DATA123 tinklaraštis · esė
Duomenų istorija
Kaip tai, kas buvo „duota“, tapo tuo, kuo bandome paaiškinti pasaulį?
datum
„Tai, kas duota.“ Lotyniškas žodis, iš kurio kilo data.
ŽodisKas tai yra duomenys?
„Duomenys (data) – formalizuotu būdu pateikta informacijos reprezentacija, tinkama perduoti, interpretuoti arba apdoroti.“— ISO/IEC 2382:2015
Šiandien duomenys mus supa visur. Skaičiuojame žingsnius, matuojame temperatūrą, registruojame pirkimus, stebime ekonomiką. Organizacijos kaupia milijardus įrašų, o dirbtinio intelekto modeliai mokosi iš milžiniškų jų rinkinių. Tačiau retai susimąstome, ką iš tikrųjų reiškia pats žodis „duomenys“ ir kodėl juos taip vadiname.
Angliškas žodis data yra lotyniško datum („tai, kas duota“) daugiskaita. Įdomu tai, kad lietuviškas „duoti“ ir lotyniškas dare yra giminingi žodžiai, kilę iš bendros indoeuropiečių šaknies.
Viena šaknis, dvi kalbos
Bet ar duomenys iš tiesų yra duoti? Juk šiuolaikiniame pasaulyje dažniau juos renkame, matuojame, atrenkame ir apdorojame. Kažkas nusprendžia, ką matuoti, kokiu tikslumu, ką užregistruoti ir ką palikti nuošalyje.
Būtent dėl šios priežasties tyrinėtoja Johanna Drucker 2011 m. pasiūlė į duomenis žvelgti kaip į capta – „tai, kas paimta“, o ne tiesiog duota. Šis skirtumas nėra vien kalbinis. Jis primena, kad duomenys neatsiranda savaime – jų atsiradimas dažnai priklauso nuo mūsų pasirinkimų.
Tačiau norint suprasti, kaip atsirado šis paradoksas, verta atsigręžti į istoriją.
Apie 300 m. pr. Kr.Kai duomenys dar nereiškė faktų
Apie 300 m. pr. Kr. graikų matematikas Euklidas parašė veikalą Dedomena, kurio pavadinimas reiškia „tai, kas duota“. Vėliau jis buvo išverstas į lotynų kalbą pavadinimu Data.
Euklidui duotybė buvo tai, ką geometrijos uždavinyje jau žinome arba laikome nustatytu.
Duota, ir ką iš to galima nustatyti
Duotas trikampio kampas ir vienos kraštinės ilgis. Ką iš šių prielaidų galime nustatyti?
Čia „duota“ nebūtinai reiškė „empiriškai išmatuota“ ar net „tikra“. Tai reiškė pradinę sąlygą, nuo kurios galima pradėti samprotavimą.
Tokia reikšmė išliko ir gerokai vėliau. XVII a. anglų filosofinėje bei teologinėje literatūroje data buvo vartojamas kalbant apie priimtas prielaidas, kuriomis remiantis daromos išvados.
Tik XVIII–XIX amžiais šis žodis vis labiau pradėtas sieti su stebėjimais, eksperimentais ir surinktais faktais.
Mokslo istorikas Danielis Rosenbergas šį procesą apibūdina kaip savotišką semantinį apvertimą: ne tiek pasikeitė pažodinė žodžio reikšmė, kiek tai, ką žmonės buvo linkę laikyti „duotu“.
Anksčiau duomenimis vadinome tai, ką priimame kaip duotybę, kad galėtume kažką įrodyti. Šiandien duomenimis dažnai vadiname tai, kuo bandome kažką įrodyti.
Vis dėlto viena savybė išliko. Net šiuolaikiniuose tyrimuose duomenys tampa pradinėmis sąlygomis tolesniam samprotavimui, panašiai kaip žinomi dydžiai matematikos uždavinyje.
8000–3200 m. pr. Kr.Duomenys, senesni už patį žodį
Jeigu duomenis suprantame plačiau – kaip užfiksuotą informaciją apie pasaulį, – jų istorija gerokai senesnė už Euklidą ar lotynų kalbą.
