La conférence Big Data, Meet Big Brother, organisée par la Fondation Sistema_VC, s'est tenue à Moscou. Tout était là: un développeur israélien est arrivé qui sait traiter les données cent fois plus vite que quiconque. MTS a déclaré que MTS mourrait si elle ne devenait pas une société informatique. Des hommes d'affaires russes tiraient la sonnette d'alarme, essayant de la dissiper.
Il semble que tout le monde est déjà habitué au fait que dans les discussions sur les mégadonnées, surtout si elles sont philosophiques, tôt ou tard le supervillain orwellien Big Brother apparaîtra - tout comme Hitler
dans tous les différends sur Internet . Les organisateurs n'ont pas tiré et battu le timbre immédiatement dans le titre. L'anxiété - justifiée ou non - fait partie du battage médiatique, que faire?
En fait, ils rêvaient de la grande date de l'Antiquité - de toutes sortes d'anciens Égyptiens, lorsque les gens ont été réécrits pour comprendre comment les utiliser plus efficacement. À l'époque de Pierre I, les mégadonnées (recensement pour la collecte des impôts) ont été collectées pendant trois ans, puis traitées pendant trois autres années. Maintenant, à l'exception de ce processus, nous avons ajouté des câbles, des vitesses et des types de données eux-mêmes. Tout cela au nom de l'efficacité, de l'optimisation et d'un rêve encore plus ancien de l'humanité - pour que tout devienne en quelque sorte autodidacte.
Les entreprises rêvent que tout lui-même soit clairement segmenté, il convient de décider qui, quoi et quand vendre. Les acheteurs veulent que tout ce qui est nécessaire soit acheté, allumé, mâché et digéré. Lors de la conférence, des gens intelligents se sont réunis pour discuter de la manière d'y parvenir. Je les ai écoutés intelligemment, j'ai demandé autour de moi et j'ai tout noté.
Yorgan Calllebout et la psychologie dans le Big Data
La conférence a commencé par un discours du psychologue Jorgan Calllebaut. Il travaille pour DataSine. À l'aide de l'apprentissage automatique et de modèles psychologiques, ils segmentent le public et étudient qui doit montrer quelles publicités.
Cela fonctionne comme ceci: ils collectent toutes les données qu'ils trouvent - des enregistrements sur Internet à l'historique des paiements - et à l'aide de l'apprentissage automatique, ils les superposent au modèle psychologique des Big Five.
extraversion - introversion
attachement - isolement
maîtrise de soi - impulsivité
instabilité émotionnelle - stabilité émotionnelle
expressivité - praticité
Yorgan affirme que le quatrième point que leur entreprise n'utilise pas, car il n'est pas éthique. Selon lui, nous pourrions conclure sur la santé mentale d'une personne et l'utiliser contre elle.
Les méthodes de distribution, bien sûr, sont déduites par la personne et, si ce n'est pour aller en profondeur, semblent plutôt stéréotypées. Par exemple, Yorgan dit que si vous achetez beaucoup de livres, vous êtes très probablement un introverti. Si vous dépensez souvent de l'argent dans les bars - probablement un extraverti (parce que les introvertis sont assis à la maison et sont silencieux).
À la question "pourquoi d'autre?!" Yorgan a une réponse médicale. La chose est l'hormone acétylcholine, à laquelle toutes les personnes ont différents degrés de sensibilité. Si une personne est sensible à l'hormone, elle devient introvertie et, avec de fortes émissions provenant, par exemple, d'une interaction avec les gens, elle se referme en une bosse et avale la langue. Les extravertis ont un seuil plus élevé pour la stimulation hormonale. Par conséquent, la foule, le bruit et la communication pendant un certain temps peuvent ne pas les déranger.
L'hormone éclabousse non seulement à la vue des gens, elle réagit à beaucoup de choses - couleurs, sons, mots. Par conséquent, pour les extravertis et les introvertis, l'équipe de Yorgan rédige diverses lettres publicitaires.
Par exemple, nous utilisons les mêmes chiffres et faits, mais nous organisons les lettres dans la liste de diffusion de différentes manières. Pour les extravertis nous mettons des images oranges, lumineuses. Pour les introvertis, bleus et froids. L'apprentissage automatique nous aide à choisir ces images. Du fait que vous modifiez une image dans l'e-mail, le nombre de clics sur le lien augmente de 40%. Si vous configurez également le texte, les coefficients augmentent à 80%.
