Dữ liệu lớn: Biết và chưa biết (Phần 2)

Khoa học dữ liệu là một công cụ hữu ích, nhưng điều khiến nó trở nên đặc biệt không phải quy mô dữ liệu thu thập được, mà chính là bản thân dữ liệu đó là hữu ích.

Nói cách khác, vấn đề đáng quan tâm nhất chính là ở chỗ, dữ liệu thu thập được có thể tiết lộ những khía cạnh thông tin nào giúp chúng ta đưa ra những phán đoán hay nhận định về một sự việc hay vấn đề nào đó.

Dữ liệu lớn tạo ra thông tin mới

Trong trường hợp này, Google là một ví dụ tiêu biểu. Cỗ máy tìm kiếm do hai nhà đồng sáng lập Google là Larry Page và Sergey Brin phát triển năm 1998 sở dĩ trở thành công cụ tìm kiếm phổ biến nhất thế giới như hiện nay không đơn giản chỉ vì chúng có khả năng thu thập được rất nhiều dữ liệu.

Hơn cả quy mô dữ liệu thu thập, điều khiến Google khác biệt chính là những dữ liệu mà nó có thể thu thập được và cách thức để chúng có thể được sử dụng một cách hiệu quả cho các lĩnh vực như kinh doanh, nghiên cứu,…

Trước thời của Google, chẳng hạn khi bạn đánh cụm từ khóa tìm kiếm "Bill Clinton" trong một công cụ tìm kiếm, bạn sẽ chỉ thu được kết quả là những trang web xuất hiện cụm từ này nhiều hơn. Và thường thì bạn sẽ nhận được cả một đống những kết quả không liên quan gì tới mong muốn tra cứu thông tin của mình.

Ảnh: Idexcel.

Thuật toán của hai nhà sáng lập Google, Brin và Page, hoạt động theo cách hoàn toàn khác. Họ nhận ra rằng, một trang web có khả năng liên quan tới một ai đó nhiều hơn nếu nó chứa nhiều đường link hơn với các trang khác đã kết nối một người dùng truy cập vào trang đó.

Theo đó, trang web Nhà Trắng chính thức của Bill Clinton, vốn là đích đến của hàng ngàn đường link khác nhau, sẽ là là trang hữu dụng hơn so với một trang web gồm 100 đường link, mặc dù trang web đó có thể đề cập tới tên của Bill Clinton nhiều hơn.

Theo đó, các nhà sáng lập Google đã tập hợp dữ liệu về các đường link này, từ đây, họ có thể nhận ra những mô thức quen thuộc và dự đoán được loại thông tin nào liên quan nhất với người dùng.

Cách tiếp cận của Google là một ví dụ rõ ràng nhất giải thích cho lý do đầu tiên vì sao dữ liệu lớn lại quyền lực đến vậy: dữ liệu lớn hoàn toàn mới mẻ. Nó cung cấp cho chúng ta luồng thông tin mới liên tục.

Trước thời đại của dữ liệu lớn, bạn sẽ phải chờ Tổng cục thống kê lao động thu thập và tính toán tỉ lệ thất nghiệp thông qua các cuộc điều tra qua điện thoại, hoặc chờ một báo cáo của Trung tâm kiểm soát và phòng chống dịch bệnh để biết tỉ lệ lây nhiễm của một loại bệnh tật nào đó.

Nhưng nay, bạn hoàn toàn có khả năng sử dụng dữ liệu lớn của Google để theo dõi cả hai vấn đề này, và đó chính xác là những gì mà kỹ sư Jeremy Ginsber của Google đã làm.

Kỹ sư Jeremy Ginsber đã chứng tỏ rằng các cú pháp tìm kiếm trên Google liên quan tới bệnh cúm, chẳng hạn cụm từ "flu symtoms" là dấu hiệu cho thấy sự lây lan của dịch cúm, và có thể được dùng để theo dõi sự lây lan của căn bệnh theo các khu vực địa lý khác nhau và theo thời gian.

Ảnh: Cuelogic.

Dữ liệu lớn không nói dối

Gần đây các cử nhân đại học Maryland đã tham gia cuộc khảo sát về điểm trung bình đánh giá sinh viên GPA. Trong số những người tham gia khảo sát, 2% thừa nhận họ tốt nghiệp với điểm GPA thấp hơn 2,5 điểm trong thang 4 điểm.

Tuy nhiên theo các hồ sơ chính thức, tỉ lệ này cao hơn nhiều, 11%.

Mặc dù đây chỉ là một ví dụ, nhưng nó cũng chứng tỏ một sự thật mang tính phổ quát thường xảy ra trong các cuộc điều tra: mọi người thường nói dối.

Theo một lẽ rất tự nhiên, chúng ta thường muốn mình là người tốt đẹp, cả với chính mình và trong đánh giá của người khác. Do đó người ta thường tự điều chỉnh các câu trả lời của họ nhằm có được một góc nhìn tích cực hơn về bản thân.

Tuy nhiên điều này cũng đưa chúng ta tới một lý do thứ hai cho thấy vì sao dữ liệu lớn lại quyền lực: Nó không nói dối.

Vì là dữ liệu được thu thập thông qua các hành vi ứng xử không qua "cơ chế lọc" nào, nó luôn tiết lộ sự thật. Thêm nữa người ta cũng ít có xu hướng nói dối hay "bóp méo" kết quả khi nhập các từ khóa tìm kiếm trong lúc không có câu hỏi nào liên quan tới chúng đặt ra với họ.

Chúng ta sẽ cùng xem xét chủ đề được cho là rất nhạy cảm như kích thích tình dục ở vùng hậu môn (anal play). Liệu rằng sẽ có bao nhiêu người thừa nhận trong một cuộc điều tra hay phỏng vấn rằng họ thích sử dụng một kỹ xảo nào đó trong "trò chơi" này? Điều đó còn tùy thuộc vào cuộc điều tra, nhưng có thể đoán trước rằng có lẽ sẽ không ai thừa nhận cả.

Ấy thế nhưng khi tác giả Seth Stephens-Davidowitz phân tích dữ liệu từ trang web khiêu dâm PornHub, ông phát hiện thấy đã có một số phụ nữ tìm kiếm từ khóa "anal apple". Điều này là minh chứng cho thấy dữ liệu lớn có thể tiết lộ một số điều bất ngờ về mọi người mà có thể họ không muốn chia sẻ trực tiếp với người khác.

Ghi chú: Có một thực tế thú vị mà tác giả Seth Stephens-Davidowitz tiếp tục chỉ ra đó là "dữ liệu lớn" sẽ giúp chúng ta hiểu hơn các "dữ liệu nhỏ". Cụ thể điều này ra sao, mời các bạn đọc tiếp ở phần 3 của loạt bài này.

Xem lại Phần 1
Xem tiếp Phần 3
Xem tiếp Phần 4

Đắc Luân
Nguồn Tuổi Trẻ Online