我的大數(shù)據(jù)研究軌跡
我做了4-5年的移動架構(gòu)和Java虛擬機(jī)，4-5年的眾核架構(gòu)和并行編程系統(tǒng)，最近4-5年也在追時髦，先是投入物聯(lián)網(wǎng)，最近幾年一直在做大數(shù)據(jù)。我們團(tuán)隊的大數(shù)據(jù)研究軌跡如下圖所示：
2010-2012年，主要關(guān)注數(shù)據(jù)和機(jī)器的關(guān)系：水平擴(kuò)展、容錯、一致性、軟硬件協(xié)同設(shè)計，同時厘清各種計算模式，從批處理（MapReduce）到流處理、Big SQL/ad hoc query、圖計算、機(jī)器學(xué)習(xí)等等。事實上，我們的團(tuán)隊只是英特爾大數(shù)據(jù)研發(fā)力量的一部分，上海的團(tuán)隊是英特爾Hadoop發(fā)行版的主力軍，現(xiàn)在英特爾成了Cloudera的最大股東，自己不做發(fā)行版了，但是平臺優(yōu)化、開源支持和垂直領(lǐng)域的解決方案仍然是英特爾大數(shù)據(jù)研發(fā)的重心。
從2013年開始關(guān)注數(shù)據(jù)與人的關(guān)系：對于數(shù)據(jù)科學(xué)家怎么做好分布式機(jī)器學(xué)習(xí)、特征工程與非監(jiān)督學(xué)習(xí)，對于領(lǐng)域?qū)＜襾碚f怎么做好交互式分析工具，對于終端用戶怎么做好交互式可視化工具。英特爾研究院在美國卡內(nèi)基梅隆大學(xué)支持的科研中心做了GraphLab、Stale Synchronous Parallelism，在MIT的科研中心做了交互式可視化和SciDB上的大數(shù)據(jù)分析，而中國主要做了Spark SQL和MLlib（機(jī)器學(xué)習(xí)庫），現(xiàn)在也涉及到深度學(xué)習(xí)算法和基礎(chǔ)設(shè)施。
2014年重點分析數(shù)據(jù)和數(shù)據(jù)的關(guān)系：我們原來的工作重心是開源，后來發(fā)現(xiàn)開源只是開放式創(chuàng)新的一個部分，做大數(shù)據(jù)的開放式創(chuàng)新還要做數(shù)據(jù)的開放、大數(shù)據(jù)基礎(chǔ)設(shè)施的開放以及價值提取能力的開放。
數(shù)據(jù)的暗黑之海與外部效應(yīng)
下面是一張非常有意思的圖，黃色部分是化石級的，即沒有聯(lián)網(wǎng)、沒有數(shù)字化的數(shù)據(jù)，而絕大多數(shù)的數(shù)據(jù)是在這片海里面。只有海平面的這些數(shù)據(jù)（有人把它稱作Surface Web）才是真正大家能訪問到的數(shù)據(jù)，爬蟲能爬到、搜索引擎能檢索到的數(shù)據(jù)，而絕大多數(shù)的數(shù)據(jù)是在暗黑之海里面（相應(yīng)地叫做Dark Web），據(jù)說這一部分占數(shù)據(jù)總量的85%以上，它們在一些孤島里面，在一些企業(yè)、政府里面躺在地板上睡大覺。
數(shù)據(jù)之于數(shù)據(jù)社會，就如同水之于城市或者血液之于身體一樣。城市因為河流而誕生也受其滋養(yǎng)，血液一旦停滯身體也就危在旦夕。所以，對于號稱數(shù)據(jù)化生存的社會來說，我們一定要讓數(shù)據(jù)流動起來，不然這個社會將會喪失諸多重要功能。
所以，我們希望數(shù)據(jù)能夠像“金風(fēng)玉露一相逢”那樣產(chǎn)生化學(xué)作用。馬化騰先生提出了一個internet+的概念，英特爾也有一個大數(shù)據(jù)X，相當(dāng)于大數(shù)據(jù)乘以各行各業(yè)。如下圖所示，乘法效應(yīng)之外，數(shù)據(jù)有個非常奇妙的效應(yīng)叫做外部效應(yīng)（externality），比如這個數(shù)據(jù)對我沒用但對TA很有用，所謂我之毒藥彼之蜜糖。
比如，金融數(shù)據(jù)和電商數(shù)據(jù)碰撞在一起，就產(chǎn)生了像小微貸款那樣的互聯(lián)網(wǎng)金融；電信數(shù)據(jù)和政府?dāng)?shù)據(jù)相遇，可以產(chǎn)生人口統(tǒng)計學(xué)方面的價值，幫助城市規(guī)劃人們居住、工作、娛樂的場所；金融數(shù)據(jù)和醫(yī)學(xué)數(shù)據(jù)在一起，麥肯錫列舉了很多應(yīng)用，比如可以發(fā)現(xiàn)騙保；物流數(shù)據(jù)和電商數(shù)據(jù)湊在一塊，可以了解各個經(jīng)濟(jì)子領(lǐng)域的運行情況；物流數(shù)據(jù)和金融數(shù)據(jù)產(chǎn)生供應(yīng)鏈金融，而金融數(shù)據(jù)和農(nóng)業(yè)數(shù)據(jù)也能發(fā)生一些化學(xué)作用。比如Google analytics出來的幾個人，利用美國開放氣象數(shù)據(jù)，在每一塊農(nóng)田上建立微氣象模型，可以預(yù)測災(zāi)害，幫助農(nóng)民保險和理賠。
