Konferensi Big Data, Meet Big Brother, yang diselenggarakan oleh Yayasan Sistema_VC, diadakan di Moskow. Semuanya ada di sana: seorang pengembang Israel tiba yang tahu cara memproses data seratus kali lebih cepat daripada siapa pun. MTS mengatakan bahwa MTS akan mati jika tidak menjadi perusahaan IT. Pengusaha Rusia menaikkan alarm, mencoba menghilangkannya.
Tampaknya semua orang sudah terbiasa dengan fakta bahwa dalam pembicaraan tentang data besar, terutama jika mereka bersifat filosofis, cepat atau lambat Big Brother Superwell Orwellian akan muncul - sama seperti Hitler
dalam semua perselisihan di Internet . Panitia tidak segera menarik dan mengalahkan stempel dalam judul. Kecemasan - dibenarkan atau tidak - adalah bagian dari hype, apa yang harus dilakukan.
Bahkan, mereka telah bermimpi tentang tanggal besar dari zaman kuno - dari segala macam orang Mesir kuno, ketika orang ditulis ulang untuk memahami cara menggunakannya secara lebih efektif. Pada masa Peter I, data besar (sensus untuk pengumpulan pajak) dikumpulkan selama tiga tahun, dan kemudian diproses selama tiga tahun lagi. Sekarang, kecuali untuk proses ini, kami menambahkan kabel, kecepatan, dan tipe data sendiri. Semua atas nama efisiensi, optimalisasi, dan impian umat manusia yang bahkan lebih kuno - sehingga semuanya menjadi buatan sendiri.
Bisnis bermimpi bahwa segala sesuatunya sendiri harus tersegmentasi dengan jelas, harus diputuskan siapa, apa, dan kapan harus menjual. Pembeli ingin semua yang perlu dibeli, dihidupkan, dikunyah dan dicerna. Pada konferensi tersebut, orang-orang pintar berkumpul untuk membahas bagaimana mencapai ini. Saya mendengarkan mereka dengan cerdas, bertanya-tanya dan menulis semuanya.
Yorgan Calllebout dan Psikologi dalam Big Data
Konferensi dimulai dengan pidato oleh psikolog Jorgan Calllebaut. Dia bekerja untuk DataSine. Dengan bantuan pembelajaran mesin dan model psikologis, mereka mensegmentasikan audiens dan mempelajari siapa yang perlu menampilkan iklan mana.
Cara kerjanya seperti ini: mereka mengumpulkan semua data yang mereka temukan - mulai dari catatan di internet hingga sejarah pembayaran - dan dengan bantuan pembelajaran mesin, mereka menempatkannya pada model psikologis Lima Besar.
extraversion - introversi
lampiran - isolasi
kontrol diri - impulsif
ketidakstabilan emosional - stabilitas emosional
ekspresivitas - kepraktisan
Yorgan mengklaim bahwa poin keempat perusahaan mereka tidak digunakan, karena itu tidak etis. Menurutnya, diduga, kita dapat menyimpulkan tentang kesehatan mental seseorang dan menggunakannya untuk melawannya.
Metode distribusi, tentu saja, disimpulkan oleh orang tersebut, dan, jika tidak terlalu mendalam, tampaknya agak stereotip. Sebagai contoh, Yorgan mengatakan bahwa jika Anda membeli banyak buku, kemungkinan besar Anda seorang introvert. Jika Anda sering menghabiskan uang di bar - mungkin orang ekstrovert (karena introvert duduk di rumah dan diam).
Untuk pertanyaan "mengapa lagi ?!" Yorgan memiliki respons medis. Masalahnya adalah hormon asetilkolin, yang semua orang memiliki tingkat kepekaan berbeda. Jika seseorang peka terhadap hormon, itu menjadi introvert, dan dengan emisi yang kuat dari, katakanlah, interaksi dengan orang-orang, itu menutup menjadi benjolan dan menelan lidah. Ekstrovert memiliki ambang yang lebih tinggi untuk stimulasi hormon. Karena itu, kerumunan, kebisingan, dan komunikasi selama beberapa waktu mungkin tidak mengganggu mereka.
