Nhìn lại rồi nhìn về phía trước là một bài tập truyền thống cuối năm. Những mối quan tâm về dữ liệu nào đủ quan trọng để lo lắng vào năm 2024? Chúng ta có cơ hội làm điều gì tốt cho ai trong số đó vào năm 2024? Không cần phải nói, tiền (ngân sách và chi phí) là một vấn đề. Nhưng không cần phải nói nhiều hơn nữa, việc giải quyết những thách thức kinh doanh thực sự có lẽ còn quan trọng hơn. Hãy nhớ rằng chi phí sẽ tích lũy và lợi ích có thể xuất hiện muộn một cách khó chịu. Một số lợi ích thậm chí còn lọt vào danh mục “Cố gắng thắng hoặc chết”.

Phải thừa nhận rằng điều đó không hề dễ dàng:

Vì vậy, được khích lệ, chúng ta có thể học được gì từ quá khứ?

Tôi đặt ra năm mối quan tâm thực sự thú vị này vào năm 2024:

• Kết quả kinh doanh
• Chủ đề so với quy trình
• Mô hình hóa: Thực tế hay dữ liệu?
• Tin học – tại sao đó lại là thứ của Châu Âu?
• Cải thiện mô hình hóa dữ liệu bằng cách cải thiện nhận thức ???

Kết quả kinh doanh, bây giờ hoặc không bao giờ

Máy tính được áp dụng vào các mối quan tâm kinh doanh đã có từ cuối những năm 1960. Việc nhập dữ liệu ban đầu là băng giấy Flexowriter (trên máy đánh chữ điện) và trên thẻ đục lỗ. Các thuật toán phức tạp được thực hiện dưới dạng thuật toán sắp xếp/hợp nhất nhiều bước trên băng từ để được thay thế bằng các thiết bị truy cập trực tiếp (đĩa) trong suốt những năm XNUMX. 

Các trường hợp sử dụng trong kinh doanh khá đơn giản và những người như tôi đã khá bận rộn trong vòng 10 đến 15 năm để triển khai các ứng dụng xử lý yêu cầu về vật liệu và hóa đơn; trên các máy tính được mua cho những trường hợp sử dụng đó. Với mức giá từ nửa triệu USD trở lên. 

Lập hóa đơn nhanh chóng được thêm vào như một trường hợp sử dụng, nhưng nó bắt đầu tỏ ra khó khăn vì chất lượng dữ liệu các vấn đề (vâng, hồi đó rồi; khách hàng là một nhóm khó tính). 

Tích hợp bắt đầu trở thành một vấn đề, được chứng minh là mối quan tâm lớn vì các hệ thống cơ sở dữ liệu ban đầu chủ yếu được sử dụng làm giải pháp điểm cho các ứng dụng miền. Tuy nhiên, tầm nhìn của cơ sở dữ liệu doanh nghiệp đã dẫn đến chiến thắng của SQL trên mạng và được lập chỉ mục (cơ sở dữ liệu ISAM/VSAM), do tính linh hoạt được nhận thấy của cơ sở dữ liệu chuẩn hóa so với các mô hình dữ liệu quá vật lý trong các DBMS cũ hơn. 

Vào những năm bảy mươi, cái gọi là “Kim tự tháp DIKW” bắt đầu xuất hiện khắp nơi:

Tầm nhìn mô hình hóa doanh nghiệp cũng đã nhập các lớp mã dẫn đến các mô hình hướng đối tượng (UML, OO) cũng như OODBMS, tuy nhiên, không thể đi vào các đường dẫn chính.

Giả thuyết cho kiểu xây dựng và triển khai hệ thống thông tin này dựa trên các nguyên tắc như lập kế hoạch, quản trị, phương pháp, sự tham gia của các chuyên gia kinh doanh và một số công nghệ (mô hình quan hệ, OO, v.v.). 

Tuy nhiên, trong những năm 80 và 90, người ta nhận ra rằng những “hầm chứa” này quá khó khăn và quá tốn kém. Các công nghệ mới như máy tính mini và máy tính cá nhân, cũng như OLAP và kho dữ liệu, đã được đưa lên bàn đàm phán nhằm cung cấp một số giải pháp hỗ trợ cho các yêu cầu kinh doanh thực tế. 

