Önce geriye, sonra ileriye bakmak yıl sonuna kadar yapılan geleneksel bir uygulamadır. 2024'te hangi veri endişeleri endişelenecek kadar önemli? 2024'te bunlardan hangisi için iyi bir şeyler yapma şansımız var? Paranın (bütçe ve maliyetler) önemli bir konu olduğunu söylemeye gerek yok. Ancak söylemeye bile gerek yok ki gerçek iş zorluklarını çözmek muhtemelen daha önemlidir. Maliyetlerin biriktiğini ve faydaların ortaya çıkmasının rahatsız edici derecede geç olabileceğini unutmayın. Hatta bazı avantajlar "Denerken kazan ya da öl" kategorisine bile giriyor.

Kuşkusuz bu kolay değil:

Öyleyse cesaretlendirilerek geçmişten ne öğrenebiliriz?

Bu beş endişenin 2024'te ciddi anlamda ilgi çekici olduğunu öne sürüyorum:

• İş sonuçları
• Konular ve süreçler
• Modelleme: Gerçeklik mi yoksa veri mi?
• Bilişim – bu neden Avrupa'ya özgü bir şey?
• Geliştirilmiş biliş yoluyla veri modellemeyi geliştirmek???

İş Sonuçları, Şimdi ya da Asla

Bilişimin iş kaygılarına uygulanması 1960'ların sonlarına kadar uzanıyor. Veri girişi başlangıçta Flexowriter kağıt bantla (elektrikli daktiloda) ve delikli kartlarla yapılıyordu. Yetmişli yıllarda manyetik bant üzerinde çok adımlı sıralama/birleştirme algoritmaları olarak karmaşık algoritmalar uygulandı ve bunların yerini doğrudan erişim cihazları (diskler) aldı. 

Ticari kullanım senaryoları oldukça basitti ve benim gibi insanlar 10 ila 15 yıl boyunca malzeme listesi ve malzeme ihtiyaç yönetimi uygulamalarını uygulamakla oldukça meşguldü; bu kullanım durumları için satın alınan bilgisayarlarda. Yarım milyon dolar ve üzeri fiyatlarla. 

Faturalama hızla bir kullanım örneği olarak eklendi, ancak veri kalitesi sorunlar (evet, o zamanlar zaten; müşteriler zor bir gruptur). 

Entegrasyon bir sorun haline gelmeye başladı ve bu da ciddi bir endişe kaynağı oldu çünkü ilk veritabanı sistemleri çoğunlukla etki alanı uygulamaları için nokta çözümler olarak kullanılıyordu. Bununla birlikte, kurumsal veritabanlarının vizyonu, eski DBMS'lerdeki normalleştirilmiş veritabanlarının aşırı fiziksel veri modelleri üzerinde algılanan esnekliği nedeniyle SQL'in ağ ve indekslenmiş (ISAM/VSAM veritabanları) üzerinde zafer kazanmasına yol açtı. 

Yetmişli yıllarda “DIKW Piramidi” her yerde görülmeye başlandı:

Kurumsal modelleme vizyonları aynı zamanda nesne yönelimli modellere (UML, OO) ve OODBMS'ye yol açan kod katmanlarına da girdi, ancak bunlar ana hat yollarına girmeyi başaramadı.

Bilgi sistemlerinin bu tür inşası ve uygulanmasına yönelik hipotez, planlama, yönetişim, yöntemler, iş uzmanlarının katılımı ve bazı teknolojiler (ilişkisel modelleme, OO, vb.) gibi disiplinlere dayanıyordu. 

Ancak 80'li ve 90'lı yıllarda bu "siloların" çok zor ve maliyetli olduğunun farkına varıldı. Mini bilgisayarlar ve kişisel bilgisayarların yanı sıra OLAP ve veri ambarı gibi yeni teknolojiler, gerçek iş gereksinimlerine bir miktar rahatlama sağlamak amacıyla masaya yatırıldı. 

