Prezentacja z konferencji Internet w świecie cyfrowym 2013. (Wersja skrócona). Jak to jest z danymi a informacjami? Czemu dużo danych to problem? Gdzie tu jest jeszcze informatyka?

1. Internet wszechrzeczy
W KIERUNKU
R E A L LY
BIG DATA

2. Kwestie fundamentalne
Które z poniższych rozumied jako treści:
• Dane
• Informacje
• Wiedza

3. Czym jest Sieć?
Internet of things
Internet of everything
Do obejrzenia:
http://www.youtube.com
/watch?v=higj9P_SZEM

4. Treści w Internecie
Consumer + producer = prosumer
(Uczestnik jest odbiorcą ORAZ autorem treści)
Czasy wykładnicze:
Liczba SMSów wysłanych dziennie przekracza populację ziemską – dwadzieścia lat temu nie
było SMSów
31 miliardów zapytao do Google co miesiąc (2,7 miliarda w 2006) – trzynaście lat temu nie było
Google
Przez Twitter przebiega 50 milionów postów dziennie (to około 600 na sekundę) – pięd lat temu
nie było Twittera
Szacuje się, że w tym roku zostanie wygenerowane ok. 4 eksabajtów (1018) unikalnych
informacji.
Jest to tyle, ile przez ostatnie 5000 lat
Za: Fisch K. Did You Know 3.0 (Officially updated for 2012) HD Youtube video

5. Treści w Internecie
Consumer + producer = prosumer
(Uczestnik jest odbiorcą ORAZ autorem treści)
Czasy wykładnicze:
Liczba SMSów wysłanych dziennie przekracza populację ziemską – dwadzieścia lat temu nie
było SMSów
31 miliardów zapytao do Google co miesiąc (2,7 miliarda w 2006) – trzynaście lat temu nie było
Google
Przez Twitter przebiega 50 milionów postów dziennie (to około 600 na sekundę) – pięd lat temu
nie było Twittera
Szacuje się, że w tym roku zostanie wygenerowane ok. 4 eksabajtów (1018) unikalnych
informacji.
Jest to tyle, ile przez ostatnie 5000 lat
Za: Fisch K. Did You Know 3.0 (Officially updated for 2012) HD Youtube video

6. Ludzie i ilość danych

7. Ekonomia uwagi
„W świecie informacyjnym bogactwo informacji oznacza ubóstwo
czego innego: niedostatek czegoś co ta informacja pożera.
Odpowiedź na pytanie co zabiera informacja, jest raczej
oczywista: zabiera uwagę odbiorców. Dlatego bogactwo
informacji skutkuje niedostatkiem uwagi i potrzebą efektywnego
dzielenia tej uwagi między mogącymi ją pochłonąd wieloma
źródłami informacji.”
Herbert Simon (1978)

8. Wymuszony ruch
„Życie w erze informacyjnej jest jak picie wody z węża strażackiego” (J. Porter)
 Otrzymujemy ogromne dawki informacji
 Otrzymujemy informacje ciągle i nieustannie
 Podejmujemy ogromną ilośd decyzji
Zbyt wiele informacji
Zbyt wiele produktów
PARALIŻ DECYZYJNY
PORTER J.: Sieci Społecznościowe. Projektowanie. Helion, Gliwice 2010

9. Ludzkie zachowanie a Internet

10. Sieć socjalna
„Zwłaszcza młodzież jest absolutnie sieciowa. We wszystkich przejawach życia”. (J. Morbitzer)
Struktura z superwęzłami
(z większym autorytetem)
Struktura sieciowa
Struktura hierarchiczna
- Porządek chaotyczny
- Brak autorytetów
- Jasny porządek
- Autorytety „odgórne”
STOCKER Rob Green David G and Newth David (2001), Consensus and cohesion in simulated social networks. Journal of
Artificial Societies and Social Simulations, Volume 4 Issue 4. (http://jasss.soc.surrey.ac.uk/4/4/5.html)

11. Sieci społecznościowe
W sumie znane od początków społeczeostwa!
Znajomi
Znajomi znajomych
Poznani w sieci
Poznani poza siecią
Autorytety „odgórne”? Raczej „superwęzły”

12. Web 3.0 czyli pomoc informatyki
Informatyka tworzy narzędzia:
Wielokierunkowej transmisji informacji
Translacji danych i informacji
Filtrowania treści
Tworzenia metainformacji (informacji o informacji)
Wyszukiwania i metawyszukiwania
Pojęcie „bogatej sieci” (Rich Web)
- koncentrującej się na bazach wiedzy
Za: metafluence.com

13. Przemysł i ilość
danych

14. Istota problemu
Biznes/przemysł stoi przed podobnym problemem co pojedynczy odbiorca sieci:
Otrzymuje ogromne ilości danych
Duża ilośd danych nie oznacza dużej ilości informacji
Duża ilośd informacji nie oznacza większej wiedzy
Organizacja
Dane z
transakcji
Dane z
procesów
Sensory
Badania (np.
ankiety)

15. Kłopoty z danymi
Dane:
◦ Strukturalne
◦ Niestrukturalne
Volume (ilośd)
Variety (różnorodnośd)
Veracity (wiarygodnośd)
Velocity (terminowośd)

16. Przykład danych strukturalnych:
Kłopoty z danymi
Imię: __________
Nazwisko: ____________
Proszę
pracy
Dane: ocenid jakośd1-10): dziekanatu
(w skali
◦ Strukturalne_____________
◦ Niestrukturalne przeprowadzonych
Proszę ocenid jakośd
zajęd
(b.słaba, słaba, dobra, b. dobra, nie mam
Volume (ilośd) zdania):
Przykład danych niestrukturalnych:
Imię: __________
Nazwisko: ____________
Jak oceniają Paostwo dziekanat Uczelni?
___________________________________
___________________________________
Co zmienilibyście Paostwo w zajęciach?
___________________________________
__________________________________
Variety (różnorodnośd)
_____________
Veracity (wiarygodnośd)
Maszyna przetwarzająca WIE, jakiego
Velocityformatu danych się spodziewad
(terminowośd)
Maszyna przetwarzająca wie, jaki kontekst
będą miały otrzymane dane
Łatwo z danych uzyskujemy informacje
Maszyna przetwarzająca NIE wie, jakiego
formatu danych się spodziewad
Maszyna przetwarzająca nie będzie
potrafiła prostymi sposobami przetworzyd
danych na informacje

17. Ogólne ujęcie systemów Big Data
Strumienie
w czasie
rzeczywistym
Przetwarzanie
Analityka
Eksport
Bazy danych
ustrukturyzowanych
Duże bazy
danych
Przetwarzanie
wsadowe
Dane niestrukturalne
Źródło: McDougall R.: Architecting Virtualised Infrastructure for Big Data, Strata Conference 2012

18. Infrastruktury przechowywania
danych
Zmniejszenie złożoności
Umożliwienie elastycznego,
szybkiego dostarczania usług
Uproszczenie działania i
utrzymania
Reakcja na spodziewane oraz
nagłe potrzeby biznesu

19. Dziękuję
M R O S TA N S K I @ W S B . E D U . P L
HTTP://MRDEAN.WORDPRESS.COM
H T T P : / / T W I T T E R . C O M / M R O S TA N S K I
H T T P : / / FA C E B O O K . C O M / M A C I E J . R O S TA N S K I