Chủ đề thay vì quy trình

Bước sang thế kỷ mới, các hệ thống ERP (như Oracle, SAP và các hệ thống khác) và kho dữ liệu khổng lồ được hỗ trợ bởi các phân tích như OLAP, SAS, v.v., thực sự đã vận hành hầu hết các doanh nghiệp lớn. Với chi phí cao, vâng. Và khó thay đổi, vâng. Tuy nhiên, lợi ích của chi phí cao là có thể bảo vệ được, nếu bạn hỏi tôi. Các tác động bên ngoài đã xảy ra vào đầu thế kỷ này, chẳng hạn như sự phát triển của tư duy đầu tư dựa trên thị trường (chủ nghĩa tự do mới), tình hình chính trị vĩ mô mới với một Liên minh châu Âu mạnh mẽ và vai trò chủ chốt của Trung Quốc. 

Toàn cầu hóa hoạt động của doanh nghiệp diễn ra nhanh chóng và tiếp tục cho đến ngày nay. Điều này làm cho các doanh nghiệp trở nên phức tạp hơn rất nhiều, xuất phát từ việc mua bán và sáp nhập, các dòng sản phẩm xung đột, các quy tắc kinh doanh trái ngược nhau, v.v. Đã có/đang có áp lực cao từ các nhà đầu tư yêu cầu chu kỳ ROI ngắn hơn đáng kể. Chính trị, hệ tư tưởng và động lực hỗn loạn đều ảnh hưởng đến những gì được quan niệm theo truyền thống là khoa học (quản lý/máy tính).

Sự thành công của các công ty công nghệ lớn như Yahoo, Google, v.v. trong việc xử lý “dữ liệu lớn” đã tạo ra những kỳ vọng đầy tham vọng về “công nghệ giải cứu”.

Do đó, công nghệ là nơi mọi người tìm kiếm giải pháp – hãy nghĩ đến NoSQL, lập trình chức năng và “ngăn xếp dữ liệu hiện đại”. Việc lưu trữ giờ đây dễ dàng và rẻ tiền, trong khi việc “điện toán” vẫn cồng kềnh như trước. AI trở nên mạnh mẽ hơn (nhưng vẫn rất tốn kém về chi phí tính toán và hậu quả môi trường).

Vào năm 2024, sẽ (tiếp tục) tập trung nhiều vào luồng dữ liệu vào (các) môi trường nơi dữ liệu sẽ được sử dụng. (Cả có và không có AI, v.v.) Dưới một cái ô như “ngăn xếp dữ liệu hiện đại” và sử dụng các bản tin công nghệ như “kỹ thuật dữ liệu”, “kết cấu dữ liệu”, “lưới dữ liệu”, v.v., dữ liệu đang được di chuyển và được chuyển đổi thành hầu hết các cấu trúc vật lý, phù hợp cho xử lý thuật toán và thống kê (hay còn gọi là AI). 

Năng lượng rất mãnh liệt, các công cụ được tiếp thu và sử dụng với số lượng lớn, bắt đầu phù hợp với danh sách mua sắm dành cho các cặp đôi mới cưới những thứ bạn cần trong nhà bếp của mình. (Xin lỗi, tôi không thể giúp được.) Hãy xem cái này (đến từ một trang web rất nhiều thông tin có tên là Our West Nest):

Và trên đây chỉ là danh mục tiện ích và công cụ mà bạn nên có. Tham khảo trang web của họ để biết phần còn lại của nội dung bạn cần. Vì vậy, bây giờ bạn đã biết những gì cần thiết để trở thành một “kỹ sư thực phẩm”. Đối với công cụ kỹ thuật dữ liệu, chỉ cần kiểm tra phần này website!

Thật không may, như bất kỳ đầu bếp giỏi nào cũng sẽ vui vẻ nói với bạn, mánh khóe trong kinh doanh nằm ở việc biết nguyên liệu của bạn (món ăn) cũng như cách kết hợp và kết hợp mùi vị của các sản phẩm ngon mà bạn biết tìm ở đâu và cách xử lý. Chuyển sang lĩnh vực của chúng tôi, điều đó có nghĩa là bạn có thể áp dụng rất nhiều công cụ kỹ thuật, nhưng công việc sẽ chỉ được thực hiện nếu bạn biết các chủ đề của lĩnh vực kinh doanh, biết các mối quan tâm kinh doanh và giải quyết các vấn đề cùng với các doanh nhân trong liên bang. kịch bản.

Nếu không, bạn có thể sẽ không phải là nhà cung cấp giải pháp tiết kiệm chi phí. Đây là vấn đề kinh doanh, không phải khoa học tên lửa (cũng không phải máy tính).

Và biết lĩnh vực kinh doanh là gì là chủ đề tiếp theo của chúng ta.