Quand on a demandé à Yorgan avec impatience si l'introduction du Big Data ferait de nous tous des introvertis, il a répondu que non. Comme tu es né, tu le seras.
Mais c'était la plus inhabituelle des questions troublantes. Le reste est allé dans les classiques - mais les entreprises ne vont-elles pas commencer à nous manipuler avec ces gadgets psychologiques?
De nombreuses entreprises n'ont même pas atteint le niveau où elles pourraient utiliser les mégadonnées, encore moins manipuler quelqu'un avec leur aide. Et en général, nous n'allons pas vous manipuler. Nous ne voulons pas vous forcer à faire quelque chose contre votre volonté. Nous personnalisons uniquement les offres pour que tout le monde soit content.
Base de données de vitesse Ami Gal et GPU
Ami Gal, le fondateur de SQream, est venu de Tel Aviv pour la conférence. Son entreprise développe sa base de données, qui, selon le communiqué, est 100 fois plus rapide que d'habitude en raison du traitement des demandes de GPU. Cela le rend approprié pour travailler avec des mégadonnées.
Parmi les exemples, Ami a parlé du cas du Centre israélien de recherche sur le cancer. Il existe une base de données sur le traitement de milliers de patients depuis des décennies, des échantillons des gènes de chaque patient, des informations sur toutes les anomalies, les réactions et, bien sûr, le succès d'un traitement particulier.
En rassemblant d'énormes ensembles de données, les scientifiques ont appris à sélectionner les méthodes de traitement les plus appropriées statistiquement pour chaque nouveau patient. Le problème était qu'il pouvait y avoir jusqu'à 6 milliards d'enregistrements dans une seule colonne d'un tel tableau. Auparavant, l'analyse prenait 2 mois - maintenant cela prend 2 heures.
Autrement dit, dès que les scientifiques reçoivent un échantillon de l'ADN du patient, ils savent immédiatement quelle méthode est la plus susceptible de mener au succès.
J'étais intéressé à en savoir plus sur Ami, son entreprise et sa technologie, alors je lui ai posé des questions sur tout personnellement.
Ami a étudié l'informatique et la physique à l'Université de Tel Aviv, puis a travaillé comme programmeur, et en 1996 a fondé sa première entreprise. Selon lui, alors ce n'était pas comme la vie quotidienne moderne des startups technologiques: "Nous devions faire quelque chose et le vendre immédiatement aux clients pour survivre."
En 2000, il a fondé Magic Software avec des partenaires. Là, Ami a repris le poste de directeur technique et vice-président de la R&D, mais est progressivement passé de la technologie aux affaires - "est passé du côté obscur".
Après avoir quitté Magic après trois ans, Ami a commencé à investir dans des startups. "Si les startups comptent sur des parents, des amis et des imbéciles, alors j'étais l'un des derniers", dit-il en riant.
Et enfin, en 2010, avec un migrant russe, Kostya Varakin, Ami a eu l'idée d'accélérer les bases de données à l'aide d'un GPU et a fondé SQream.
- Lorsque l’idée est venue, il n’y avait aucune sensation comme «Oui, c’est évident! Pourquoi personne ne traite-t-il toujours les requêtes SQL sur le GPU? »Aujourd'hui, c'est évident. Mais quand nous avons commencé, personne ne voulait nous écouter. Il semblait à tout le monde que c'était impossible.
L'idée est venue à mon co-fondateur Kostya Varakin de Saint-Pétersbourg. Mais elle semblait si impossible qu'il n'a pas immédiatement décidé de l'exprimer. Et je pensais - utiliser un GPU n'est pas pour les jeux, mais pour le traitement des données - c'est cool. Nous avons commencé à travailler, à mettre cette approche au cœur de l'entreprise.
Bien sûr, nous pensions que les GPU étaient parfaits pour les données, et tout le monde commencerait à l'utiliser immédiatement. Mais ils n'ont pas commencé. Je me souviens que lorsque je voulais augmenter les investissements, les gens d'affaires réagissaient comme ceci: «Vous plaisantez? Traitement des données GPU? Cela ne se produit pas, partez. "
Ce n'est que six ans plus tard (il y a environ deux à trois ans) que le GPU est devenu courant grâce à son travail avec l'IA, l'apprentissage automatique en profondeur. Et, bien sûr, le traitement des données sur le GPU a cessé de paraître étrange.