Hormon percikan tidak hanya pada pandangan orang, itu bereaksi terhadap banyak hal - warna, suara, kata-kata. Karenanya, untuk ekstrovert dan introvert, tim Yorgan membuat berbagai surat iklan.
Misalnya, kami menggunakan angka dan fakta yang sama, tetapi kami mengatur surat di milis dengan cara yang berbeda. Untuk ekstrovert kami memasang gambar oranye, cerah. Untuk introvert, biru dan dingin. Pembelajaran mesin membantu kita memilih gambar-gambar ini. Dari kenyataan bahwa Anda mengubah satu gambar di email, jumlah klik pada tautan meningkat sebesar 40%. Jika Anda juga mengkonfigurasi teks, koefisien meningkat menjadi 80%.
Ketika Yorgan dengan cemas ditanya apakah pengenalan data besar akan mengubah kita semua menjadi introvert, dia menjawab tidak, dia tidak akan melakukannya. Bagaimana dilahirkan, jadi Anda akan menjadi.
Tetapi itu adalah pertanyaan yang paling tidak lazim. Sisanya masuk ke klasik - tetapi tidak akankah perusahaan mulai memanipulasi kami dengan ini gadget psikologis Anda?
Banyak perusahaan bahkan belum mencapai tingkat di mana mereka dapat menggunakan data besar, apalagi memanipulasi seseorang dengan bantuan mereka. Dan secara umum, kami tidak akan memanipulasi Anda. Kami tidak ingin memaksa Anda untuk melakukan sesuatu yang bertentangan dengan keinginan Anda. Kami hanya mempersonalisasikan penawaran sehingga semua orang senang.
Ami Gal dan Database Kecepatan GPU
Ami Gal, pendiri SQream, datang dari Tel Aviv ke konferensi. Perusahaannya sedang mengembangkan basis datanya, yang, menurut pernyataan itu, 100 kali lebih cepat dari biasanya karena memproses permintaan untuk GPU. Ini membuatnya cocok untuk bekerja dengan data besar.
Dari contoh-contoh tersebut, Ami berbicara tentang kasus Pusat Penelitian Kanker Israel. Ada database tentang pengobatan ribuan pasien selama beberapa dekade, ada sampel gen masing-masing pasien, informasi tentang semua anomali, reaksi dan, tentu saja, keberhasilan perawatan tertentu.
Menyusun kumpulan data besar, para ilmuwan belajar untuk memilih metode pengobatan yang paling sesuai secara statistik untuk setiap pasien baru. Masalahnya adalah bahwa mungkin ada hingga 6 miliar rekaman hanya dalam satu kolom dari tabel seperti itu. Sebelumnya, analisis membutuhkan waktu 2 bulan - sekarang ini membutuhkan 2 jam.
Yaitu, segera setelah para ilmuwan menerima sampel DNA pasien, mereka segera tahu metode mana yang paling mungkin mengarah pada kesuksesan.
Saya tertarik untuk mempelajari lebih lanjut tentang Ami, perusahaan dan teknologinya, jadi saya bertanya kepadanya tentang semuanya secara pribadi.
Ami mempelajari ilmu komputer dan fisika di Universitas Tel Aviv, kemudian bekerja sebagai programmer, dan pada tahun 1996 mendirikan perusahaan pertamanya. Menurutnya, maka itu tidak seperti kehidupan sehari-hari modern dari startup teknologi: "Kami harus melakukan sesuatu dan segera menjualnya kepada pelanggan agar dapat bertahan hidup."
Pada tahun 2000, ia mendirikan Perangkat Lunak Ajaib dengan mitra. Di sana Ami mengambil alih jabatan direktur teknis dan wakil presiden R&D, tetapi secara bertahap bergeser dari teknologi ke bisnis - "pindah ke sisi gelap."