Mô hình hóa thực tế: Kiến thức, không phải dữ liệu

Thực tế có thể tàn khốc: Một trong những câu chuyện kinh dị (có thật) yêu thích của tôi là về một công ty B2C đa quốc gia muốn triển khai kế hoạch báo cáo bán hàng mới. Chúng tôi đã xây dựng nó bằng cách thu thập dữ liệu từ một số hệ thống ERP chạy ở các quốc gia khác nhau – chỉ để phát hiện ra rằng cơ sở dữ liệu tổng hợp thiếu thông tin phân cấp danh mục sản phẩm trong hơn 50% dòng báo cáo bán hàng! Điều đó đã khiến dự án bị trì hoãn vài tháng, khi những người kiểm soát trẻ, cứng rắn thay phiên nhau đến thăm các công ty con khác nhau… Nếu họ biết trước điều đó thì dự án có lẽ đã khác.

Generative AI (GenAI) dường như xuất hiện trên tất cả các trang nhất hiện nay. Và ở trang 2, nhiều người cho rằng để ngăn chặn xu hướng ảo giác (bịa đặt) của GenAI, bạn sẽ phải giúp đỡ nó cùng với một đồ thị kiến ​​thức. Đó là một ý tưởng rất hay vì đồ thị gần với ngữ nghĩa kinh doanh.

Mike Dillinger có một rất trực tiếp về sự cần thiết của biểu đồ tri thức để giúp AI hoạt động tốt hơn phần nào: 

“Đối với các nhà khoa học máy tính và dữ liệu, một cách để thúc đẩy việc sử dụng biểu đồ tri thức là định vị chúng như một cách khắc phục nhiều thiếu sót trong việc biểu diễn dữ liệu và kiến ​​thức trong cơ sở dữ liệu quan hệ và thao tác với các mô hình học máy tuyến tính.

Một giả định đơn giản hóa lớn, tồi tệ và đáng kể về cơ sở dữ liệu là các cột được coi là độc lập hoặc trực giao. Các kỹ thuật máy học như bộ phân loại đưa ra cùng một giả định: có trọng số cho từng tính năng/biến nhưng không có thuật ngữ nào thể hiện hiệp phương sai hoặc sự phụ thuộc lẫn nhau giữa hai hoặc nhiều tính năng. Các lớp mục tiêu của bộ phân loại cũng được coi là rời rạc hoặc không tương quan, đó là lý do tại sao các bộ phân loại hoạt động kém trong việc quyết định giữa các lớp có liên quan theo thứ bậc - chúng không tách rời mà thay vào đó, lớp này gộp lớp kia. Việc tin rằng các biến số không liên quan đến nhau trong khi chúng thực sự có liên quan với nhau chỉ đơn giản là làm tăng phương sai sai số đến mức không thể chấp nhận được.”

Ngoài ra, từ một trong các slide của Dillinger: “Tại sao nên sử dụng biểu đồ tri thức? Bởi vì toán học theo nghĩa đen, có chủ ý, hoàn toàn vô nghĩa. Và logic cũng vậy.”

Tạo ra tác động kinh doanh là nơi nó bắt đầu và nơi nó kết thúc.

AI phải đưa ra những đề xuất đáng tin cậy. Tại sao không yêu cầu chứng nhận?

Nhiều tin học hơn, ít công nghệ hơn

Những điều sau đây không phải là vấn đề lớn, nhưng thuật ngữ không chính xác dường như đã lây nhiễm vào “bang hội” của chúng ta. 

Tôi bắt đầu làm việc tại Đại học Copenhagen vào năm 1969. Giáo sư của tôi là Peter Naur, người nổi tiếng với những lĩnh vực như:

• Đồng tác giả với Edsger Dijkstra et al. trên ngôn ngữ lập trình Algol-60
• Chữ “N” trong BNF, Backus-Naur-Form được sử dụng trong rất nhiều định nghĩa ngôn ngữ
• Anh ấy không muốn bị gọi là “nhà khoa học máy tính”, anh ấy thích “Dữ liệu” hơn là “Khoa học máy tính” – lý do là hai lĩnh vực (máy tính và hiểu biết của con người) rất khác nhau và mối quan tâm của anh ấy là dữ liệu, đó là được tạo ra và mô tả bởi chúng tôi như con người
• Trong cuốn sách “Máy tính: Hoạt động của con người” (1992), tuyển tập những đóng góp của ông cho khoa học máy tính, ông đã bác bỏ trường phái lập trình coi lập trình là một nhánh của toán học.
• Giải thưởng Tiên phong Máy tính của Hiệp hội Máy tính IEEE (1986)
• Người chiến thắng giải thưởng Turing năm 2005, tiêu đề bài giảng đoạt giải của ông là “Máy tính so với suy nghĩ của con người"

 (Xem thêm thông tin cơ bản tại đây.)