Süreçlerden ziyade Konular

Yeni yüzyıla girerken, ERP sistemleri (Oracle, SAP ve diğerleri gibi) ve OLAP, SAS ve daha pek çok analitik tarafından desteklenen devasa veri ambarları aslında büyük işletmelerin çoğunu yönetiyordu. Yüksek bir maliyetle, evet. Ve değişmesi zor, evet. Ancak bana sorarsanız yüksek maliyetlerin faydaları savunulabilir nitelikteydi. Bu yüzyılın başında piyasa temelli yatırım düşüncesinin gelişmesi (yeni liberalizm), güçlü bir Avrupa Birliği ile yeni bir makropolitik durum ve Çin'in kilit rolleri gibi dışsallıklar meydana geldi. 

İşletme faaliyetlerinin küreselleşmesi hızla gerçekleşti ve günümüzde de devam etmektedir. Bu, birleşme ve satın almalardan, çelişen ürün gruplarından, çelişkili iş kurallarından vb. kaynaklanan işletmeleri çok daha karmaşık hale getirdi. Önemli ölçüde daha kısa yatırım getirisi döngüleri talep eden yatırımcılardan yüksek bir baskı vardı/vardır. Politika, ideoloji ve çalkantılı dinamiklerin tümü, geleneksel olarak (yönetim/bilgisayar) bilimi olarak düşünülen şeyi etkiledi.

Yahoo, Google vb. gibi büyük teknoloji şirketlerinin "büyük verileri" yönetmedeki başarısı, "kurtarılacak teknoloji" konusunda iddialı beklentiler yarattı.

Sonuç olarak teknoloji, insanların çözüm aradığı yerdi; NoSQL'i, işlevsel programlamayı ve "modern veri yığınını" düşünün. Depolama artık kolay ve ucuzdu, oysa "bilgi işlem" eskisi kadar hantaldı. Yapay zeka daha güçlü hale geldi (yine de bilgi işlem maliyetleri ve çevresel sonuçlar açısından hâlâ çok pahalı).

2024 yılında verinin kullanılacağı ortam(lar)a akışına büyük bir odaklanma olacak (devam edecek). (Yapay zeka ile ve yapay zeka olmadan vb.) "Modern veri yığını" gibi bir şemsiye altında ve "veri mühendisliği", "veri dokusu", "veri ağı" vb. gibi teknolojik yeni söylemler kullanılarak veriler taşınıyor ve çoğunlukla algoritmik ve istatistiksel işleme (diğer adıyla AI) uygun fiziksel yapılara dönüştürülür. 

Enerji yoğundur ve aletler sayılarla edinilir ve uygulanır; bu da, mutfağınızda ihtiyaç duyduğunuz şeyler için yeni evliler için bir alışveriş listesiyle eşleşmeye başlar. (Üzgünüm, yardımcı olamadım.) Şuna bir göz atın (Our West Nest adlı çok bilgilendirici bir siteden geliyor):

Yukarıdakiler yalnızca sahip olmanız önerilen gadget'lar ve araçlar kategorisidir. İhtiyacınız olan şeylerin geri kalanı için sitelerine bakın. Artık “gıda mühendisi” olmanın ne demek olduğunu biliyorsunuz. Veri mühendisliği araçlarına gelince, şunu kontrol edin: yer!

Ne yazık ki, her iyi aşçının size memnuniyetle söyleyeceği gibi, ticaretin püf noktaları malzemelerinizi (yemek) bilmek ve nerede bulacağınızı ve nasıl işleyeceğinizi bildiğiniz iyi ürünlerin tatlarını nasıl birleştirip eşleştireceğinizi bilmektir. Bizim alanımıza tercüme edersek, bu, çok sayıda mühendislik aracını uygulayabileceğiniz anlamına gelir, ancak iş yalnızca iş alanlarının konularını biliyorsanız, iş kaygılarını biliyorsanız ve sorunları iş adamlarıyla birlikte federe bir ortamda çözerseniz yapılacaktır. senaryolar.

Aksi takdirde muhtemelen uygun maliyetli bir çözüm sağlayıcı olamazsınız. Bu bir iş meselesidir, roket (veya bilgisayar) bilimi değil.

Ve işin neyle ilgili olduğunu bilmek bir sonraki konumuz.