"Les gens à qui vous avez proposé l'idée n'ont-ils pas vu la vitesse?"Vu, tout le monde a vu. Mais le fait est que les GPU sont conçus pour fonctionner avec des graphiques vectoriels. Et la façon dont nous traitons les données est exactement l'opposé de travailler avec un vecteur. La puce n'est pas conçue pour ce type de calcul. Par conséquent, avec un logiciel, nous devons faire croire au processeur qu'il traite, par exemple, la vidéo, bien que ce ne soit pas le cas. Autrement dit, vous devez tout convertir avant et après le GPU, car il accepte uniquement le vecteur.
Nous avons dû prendre des problèmes complexes et les décomposer en listes d'instructions simples pour le processeur. Mais cela semblait presque impossible.
- Et quelle a été la plus difficile à développer?Travaillez avec les Russes (rires). En fait, la chose la plus difficile de l'histoire de l'entreprise n'a pas été une solution technique. Au tout début, nous avions prévu de ne développer qu'un accélérateur pour les bases de données des autres. Quelque chose qui accélérera Oracle, MS SQL. Imaginons que nous envoyions une demande à Oracle et qu'elle s'exécute plus rapidement grâce au GPU.
Nous sommes entrés sur le marché avec la question: «Avez-vous besoin d'une chose qui fera fonctionner votre base de données 20 fois plus rapidement»? Et le marché a répondu: "Non, pas nécessaire."
Le problème était que nous interceptions la requête entre le moteur et le client. C'était une interférence avec Oracle. On nous a dit: "C'est impossible - envoyez une demande à votre moteur et traitez-la vous-même." Et nous disons: "Nous n'avons pas de base de données."
"Alors fais-le."
Nous avons examiné comment les autres sociétés agissent et comment les entrepôts de données avec architecture MPP sont organisés. Tous sont créés sur la base d'une autre base de données - principalement PostgreSQL ou MySQL. Vertica, Greenplum et d'autres référentiels hérités sont tous construits autour de PostgreS.
Nous avons décidé de l'essayer aussi. Ils ont pris PostgreSQL et l'ont implémenté sur le GPU. Cela s'est avéré très lentement: la vitesse n'a augmenté que deux fois. Personne ne traduirait les bases de données sur le GPU dans un souci d'accélération en environ deux fois. Nous ne savions pas quoi faire, nous n'avons pas dormi pendant une semaine. Avec tout le respect que je dois à mes collègues et à moi, nous ne pouvions pas nous permettre de créer une base de données à partir de zéro - c'est un trop gros projet.
Mais nous avons essayé, et après avoir construit le premier bloc, la productivité a augmenté de 18 fois. Nous avons alors décidé de continuer, même si nous savions que le chemin serait long et difficile. Cette décision s'est avérée être la plus difficile de tout le temps pour SQream. Après tout, cela signifiait que nous aurions besoin de beaucoup plus d'argent, de personnes et de temps pour créer une entreprise.
D'un point de vue technologique, le plus difficile a été de démarrer un JOIN en utilisant un GPU entre deux grandes tables sur disque.
- Quelle est votre pile?Nous utilisons CUDA pour travailler avec le GPU. Nous écrivons tout en C ++, Haskell et un peu en Erlang.
Lorsque vous travaillez avec des milliards de transactions pendant une certaine période, disons, en une fraction de seconde, vous avez besoin de quelque chose de très proche du matériel.
On passe d'assembleur à Cuda et à C ++. Si vous ajoutez quelque chose d'autre en cours de route, la vitesse baissera déjà, nous devons donc être aussi bas que possible. Nous avons essayé de travailler avec d'autres plates-formes: par exemple, nous avons utilisé OpenCL au lieu de Cuda, mais tout cela n'a pas été si bien élaboré, le processus s'est déroulé trop lentement.
Nous devons aller le plus loin possible pour que la productivité soit élevée.
Pour cela, nous utilisons des langages de programmation tels que C ++, Haskell, Cuda. À certains moments, nous implémentons Erlang, mais cela se produit beaucoup moins souvent - nous utilisons de plus en plus le même C ++.
- Si je ne travaillais qu'avec des bases de données régulières, en cas de passage à la vôtre, devrai-je me recycler?Du point de vue de la langue, rien de nouveau n’est à apprendre. Si vous avez écrit en SQL, tout sera identique ici. Il y a des choses qui fonctionnent différemment. Mais les spécifications décrivent bien comment tout configurer.