Trong thực tế, chúng tôi có ba thuật ngữ cạnh tranh:

• Khoa học máy tính
• Tin học
• Thông tin khoa học

“Khoa học thông tin” theo nghĩa cổ điển có nghĩa là loại xử lý thông tin mà các thủ thư và nhân viên lưu trữ thực hiện. Ngày nay tất cả đều là kỹ thuật số…

“Tin học” được sử dụng thay cho khoa học máy tính ở phần lớn Châu Âu và các nước khác. Ở Hoa Kỳ và các cộng sự, tin học thường được sử dụng để xử lý thông tin trong chăm sóc sức khỏe.

Và sau đó là “khoa học máy tính”. Về mặt học thuật, ngày nay, nó rất toán học và trừu tượng, được xây dựng dựa trên logic và hàm số. Tuy nhiên, nó thường được mô tả như một tập hợp các kỹ năng được sử dụng để xử lý dữ liệu. Nhưng ngữ nghĩa trực tiếp, “cách xây dựng máy tính” không còn nằm trong phạm vi nữa; Tôi mong đợi các kỹ sư và nhà vật lý sẽ giải quyết vấn đề đó. 

Nếu tôi xây dựng đường cao tốc, tôi có thể sử dụng các kỹ năng đặc biệt liên quan đến đường cao tốc. Nhưng điều đó có khiến tôi trở thành “nhà khoa học đường cao tốc” không? Không phải vậy.

Trong Truyền thông của ACM (Hiệp hội Máy tính, yêu cầu đăng nhập), Peter Denning, cựu chủ tịch ACM, lập luận ủng hộ và phản đối “khoa học” máy tính trong một bài báo có tiêu đề “Là khoa học máy tính? Khoa học máy tính đáp ứng mọi tiêu chí để trở thành một khoa học, nhưng nó có vấn đề về độ tin cậy tự gây ra,” năm 2005, khi ông kết luận:

“Xác thực các tuyên bố về khoa học máy tính

Ở đó bạn có chúng tôi. Chúng tôi đã cho phép sự cường điệu của các bộ phận quảng cáo xâm nhập vào phòng thí nghiệm của chúng tôi. Trong một mẫu gồm 400 bài báo khoa học máy tính xuất bản trước năm 1995, Walter Tichy nhận thấy rằng khoảng 50% các mô hình hoặc giả thuyết đề xuất đó đã không kiểm tra chúng [12]. Trong các lĩnh vực khoa học khác, tỷ lệ bài báo có giả thuyết chưa được kiểm chứng là khoảng 10%. Tichy kết luận rằng việc chúng tôi không thử nghiệm nhiều hơn đã cho phép nhiều ý tưởng không chắc chắn được thử nghiệm trong thực tế và hạ thấp uy tín trong lĩnh vực khoa học của chúng tôi. …

Nhận thức về lĩnh vực của chúng tôi dường như là một vấn đề mang tính thế hệ. Các thành viên lớn tuổi hơn có xu hướng đồng nhất với một trong ba nền tảng của lĩnh vực này – khoa học, kỹ thuật hoặc toán học. Mô hình khoa học phần lớn không được nhìn thấy trong hai nhóm còn lại. 

Thế hệ trẻ, ít sợ hãi hơn thế hệ lớn tuổi trước các công nghệ máy tính mới, cởi mở hơn với tư duy phản biện. Khoa học máy tính luôn là một phần trong thế giới của họ; họ không đặt câu hỏi về tính hợp lệ của nó. Trong nghiên cứu của mình, họ ngày càng đi theo mô hình khoa học.”

Tài liệu tham khảo về Tichy là: Tichy, W. Các nhà khoa học máy tính có nên thử nghiệm nhiều hơn không. Máy tính IEEE 1998.

Khiến bạn băn khoăn: Phải chăng chúng ta vẫn đang cho phép “sự cường điệu của các bộ phận quảng cáo xâm nhập vào phòng thí nghiệm của chúng ta”?

Tôi nghĩ “tin học” là thuật ngữ tổng quát và chính xác nhất để mô tả những gì chúng tôi làm. Máy tính là một hoạt động của con người và tin học mô tả các hoạt động xử lý thông tin của con người và của con người.

Vâng, bây giờ tôi thấy khỏe hơn rồi, cảm ơn bạn!