Gerçekliğin Modellenmesi: Veri Değil, Bilgi

Gerçeklik acımasız olabilir: En sevdiğim (gerçek) korku öykülerinden biri, yeni bir satış raporlama planı uygulamak isteyen çok uluslu bir B2C şirketi hakkındadır. Bunu, farklı ülkelerde çalışan çeşitli ERP sistemlerinden veri toplayarak oluşturduk, ancak birleştirilmiş veritabanında satış raporu satırlarının %50'sinden fazlasında ürün kategorisi hiyerarşi bilgilerinin eksik olduğunu keşfettik! Bu, projeyi birkaç ay geciktirdi; genç ve zorlu kontrolörler sırayla farklı kardeş şirketleri ziyaret etti... Eğer bunu önceden bilselerdi proje muhtemelen farklı görünürdü.

Üretken AI (GenAI) bugün tüm ön sayfalarda görünüyor. Ve 2. sayfada pek çok kişi, GenAI'nin halüsinasyon (bir şeyler uydurma) eğilimini durdurmak için ona bir yardımla birlikte yardım etmeniz gerektiğini iddia ediyor. bilgi grafiği. Bu çok iyi bir fikir çünkü grafikler iş semantiğine yakındır.

Mike Dillinger'ın bir çok doğrudan bir yaklaşım Yapay zekanın biraz daha iyi çalışmasını sağlamak için bilgi grafiklerine duyulan ihtiyaç hakkında: 

"Bilgisayar ve veri bilimcileri için bilgi grafiklerinin kullanımını motive etmenin bir yolu, bunları ilişkisel veritabanlarında veri ve bilgiyi temsil etme ve bunları doğrusal makine öğrenimi modelleriyle manipüle etme konusundaki birçok eksikliğin üstesinden gelmenin bir yolu olarak konumlandırmaktır.

Veritabanlarının büyük, kötü ve dramatik basitleştirici varsayımlarından biri, sütunların bağımsız veya dik olarak ele alınmasıdır. Sınıflandırıcılar gibi makine öğrenimi teknikleri de aynı varsayımı yapar: her özellik/değişken için ağırlıklar vardır ancak iki veya daha fazla özellik arasındaki kovaryansı veya karşılıklı bağımlılığı temsil edecek terimler yoktur. Sınıflandırıcılar için hedef sınıfların ayrık veya ilişkisiz olduğu da varsayılır; bu nedenle sınıflandırıcılar hiyerarşik olarak ilişkili sınıflar arasında karar vermede zayıf performans gösterirler; ayrık değillerdir, daha ziyade biri diğerini kapsar. Değişkenler aslında ilişkiliyken ilgisiz olduklarına inanmak, hata varyansını dayanılmaz seviyelere şişirir."

Ayrıca Dillinger'ın slaytlarından birinden: "Neden bilgi grafikleri kullanılmalı? Çünkü matematik kelimenin tam anlamıyla, kasıtlı olarak, kesinlikle anlamsızdır. Mantık da öyle.”

İş etkisi yaratmanın başladığı ve bittiği yerdir.

Yapay zeka güvenilir önermeler üretmelidir. Neden sertifika istemek?

Daha Fazla Bilişim, Daha Az Teknoloji

Aşağıdakiler büyük bir sorun değil, ancak belirsiz terminoloji "loncamıza" bulaşmış gibi görünüyor. 

1969'da Kopenhag Üniversitesi'ne başladım. Profesörüm Peter Naur'du, kendisi şu gibi şeylerle tanınır:

• Edsger Dijkstra ve diğerleri ile ortak yazar. Algol-60 programlama dili hakkında
• BNF'deki "N", birçok dil tanımında kullanılan Backus-Naur-Formu
• "Bilgisayar bilimcisi" olarak anılmak istemedi, "Bilgisayar Bilimi" yerine "Veri Bilimi" ni tercih etti - bunun nedeni, iki alanın (bilgisayarlar ve insan bilimi) çok farklı olması ve ilgisinin verilere olmasıydı. bizim tarafımızdan insanlar olarak yaratıldı ve tanımlandı
• Bilgisayar bilimine katkılarının bir derlemesi olan "Computing: A Human Activity" (1992) adlı kitabında, programlamayı matematiğin bir dalı olarak gören programlama okulunu reddetti.
• IEEE Computer Society'nin Computer Pioneer Ödülü (1986)
• 2005 Turing Ödülü sahibi, ödül konferansının başlığı “İnsan Düşüncesine Karşı Hesaplamabaşlıklı bir kılavuz yayınladı

 (Daha fazla arka plana bakın okuyun.)