Setelah meninggalkan Magic setelah tiga tahun, Ami mulai berinvestasi di startup. “Jika startup bergantung pada kerabat, teman, dan orang bodoh, maka saya adalah salah satu yang terakhir,” dia tertawa.
Dan akhirnya, pada 2010, bersama dengan seorang migran Rusia, Kostya Varakin, Ami muncul dengan ide mempercepat basis data menggunakan GPU dan mendirikan SQream.
- Ketika ide itu muncul, tidak ada sensasi seperti "Ya, sudah jelas! Mengapa tidak ada yang masih memproses query SQL pada GPU? "Hari ini jelas. Tetapi ketika kami mulai, tidak ada yang mau mendengarkan kami. Bagi semua orang, ini tampak mustahil.
Gagasan itu muncul pada salah satu pendiri saya Kostya Varakin dari St. Petersburg. Tapi dia tampak sangat mustahil sehingga dia tidak segera memutuskan untuk menyuarakannya. Dan saya pikir - menggunakan GPU bukan untuk game, tetapi untuk pemrosesan data - itu keren. Kami mulai bekerja, menempatkan pendekatan ini di jantung perusahaan.
Tentu saja, kami percaya bahwa GPU bagus untuk data, dan semua orang akan mulai menggunakannya di sana. Tetapi mereka tidak memulai. Saya ingat ketika saya ingin meningkatkan investasi, orang-orang dalam bisnis bereaksi seperti ini: “Apakah Anda bercanda? Pemrosesan data GPU? Ini tidak terjadi, pergi. "
Hanya enam tahun kemudian (sekitar dua hingga tiga tahun yang lalu) apakah GPU menjadi arus utama berkat kerjanya dengan AI, pembelajaran mesin yang mendalam. Dan, tentu saja, sekarang memproses data pada GPU telah berhenti tampak seperti ide yang aneh.
"Bukankah orang-orang yang kau usulkan ide melihat kecepatan?"Terlihat, semua orang melihat. Tetapi kenyataannya adalah bahwa GPU dirancang untuk bekerja dengan grafik vektor. Dan cara kami memproses data adalah kebalikan dari bekerja dengan vektor. Chip tidak dirancang untuk jenis komputasi ini. Oleh karena itu, dengan perangkat lunak, kita harus membuat prosesor percaya bahwa itu memproses, misalnya, video, meskipun tidak demikian. Artinya, Anda harus mengonversi semuanya sebelum dan sesudah GPU, karena hanya menerima vektor.
Kami harus mengambil masalah yang rumit dan memecahnya menjadi daftar instruksi sederhana untuk prosesor. Tapi itu terlihat hampir mustahil.
- Dan apa yang paling sulit untuk dikembangkan?Bekerja dengan orang Rusia (tertawa). Padahal, hal yang paling sulit dalam sejarah perusahaan itu bukanlah solusi teknis. Pada awalnya, kami berencana untuk mengembangkan hanya akselerator untuk database orang lain. Sesuatu yang akan mempercepat Oracle, MS SQL. Katakanlah kami mengirim permintaan ke Oracle dan itu berjalan lebih cepat berkat GPU.
Kami memasuki pasar dengan pertanyaan: "Apakah Anda memerlukan sesuatu yang akan membuat database Anda bekerja 20 kali lebih cepat"? Dan pasar menjawab: "Tidak, tidak perlu."
Masalahnya adalah kami memotong permintaan antara mesin dan klien. Ini merupakan gangguan pada Oracle. Kami diberi tahu: "Ini tidak mungkin - kirim permintaan ke mesin Anda dan proses sendiri." Dan kami berkata: "Kami tidak memiliki database."
"Jadi, lakukanlah."
Kami melihat bagaimana perusahaan lain bertindak, dan bagaimana gudang data dengan arsitektur MPP diatur. Semuanya dibuat berdasarkan database lain - terutama PostgreSQL atau MySQL. Vertica, Greenplum, dan repositori lawas lainnya dibangun di sekitar PostgreS.