Nhìn về phía trước: Cải thiện nhận thức  

Mô hình hóa dữ liệu trong tương lai?

Như một số độc giả của tôi sẽ nhớ, tôi là một nhà lập mô hình dữ liệu (biểu đồ) một cách chân thành, với nhiều năm làm người mẫu. Tôi cũng là người ủng hộ mạnh mẽ việc áp dụng tin học vào các vấn đề kinh doanh - coi việc giải quyết vấn đề kinh doanh là điều quan trọng mà chúng tôi làm. Chúng ta đã phải chịu đựng những cuộc thảo luận về chi phí/lợi ích trong 15 đến 25 năm qua.

Mọi người cũng có xu hướng tin rằng việc lập mô hình dữ liệu đã đi đến cuối con đường, không cần nói thêm nữa. Có thể làm gì để năng suất cao hơn và tạo ra chất lượng cao hơn? Nó được phát triển vào những năm 1970, bạn nhớ nhé. Còn bao nhiêu thứ khác từ thập niên 70 còn sót lại? (À, chỉ trêu thôi: Mô hình quan hệ vẫn tồn tại…)

Đối với bất kỳ lý thuyết nào, bạn sẽ phải thách thức các giả định. Mô hình hóa dữ liệu, như chúng ta biết hiện nay, rất thiên về kỹ thuật với các sơ đồ phức tạp, không quá phù hợp với những mong muốn tốt nhất của người tiêu dùng. Theo nhiều cách, nó vẫn là “bản thiết kế” dựa trên các mô hình tiên đề như chuẩn hóa cơ sở dữ liệu, v.v. – dành cho việc xây dựng các cấu trúc vật lý như cơ sở dữ liệu. Ngoại lệ là về mặt tin học, nơi các mô hình ngữ nghĩa (đồ thị) đạt được khá nhiều thành công nhờ tính biểu cảm, độ chính xác và tương đối dễ sử dụng (đọc: “đồ thị tri thức”).

Nghiên cứu mạnh mẽ, hướng tới tương lai tồn tại

Vậy đây có phải là kết thúc của cuộc hành trình? JSON có tiếp quản toàn bộ các mô hình dữ liệu không?

Tôi nghĩ là không. Mô hình hóa dữ liệu, với ngữ nghĩa, là một lĩnh vực nghiên cứu mở. Mô hình hóa dữ liệu dựa trên khoa học máy tính truyền thống dựa trên các tiên đề và mô hình khá hẹp - được cho là được củng cố bởi logic và sự trừu tượng.

Nhưng ngữ nghĩa và nhận thức mở ra cánh cửa cho một vũ trụ diễn ngôn rất rộng lớn. Trên thực tế, điều mà mô hình hóa dữ liệu đã cố gắng thực hiện trong nhiều năm là thâm nhập vào lĩnh vực khoa học nhận thức (tâm lý học, lâm sàng và triết học). 

Mô hình dữ liệu là những diễn giải về thế giới được cảm nhận bằng các giác quan của chúng ta, hình thành nên nhận thức về mọi thứ mà chúng ta nhìn thấy và trải nghiệm. Đây là con đường rộng mở phía trước!

Và chúng ta đang nhìn vào cái gì? Để giải trí, chúng ta hãy gọi nó là “Hệ thống định vị nhận thức” (CPS). Hãy xem:

Những người dùng CPS có kinh nghiệm đi du lịch sẽ lưu ý rằng bức ảnh này đến từ Paris, Pháp. Một số người thậm chí còn biết rằng dòng sông này được biết đến với cái tên The Seine.

Sống sót nhờ nhận thức trực quan

Khả năng nhận thức cơ bản của hầu hết các loài động vật, bao gồm cả tôi, trước hết nhằm mục đích hiểu được những tình huống như thế này:

Ôi, một con sư tử! (nam), không thực sự cố gắng trốn trong cỏ – bạn nói đúng đấy! Nhưng không phải là một bối cảnh phong phú để đưa ra quyết định. Hãy làm theo bản năng của bạn (chạy trở lại xe là một ý tưởng hay).