Gerçekte birbiriyle yarışan üç terimimiz var:

• Bilgisayar Bilimi
• Bilişim
• Bilgi Bilimi

“Bilgi bilimi” klasik olarak kütüphanecilerin ve arşivcilerin yaptığı bilgi işleme türü anlamına gelir. Bugün her şey dijital…

Avrupa'nın büyük bir bölümünde ve diğer ülkelerde bilgisayar bilimi yerine “bilişim” kullanılıyor. ABD ve diğerlerinde bilişim, sağlık hizmetlerinde bilgiyle ilgilenmek için sıklıkla kullanılmaktadır.

Ve sonra “bilgisayar bilimi” var. Akademik olarak günümüzde oldukça matematiksel ve soyuttur, mantık ve işlevler üzerine kurulmuştur. Ancak sıklıkla verilerin işlenmesinde kullanılan bir dizi beceri olarak tanımlanır. Ancak doğrudan anlambilim, yani "bilgisayarların nasıl inşa edileceği" artık kapsam dahilinde değil; Mühendislerin ve fizikçilerin bununla ilgilenmesini beklerdim. 

Otoyollar inşa edersem otoyolla ilgili özel becerileri kullanabilirim. Ama bu beni bir "otoyol bilimcisi" yapar mı? Öyle değil.

ACM İletişimleri'nde (Bilgisayar Makineleri Derneği, oturum açmanız gerekir), ACM'nin eski başkanı Peter Denning, "Bilgisayar Bilimi Bilim mi?" başlıklı makalesinde bilgisayar "bilimi" lehinde ve aleyhinde tartışıyor. Bilgisayar bilimi, bilim olmak için gereken tüm kriterleri karşılıyor ancak kendi kendine yarattığı bir güvenilirlik sorunu var” 2005 ve şu sonuca varıyor:

“Bilgisayar Bilimi İddialarını Doğrulayın

İşte karşınızdayız. Reklam departmanlarının heyecanının laboratuvarlarımıza sızmasına izin verdik. 400'ten önce yayınlanan 1995 bilgisayar bilimi makalesinden oluşan bir örnekte Walter Tichy, model veya hipotez önerenlerin yaklaşık %50'sinin bunları test etmediğini buldu [12]. Bilimin diğer alanlarında test edilmemiş hipotezlere sahip makalelerin oranı yaklaşık %10'du. Tichy, daha fazlasını test etme konusundaki başarısızlığımızın, birçok sağlam olmayan fikrin pratikte denenmesine izin verdiği ve alanımızın bir bilim olarak güvenilirliğini azalttığı sonucuna vardı. …

Alanımızın algısı bir kuşak meselesi gibi görünüyor. Daha yaşlı üyeler alanın üç kökünden biriyle (bilim, mühendislik veya matematik) özdeşleşme eğilimindedir. Bilim paradigması diğer iki grupta büyük ölçüde görünmez. 

Bir zamanlar yeni bilgi işlem teknolojilerine eski nesilden çok daha az hayranlık duyan genç nesil, eleştirel düşünmeye daha açık. Bilgisayar bilimi her zaman onların dünyasının bir parçası olmuştur; geçerliliğini sorgulamazlar. Araştırmalarında giderek daha fazla bilim paradigmasını takip ediyorlar.”

Tichy'ye yapılan atıf şu şekildedir: Tichy, W. Bilgisayar bilimcileri daha fazla deney yapmalı mı? IEEE Bilgisayar 1998.

Merak etmenizi sağlar: Hala "reklam departmanlarının heyecanının laboratuvarlarımıza sızmasına" izin veriyor muyuz?

Yaptığımız işin en genel ve kesin tanımının “bilişim” olduğunu düşünüyorum. Bilgi işlem bir insan faaliyetidir ve bilişim, bilginin insanlar için ve insanlar tarafından işlenmesine ilişkin insan faaliyetlerini tanımlar.