Kami memutuskan untuk mencobanya juga. Mereka mengambil PostgreSQL dan menerapkannya pada GPU. Ternyata sangat lambat: kecepatan meningkat hanya dua kali. Tidak ada yang akan menerjemahkan database pada GPU demi akselerasi dalam dua kali. Kami tidak tahu harus berbuat apa, tidak tidur selama seminggu. Dengan segala hormat kepada saya dan rekan-rekan saya, kami tidak mampu membangun database dari awal - ini adalah proyek yang terlalu besar.
Tetapi kami mencoba, dan setelah membangun blok pertama, produktivitas meningkat 18 kali. Kemudian kami memutuskan untuk melanjutkan, meskipun kami tahu jalannya akan panjang dan sulit. Keputusan ini ternyata menjadi yang paling sulit untuk seluruh waktu operasi SQream. Bagaimanapun, ini berarti bahwa kita akan membutuhkan lebih banyak uang, orang, dan waktu untuk membangun sebuah perusahaan.
Berbicara dari sudut pandang teknologi, yang paling sulit adalah memulai JOIN menggunakan GPU antara dua tabel besar pada disk.
- Apa tumpukan Anda?Kami menggunakan CUDA untuk bekerja dengan GPU. Kami menulis semuanya dalam C ++, Haskell dan sedikit di Erlang.
Ketika Anda bekerja dengan miliaran transaksi untuk jangka waktu tertentu, katakanlah, dalam sepersekian detik, Anda memerlukan sesuatu yang sangat dekat dengan perangkat keras.
Kami beralih dari assembler ke Cuda dan ke C ++. Jika Anda menambahkan sesuatu yang lain di sepanjang jalan, kecepatannya akan turun, jadi kami harus serendah mungkin. Kami mencoba bekerja dengan platform lain: misalnya, kami menggunakan OpenCL dan bukan Cuda, tetapi semua ini tidak berjalan dengan baik, prosesnya berjalan terlalu lambat.
Kita harus melangkah sedalam mungkin agar produktivitas tinggi.
Untuk ini kami menggunakan bahasa pemrograman seperti C ++, Haskell, Cuda. Pada beberapa titik, kami menerapkan Erlang, tetapi ini jarang terjadi - kami menggunakan C ++ yang sama semakin banyak.
- Jika saya hanya bekerja dengan database biasa, jika berpindah ke Anda, apakah saya harus berlatih ulang?Dari sudut pandang bahasa, tidak perlu mempelajari sesuatu yang baru. Jika Anda menulis dalam SQL, maka semuanya akan sama di sini. Ada beberapa hal yang bekerja secara berbeda. Namun spesifikasinya menggambarkan dengan baik bagaimana mengatur semuanya.
- Akselerasi 100 kali yang dinyatakan adalah maksimum yang dapat Anda peras keluar dari GPU?Saya tidak berpikir bahwa perusahaan kami telah mencapai 10% dari kemungkinan. Sudah pada bulan September kami meluncurkan versi produk ketiga, di mana kami akan menggandakan produktivitas. Di masa depan kami berencana untuk meningkatkannya lagi dan lagi. Kinerja CPU sejak 2006 hampir tidak bertambah, dan jumlah data bertambah secara eksponensial. Kinerja GPU tumbuh dengan cara yang sama.
Ternyata kita berada di awal siklus kehidupan. Salah satu hal yang kami rencanakan segera adalah meningkatkan kinerja tidak hanya pada satu GPU, tetapi juga bekerja pada beberapa. Bayangkan berapa kecepatannya! Ini adalah permintaan yang berlangsung selama 100 detik. Kami memecahnya menjadi beberapa yang kecil antara sepuluh GPU - dan permintaan itu berlalu dalam sekejap.
Saya umumnya berpikir bahwa kita berada di ambang era baru ketika komputasi GPU akan menjadi dominan dalam pemrosesan data.
"Kenapa mereka tidak diam?" Apa yang berhenti?Banyak dari itu. Saya bisa menyebutkan tiga kendala.