- L'accélération déclarée de 100 fois est le maximum que vous pouvez extraire du GPU?Je ne pense pas que notre entreprise ait atteint 10% des possibles. Déjà en septembre, nous lançons la troisième version du produit, dans laquelle nous doublerons la productivité. À l'avenir, nous prévoyons de l'augmenter de plus en plus. Les performances du CPU depuis 2006 n'augmentent presque pas et la quantité de données augmente de façon exponentielle. Les performances du GPU augmentent de la même manière.
Il s'avère que nous sommes au tout début du cycle de vie. L'une des choses que nous prévoyons bientôt est d'augmenter les performances non seulement sur un GPU, mais aussi de travailler sur plusieurs. Imaginez quelle vitesse ce sera! Voici une demande d'une durée de 100 secondes. Nous le divisons en plusieurs petits entre dix GPU - et la demande passe en un instant.
Je pense généralement que nous sommes à l'aube d'une nouvelle ère où l'informatique GPU deviendra dominante dans le traitement des données.
"Pourquoi ne l'ont-ils pas encore?" Qu'est-ce qui s'arrête?Beaucoup de ça. Je peux nommer trois obstacles.
Le premier n'est pas aussi fort qu'avant, mais existe toujours. Lorsque nous nous tournons vers des entreprises qui travaillent avec Oracle ou IBM, elles sont confrontées à un choix: aller dans une petite startup de Tel Aviv ou rester avec un grand acteur. Même s'ils sont résolus, ce processus est considérablement retardé.
Le deuxième obstacle est le manque de personnes. Tel Aviv est une petite Silicon Valley. Israël a une très forte concurrence pour le personnel: il me faut trois mois pour trouver le bon employé, même si j'en ai besoin en trois secondes.
Et enfin, le troisième - en tant que propriétaire d'une entreprise technologique, je peux dire qu'il y a toujours quelqu'un de plus intelligent que vous, et bien plus encore. Nous devons constamment nous assurer que la technologie est au sommet des opportunités et beaucoup investir dans celle-ci.
- Ne vous semble-t-il pas que le GPU est toujours une «béquille», et pour les données il vaudrait mieux trouver ou inventer votre propre unité de traitement?Bien sûr, nous recherchons de nouveaux types de processeurs - pas seulement graphiques. Maintenant, il existe des technologies et encore mieux - elles apparaîtront sur le marché au cours des deux prochaines années. Il faut y être préparé. C'est pourquoi nous sommes en contact avec des startups, fabricants de puces informatiques, dont des ordinateurs quantiques.
Dès que ces technologies se développeront, le monde pourra résoudre les problèmes beaucoup plus rapidement, et cela, bien sûr, ne peut pas attendre de voir. Pour être très optimiste, dans cinq ans, les premières machines de ce type apparaîtront, leurs toutes premières versions adaptées à la recherche académique. Et encore moins de dix ans s'écouleront avant les premières tentatives d'introduction d'une telle technologie dans les domaines publics: médecine et sécurité. Avant cela, le GPU fonctionnera bien. Il est intéressant de voir ce qui finit par devenir plus rapide.
Entreprises russes et big data
Entre les représentations, les jeunes et les belles personnes ont erré dans l'espace élégant, ont marché sur le toit, ont bavardé et bu de la limonade à base de plantes. Je ne l'ai pas obtenu à cause de la stupide acétylcholine (Merci à Yorgan de m'avoir expliqué), mais je ne suis pas offensé.
Ensuite, Leonid Tkachenko, chef du département Big Data chez MTS, Alisa Chumachenko, fondatrice de GOSU Data Lab, la fondatrice de Segmento Roma Nester et Yevgeny Isupov de Tinkoff Bank, sont entrés en scène pour discuter des mégadonnées.
Le public et moi avons été parfaitement approchés par les déclarations de Leonid. Il est inhabituel d'entendre un tel niveau de franchise de la part de l'une des plus grandes entreprises de Russie. Le fait que je le cite ici davantage ne signifie pas qu'il a parlé beaucoup plus que quiconque (ce n'est pas une publicité MTS. J'ai un opérateur différent, et Leonid, à en juger par ses paroles, l'a déjà supporté. Bien que même dans ce cas, il parle de moi en sait plus que je ne le pensais).
Il a commencé tout de suite avec le fait que le Big Data ne fonctionne vraiment pas en ce moment, et le mythe est gonflé. Selon lui, si le problème ne pouvait pas être résolu par des méthodes conventionnelles, alors rien ne changera avec l'avènement du big data.