Evet, şimdi daha iyi hissediyorum, teşekkür ederim!

İleriye Bakış: Bilişin Geliştirilmesi  

Gelecekte Veri Modelleme mi?

Bazı okuyucularımın hatırlayacağı gibi, arkamda uzun yıllara dayanan modelleme geçmişine sahip, ezbere bir (grafik) veri modelleyicisiyim. Aynı zamanda bilişimin iş sorunlarına uygulanmasının da güçlü bir savunucusuyum; iş sorunlarının çözümünü yaptığımız en önemli şey haline getiriyorum. Son 15-25 yıldır maliyet/fayda tartışmalarının acısını çekiyoruz.

İnsanlar ayrıca veri modellemenin yolun sonunda olduğuna inanma eğilimindedir, daha fazlasını söylemeyin. Daha verimli hale getirmek ve daha kaliteli üretim yapmak için ne yapılabilir? 1970'lerde geliştirildi, unutmayın. 70'lerden başka ne kadarı hayatta kaldı? (Sadece şaka yapıyorum: İlişkisel modelleme hayatta kaldı…)

Herhangi bir teoriye gelince, varsayımlara meydan okumak zorunda kalacaksınız. Veri modelleme, artık bildiğimiz şekliyle, karmaşık diyagramlarla oldukça mühendislik odaklıdır ve tüketicilerin iyi dileklerini pek yansıtmaz. Birçok yönden hâlâ veri tabanı normalleştirmesi vb. gibi aksiyomatik paradigmalara dayanan “planlar”dır; veri tabanları gibi fiziksel yapıların inşasına yöneliktir. Bunun istisnası, anlamsal modellerin (grafiklerin) anlamlılık, kesinlik ve göreceli kullanım kolaylığı nedeniyle oldukça başarılı olduğu evin bilişim tarafındadır (okuyun: “bilgi grafikleri”).

Güçlü, İleriye Dönük Araştırmalar Mevcuttur

Peki bu yolculuğun sonu mu? JSON tüm veri modellerini devralacak mı?

Bence değil. Anlambilimle birlikte veri modelleme açık uçlu bir araştırma alanıdır. Geleneksel bilgisayar bilimi tabanlı veri modelleme, mantık ve soyutlamalarla güçlendirildiği varsayılan oldukça dar aksiyomlara ve paradigmalara dayanıyordu.

Ancak anlambilim ve biliş, çok geniş bir söylem evreninin kapısını açar. Aslında veri modellemenin yıllar boyunca yapmaya çalıştığı şey bilişsel bilimin (psikoloji, klinik ve felsefi) alanına girmekti. 

Veri modelleri, duyularımız tarafından algılanan, gördüğümüz ve deneyimlediğimiz her şeyin bilişini oluşturan dünyanın yorumlarıdır. Bu ileriye giden açık yoldur!

Peki o zaman neye bakıyoruz? Eğlence olsun diye buna "Bilişsel Konumlandırma Sistemi" (CPS) adını verelim. Bir göz atın:

Seyahat eden deneyimli CPS kullanıcıları fotoğrafın Paris, Fransa'dan olduğunu fark edeceklerdir. Bazıları nehrin Seine adıyla bilindiğini bile bilecek.

Görsel Bilişle Hayatta Kalma

Ben de dahil olmak üzere çoğu hayvanın temel bilişsel yetenekleri, her şeyden önce şu gibi durumları anlamayı amaçlar:

Ah, bir aslan! (erkek), aslında saklanmaya çalışmıyorum çim – doğru anladın! Ancak karar almak için zengin bir bağlam değil. İçgüdülerinizi takip edin (arabaya doğru koşmak iyi bir fikirdir).