Yang pertama tidak sekuat sebelumnya, tetapi masih ada. Ketika kita datang ke perusahaan yang bekerja dengan Oracle atau IBM, mereka dihadapkan pada pilihan - pergi ke startup kecil dari Tel Aviv atau tetap dengan pemain besar. Bahkan jika mereka diselesaikan, maka proses ini sangat tertunda.
Hambatan kedua adalah kurangnya orang. Tel Aviv adalah Lembah Silikon kecil. Israel memiliki persaingan yang sangat tinggi untuk staf: saya butuh tiga bulan untuk menemukan karyawan yang tepat, walaupun saya membutuhkannya dalam tiga detik.
Dan akhirnya, yang ketiga - sebagai pemilik perusahaan teknologi, saya dapat mengatakan bahwa selalu ada seseorang yang lebih pintar dari Anda, dan banyak lagi. Kami terus-menerus harus memastikan bahwa teknologi berada di puncak peluang, dan banyak berinvestasi di dalamnya.
- Bukankah bagi Anda GPU itu masih merupakan "penopang", dan untuk data akan lebih baik untuk menemukan atau menciptakan unit pemrosesan Anda sendiri?Tentu saja, kami mencari jenis prosesor baru - tidak hanya yang grafis. Sekarang ada teknologi dan lebih baik - mereka akan muncul di pasar dalam beberapa tahun mendatang. Seseorang harus siap untuk ini. Itulah sebabnya kami berhubungan dengan para pemula, produsen chip komputasi, termasuk komputer kuantum.
Begitu teknologi ini berkembang, dunia akan dapat menyelesaikan masalah lebih cepat, dan ini, tentu saja, tidak sabar untuk melihatnya. Agar sangat optimis, dalam lima tahun mesin pertama akan muncul, versi paling awal yang cocok untuk penelitian akademis. Dan bahkan kurang dari sepuluh tahun akan berlalu sebelum upaya pertama untuk memperkenalkan teknologi semacam itu di bidang publik: kedokteran dan keselamatan. Sebelum itu, GPU akan bekerja dengan baik. Sangat menarik untuk melihat apa yang akhirnya menjadi lebih cepat.
Perusahaan Rusia dan data besar
Di antara pertunjukan, orang-orang muda dan cantik berkeliaran di sekitar ruang bergaya, berjalan di atap, mengobrol dan minum limun herbal. Saya tidak mendapatkannya karena asetilkolin bodoh (Terima kasih kepada Yorgan karena telah menjelaskan), tetapi saya tidak tersinggung.
Kemudian, Leonid Tkachenko, kepala departemen Big Data di MTS, Alisa Chumachenko, pendiri Lab Data GOSU, pendiri Segmento Roma Nester dan Yevgeny Isupov dari Tinkoff Bank, memasuki panggung untuk membahas data besar.
Baik saya dan hadirin didekati dengan sempurna oleh pernyataan Leonid. Tidak lazim mendengar tingkat kejujuran dari atas salah satu perusahaan terbesar di Rusia. Fakta bahwa saya akan mengutip dia di sini lebih banyak tidak berarti bahwa dia berbicara lebih banyak daripada orang lain (ini bukan iklan MTS. Saya memiliki operator yang berbeda, dan Leonid, menilai kata-katanya, sudah tahan dengan ini. Meskipun dalam kasus ini dia berbicara tentang saya tahu lebih banyak dari yang saya kira).
Dia mulai dengan fakta bahwa Big Data benar-benar tidak berfungsi saat ini, dan mitos itu membengkak. Menurutnya, jika masalah tidak dapat diselesaikan dengan metode konvensional, maka tidak ada yang akan berubah dengan munculnya data besar.
Misalnya, MTS memiliki model prediksi churn pelanggan yang sukses. Ketika data besar diterapkan, pertumbuhan itu benar-benar diabaikan. Dan justru sebaliknya. MTS tidak berhasil memprediksi kapan pelanggan akan memutuskan untuk beralih ke tarif yang lebih murah (untuk melakukan panggilan di muka dan mencegah beberapa bonus). Ketika kami mencoba memecahkan masalah menggunakan data besar, itu masih tidak berhasil.