Và đây là một bối cảnh khác:

Rất tiếc - một con sư tử khác! Lần này là nữ, có lẽ cô ấy đã no bụng rồi.. Thêm một chút bối cảnh để làm việc. Con thú (linh dương đầu bò?) gần như đã bị ăn thịt rồi. Sự suy luận:  Lúc này cô ấy không đói. Chụp ảnh rồi lùi lại, đẹp và yên tĩnh – có vẻ đủ an toàn cho một nhiếp ảnh gia đẳng cấp thế giới như bạn…

Có một danh mục nghiên cứu học thuật phong phú về những vấn đề này. Chúng ta đã tiến hóa để giải quyết vấn đề hiểu biết bối cảnh ngay tại chỗ, ngay bây giờ và ở đây, như được trình bày bởi một dòng giác quan (nhận thức) liên tục đến các đơn vị xử lý nhận thức trong não của chúng ta. Nó đi từ tâm lý học cơ bản đến tâm lý học thần kinh đến khoa học thần kinh nhận thức, đến trí thông minh, ý thức và triết học.

Tôi đã theo dõi nhiều nhà nghiên cứu và tác giả khác nhau trong 10 năm qua, và ở đây chúng ta sẽ xem xét một loạt các quan sát thú vị.

Maps

Rõ ràng, bản đồ là một phần của nhiệm vụ này nhằm giảm bớt sự chú ý và hiểu biết. Đây là (trung tâm) bản đồ tàu điện ngầm Luân Đôn:

Bây giờ, trước hết, bản đồ có một số tiêu chuẩn, như minh họa ở trên:

• Vị trí được lập bản đồ
• Các mối quan hệ hoặc đường dẫn, nếu bạn muốn, sẽ được lập bản đồ
• Bản đồ là đồ thị, đồ thị là bản đồ!
• Bản đồ có ý nghĩa trực quan

Cũng lưu ý rằng trên bản đồ, các vị trí/điểm mốc được ghi chú. Tuy nhiên, nếu bạn quên những gì gần ga tàu điện ngầm Sloane Square, bạn luôn có thể thức dậy vào ban ngày và xem liệu CPS của bạn có nhận ra môi trường xung quanh (= bối cảnh) cho bạn hay không. Đại loại như "Ồ, vâng, đằng kia, trong cửa hàng nhỏ trong ngôi nhà màu vàng, là nơi chúng ta đã mua chiếc khăn rằn màu đỏ cho Ellen trong tuần trăng mật."

Suy nghĩ về các câu chuyện ngụ ngôn về bản đồ khi bạn tạo mô hình dữ liệu thật đơn giản và mạnh mẽ. Đó là lý do tại sao tôi đã từ bỏ sơ đồ ER và sơ đồ lớp UML từ nhiều năm trước.

Trên phần giữ chỗ/Dấu vị trí/Tên địa điểm

Việc tìm đường không chỉ là bản đồ và trực giác nhận thức. Trong cuốn sách xuất sắc của mình, “Wayfinding”, Picador MacMillan 2020, Michael Bond (nhà báo khoa học, biên tập viên cấp cao trước đây của New Scientist), đã có một số quan sát và tiết lộ đáng kinh ngạc.

Ông trích lời nhà nhân chủng học Ariane Burke khi nói rằng có bằng chứng khảo cổ học cho thấy con người hiện đại thời kỳ đầu có mạng lưới xã hội rộng khắp. Cô giải thích trong một cuộc điện thoại: “Những mạng lưới xa xôi đó rất cần thiết cho nền văn hóa của chúng tôi. “Hãy nhớ rằng trong thời kỳ đồ đá cũ, có rất ít người ở xung quanh. … Duy trì mạng lưới xã hội rộng khắp về mặt không gian là một cách đảm bảo sự tồn tại liên tục của bạn. Bạn sẽ cần một bản đồ nhận thức rất năng động, mà bạn sẽ phải liên tục cập nhật thông tin về những người liên hệ của mình và những gì họ nói với bạn về phong cảnh.”

Bond cũng đề cập đến việc sử dụng địa danh địa hình – địa danh. Ví dụ: nếu bạn đi về phía tây bắc từ trang trại của cha mẹ anh ấy ở Scotland, bạn sẽ gặp “nơi hợp lưu của những dòng suối sáng ngời” và đi theo con đường mòn cũ của gia súc “đá của các loài chim”. Đi thêm chừng một dặm nữa thì gặp “ngọn đồi đen lớn” và băng qua “suối đỏ”. Ngay phía trước là “đồi chiến”. Sau khi leo lên, bạn sẽ thấy mình đang ở trên “ngọn đồi mây” (chúng vẫn mọc ở đó). 

Các nhà sử học tin rằng tên địa hình đã mang lại cho những người định cư đầu tiên một hệ thống tham chiếu địa lý, tiền thân của vĩ độ và kinh độ. Một cái tên mang tính mô tả sẽ gợi lên một hình ảnh trong đầu – bạn sẽ nhận ra “cỏ nổi bật trên một ngọn đồi” (Funtulich, trong tiếng Gaelic) khi bạn nhìn thấy nó. Một chuỗi tên các địa điểm tạo thành một tập hợp các hướng dẫn: được trang bị đầy đủ, bạn có thể thực hiện cuộc hành trình của mình.