Par exemple, MTS avait un modèle de prédiction de désabonnement des clients réussi. Lorsque le big data lui a été appliqué, la croissance était complètement négligeable. Et bien au contraire. MTS n'a pas réussi à prédire quand les abonnés décideraient de passer à un tarif moins cher (afin d'appeler à l'avance et de dissuader quelques bonus). Lorsque nous avons essayé de résoudre le problème en utilisant les mégadonnées, cela n'a toujours pas fonctionné.
Pas besoin de chercher un miracle dans les technologies Big Data
Evgeny Isupov s'est opposé à lui:
- Lorsque nous avons ajouté de nouvelles données ou des mathématiques plus spécialisées, ce qui nous permet de faire de l'ingénierie de fonctionnalités avancée, pour générer des fonctionnalités qui étaient difficiles à trouver pour une personne, nous avons constaté une augmentation significative.
Et avec cela Leonid a convenu:
- Voici également un exemple où l'ajout de nouvelles données joue un rôle important. Si nous regardons comment nos abonnés appellent, nous savons simplement qu'ils appellent. Cela vaut la peine d'ajouter une géoanalyse minimale, une station de base où le téléphone passe la plupart des nuits et une station de base où il se trouve cinq jours par semaine. Tout - nous savons où vous vivez et travaillez.
Si nous ajoutons une modélisation basée sur le profil d'appel - et nous l'avons fait - nous pouvons restaurer votre ménage entier. Nous voyons qu'il y a trois abonnés MTS, un autre beeline et un autre mégaphone. Nous n'avons pas de géoanalystes sur eux, nous savons juste comment ils appellent notre réseau.
Dans ce modèle, il y a plus d'un millier de choses significatives très subtiles que vous ne générerez pas vous-même. Par exemple, une telle fonctionnalité - comment la densité de communication entre les personnes passe de 3 à 4 vendredi et de 4 à 5. Et ainsi de suite. Nous prenons toutes les paires d'amis ou d'étrangers qui s'appellent beaucoup, imposent des milliers de fonctionnalités et sont capables de les diviser en deux parties - les couples qui vivent ensemble et les couples qui ne vivent pas ensemble.
Alisa Chumachenko a mené l'idée dans une direction pragmatique - en premier lieu, selon elle, les tâches vont, pas les technologies. S'il est logique de faire quelque chose à l'aide des mégadonnées, et que c'est plus rentable et plus efficace que les anciennes méthodes, alors elles seront utilisées. Travailler avec le Big Data pour le Big Data n'est pas nécessaire, mais pour une raison quelconque, beaucoup essaient.
Les mégadonnées sont exactement du battage médiatique et elles apparaîtront là où elles n'appartiennent pas du tout.
Quand elle a demandé si quelqu'un avait entendu parler de DeepMind, j'ai tendu la main en pensant: "Seigneur, bien sûr, tout le monde a entendu, ils sont, putain, mieux connus que le Pape." Mais environ cinq personnes ont levé les bras.
Puis Alice a commencé à parler de la victoire de l'IA dans Go et a ajouté un fait qui m'a personnellement surpris. Il s'avère que pour un réseau neuronal formé trouvé une application pratique. Il est utilisé pour refroidir les serveurs Google.
L'IA examine le type de serpentins de refroidissement où et quand se tordre, apprend, s'encourage et punit - et ce processus a déjà réduit les coûts de serveur de 40%.Alice elle-même, puisqu'elle travaille avec des jeux, rêve d'un système qui saura tout sur ses préférences de jeu. Elle se souvenait de la première fois qu'elle était entrée dans League of Legends, et le jeu lui avait donné 30 secondes pour choisir l'un des quelques centaines de héros.- Si le jeu savait que je jouais toujours en support - il mettrait en valeur les héros qui me conviennent le mieux, et me conseillait de ne pas toucher au reste. Si le jeu savait que j'aime, je me convertirais en utilisateur et en supporterais l'argent.
Parlant de l'avenir des mégadonnées, un monologue sympa a de nouveau donné à Leonid:- MTS est un homme dans la cinquantaine. Tout est derrière. Ahead est soit une vie misérable, soit en général à Vagankovo. Les télécoms classiques sont la fin. Nous en sommes conscients, et en tant qu'entreprise, nous recherchons un nouveau corps, où transférer notre âme vers une nouvelle entreprise. Et dans ce corps, nous avons terminé.Le Big Data peut en devenir un. Nous avons trois stratégies:
- L'accumulation complète de toutes les données sur le client en général, même si nous ne comprenons pas comment l'utiliser. Les technologies de stockage sont suffisamment bon marché pour tout stocker.
