THE MARKET’S VOICE
CODE 4 THOUGHT
Όταν τα Μεγα-Δεδομένα (Big Data) απαιτούν και Μεγα-Ευθύνη (Big Responsibility) Ποιοι οι καίριοι παράγοντες για να επενδύσουμε υπεύθυνα και επιτυχημένα σε τεχνολογίες Big Data Του Γ Ι Ά Ν Ν Η Κ Α Ν Ε Λ Λ Ό Π Ο ΥΛ Ο Υ , CEO & Founder Code4Thought
ADVERTORIAL
Ί
σως ένας από τους πιο χρησιμοποιημένους όρους στην ελληνική αγορά τα τελευταία χρόνια είναι αυτός των μεγα-δεδομένων (ή Big-Data όπως θα τον αναφέρουμε παρακάτω). Ενώ όλοι μας θεωρούμε ότι ξέρουμε τι σημαίνει, στην πράξη δυσκολευόμαστε να κατανοήσουμε τι απαιτείται για την βέλτιστη αξιοποίησή τους. Για παράδειγμα, πολλοί είναι αυτοί που θεωρούν ότι με τον όρο big data εννοούμε απλά τη συλλογή και αποθήκευση μεγάλου όγκου δεδομένων, ξεχνώντας ότι όλα αυτά τα δεδομένα θα πρέπει κάπως να αναλυθούν ώστε να δώσουν αξία στον οργανισμό που τα κατέχει. Κρίσιμης σημασίας, επίσης, είναι ότι τόσο η συλλογή και η αποθήκευση όσο και η ανάλυση και αξιοποίηση των δεδομένων πρέπει να γίνουν υπεύθυνα από τον εκάστοτε οργανισμό, ώστε να τον καταστήσουν αξιόπιστο και εμπιστεύσιμο στα μάτια των πελατών/χρηστών του. Με βάση την εμπειρία από τους πελάτες μας θεωρούμε ότι όταν ένας οργανισμός θέλει να επενδύσει σε τεχνολογίες big data θα πρέπει να λάβει υπόψη του τα ακόλουθα: 1. Πώς αναμένεται να αξιοποιηθούν τα δεδομένα και ποια τα προβλήματα που θα λύσουν ή τα αναμενόμενα οφέλη από αυτή την επένδυση: Όσο απλή και αν ακούγεται η ερώτηση, τόσο κρίσιμη είναι καθώς εδώ κρίνεται πόσο καλά στοχεύει ο οργανισμός και πόσο μεγάλη θα πρέπει να είναι η επένδυσή του (και αντίστοιχα και το ρίσκο). Έχουμε δει οργανισμούς να επενδύουν δυσανάλογα μεγάλα ποσά σε σχέση με το όφελος που αποκόμισαν αλλά και το ανάποδο, οργανισμοί που επένδυσαν σωστά και στοχευμένα και μπόρεσαν να κερδίσουν υπερπολλαπλάσια οφέλη. 2. Συλλογή και αποθήκευση των δεδομένων: Όσο πιο αυτόματη είναι η συλλογή των δεδομένων τόσο λιγότερο επιρρεπής είναι σε λάθη. Σε αυτό το στάδιο ο οργανισμός θα πρέπει να διασφαλίσει την πληρότητα, ακρίβεια και επικαιρότητα των δεδομένων του ώστε να είναι σίγουροι για την ποιότητά τους. 3. Επεξεργασία των δεδομένων: Αυτό αφορά τους μετασχηματισμούς των δεδομένων και την προ-επεξεργασία τους για περαιτέDIGITAL FINANCE
ρω αλγοριθμική ανάλυση. Στο στάδιο αυτό πρέπει να ο οργανισμός να πάρει αποφάσεις όπως πως θα χειριστεί τα missing values, ποια δεδομένα θα αφήσει εκτός ανάλυσης αλλά το κυριότερο, ποιες είναι οι διαστάσεις εκείνες των δεδομένων που μπορεί να αφορούν ευαίσθητα προσωπικά δεδομένα των πελατών τους οι οποίες αν αποκαλυφθούν μπορούν να δημιουργήσουν προβλήματα. 4. Αλγόριθμοι/Μοντέλα και εργαλεία ανάλυσης: Όσα δεδομένα και αν συλλέξει ένας οργανισμός χωρίς τους κατάλληλους αλγορίθμους και μοντέλα για την ανάλυσή τους, δεν θα μπορέσει να πετύχει τους σκοπούς του. Καθώς στις μέρες μας όλοι μας ακούμε για τεχνολογίες Τεχνητής Νοημοσύνης, ο γράφων, αν και ένθερμος οπαδούς τους πιστεύει ότι ένας οργανισμός μπορεί να ξεκινήσει με όσο πιο απλά μοντέλα γίνεται (π.χ. γραμμική/λογιστική παλινδρόμησης κ.ά.) και στη συνέχεια να τα εξελίσσει με πιο σύνθετες τεχνολογίες (π.χ. Νευρωνικά δίκτυα, deep learning). Μπορεί να μην είναι προφανές, αλλά υπάρχει ακόμα περιθώριο σε αυτό το στάδιο για εισαγωγή προκατάληψης η οποία μπορεί να μειώσει την απόδοση του μοντέλου. Τέλος, ο κάθε οργανισμός πρέπει να είναι σε θέση να λογοδοτεί καθώς και να είναι δεκτικός ως προς ελέγχους (audits) για το πώς διασφαλίζει ότι όλα τα παραπάνω θα γίνουν με τρόπο Υπεύθυνο και που να εμπνέει Εμπιστοσύνη.
A: Κύπρου 4, Πάτρα Τ: 2610427549 E: yiannis@code4thought.eu www.code4thought.eu 5
ΙΟΥΛΙΟΣ-ΑΥΓΟΥΣΤΟΣ-ΣΕΠΤΕΜΒΡΙΟΣ