Xa hơn về phía bắc, đến người Iniut ở miền bắc Canada, Alaska và Greenland. Khi nhà thám hiểm George Francis Lyon đi qua làng Igloolik ở Bắc Cực thuộc Canada vào năm 1822 để tìm kiếm Con đường Tây Bắc, ông đã lưu ý rằng “mọi dòng suối, hồ, vịnh, điểm hoặc đảo đều có tên, và thậm chí một số đống đá.”

Đối với người ngoài, Bắc Cực có thể trông vô nghĩa và đơn điệu. … ở gót chân phía nam của Đảo Baffin, bạn sẽ tìm thấy Nuluujaak, hay “hai hòn đảo trông giống như mông”. Khó có thể bỏ lỡ. Xa hơn về phía bờ biển, bạn sẽ biết chính xác mình đang ở đâu khi nhìn thấy Qumanguaq, “ngọn đồi nhún vai (không có cổ)”.

Cách đặt tên địa điểm này rất khác với cách đặt tên của những nhà thám hiểm người châu Âu đầu tiên ở châu Mỹ. Họ có xu hướng tôn vinh bạn bè, những người ủng hộ hoặc những người nổi tiếng từ quê hương của họ hơn là địa hình hoặc văn hóa địa phương.

Cách chúng tôi điều hướng

Trước khi chúng ta rời khỏi Michael Bond, đây là một số nhận xét đáng suy nghĩ: 

“Con người được ban phước với một bộ điều hướng bên trong phức tạp và có khả năng hơn bất kỳ hệ thống nhân tạo nào. Chúng ta sử dụng nó như thế nào?

Các nhà tâm lý học đã phát hiện ra rằng, khi tìm đường đi qua những địa hình xa lạ, mọi người tuân theo một trong hai chiến lược: hoặc họ liên hệ mọi thứ với vị trí của chính họ trong không gian, cách tiếp cận 'cái tôi làm trung tâm' hoặc họ dựa vào các đặc điểm của cảnh quan và cách chúng liên quan với nhau để cho họ biết họ đang ở đâu, cách tiếp cận 'không gian'.”

Một loạt quan sát khác mà tôi thấy thú vị là cách chúng ta thực sự di chuyển trong các cảnh quan và đi theo các tuyến đường. Có vẻ như ranh giới cũng quan trọng như vị trí. Và tôi nghi ngờ rằng điều đó có thể được khái quát thành các “cảnh quan” được xây dựng, trong đó các ranh giới có thể giúp việc điều hướng dễ dàng hơn một cách đáng kể (và bằng trực giác).

Tôi đặc biệt giới thiệu cuốn Wayfinding của Michael Bond.

Chuyển động, Không gian

Cuốn sách tiếp theo tôi sẽ đề cập đến là”Tâm trí đang chuyển động: Hành động định hình suy nghĩ như thế nào” của Barbara Tversky (giáo sư danh dự về tâm lý học tại Stanford) từ năm 2019. 

Theo nhiều cách, nó được đóng khung bởi những phát hiện tương tự như Michael Bond đã báo cáo. 

Con người, giống như hầu hết các sinh vật, di chuyển từ nơi này sang nơi khác. Khi di chuyển, chúng để lại dấu vết trên mặt đất, trong não, những con đường và địa điểm. Hồi hải mã ghi lại các chuyển động dưới dạng tuyến đường, chuỗi địa điểm và đường đi. Trên thực tế, đây là Giải Nobel Sinh lý học và Y học 2014, được trao một nửa cho John O'Keefe, nửa còn lại thuộc về May-Britt Moser và Edvard I. Moser "vì những khám phá của họ về các tế bào tạo nên hệ thống định vị trong não." Các tế bào này được gọi là tế bào lưới và được sử dụng làm điểm đánh dấu làm việc với vùng hải mã trong việc tạo ra các cấu trúc không gian trong não.