所以，要走數(shù)據(jù)開放之路，讓不同領(lǐng)域的數(shù)據(jù)真正流動起來、融合起來，才能釋放大數(shù)據(jù)的價值。
三個關(guān)于開放的概念
1、數(shù)據(jù)開放
首先是狹義的數(shù)據(jù)開放。數(shù)據(jù)開放的主體是政府和科研機(jī)構(gòu)，把非涉密的政府?dāng)?shù)據(jù)及科研數(shù)據(jù)開放出來?，F(xiàn)在也有一些企業(yè)愿意開放數(shù)據(jù)，像Netflix和一些電信運營商，來幫助他們的數(shù)據(jù)價值化，建構(gòu)生態(tài)系統(tǒng)。但是數(shù)據(jù)開放不等于信息公開。首先，數(shù)據(jù)不等于信息，信息是從數(shù)據(jù)里面提煉出來的東西。我們希望，首先要開放原始的數(shù)據(jù)（raw data），其次，它是一種主動和免費的開放，我們現(xiàn)在經(jīng)常聽說要申請信息公開，那是被動的開放。
Tim Berners Lee提出了數(shù)據(jù)開放的五星標(biāo)準(zhǔn)，以保證數(shù)據(jù)質(zhì)量：一星是開放授權(quán)的格式，比如說PDF；其次是結(jié)構(gòu)化，把數(shù)據(jù)從文件變成了像excel這樣的表；三星是開放格式，如CSV；四星是能夠通過URI找到每一個數(shù)據(jù)項；五星代表能夠和其它數(shù)據(jù)鏈接，形成一個開放的數(shù)據(jù)圖譜。
現(xiàn)在主流的數(shù)據(jù)開放門戶，像data.dov或data.gov.uk，都是基于開源軟件。英特爾在MIT的大數(shù)據(jù)科研中心也做了一種形態(tài)，叫Datahub：吉祥物很有趣，一半是大象，代表數(shù)據(jù)庫技術(shù)，一半是章魚，取自github的吉祥物章魚貓。它提供更多的功能比如易管理性，提供結(jié)構(gòu)化數(shù)據(jù)服務(wù)和訪問控制，對數(shù)據(jù)共享進(jìn)行管理，同時可以在原地做可視化和分析。
廣義的數(shù)據(jù)開放還有數(shù)據(jù)的共享及交易，比如點對點進(jìn)行數(shù)據(jù)共享或在多邊平臺上做數(shù)據(jù)交易。馬克思說生產(chǎn)資料所有制是經(jīng)濟(jì)的基礎(chǔ)，但是現(xiàn)在大家可以發(fā)現(xiàn)，生產(chǎn)資料的租賃制變成了一種主流（參考《Lean Startup》），在數(shù)據(jù)的場景下，我不一定擁有數(shù)據(jù)，甚至不用整個數(shù)據(jù)集，但可以租賃。租賃的過程中要保證數(shù)據(jù)的權(quán)利。
首先，我可以做到數(shù)據(jù)給你用，但不可以給你看見。姚期智老先生82年提出“millionaires’ dilemma（百萬富翁的窘境）”，兩個百萬富翁比富誰都不愿意說出自己有多少錢，這就是典型的“可用但不可見”場景。在實際生活中的例子很多，比如美國國土安全部有恐怖分子名單（數(shù)據(jù)1），航空公司有乘客飛行記錄（數(shù)據(jù)2），國土安全部向航空公司要乘客飛行記錄，航空公司不給，因為涉及隱私，他反過來向國土安全部要恐怖分子名單，也不行，因為是國家機(jī)密。雙方都有發(fā)現(xiàn)恐怖分子的意愿，但都不愿給出數(shù)據(jù)，有沒有辦法讓數(shù)據(jù)1和數(shù)據(jù)2放一起掃一下，但又保障數(shù)據(jù)安全呢？
其次，在數(shù)據(jù)使用過程中要有審計，萬一那個掃描程序偷偷把數(shù)據(jù)藏起來送回去怎么辦？再者，需要數(shù)據(jù)定價機(jī)制，雙方數(shù)據(jù)的價值一定不對等，產(chǎn)生的洞察對各方的用途也不一樣，因此要有個定價機(jī)制，比大鍋飯式的數(shù)據(jù)共享更有激勵性。
從點對點的共享，走到多邊的數(shù)據(jù)交易，從一對多的數(shù)據(jù)服務(wù)到多對多的數(shù)據(jù)市場，再到數(shù)據(jù)交易所。如果說現(xiàn)在的數(shù)據(jù)市場更多是對數(shù)據(jù)集進(jìn)行買賣的話，那么數(shù)據(jù)交易所就是一個基于市場進(jìn)行價值發(fā)現(xiàn)和定價的，像股票交易所那樣的、小批量、高頻率的數(shù)據(jù)交易。