Maždaug 8000 m. pr. Kr. Artimuosiuose Rytuose žmonės jau naudojo mažus molinius žetonus. Manoma, kad skirtingos jų formos galėjo reikšti tam tikras prekes ar jų kiekius: grūdus, gyvulius, kitus ūkio išteklius.
Vėliau, apie 3200 m. pr. Kr., Mesopotamijoje atsirado vieni pirmųjų rašytinių ūkinių įrašų. Tai buvo grūdų kiekiai, gyvulių apskaita, išduoti daviniai ir kiti administraciniai duomenys.
Nuo žetono iki ženklo
Paspauskite žetoną, kad įspaustumėte jį į molinę lentelę. Taip apskaita galėjo virsti ženklais.
Tuščia lentelė. Įspauskite žetoną.
Čia slypi viena įdomiausių rašto kilmės teorijų. Archeologė Denise Schmandt-Besserat pasiūlė, kad raštas Mesopotamijoje palaipsniui išsivystė iš apskaitai naudotų molinių žetonų ir jų atspaudų.
Kitaip tariant, viena svarbiausių žmonijos technologijų galėjo atsirasti ne iš poreikio užrašyti poeziją, filosofiją ar religinius pasakojimus, o iš kur kas žemiškesnio klausimo: kiek grūdų kam priklauso?
Nors konkretus žetonų virtimo raštu mechanizmas tebėra diskutuojamas, archeologiniai radiniai stipriai pagrindžia apskaitos ir administravimo vaidmenį ankstyvojo Mesopotamijos rašto raidoje.
Tai buvo svarbus pažintinis pokytis. Žmonės įgijo galimybę ne tik prisiminti įvykius, bet ir išsaugoti jų simbolines reprezentacijas už savo atminties ribų. Užrašytą kiekį buvo galima perduoti kitam žmogui, palyginti su kitu įrašu ar patikrinti praėjus daugeliui metų.
Žinoma, abstraktus ir simbolinis mąstymas egzistavo gerokai anksčiau. Tai liudija ir prieš maždaug 36 000 metų sukurti Šovė (Chauvet) urvo piešiniai Prancūzijoje. Juose pavaizduoti gyvūnai atpažįstami net šiandien.
Taigi raštas nesukūrė žmogaus gebėjimo mąstyti simboliais. Jis suteikė galimybę tuos simbolius išsaugoti, kaupti, perduoti ir sistemingai naudoti nepriklausomai nuo vieno žmogaus atminties.
1662–1854Kai įrašai pradėjo atskleisti tai, ko niekas nematė
Ilgą laiką įvairūs įrašai pirmiausia padėjo valdyti turtą, administruoti miestus ir fiksuoti įvykius. Tačiau palaipsniui žmonės ėmė suprasti, kad iš daugybės atskirų įrašų galima sužinoti daugiau, nei pasako kiekvienas iš jų.
1662 m. anglų pirklys Johnas Grauntas išanalizavo Londono mirtingumo suvestines. Šie registrai buvo sudaromi dar gerokai prieš jo tyrimą, tačiau Grauntas juose įžvelgė gyventojų mirtingumo ir kitus statistinius dėsningumus.
Nuo pavienio įrašo iki dėsningumo
Kiekvienas taškas – vienas įrašas. Pavieniui jie nieko nepasako. Sudėkite juos.
Pavienė žmogaus mirtis nieko nepasako apie visos visuomenės mirtingumo tendencijas. Tačiau surinkus tūkstančius tokių įrašų, išryškėja struktūros, kurių nė vienas stebėtojas negalėtų tiesiogiai pamatyti. Tai vienas ankstyvųjų moderniosios demografijos ir statistinės analizės pavyzdžių.
Beveik po dviejų šimtmečių duomenų analizė padėjo spręsti jau kitokią problemą.
1854 m. Londone kilo choleros protrūkis. Gydytojas Johnas Snow tyrė, kur gyveno mirusieji, iš kur jie gaudavo vandenį ir kas galėjo juos sieti. Jo surinkti įrodymai rodė į vieną vandens siurblį Broad Street gatvėje.
Kuris siurblys arčiausiai?
Kiekvienas tamsus kvadratėlis – mirties atvejis. Nuspalvinkite juos pagal artimiausią siurblį.
