盘点：大数据挖掘带动的变迁

    中国电子学会云计算专家委员会名誉主任委员、中国大数据专家委员会顾问、中国工程院院士李德毅在题为“大数据挖掘”的演讲中重点强调：PB时代是对科学的挑战，更是对包括数据挖掘在内的认知科学的挑战。大数据标志一个新时代的到来。这个时代的特征不只是追求丰富的物质资源，也不只是无所不在的互联网带来的方便的多样化信息服务，同时还包含区别于物质的数据资源的价值挖掘和价值转换，以及由大数据挖掘带来的精神和文化方面的崭新现象。

    以下为演讲实录：

    李德毅：各位同仁，尤其是年轻的IT工作者们，很高兴在这里跟大家分享我对云计算和大数据的一些认识。我的报告题目是“大数据挖掘”.

    自从大数据引入了人们的视线之后，人们普遍讲的是三个字“大数据”.它讲的是PB时代的科学，本质上大数据的挑战是PB时代的科学的挑战。在这么一个大数据时代怎么做数据挖掘呢？

    人们用很多的面来形容大数据，其实大数据的主要来源有三个方面，第一就是这个地球，自然界的大数据，这么多的卫星绕着地球转，我们看看每天要下载多少数据量？生命大数据、生物大数据，尤其是每一个人体的大数据也是一个重要的来源。对于我们IT工作者来说，我们更关心的是社交大数据，每天你拿着手机、拿着笔记本来回折腾了半天，这些数据对你起作用了吗？

    PB时代对科学的挑战更是对包括数据挖掘在内的认知科学的挑战。奥巴马就职演说当中，每一个人后面都有大数据的支撑，我点到谁，你就能告诉我他的大数据吗？一个人，一个社会的活动人非常了不起，他有他的身份、情感、职业、年龄、性格等等，假如现在给你一张全家福，你能不能从他们的人脸识别当中告诉我谁是儿媳妇、谁是女婿？

    这么多人脸下，怎么把人脸识别清楚呢？现在我们北京市有80万个摄像头，每天照着我们大家，我们可以利用摄像头做身份认证、年龄识别、情感计算、亲缘发现、心理识别、地区识别、民族识别，都很有用处。这种流媒体主要的形态是非结构化的，特征之间的关联关系、设备算法的准确率等等，都严重的制约着大数据人脸挖掘的进度。

    由技术推动的计算机发展

    那么怎么办？我们还是要回归一下计算机所发展的历史，1936年天才数学家图灵提出来一个图灵模型，后来有一个计算机，把图灵模型转化为物理计算机，有三大块，一块叫做CPU,操作系统，还有一大块叫做内存和外存，还有一块就是输入和输出。在计算机发展的头一个30年里，我们感兴趣最多的是CPU、是操作系统，是软件、是中间件、是应用软件。这时候代表信息技术发展速度的可以用摩尔速度来表示，它告诉我们微电子发展是18个月可以翻一番的，所以我们侧重于计算性能的提高，我们把这个时代叫做计算时代，计算，尤其是高性能计算机，人们花了很大的精力研究，它带动了存储，也带动了输入输出，这个时间大概用了三四十年。计算领先、存储交互也跟着发展。

    在这样一个计算领先当中，我们主要做的是结构化数据的挖掘，我们要提起一个伟大的学者，他的名字叫埃德加，他在1970年提出一个关系模型，用二维表形式表示实体与实体间的联系。三四十年来，各行各业的数据库和数据仓库技术，以及从数据库发现知识的数据挖掘成为巨大的信息产业。关于数据库之父，美国工程院院士获奖了1980年的图灵奖，他这篇论文是1970年写的，讲的是共享数据银行的关系。关系数据库有严格的顶层设计，为构造良式关系，必须消除元组中不合适的依据依赖。我们每一个IT计算机本科生都学过这样的技术，对这样的关系运算，结果仍然是关系。

    关系代数是关系数据库的形式化理论和约束，先有顶层设计和数据结构，后填入清洗后的数据。数据围绕结构转，数据围绕程序转。用户无需关心数据的获取，存储、分析以及提取过程。通过数据挖掘，可以从数据库中发现分类知识、关联知识，时序知识、异常知识等等。

    随着数据库产业的膨大，人们对数据库已经不太满足了，于是把Databases说成是大数据，但是不管怎么大，遇到了两个不可回避的挑战，第一是由于关系代数的形式化约束过于苛刻，无法表示现实数据怎么办？第二个挑战，随着数据量的增大，关系代数运算性能急剧下降，如果是一个TB的关系数据库，两个表做一个交易，要几十个小时，人们忍受不了，这两个挑战就意味着心里方法的存在。就在这个时候，我们的存储技术得到了迅猛发展，大家知道，存储、内存、外存、硬盘越来越普遍了，当上海俞正声书记提出1+TB的时候，这个钱谁来买单？现在我们可能都有一两个TB,一个TB400块钱就买到了，所以人类进入了搜索时代。搜索因为存储便宜了，存储的速度大概每9个月翻一番，这在中国也好、全世界也好，谁能干就多干一点活，所以存储带动了技术的脚步，这种搜索时代经过了20多年，于是我们进入了一个半结构化数据挖掘时代。这个时代代表人物就是万维网之父Tim,他提出了超文本思想，开发了世界上第一个Web服务器，于是我们可以从一台服务器上检索另一台服务器的内容，服务器在软件支持下可发布包括文本、表格、图片、音视频的碎片化超媒体信息。

    因此，客户端服务器结构和云计算结构蓬勃产生，在这时候我们已经没有了关于代数那样严格的形式化约束，依靠的主要是规范、标准，所有媒体均以实体形式存在，甚至是软件，实体通过超链接产生联系。

    形式化理论比关系代数宽松了许多，创建了灵活多样的实体，这时候数据开始围绕实体转，实体围绕链接转。挖掘就是在云计算环境下搜索和个性化服务，没有死板的查询方式，也不是唯一结果，允许带有不确定性，重视搜索的统计性质。各种各样的关键字搜索引擎，语音、图片、视频搜索引擎在互联网上出现了繁荣的内容服务。随着这些服务的普及，又遇到了新的挑战，千人一面的数字服务受到了质疑，如果同一个人问同一问题它不可改变，当一万个人再问的时候，它可能有所改变，人们觉得这个还不好。

[page]    大数据时代技术的有效性要比科学的完整性更为重要

（编辑：西双版纳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!