Barbara Tversky có một góc nhìn rộng hơn – cô ấy muốn chứng minh rằng chuyển động được ghi lại trong không gian trong tâm trí là nền tảng cho suy nghĩ. Không chỉ biểu đồ mà còn cả từ ngữ, cử chỉ và đồ họa. Chúng cũng thúc đẩy sự suy luận và khám phá, cho phép cộng đồng sáng tạo, sửa đổi và suy luận. Phân loại là sự đơn giản hóa về mặt tinh thần đối với bức tranh hoàn chỉnh được cảm nhận. Chắc chắn là giáo sư. Tversky đã nghiên cứu nhiều khía cạnh của những điều này trong phòng thí nghiệm tâm lý học của cô tại Stanford và tại Đại học Columbia.

Không gian có ý nghĩa, sự gần gũi có nghĩa là sự gần gũi ở bất kỳ chiều nào. Dọc: lên, mọi thứ đều tốt, ngang: trung tính. Không gian là đặc biệt, siêu phương thức và cần thiết cho sự sống còn, cơ sở cho những kiến ​​thức khác. Được hỗ trợ bởi cử chỉ.

Nói cách khác, giao tiếp từ tâm trí có thể dễ dàng nhận ra và người tiêu dùng phải thấy rõ rằng nó (giao tiếp) có thể trợ giúp như thế nào đối với các nhiệm vụ quan trọng trong ngữ cảnh. Có vẻ như đây là những đề xuất hay về cách nâng cao các mô hình dữ liệu trong tương lai!

“Tâm trí đang chuyển động: Hành động định hình suy nghĩ như thế nào” là một tác phẩm quan trọng trong lĩnh vực khoa học nhận thức. Có một video YouTube rất hay (Tư duy không gian là nền tảng của tư duy) với cô ấy từ năm 2022, tại đây.

Nhận thức trong não (Trái và Phải)

Một trong những cuốn sách quan trọng nhất, được nghiên cứu kỹ lưỡng về các vấn đề nhận thức là “Vấn đề với vạn vật: Bộ não của chúng ta, những ảo tưởng của chúng ta và sự biến đổi của thế giới” của bác sĩ tâm thần, nhà nghiên cứu khoa học thần kinh, triết gia và học giả văn học, Tiến sĩ Ian McGilchrist, Perspectiva, 2021.

Nói cách riêng của mình:

“Thực ra thì không có bộ phận nào cả. Các bộ phận là một sản phẩm của một cách nhất định để tham gia vào thế giới. Chỉ có tổng thể. Và những thứ mà chúng ta coi là bộ phận, lại là tổng thể ở một cấp độ khác, và những thứ mà chúng ta coi là tổng thể, có thể được coi là một phần của một tổng thể thậm chí còn lớn hơn. 

Nhưng công việc chia nhỏ mọi thứ thành từng phần là một sản phẩm của sự chú ý từng phần của bán cầu não trái. Vì vậy, bởi vì nó đang cố gắng tập trung vào chi tiết nhỏ này, nên nó đang tập trung vào một chút nhỏ bé nào đó, có lẽ là ba trong vòng cung 360 độ của sự chú ý, và điều đó dẫn đến một cách nhìn khác về thế giới với thế giới của bán cầu não phải.”

Bán cầu trái mô phạm và Bán cầu phải trực quan

Sự phân công lao động giữa hai bán cầu não của chúng ta có thể được tóm tắt bằng một vài ví dụ:

Những lý do cho sự phân đôi là tiến hóa. Lời giải thích đơn giản hóa gần tương ứng với hai bức ảnh sư tử ở trên. Một là "Ồ, tôi biết đó là gì" và người kia là "Cứu tôi với, tốt hơn là tôi nên chạy!" Cả hai phản ứng đều khá hữu ích.

Đây là một điều rất thú vị bài giảng YouTube: Tiến sĩ Iain McGilchrist đã phát biểu tại không gian đổi mới IdeaSquare của CERN để thảo luận về bản chất của thực tế từ góc độ triết học và bộ não con người. Sự kiện này được tổ chức cùng với một khóa học thí điểm trang bị cho sinh viên khả năng tư duy hệ thống quy mô lớn và cách tạo ra sự thay đổi xã hội. Ông cũng duy trì một trang web tại đây.

Cuốn sách mới nhất của ông, “The Matter with Things” gồm hai tập, tất cả 1,300 trang. Sẽ khiến bạn bận rộn một thời gian!

Tôi hy vọng rằng tôi đã thuyết phục bạn rằng chúng ta có một số cơ hội để hiểu rõ hơn về mô hình dữ liệu? Hãy để mắt tới mở! Giao tiếp bằng trực giác! Tháng 2024 năm XNUMX là năm mà sự phát triển đổi mới làm cho tất cả nội dung dữ liệu đó trở nên dễ dàng hơn!

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.dataversity.net/handling-data-concerns-in-2024-and-onwards/