Dingen. Wo soll die Grenze zwischen Datenschutz und Komfort gezogen werden, wo und in welchen Fällen sollen personenbezogene Daten veröffentlicht werden?Wie Eugene sagte, wenn Informationen wie "Was hast du letzte Nacht getan?" Gegen dich verwendet werden, um dich zu lachen oder sogar zu verletzen, dann willst du sie natürlich nicht öffnen. Wenn diese Informationen beispielsweise die Gesundheit oder den Schlaf verbessern können, können sie weitergegeben werden.Roman glaubt, dass es sich lohnt, Angst vor kleinen Unternehmen zu haben:"Große Unternehmen werden teurer als der Verkauf meiner Daten." Sie belasten kleine Unternehmen, die sich bemühen, Daten mit aller Kraft zu monetarisieren. Wir kaufen Daten aus 40 Quellen und einige von Unternehmen, die uns keine Daten über Personen angeboten haben. Wenn Sie morgen schließen können, haben Sie keine große Verantwortung gegenüber der Gesellschaft und den Menschen.Alice glaubt im Gegenteil an eine glänzende Zukunft:- Ich möchte nur denken, dass Sie kein Bankkonto haben, sie haben Ihnen einmal eine Karte geschickt. Heute wird alles, was wir tun, öffentlich. Aber ich glaube nicht an extreme Szenarien, deshalb möchte ich, dass die KI früher erscheint und uns alles zeigt, was relevant ist.Und Leonid fasste zusammen:- Wenn Sie alles geben wollen, ist es besser, das Telefon auszuschalten.Anstelle von Schlussfolgerungen
Wenn ich über Big Brother spreche, erinnere ich mich immer an eine Geschichte. Als Orwell 1984 schrieb, schickte er eine Kopie an seinen Schullehrer Aldous Huxley. Er antwortete in einem Brief - er lobte das Buch, stimmte aber der Idee nicht zu. Er glaubte, dass "die Förderung von Infantilität und Drogenhypnose viel besser geeignet ist, um Macht zu erlangen als Gefängnisse und Schlagstöcke."Es ist natürlich viel spektakulärer, sich vor der Tatsache zu fürchten, dass „Big Brother dich beobachtet“, und es macht viel mehr Spaß, ihn zu fürchten. Aber, lieber Sistema_VC, ich denke, der Name Big Data, Meet Brave New World wäre besser.