Vietos valdžia pašalino siurblio rankeną. Garsusis Snow choleros žemėlapis buvo paskelbtas 1855 m., jau po šio sprendimo. Nors protrūkis buvo pradėjęs slopti dar prieš pašalinant rankeną, ši istorija tapo svarbiu epidemiologijos pavyzdžiu.
Ji parodė, kaip sistemingai surinkti ir interpretuoti duomenys gali padėti suprasti priežastinius ryšius ir pagrįsti veiksmus.
Duomenys jau ne tik aprašė pasaulį – jie padėjo priimti sprendimus, galinčius jį pakeisti.
1948Duomenys ir informacija – ar tai tas pats?
Iki šiol kalbėjome apie duomenis, tačiau dažnai greta jų vartojame kitą sąvoką – informaciją. Kuo jos skiriasi?
Populiarioje DIKW piramidėje (Data → Information → Knowledge → Wisdom) duomenys laikomi žemiausiu pažinimo lygmeniu, iš kurio atsiranda informacija, vėliau žinios ir galiausiai išmintis.
Nuo skaičiaus iki žinojimo
38,5
„Žmogaus kūno temperatūra yra 38,5 °C.“
„Tokia temperatūra paprastai reiškia karščiavimą.“
Tačiau toks skirstymas nėra universalus. Pagal ISO apibrėžimus duomenys yra formalizuota informacijos reprezentacija. Vadinasi, informacija nebūtinai yra aukštesnis duomenų lygmuo – duomenys gali būti būdas ją išreikšti.
Dar įdomesnį požiūrį 1948 m. pasiūlė matematikas Claude'as Shannonas. Savo darbe A Mathematical Theory of Communication jis sukūrė matematinę informacijos teoriją, kurioje informacijos kiekis nepriklauso nuo pranešimo prasmės ar teisingumo.
Shannonui buvo svarbu, kiek neapibrėžtumo yra galimų pranešimų šaltinyje ir kaip patikimai perduoti pasirinktą pranešimą.
Kiek informacijos yra monetos metime?
Pakeiskite tikimybę, kad iškris herbas, ir stebėkite, kiek bitų suteikia sužinotas rezultatas.
Taigi net visiškai beprasmis atsitiktinių simbolių rinkinys gali turėti didelę informacinę entropiją.
Informacijos kiekis nėra tas pats, kas jos prasmė, nauda ar tiesa.
Shannono teorija tapo vienu šiuolaikinių telekomunikacijų ir skaitmeninių technologijų pagrindų. Tačiau ji nesiekė atsakyti į filosofinį klausimą, kaip iš informacijos atsiranda supratimas.
Tai primena svarbų dalyką: duomenys, informacija ir žinios nėra tiesiog trys vieno proceso pakopos. Jų tarpusavio santykis priklauso nuo to, ką apskritai bandome paaiškinti.
1970–2004Kai duomenys tapo skaitmeniniai
XX amžiuje, tobulėjant kompiuteriams, duomenų istorijoje prasidėjo naujas etapas. Svarbu tapo ne tik tai, ką registruojame, bet ir kaip greitai galime informaciją saugoti, surasti, susieti bei apdoroti.
Reliacinės duomenų bazės
IBM mokslininkas Edgaras Coddas pasiūlė reliacinį duomenų modelį, leidžiantį organizuoti duomenis matematiniais ryšiais, praktiškai dažniausiai vaizduojamais lentelėmis. Vartotojams nebereikėjo taip glaudžiai priklausyti nuo fizinio duomenų saugojimo būdo. Šios idėjos pagrindu išsivystė didelė dalis šiandien naudojamų SQL duomenų bazių.
Pasaulinis saitynas
Timas Berners-Lee CERN laboratorijoje sukūrė World Wide Web pagrindus. Internetas egzistavo jau anksčiau, tačiau saitynas suteikė galimybę paprastai susieti dokumentus nuorodomis ir pasiekti juos iš skirtingų kompiuterių. Informacija tapo vis lengviau prieinama pasauliniu mastu.
Didžiųjų duomenų era
Populiarėjant Big Data sampratai, išryškėjo nauja problema: duomenų kiekiai tapo tokie dideli, kad tradicinių vieno kompiuterio apdorojimo būdų dažnai nebepakako. 2004 m. „Google“ pristatė MapReduce – modelį, leidžiantį paskirstyti didelių duomenų rinkinių apdorojimą tarp daugybės kompiuterių.