Ve işte başka bir bağlam:

Ah, başka bir aslan! Bu sefer bir kadın ve muhtemelen midesi tok.. Çalışmak için biraz daha bağlam. Canavar (yaban arısı?) neredeyse çoktan yenmiş durumda. sonuç:  Şu anda aç değil. Bir fotoğraf çekin ve geri çekilin, güzel ve sessiz; sizin gibi birinci sınıf bir fotoğrafçı için yeterince güvenli görünüyor…

Bu konularda zengin bir akademik araştırma portföyü bulunmaktadır. Beyindeki bilişsel işlem birimlerimize gelen sürekli bir duyu (algı) akışının bize sunduğu şekliyle, bağlamın anında, şimdi ve burada anlaşılmasıyla başa çıkmak için geliştik. Temel psikolojiden nöropsikolojiye, bilişsel sinirbilime, zekaya, bilince ve felsefeye kadar uzanır.

Son 10 yıldır çeşitli araştırmacıları ve yazarları takip ediyorum ve burada ilginç gözlemlerden oluşan küçük bir süvari alayına bakacağız.

Haritalar

Açıkçası, haritalar dikkati ve anlayışı kolaylaştırmaya yönelik bu arayışın bir parçasıdır. İşte Londra Metrosu haritası (merkezi):

Şimdi, her şeyden önce haritaların yukarıda da gösterildiği gibi bir takım nitelikleri vardır:

• Konumlar haritalandı
• İlişkiler veya yollar haritalanır
• Haritalar grafiktir, grafikler haritadır!
• Haritalar sezgisel bir anlam taşır

Ayrıca haritada konumların/yer işaretlerinin belirtildiğine dikkat edin. Ancak Sloane Square metro istasyonuna yakın olanı unuttuysanız, her zaman gün ışığına çıkıp CPS'nizin çevreyi (= bağlam) sizin için tanıyıp tanımayacağını görebilirsiniz. "Ah, evet, şuradaki sarı evdeki küçük dükkanda, balayında Ellen'a kırmızı bandana almıştık." gibi bir şey.

Veri modelleri oluştururken harita alegorilerini düşünmek basit ve güçlüdür. Bu yüzden ER diyagramlarını ve UML sınıf diyagramlarını yıllar önce bıraktım.

Yer Tutucular/Konum İşaretleri/Yer Adları Hakkında

Yolunuzu bulmak, haritalardan ve bilişsel sezgilerden biraz daha fazlasıdır. Michael Bond'un (bilim muhabiri, New Scientist'in önceki kıdemli editörü) mükemmel kitabı "Wayfinding" Picador MacMillan 2020'de bazı şaşırtıcı gözlemleri ve açıklamaları var.

Antropolog Ariane Burke'ün, erken modern insanların geniş sosyal ağlara sahip olduğuna dair arkeolojik kanıtlar bulunduğunu söylediğini aktarıyor. Bir telefon görüşmesinde "Bu çok geniş ağlar kültürümüz için çok önemliydi" diye açıkladı. “Paleolitik dönemde etrafta nispeten az insanın olduğunu unutmayın. … Mekansal olarak geniş bir sosyal ağı sürdürmek, hayatta kalmanızı sağlamanın bir yoluydu. Bağlantılarınız hakkındaki bilgilerle ve onların manzara hakkında size söyledikleriyle sürekli olarak güncellemeniz gereken çok dinamik bir bilişsel haritaya ihtiyacınız olacak.”

Bond ayrıca topografik yer adlarının (yer adları) kullanımından da söz ediyor. Örneğin, ebeveynlerinin İskoçya'daki çiftliğinden kuzeybatıya doğru giderseniz, "parlak ve ışıltılı akarsuların birleştiği yerle" karşılaşırsınız ve eski sığır yolunu "kuşların kayası" olarak takip edersiniz. Bir mil kadar ileride "büyük siyah tepeyle" karşılaşırsınız ve "kırmızı dereyi" geçersiniz. Hemen ileride “savaşın tümseği” var. Bir tırmanıştan sonra kendinizi “bulut meyveleri tepesinde” bulacaksınız (onlar hâlâ orada yetişiyor). 

Tarihçiler, topografik yer adlarının ilk yerleşimcilere enlem ve boylamın habercisi olan coğrafi bir referans sistemi sağladığına inanıyor. Tanımlayıcı bir ad, zihinsel bir imajı harekete geçirir; onu gördüğünüzde "tepecikteki çimenli tepeyi" (Galce'de Funtulich) tanıyacaksınız. Bir dizi yer adı bir dizi yol tarifini oluşturur: o kadar donanımlısınız ki yolculuğunuzu yapabilirsiniz.

