عباس پورخصالیان - چرا مقوله‌ای به نامِ “Data”، ارزشمندترینِ منابع جهان قلمداد می‌شود؟- در این یادداشت، به این پرسش، پاسخ می‌دهم.

«یک قرن پیش، ارزشمندترینِ منابع جهان، نفت بود؛ اما اکنون بجای نفت، Data ارزشمندترین منبع جهان شده است. درنتیجه، پنج غول جهان سایبری: گوگل، آمازون، اَپِل، فیسبوک و مایکروسافت، ارزشمندترینِ بنگاه‌ها در جهان امروز هستند؛ چرا که سودهای‌شان سرسام‌آور زیاد است: آنها در مجموع، تنها در سه ماهه اول سال 2017  روی‌هم‌رفته 25 میلیارد دلار آمریکا، سود خالص کسب کردند. البته، نیمی از تمام دلارهایی که در این مدت در آمریکا به‌صورت برخط خرج شد، به آمازون رسید. در سال گذشته نیز، تقریباً تمام رشد درآمد در حوزه تبلیغات دیجیتالی، نصیب گوگل و فیسبوک شد.»

آنچه در بالا آمد، خلاصه متن خبری است که اخیراً در مجله اکونومیست منتشر شده است.

(رجوع شود به: econ.st/2pL8XSq)

نکته حائز اهمیت در این خبر، فقط سودِ 25 میلیارد دلاریِ کسب شده توسط پنج بنگاه سایبری در عرض تنها سه ماه نیست؛ بلکه مهم این پرسش است که:

•              اما چرا مقوله‌ای به نامِ “Data”، ارزشمندترینِ منابع جهان قلمداد می‌شود؟

به این “چرا” نمی‌شود ساده پاسخ داد و گفت: “خُب، چون سود شرکت‌های مذکور بیش از سود شرکت‌های نفتی شل، توتال، بی.‌پی، آرامکو و ... است”! - این پاسخ، بسیار ساده است، زیرا ممکن است فردا ورق برگردد و سود این شرکت‌ها مساوی آن شرکت‌ها شود یا برعکس. برای این “چرا” باید پاسخی قانع‌کننده‌تر داشته باشیم، پاسخی حتی‌المقدور آکادمیک/علمی! پاسخی که جابجایی پارادایم رُخداده در حوزه کسب‌وکار را نشان دهد.

به عبارت دیگر: این “Data” چیست که ارزشمندترینِ منابع جهان شده است؟

 

جابجایی پارادایمی جدید در حوزه ICT

برای پاسخ علمی دادن به پرسش مذکور باید از سه معنی تاکنونی Data (به شرح زیر) فراتر رفت، زیرا:

•              در معنیِ اول: “Data” از منظر دانشجویان حوزه ICT، اجزای خام و پردازش نشده‌ای هستند، حاوی تعدادی “بیت” که از ترکیب قاعده‌مند و بامعنیِ آنها، Information حاصل می‌شود. ولی بدیهی ست که این معنیِ “Data” نمی‌تواند به چرای مورد بحث ما پاسخ دهد، زیرا اجزایی که خام و پردازش نشده هستند هیچ‌گاه نمی‌توانند باارزش‌ترین منبع جهان تلقی شوند.

•              در معنیِ دوم: “Data” همان است که معمولاً در فرهنگ لغات زبان انگلیسی ذکر می‌شود: “ریز آمار گردآوری شده به‌منظور بررسی آنها توسط تحلیل‌گر”. برای مثال، وقتی که به زبان انگلیسی می‌گویند: “there is very little data available” منظور دردسترس نبودن آمار کافی است. اما به صِرفِ “آمار بودن”، “Data” نمی‌تواند باارزش‌ترین منبع جهان باشد؛ و

•              در معنیِ سوم: “Data” در زبان علمی فیلسوفان و منطقیون انگلیسی، “مفروضات معلوم” و حقایقی است که مبنای محاسبه و استنتاج قرار می‌گیرند. اما چیزی که مبنای محاسبه و استنتاج قرار می‌گیرد، نمی‌تواند با ارزش‌تر از محاسبه و استنتاجی باشد که روی آن انجام می‌شود.

پس، این که امروزه چرا “Data”، ارزشمندترینِ منابع جهان تلقی می‌شود، از سه معنی فوق حاصل و مشتق نمی‌شود. به عبارت دیگر: “Data” باید اخیراً معنی دیگری پیدا کرده باشد که این معنی چهارم ما را به پاسخ پرسش‌مان: «چرا مقوله‌ای به نامِ “Data”، ارزشمندترینِ منابع جهان قلمداد می‌شود؟» راهنمایی می‌کند.

 

مقایسه علم فیزیک با علم رایانه

برای درک این معنی چهارم باید مفهومی انتزاعی را در نظر داشت که در همه جُستارهای علمی و فنی جدید مشترک است.

اگر فرایند توسعه علوم رایانه‌ای جدید را با توسعه علم فیزیک مقایسه کنیم، الگو و رویکردِ مشابهی را در هردو علم بازمی‌یابیم: گذار از مفاهیم “کلان” به مفاهیم “خُرد”!

در مبحث فیزیک ما شاهد آن بوده‌ایم که جُستارهای آغازین، به نسبت‌های میان اجرام آسمانی و کیهانی می‌پرداختند و چند قرن بعد به نسبت‌های میان ذرات اتم معطوف، منجر و منتهی شدند.