Tidak perlu mencari keajaiban dalam teknologi Big Data
Evgeny Isupov membantahnya:
- Ketika kami menambahkan data baru atau matematika yang lebih khusus, yang memungkinkan kami untuk melakukan rekayasa fitur canggih, untuk menghasilkan fitur yang sulit bagi seseorang untuk muncul, kami melihat peningkatan yang signifikan di sana.
Dan dengan ini Leonid menyetujui:
- Ini juga contoh di mana penambahan data baru memainkan peran penting. Jika kita melihat bagaimana panggilan pelanggan, kita hanya tahu bahwa mereka menelepon. Ada baiknya menambahkan geoanalisis minimal, stasiun pangkalan di mana ponsel menghabiskan sebagian besar malam, dan stasiun pangkalan di mana ia berada lima hari seminggu. Semuanya - kami tahu di mana Anda tinggal dan bekerja.
Jika kami menambahkan pemodelan berdasarkan profil panggilan - dan kami telah melakukannya - kami dapat memulihkan seluruh rumah tangga Anda. Kami melihat ada tiga pelanggan MTS di dalamnya, satu langsung menuju dan satu lagi megafon. Kami tidak memiliki geoanalyst pada mereka, kami hanya tahu bagaimana mereka memanggil jaringan kami.
Dalam model ini ada lebih dari seribu hal penting yang sangat halus yang Anda sendiri tidak akan hasilkan. Misalnya, fitur seperti itu - bagaimana kepadatan komunikasi antara orang berubah dari 3 menjadi 4 pada hari Jumat, dan dari 4 menjadi 5. Dan seterusnya. Kami mengambil semua pasangan teman atau orang asing yang sering saling memanggil, memaksakan ribuan fitur dan dapat memotong mereka menjadi dua bagian - pasangan yang hidup bersama dan pasangan yang tidak hidup bersama.
Alisa Chumachenko memimpin gagasan itu ke arah pragmatis - pertama-tama, menurutnya, tugas-tugas sedang berjalan, bukan teknologi. Jika masuk akal untuk melakukan sesuatu dengan bantuan data besar, dan itu lebih menguntungkan dan lebih efektif daripada metode lama, maka mereka akan digunakan. Bekerja dengan Big Data demi Big Data tidak diperlukan, tetapi untuk beberapa alasan banyak yang mencoba.
Data besar persis hype, dan itu akan muncul di tempat yang bukan miliknya sama sekali.
Ketika dia bertanya apakah ada yang pernah mendengar tentang DeepMind, saya mengulurkan tangan saya dengan pikiran, "Tuhan, tentu saja semua orang mendengar, mereka, sial, lebih dikenal daripada Paus." Tetapi sekitar lima orang mengangkat tangan.
Kemudian Alice mulai berbicara tentang kemenangan AI in Go dan menambahkan fakta yang secara pribadi mengejutkan saya. Ternyata untuk jaringan saraf terlatih ditemukan aplikasi praktis. Ini digunakan untuk mendinginkan server Google.
AI membahas koil pendingin seperti apa di mana dan kapan untuk memelintir, belajar, mendorong dirinya sendiri dan menghukum - dan proses ini telah mengurangi biaya server sebesar 40%.Alice sendiri, karena dia bekerja dengan game, memimpikan sebuah sistem yang akan tahu segalanya tentang preferensi game-nya. Dia ingat pertama kali dia memasuki League of Legends, dan permainan memberinya waktu 30 detik untuk memilih satu dari beberapa ratus pahlawan.- Jika permainan tahu bahwa saya selalu bermain dukungan - itu akan menyoroti para pahlawan yang lebih cocok untuk saya, dan menyarankan saya untuk tidak menyentuh sisanya. Jika permainan tahu bahwa saya suka, saya akan mengonversi ke pengguna dan menanggung uang di dalamnya.