Tačiau net ir milžiniškų duomenų kiekių apdorojimas dar nereiškė, kad kompiuteriai geba iš jų mokytis taip, kaip šiandien suprantame dirbtinį intelektą.
2012–2020Kai duomenys pradėjo mokyti mašinas
2012 m. – AlexNet proveržis. Naudojant didžiulį pažymėtų vaizdų rinkinį ImageNet, neuroninis tinklas AlexNet pasiekė reikšmingą pažangą objektų atpažinimo srityje. Tai tapo vienu iš įvykių, paspartinusių šiuolaikinio giliojo mokymosi plėtrą.
Duomenys čia įgijo kitokį vaidmenį: vietoj to, kad žmogus kiekvieną taisyklę aprašytų rankiniu būdu, sistema galėjo išmokti statistinius dėsningumus iš pavyzdžių.
2017 m. – transformerių architektūra. Straipsnyje Attention Is All You Need buvo pristatyta nauja neuroninių tinklų architektūra, vėliau tapusi šiuolaikinių didžiųjų kalbos modelių pagrindu. Mokydamiesi iš didžiulių tekstų rinkinių, tokie modeliai geba nustatyti sudėtingus kalbos dėsningumus ir kurti naujus tekstus.
O 2020-aisiais įvyksta dar vienas įdomus posūkis.
Duomenys tampa ne tik tuo, iš ko mašinos mokosi, bet ir tuo, ką jos pačios generuoja.
Dirbtinis intelektas kuria tekstus, vaizdus, garsus ir sintetinius duomenis, kurie vėliau gali būti naudojami kitoms sistemoms mokyti.
Atsiranda vis daugiau informacijos, kurios negalime tiesiogiai susieti su konkrečiu pasaulio įvykiu ar žmogaus stebėjimu. Ji gali būti kitų reprezentacijų pagrindu sugeneruota reprezentacija.
ŠiandienNuo duotybės iki sugeneruotos tikrovės
Pradžioje turėjome datum – tai, kas duota.
Vėliau išmokome sistemingai registruoti įvykius, matuoti pasaulį, kaupti informaciją, analizuoti dėsningumus ir prognozuoti ateitį. Galiausiai sukūrėme mašinas, kurios mokosi iš sukauptų duomenų ir pačios generuoja naują turinį.
Tačiau kartu įvyko ir subtilesnis pokytis.
Anksčiau duomenys daugiausia padėdavo mums susidaryti pasaulio vaizdą. Šiandien vis daugiau mūsų skaitomo, matomo ir girdimo turinio yra formuojama algoritmų, kurie patys buvo išmokyti iš ankstesnių duomenų.
Taigi duomenys ne tik padeda mums suprasti pasaulį. Jie vis labiau prisideda prie to, kaip pasaulį suvokiame.
Ir čia vėl sugrįžtame prie datum bei capta skirtumo.
Kai matome skaičių, grafiką ar dirbtinio intelekto atsakymą, dažnai priimame jį kaip kažką duota. Tačiau už jo slypi pasirinkimai: ką užregistruoti, kaip išmatuoti, kuriuos duomenis įtraukti, kaip juos apdoroti ir kokiu modeliu interpretuoti.
Duomenys nėra pati tikrovė. Jie yra vienas iš būdų ją reprezentuoti.
O reprezentacija, kad ir kokia tiksli būtų, niekada nėra tas pats, kas tai, ką ji reprezentuoja.
Šaltiniai ir tolesniam skaitymui
- Daniel Rosenberg – Data Before the Fact
- Johanna Drucker – Humanities Approaches to Graphical Display (2011)
- Denise Schmandt-Besserat – From Accounting to Writing
- John Graunt – Natural and Political Observations (1662)
- Claude Shannon – A Mathematical Theory of Communication (1948)
- Edgar F. Codd – A Relational Model of Data for Large Shared Data Banks (1970)
- Jeffrey Dean, Sanjay Ghemawat – MapReduce (2004)
- Ashish Vaswani ir kt. – Attention Is All You Need (2017)