- Données ouvertes Les scientifiques accèdent aux données et tentent de masquer quelque chose.- Construire une nouvelle entreprise basée sur la connaissance des personnes, basée sur la pénétration dans leurs têtes, leurs âmes, leurs désirs. Faites le plus de personnalisation possible. Pour tout savoir sur vous, comme si nous vous observions et vous écoutions sans faire cela.
Et le dernier kilomètre de cette entreprise a déjà été construit - pour attraper une personne sur Internet et lui montrer une publicité. Reste à construire le premier, à pénétrer profondément et profondément et à découvrir ce que cette personne veut voir. Pour qu'une personne sur deux achète.
Leonid estime que l'avenir des données peut aller de deux manières. Ou les données deviendront la propriété des gens, et ils pourront vendre des informations sur eux-mêmes, décider quelle entreprise et quoi ouvrir. Ou les données deviendront la pleine propriété des États.
Il saura absolument tout de nous. Mais au moins la vie sera plus sûre.
Tout le monde convient que les données seront fortement réglementées d'une manière ou d'une autre.- Toute personne confrontée au RGPD depuis six mois comprend que l'accès aux données privées sera très fortement réglementé. D'un autre côté, il y a la Chine, dont vous comprenez qu'elle ne l'est pas. La Russie suivra probablement la version chinoise. En tout cas, les énormes entreprises qui stockent ces données (regarde sournoisement Leonid) auront du mal.Le roman pense que l'angoisse est née de l'ignorance et de l'incompréhension:- Nous sommes dans un état de panique technologique. Tout le monde a peur que quelqu'un sache quelque chose à son sujet, et tout le monde n'aime pas ça. Par exemple, il y a 15 raisons technologiques et commerciales pour lesquelles Facebook n'est pas rentable d'écouter les gens. Mais les gens y croyaient et perçoivent désormais le service différemment.Le processus de collecte des données doit être transparent afin que les gens n'aient pas peur.
Comme dans tous les problèmes mondiaux, les contradictions naissent dans les petites choses. Où tracer la frontière entre vie privée et confort, où et à qui et dans quels cas rendre les informations personnelles publiques.Comme l'a dit Eugene, lorsque des informations comme «qu'avez-vous fait la nuit dernière» sont utilisées contre vous pour rire ou même vous blesser, alors, bien sûr, vous ne voulez pas l'ouvrir. Mais si ces informations peuvent, par exemple, améliorer la santé ou le sommeil, elles peuvent être données.Roman estime qu'il vaut la peine d'avoir peur des petites entreprises:"Les grandes entreprises fuiront plus cher que la vente de mes données." Ils mettent à rude épreuve les petites entreprises qui s'efforcent de monétiser les données de toutes leurs forces. Nous achetons des données auprès de 40 sources, et certaines auprès d'entreprises qui ne nous ont pas fourni de données sur les personnes. Quand vous pouvez fermer demain, vous n'avez pas une grande responsabilité envers la société et les gens.Alice, au contraire, croit en un bel avenir:- Je veux juste penser que tu n'as pas de compte bancaire, ils t'ont envoyé une carte une fois. Aujourd'hui, tout ce que nous faisons devient public. Mais je ne crois pas aux scénarios extrêmes, donc je veux que l'IA apparaisse plus tôt qui montre et nous offre tout ce qui est pertinent.Et Leonid a résumé:- Si vous voulez tout faire, il vaut mieux éteindre le téléphone.Au lieu de conclusions
En parlant de Big Brother, je me souviens toujours d'une histoire. Quand Orwell a écrit 1984, il a envoyé une copie à son professeur d'école, Aldous Huxley. Il a répondu dans une lettre - il a fait l'éloge du livre, mais n'était pas d'accord avec l'idée. Il estime que "la promotion de l'infantilité et de l'hypnose médicamenteuse est bien mieux adaptée pour gagner du pouvoir que les prisons et les matraques".Bien sûr, être effrayé par le fait que «Big Brother vous regarde» est beaucoup plus spectaculaire, et le craindre est beaucoup plus amusant. Mais, cher Sistema_VC, je pense que le nom Big Data, Meet Brave New World serait mieux.