Daha kuzeyde, kuzey Kanada, Alaska ve Grönland'daki İniut halkına kadar. Kaşif George Francis Lyon, Kuzeybatı Geçidi'ni aramak için 1822'de Kanada Arktik Bölgesi'ndeki Igloolik mezrasından geçtiğinde şunları kaydetti: "Her derenin, gölün, körfezin, noktanın veya adanın bir adı vardır ve hatta belirli bir adı vardır. taş yığınları.”

Dışarıdan bakan birine Kuzey Kutbu özelliksiz ve monoton görünebilir. … Baffin Adası'nın güney ucunda Nuluujaak'ı, yani “kalçaya benzeyen iki ada”yı bulacaksınız. Kaçırılması zor. Sahilin daha yukarısında, Qumanguaq'ı, yani "omuz silken tepeyi (boyunsuz)" gördüğünüzde tam olarak nerede olduğunuzu bileceksiniz.

Yerleri isimlendirmeye yönelik bu yaklaşım, yerel topografya veya kültürden ziyade arkadaşlarını, destekçilerini veya anavatanlarının ileri gelenlerini kutlama eğiliminde olan Amerika kıtasının ilk Avrupalı ​​kaşiflerinin benimsediğinden çok farklıdır.

Nasıl Geziniyoruz

Michael Bond'dan ayrılmadan önce üzerinde düşünmeye değer bazı açıklamalar var: 

“İnsanlar, herhangi bir yapay sistemden ölçülemeyecek kadar gelişmiş ve yetenekli bir iç yön bulma aracıyla kutsanmıştır. Bunu nasıl kullanırız?

Psikologlar, alışılmadık bir arazide yollarını bulurken insanların iki stratejiden birini izlediğini bulmuşlardır: ya her şeyi uzaydaki kendi konumlarıyla ilişkilendirirler, 'benmerkezci' yaklaşım ya da manzaranın özelliklerine ve bunların nasıl ilişkilendirildiğine güvenirler birbirlerine nerede olduklarını söylemek için 'mekansal' yaklaşım.”

İlginç bulduğum bir başka gözlem dizisi de manzaralarda gerçekte nasıl dolaştığımız ve rotaları nasıl takip ettiğimizdir. Görünüşe göre sınırlar konumlar kadar önemli. Ve bunun, sınırların navigasyonu önemli ölçüde (ve sezgisel olarak) kolaylaştırabileceği inşa edilmiş "manzaralara" genelleştirilebileceğinden şüpheleniyorum.

Michael Bond'un "Wayfinding" adlı eserini şiddetle tavsiye ediyorum.

Hareket, Uzamsal

Bahsedeceğim bir sonraki kitap ”Hareket Halindeki Zihin: Eylem Düşünceyi Nasıl Şekillendirir?” Barbara Tversky (Stanford'da psikoloji alanında emekli profesör) tarafından 2019'dan. 

Birçok bakımdan Michael Bond'un bildirdiği bulgularla aynı çerçeveye oturtulmuştur. 

Çoğu canlı gibi insanlar da bir yerden bir yere hareket ederler. Hareket ettikçe yerde, beyinde, yollarda, mekanlarda iz bırakırlar. Hipokampus hareketleri rotalar, yerler ve yollar dizisi olarak kaydeder. Bu aslında Nobel Fizyoloji veya Tıp Ödülü 2014Yarısı John O'Keefe'ye, diğer yarısı ise ortaklaşa May-Britt Moser ve Edvard I. Moser'e "beyinde bir konumlandırma sistemi oluşturan hücreleri keşfettikleri için" verildi. Hücreler ızgara hücreleri olarak adlandırılıyor ve beyinde mekansal yapılar oluşturmada hipokampusla birlikte çalışan işaretleyiciler olarak kullanılıyor.