我們支持了不少研究來實現(xiàn)剛才所說的這些功能，比如說可用而不可見。案例一是通過加密數(shù)據(jù)庫CryptDB/Monomi實現(xiàn)，在數(shù)據(jù)擁有方甲方這邊的數(shù)據(jù)庫是完全加密的，這事實上也防止了現(xiàn)在出現(xiàn)的很多數(shù)據(jù)泄露問題，大家已經(jīng)聽到，比如說某互聯(lián)網(wǎng)服務(wù)提供商的員工偷偷把數(shù)據(jù)拿出來賣，你的數(shù)據(jù)一旦加密了他拿出來也沒用。其次，這個加密數(shù)據(jù)庫可以運行乙方的普通SQL程序，因為它采用了同態(tài)加密技術(shù)和洋蔥加密法，SQL的一些語義在密文上也可以執(zhí)行。
針對“百萬富翁的窘境”，我們做了另一種可用但不可見的技術(shù)，叫做數(shù)據(jù)咖啡館。大家知道咖啡館是讓人和人進(jìn)行思想碰撞的地方，這個數(shù)據(jù)咖啡館就是讓數(shù)據(jù)和數(shù)據(jù)能夠碰撞而產(chǎn)生新的價值。
比如兩個電商，一個是賣衣服的，一個是賣化妝品的，他們對于客戶的洞察都是相對有限的，如果兩邊的數(shù)據(jù)放在一起做一次分析，那么就能夠獲得全面的用戶畫像。再如，癌癥是一類長尾病癥，有太多的基因突變，每個研究機(jī)構(gòu)的基因組樣本都相對有限，這在某種程度上解釋了為什么過去50年癌癥的治愈率僅僅提升了8%。那么，多個研究機(jī)構(gòu)的數(shù)據(jù)在咖啡館碰一碰，也能夠加速癌癥的研究。
在咖啡館的底層是多方安全計算的技術(shù)，基于英特爾和伯克利的一個聯(lián)合研究。在上面是安全、可信的Spark，基于“data lineage”的使用審計，根據(jù)各方數(shù)據(jù)對結(jié)果的貢獻(xiàn)進(jìn)行定價。
2、大數(shù)據(jù)基礎(chǔ)設(shè)施的開放
現(xiàn)在有的是有大數(shù)據(jù)思維的人，但他們很捉急，玩不起、玩不會大數(shù)據(jù)，他不懂怎么存儲、怎么處理這些大數(shù)據(jù)，這就需要云計算。基礎(chǔ)設(shè)施的開放還是傳統(tǒng)的Platform as a Service，比如Amazon AWS里有MapReduce，Google有Big Query。這些大數(shù)據(jù)的基礎(chǔ)處理和分析平臺可以降低數(shù)據(jù)思維者的門檻，釋放他們的創(chuàng)造力。
比如decide.com，每天爬幾十萬的數(shù)據(jù)，對價格信息（結(jié)構(gòu)化的和非結(jié)構(gòu)化的）進(jìn)行分析，然后告訴你買什么牌子、什么時候買最好。只有四個PhD搞算法，其他的靠AWS。另一家公司Prismatic，也利用了AWS，這是一家做個性化閱讀推薦的，我專門研究過它的計算圖、存儲和高性能庫，用LISP的一個變種Clojure寫的非常漂亮，真正做技術(shù)的只有三個學(xué)生。
所以當(dāng)這些基礎(chǔ)設(shè)施社會化以后，大數(shù)據(jù)思維者的春天很快就要到來。
3、價值提取能力的開放
現(xiàn)在的模式一般是一大一小或一對多。比如Tesco和Dunnhumby，后者剛開始是很小的公司，找到Tesco給它做客戶忠誠度計劃，一做就做了幾十年，這樣的長期戰(zhàn)略合作優(yōu)于短期的數(shù)據(jù)分析服務(wù)，決策更注重長期性。當(dāng)然，Dunnhumby現(xiàn)在已經(jīng)不是小公司了，也為其他大公司提供數(shù)據(jù)分析服務(wù)。再如沃爾瑪和另外一家小公司合作，做數(shù)據(jù)分析，最后他把這家小公司買下來了，成了它的Walmart Labs。
一對多的模式，典型的是Palantir——Peter Thiel和斯坦福的幾個教授成立的公司，目前還是私有的，但估值近百億了，它很擅長給各類政府和金融機(jī)構(gòu)提供數(shù)據(jù)價值提取服務(wù)。真正把這種能力開放的是Kaggle，它的雙邊，一邊是10多萬的分析師，另一邊是需求方企業(yè)，企業(yè)在Kaggle上發(fā)標(biāo)，分析師競標(biāo)，獲得業(yè)務(wù)。這可能是真正解決長尾公司價值提取能力的辦法。當(dāng)然，如果能和我們的數(shù)據(jù)咖啡館結(jié)合，就更好了。
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330