جُستارهای علمی و فنی مربوط به علوم رایانه‌ای هم روند مشابهی را پشت سر گذاشته اند: این جُستارها سه دهه پیش، از مناسبات شبکه و رایانه شروع شدند و بعداز دیجیتالی‌سازی عرصه‌های صنعت و اجتماع، امروزه بر روی حوزه و مفهوم انتزاعی “Data” متمرکز شده اند.

پس، “Data” دیگر آن قالب ساخته و پرداخته شده از 0 و 1 (“صفر” و “یک” منطقی) نیست، بلکه «اَتُم دانش دیجیتالی» نوین است.

این معنی چهارم “Data” را می‌توان با بررسی اصطلاحات جدیدی که با “Data” ساخته و بیان می‌شوند، دریافت و تصدیق کرد که طی سه دهه اخیر، این جابجایی پارادایم رُخ داده است:

•              نخست از ICT به Computing [یا از “فاوا” به “رایانش”] و سپس

•              از Computing به  “Data” [یا از “رایانش” به “داده”].

عمده ترینِ این مفاهیم جدید که گذار اخیر:  از “رایانش” به “داده” [یا از  Computing به  “Data”] را توجیه می‌کند، عبارتند از :

•              “بزرگداده” یا Bigdata که خود محصول “اینترنت داده‌ها” (IoD) است. در فارسی به این شبکه: “داده نت” نیز می‌گویند. داده‌نت، یکی از زیرمجموعه‌های IoT یا “چیزنت” است و تولیدکننده “بزرگداده”.

•              مهمتر از بزرگداده، داده هوشمند یا Smart data است که از حذف نوفه (یا نویز) از بزرگداده، حاصل می‌شود.

•              از بزرگداده و داده‌ هوشمند نیز مهم‌تر، “خُردداده” یا Small data است که داده‌های هوشمند قابل تحلیل برای انسان است.

•              سپس، Datalogy و Data science  مطرح می‌شوند که معادلِ “داده‌شناسی” و “علم داده” هستند. البته دو اصطلاحِ Datalogy و Data science  را پیتر نور (Peter Naur) وضع کرده و چند سال است که آنها عمدتاً در دانشگاه‌های کشورهای شمال اروپا (بخصوص در دانمارک و سوئد) بجای رشته‌ “انفورماتیک” یا  Computer science به‌کار می‌روند.

•              اصطلاح جدید بعدی: Data philosophy یا فلسفه داده نام دارد که خود پس از فلسفه اطلاعات (Philosophy of Information منسوب به “لوسیانو فلوریدی”، فیلسوف ایتالیایی) به وجود آمده است. در فلسفه داده، Data  به عنوان پدیده مورد بحث قرار می‌گیرد، پدیده‌ای که به چهار نوع ظاهر می‌شود: 

•              Data about something (e.g. a train timetable)

•              Data as something (e.g. DNA, or fingerprints)

•              Data for something (e.g. algorithms or instructions)

•              Data in something (e.g. a pattern or a constraint)

•              در همین رابطه، Data-ism که “داده‌گرایی” یا فلسفه اصالت داده‌ها ست نیز مطرح شده است. منظور از “داده‌گرایی”، انقلابی است که در درک رفتار مشتری و تصمیم‌سازی در مدیریت مناسبات مشتری، به کمک واکاوش بزرگداده‌ها رُخ داده است.

این فهرست را می‌توان با مفاهیم جدید دیگری که در همه آنها Data نقش اصلی را ایفا می‌کند، غنی ساخت، مثلِ:

•              “داده همچون خدمت” یا  DaaS (که مخففِ اصطلاحِ Data as a Service و یکی از انواع خدمات XaaS در Cloud Data Storage است)،

•              داده‌های تاریک ( یا Dark data که بخش عظیمی از بزرگداده‌ است که ضبط و ذخیره می‌شود اما سراغی از آن گرفته نمی‌شود)،

•              داده‌های روشن (Light data که برعکسِ داده‌های تاریک، مورد اِشراف و آگاهی است)، داده‌های رفتاری (Behavioral data)،

•              داده‌های شناختی(Cognitive data) که ماحصل “پردازش شناختی” است،

•              داده‌های بافتاری (Contextual data) که موقعیت یک فرد یا یک مطلب را به گونه‌ای “دربست”، “چِکی” یا “فله‌ای” تعیین می‌کند، بدون آن که به جزئیات بیشتر نیاز باشد. برای مثال: در فُرم‌های درخواست استخدام یا پذیرش دانشجو، داده ی مربوط به «نام کشور تابعه»، یک “داده‌ ی بافتاری” است که در گزینش یا رد “فله‌ای” متقاضی یا دانشجو به کار می‌روند. فرضاَ اگر جلوی «نام کشور تابعه» در فُرم مربوط نوشته شود: “کره شمالی”، پردازش دیگری روی آن درخواست، انجام نمی‌گیرد و به صِرف آن، متقاضی رد می‌شود.

•              داده‌های کثیف (Dirty data ) که وجود آنها در یک پایگاه داده‌ها، باعث بروز خطا در بهره‌برداری می‌شود،

•              “کسب‌وکارهای داده‌پیشران” معادل (Data-Driven Business)،

•              داده‌پایی (dataveillance)،

•              داده‌یابی (Data discovery که به دنبال یافتن و استخراج الگوهای با معنا در میان داده‌های بزرگداده است)،

•              داده‌یابی هوشمند (Smart data discovery)

•              و بسیاری دیگر...

با همین چند اصطلاح جدید نیز می‌توان حدس زد، چرا Data جای نفت را در اقتصاد نوین گرفته است: نفت، داده‌ای محدود و تمام‌شدنی ولی Data منبعی لایزال و نامحدود است!(منبع:عصرارتباط)