Barbara Tversky'nin daha geniş bir bakış açısı var; zihinde mekansal olarak kaydedilen hareketin düşünce platformu olduğunu kanıtlamak istiyor. Yalnızca grafikler değil, aynı zamanda kelimeler, jestler ve grafikler de. Ayrıca çıkarımı ve keşfi teşvik eder, topluluk tarafından yaratım, revizyon ve çıkarım yapılmasına izin verir. Kategorizasyon, algılanan resmin tamamı boyunca zihinsel bir basitleştirmedir. Kesinlikle Prof. Tversky, Stanford ve Columbia Üniversitesi'ndeki psikoloji laboratuvarında bu şeylerin birçok yönünü araştırdı.

Uzayın anlamı vardır, yakınlık her boyutta yakınlık demektir. Dikey: yukarı, her şey yolunda, yatay: nötr. Uzay özeldir, modlar üstüdür ve hayatta kalmak için gereklidir, diğer bilgilerin temelidir. Jestlerle desteklenir.

Başka bir deyişle, zihinden gelen iletişim kolayca tanınabilir ve tüketici için bunun (iletişimin) bağlamda önemli olan görevlere nasıl yardımcı olabileceği açık olmalıdır. Gelecekte veri modellerinin nasıl geliştirilebileceğine dair iyi öneriler gibi görünüyor!

"Hareket Halindeki Zihin: Eylem Düşünceyi Nasıl Şekillendirir" bilişsel bilim alanında ufuk açıcı bir çalışmadır. Mükemmel bir YouTube videosu var (Uzamsal Düşünme Düşüncenin Temelidir) 2022'den itibaren onunla birlikte okuyun.

Beyindeki Biliş (Sol ve Sağ)

Bilişsel konularla ilgili dikkatle araştırılan en önemli kitaplardan biri, psikiyatrist, sinirbilim araştırmacısı, filozof ve edebiyatçı Dr. Ian McGilchrist'in Perspectiva, 2021.

Kendi sözleriyle:

”Aslında hiçbir parça yok. Parçalar, dünyaya katılmanın belirli bir yolunun eseridir. Sadece bütünler var. Ve parça olarak düşündüğümüz şeyler başka bir düzeyde bütündür, bütün olarak düşündüğümüz şeyler ise daha da büyük bir bütünün parçaları olarak görülebilir. 

Ancak bu şeyleri parçalara ayırma işi, sol yarıkürenin parça parça dikkatinin bir eseridir. Yani bu küçük ayrıntıya odaklanmaya çalıştığı için, küçük bir parçaya, belki de 360 ​​derecelik dikkat yayının üçüne odaklanıyor ve bu, dünyaya sağ yarıküreden farklı bir bakış açısına yol açıyor."

Bilgiçlik Sağlayan Sol Yarımküre ve Sezgisel Sağ Yarımküre

Beynimizin iki yarım küresi arasındaki işbölümünü birkaç örnekle özetleyebiliriz:

İkilemin nedenleri evrimseldir. Basitleştirilmiş açıklama kabaca yukarıdaki iki aslan fotoğrafına karşılık gelir. Biri "Ah, bunun ne olduğunu biliyorum", diğeri ise "Yardım edin, kaçsam iyi olur!" Her iki reaksiyon da oldukça faydalıdır.

İşte çok ilginç YouTube dersi: Dr. Iain McGilchrist, CERN'in IdeaSquare inovasyon alanında, gerçekliğin doğasını insan beyni ve felsefe perspektifinden tartışmak için konuştu. Etkinliğe, öğrencilere büyük ölçekli sistem düşünme becerileri ve toplumsal değişimin nasıl tetikleneceğiyle ilgili donanım kazandıran bir pilot kursla birlikte ev sahipliği yapıldı. Ayrıca bir web sitesi işletiyor okuyun.

Son kitabı “Şeylerle İlgili Madde” iki cilt olup toplamda 1,300 sayfadır. Seni bir süre meşgul etmeliyim!

Umarım veri modellerinin neyle ilgili olduğunu daha iyi anlamak için birçok fırsatımız olduğuna sizi ikna etmişimdir. Gözlerini tut açık! Sezgiyi kullanarak iletişim kurun! 2024, yenilikçi evrimin tüm bu veri işlerini kolaylaştırdığı yıl olsun!

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.dataversity.net/handling-data-concerns-in-2024-and-onwards/