Berbicara tentang masa depan big data, monolog keren kembali memberi Leonid:- MTS adalah seorang pria berusia 50-an. Semuanya ada di belakang. Depan adalah kehidupan yang menyedihkan, atau secara umum di Vagankovo. Telekomunikasi klasik adalah akhirnya. Kami menyadari hal ini, dan sebagai bisnis kami mencari tubuh baru, tempat untuk mentransfer jiwa kami ke bisnis baru. Dan di dalam tubuh ini kita selesai.Big Data bisa menjadi satu. Kami memiliki tiga strategi:
- Akumulasi lengkap semua data tentang klien secara umum, bahkan jika kita tidak mengerti bagaimana menggunakannya. Teknologi penyimpanan cukup murah untuk menyimpan semuanya.
- Buka data Para ilmuwan mengakses data dan mencoba membutakan sesuatu.- Membangun bisnis baru berdasarkan pengetahuan tentang orang-orang, berdasarkan penetrasi ke dalam kepala, jiwa, keinginan mereka. Jadikan personalisasi sebanyak mungkin. Untuk mengetahui segalanya tentang Anda, seolah-olah kami mengamati dan menguping Anda tanpa melakukan ini.
Dan mil terakhir dari bisnis ini telah dibangun - untuk menangkap seseorang di Internet dan menunjukkan kepadanya sebuah iklan. Masih membangun yang pertama, untuk menembus dalam dan dalam dan mencari tahu apa yang orang ini ingin lihat. Sehingga setiap orang kedua membeli.
Leonid percaya bahwa masa depan data dapat berjalan dalam dua cara. Atau data akan menjadi milik orang, dan mereka akan dapat menjual informasi tentang diri mereka sendiri, memutuskan perusahaan mana dan apa yang akan dibuka. Atau data akan menjadi milik penuh negara.
Ini akan tahu segalanya tentang kita. Tapi setidaknya hidup akan lebih aman.
, — .
— , GDPR , . , , . . , , ( ) — .
, :
— . - - , . 15 , . , .
Proses pengumpulan data harus transparan sehingga orang tidak takut.
Seperti dalam semua masalah global, kontradiksi lahir dalam hal-hal kecil. Di mana harus menarik garis batas antara privasi dan kenyamanan, ke mana kepada siapa dan dalam hal apa membuat informasi pribadi menjadi publik.Seperti yang dikatakan Eugene, ketika informasi seperti "apa yang Anda lakukan tadi malam" digunakan untuk membuat Anda tertawa atau bahkan menyakiti Anda, maka, tentu saja, Anda tidak ingin membukanya. Tetapi jika informasi ini dapat, misalnya, meningkatkan kesehatan atau tidur, maka itu dapat diberikan.Roman percaya bahwa pantas takut pada perusahaan kecil:"Perusahaan besar akan bocor lebih mahal daripada menjual data saya." Mereka memberatkan perusahaan kecil yang berusaha untuk memonetisasi data dengan sekuat tenaga. Kami membeli data dari 40 sumber, dan beberapa dari perusahaan yang tidak menawarkan data apa pun tentang orang kepada kami. Ketika Anda bisa menutup besok, Anda tidak memiliki tanggung jawab besar kepada masyarakat dan orang-orang.Alice, sebaliknya, percaya pada masa depan yang cerah:- Saya hanya ingin berpikir bahwa Anda tidak memiliki rekening bank, mereka mengirimi Anda kartu sekali. Hari ini, semua yang kita lakukan adalah menjadi publik. Tapi saya tidak percaya pada skenario ekstrem, jadi saya ingin AI muncul lebih cepat yang menunjukkan dan menawarkan kepada kita segala sesuatu yang relevan.Dan Leonid menyimpulkan:- Jika Anda ingin keluar semua, lebih baik mematikan telepon.Alih-alih kesimpulan
. «1984», .
— , . , « -, ».
, , « » , . , Sistema_VC, Big Data, Meet Brave New World .