
大數據的未來–個人信息/情報/認知服務的思考
1.未來大數據的一切都都關于人
不論述
2.大數據收集困難和高風險
現在的大數據的來源,都是通過自有平臺收集用戶數據的,對于沒有平臺的企業(yè)很難有機制和渠道獲取穩(wěn)定的數據來源。
有說通過法律和制度來,規(guī)范關于人的大數據使用,在這之前,唯一可行的方向是,把用戶大數據使用,做成服務的必選功能,要使用服務,必須接受隱私風險。
3.對大數據的利用方式
現在的大數據 都是由各種數據聚合出一類關于人的結論 然后拿給企業(yè)使用。
我想大數據應用還有另一類。
利用網上的大數據,告訴某類人、甚至某個人,世界發(fā)生著什么,未來要發(fā)生什么。
4.科幻大片
如果從網上下載一個專屬的虛擬人物(虛擬機器人/虛擬助理/終生人工智能伴侶)到手機。
剛開始這個角色需要你教導(配置,類似早期的語音識別控制的學習階段)才能幫你在互聯網上你做一些簡單的事情。
隨著你教導的更多更好(對你的習慣,興趣愛好,思維模式,接收度等信息的收集) 和基于大數據的挖掘和分析能力的增加,它的智力越來越高,能做一些更復雜的任務(作為入口,代表你在互聯網活動)。
直到很多年后,它的智力超過你,它能告訴你,世界發(fā)生著什么,未來要發(fā)生什么,它了解你的年齡,了解的行為習慣,了解你的經濟能力,了解你缺點,時刻為你服務,擴展你的人生,使你的人生不局限于經驗(網上有),思維(網上有),能更好的生活下去(幫你發(fā)現機會)。
類似的東西,后來才發(fā)現微軟小冰二代已經在著手做了,可能愿景和目的不一樣,但輪廓有了。
5.認知需求
我們成長的時候,家長常常說你懂點事吧,但如何懂事沒有人能教給我們,也沒有告訴我們如何去做(去閱讀書籍,去體驗生活,經歷人生);
我們畢業(yè)了,工作了,在社會上依然遇到,各種成功學大師,各種領域專家,各種百家講壇老師,各種轉世神棍,大行其道;
這一切都是因為,人有認知的需求。
6.認知培訓
基于這個需求,認知服務即使做不到自動,就算做人工服務,也能在現在的教育市場(學校,興趣培訓,英語培訓,等技能培訓)殺出一條出路。
7.認知模式與三分的認知世界
萊考夫(George Lakoff)在 [女人、火和危險的事物]([Women fire and dangerous things])一書中,認為理念化的認知模式(idealized cognitive models 簡稱ICMs)是結構復雜的感知整體,是對世界的整體表征,它的價值在于對輸入信息進行重組。ICMs并不客觀存在的,而是人類實踐和經驗的高度概括和總 結,并且可以為以后的實踐提供參考。根據lakoff的論述,IMCs有四種:命題模式,意向圖式模式,隱喻模式和轉喻模式,它們的關系如下:
命題模式是出發(fā)點和歸宿,意象圖式模式是基礎,轉喻模式和隱喻模式是建立在命題模式和意象圖式模式上的認知事物的過程和方式,并且二者相互作用。
任一認知主體的認知世界整體可以劃分為三個部分:信念世界、懷疑世界和無知世界。我們用Wb表示信念世界,Wd表示懷疑世界,Wu表示 無知世界。Wb、Wd、Wu是三個命題集合,他們的元素是相應的認知命題。簡單地說,信念世界是由認知主體相信的命題構成,這些命題構成認知主體的信念; 懷疑世界里的所有命題是認知世界說懷疑的,認知主體認為這些命題是假的或不可能的,這些命題可稱為疑點;認知主體從來沒有考慮過的命題構 成無知世界的內容,這些命題(以及它們的負命題)或者仍沒有進入認知主體的視野之中,或者雖然進入了認知主體的視野之中但認知主體不知道其意義,此時,認 知主體對之既不相信又不懷疑,這些命題可稱之為盲點。
8.認知互聯網世界進而認知現實世界
互聯網世界一直是互聯網世界的映射,越來越多的現實世界事物在互聯網世界建立了數字化的映射"
數據分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
訓練與驗證損失驟升:機器學習訓練中的異常診斷與解決方案 在機器學習模型訓練過程中,“損失曲線” 是反映模型學習狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數據生態(tài)中兩類核心工具的差異與協同 在數字化轉型加速的今天,企業(yè)對數據的需求已從 “存儲” 轉向 “ ...
2025-09-19CDA 數據分析師:讓統(tǒng)計基本概念成為業(yè)務決策的底層邏輯 統(tǒng)計基本概念是商業(yè)數據分析的 “基礎語言”—— 從描述數據分布的 “均 ...
2025-09-19CDA 數據分析師:表結構數據 “獲取 - 加工 - 使用” 全流程的賦能者 表結構數據(如數據庫表、Excel 表、CSV 文件)是企業(yè)數字 ...
2025-09-19SQL Server 中 CONVERT 函數的日期轉換:從基礎用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數據處理中,日期格式轉換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關聯查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數據庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數據分析師:解鎖表結構數據特征價值的專業(yè)核心 表結構數據(以 “行 - 列” 規(guī)范存儲的結構化數據,如數據庫表、Excel 表、 ...
2025-09-17Excel 導入數據含缺失值?詳解 dropna 函數的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數據時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數據分析與統(tǒng)計學領域,假設檢驗是驗證研究假設、判斷數據差異是否 “ ...
2025-09-16CDA 數據分析師:掌控表格結構數據全功能周期的專業(yè)操盤手 表格結構數據(以 “行 - 列” 存儲的結構化數據,如 Excel 表、數據 ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數據分析師:激活表格結構數據價值的核心操盤手 表格結構數據(如 Excel 表格、數據庫表)是企業(yè)最基礎、最核心的數據形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調用、數據爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數據的科學計數法問題 為幫助 Python 數據從業(yè)者解決pd.read_csv讀取長浮點數據時的科學計數法問題 ...
2025-09-12CDA 數據分析師:業(yè)務數據分析步驟的落地者與價值優(yōu)化者 業(yè)務數據分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數據把關的實戰(zhàn)指南 在業(yè)務系統(tǒng)落地過程中,“業(yè)務邏輯” 是連接 “需求設計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數據驅動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11