吴甘沙：数据分析师进化的3道阶梯
9月11日—9月12日，由经管之家（原人大经济论坛）主办的“2015中国数据分析师行业峰会（CDA?Summit）”在北京举行。
英特尔中国研究院院长兼首席工程师吴甘沙以“大数据分析师的卓越之道”为主题发表演讲。吴甘沙讲道，基础设施已经改朝换代了，我们分析师也应该与时俱进，体现在三个：一个是思维方式要改变，二是技术要提升，第三，分析能力要丰富起来。
下文由吴甘沙演讲整理而成，有部分删改。听说，演讲跟PPT一起看更配哦~
讲到大数据，就要问数据分析师应该做什么？所以我今天的标题是大数据分析师的卓越之道。
这是一个典型的数据分析的场景。
下面是基础设施，数据采集、存储到处理，左边是数据处理，右边价值输出。连接数据和价值之间的就是知识发现，用专业词汇讲，知识就是模型，知识发现就是建模和学习的过程。问题来了，进入到大数据的时代，这有什么变化呢？
首先是数据变的非常大，大家就开始说了，数据是新的原材料，是资产，是石油，是货币，所以大家的希望值也非常高，这个价值也希望抬的非常高。但是一旦大数据洪流过来，我们原有基础设施就被冲的七零八落。所以事实上，在过去十几年，业界都在做大数据基础设施。我怎么做大规模水平扩展？数据密集了怎么提高分布式操作性能？怎么把磁盘闪存化？我们有了闪存内存化，从密集型到计算密集型……所有这些都是基础设施。
基础设施升级了，我知识发现的过程是不是能自然升级？天下没有免费的午餐。所以我想说，基础设施已经改朝换代了，我们分析师也应该与时俱进。体现在三个方面：一个是思维方式要改变，二是我们的技术要提升，第三，我们的分析能力要丰富起来。
首先，说一下思维方式。改变思维方式最重要的就是改变世界观。这是一个牛顿机械论的世界。我们曾经听说过一个叫拉夫拉丝恶魔的说法，也就是说，我如果在这个时刻与宇宙当中所有的原子的状态都是可确定的话，就可以推知过去任何一个时刻和未来任何一个时刻，这就是牛顿的机械论。虽然爱因斯坦发展了这个物理学，但是还是确定论，决定论，上帝不掷色子。但是今天的世界是什么样的？
事实上今天是不确定的，基于概率的世界观。大家都看过所谓的“薛定谔的猫”的思维实验。这个猫在盒子里到底是死还是活的，其实它可能同时是死的，也同时是活的。但是一旦打开这个盒子，它就变成确定了，它要么就是真的变成死的，要么就是真的变成活的。也就是由我们现在所谓的好奇心害死猫，就是你打开盒子有一半的概率把这个猫杀死。
这个理念事实上反映的就是海森堡的不确定主义，就是你的行为会改变被观测的现象。大数据也有测不准的，像Google流感的预测，这是大家经常作为数据分析的经典案例，大家可以看在2013年1月份的阶段，橙色的线，Google预计高于疾控中心它实际测到的流感的概率。所以科学和自然就发话了，自然说科学测不准，科学说这是大数据的傲慢。（图4）
从这个案例来看，即使Google也拿不到全量的数据，你虽然有疾控中心的数据和当中调整模型等等，但是还是不精确，你以为这种相关性就能解决问题，但是健康的问题就是要究其原因，要有因果性。这个预测的过量就导致了预感疫苗准备的过量。
所以我们看数据的方法论需要升级。
这是一个典型的数据分析的流程，可以先由假设采集数据，也可以先采集了数据，然后从中发现假设。有了数据以后下一步就要做数据的准备，数据准备往往是最花时间的。然后分析，分析完了要考虑怎么解释这个结果。
大家知道做机器学习有两种：一种是给机器看的，比如说我精准营销；还有一种机器学习是给人看的，是要有可解释性。有时候为了可解释性甚至愿意牺牲精确性。大家知道Ficle，它就是理论参数，非常简单，可解释性非常强。另外一个就是要验证，从我们传统说的随机对照实验到现在的AB测试，我们要去验证。
到了大数据时代，这个方法论要怎么改变呢，首先我们说测不准，不要相信看到的任何事，所以需要加一个反馈循环，我们不停地反复做这个。这里虽然有很多噪声，但是这个是可以处理的，还有一些是系统噪声，可能因为污染的数据源，这个就要特别处理。数据分析需要实时、交互，要快，这样才能赶得及世界的变化。
我现在一个一个跟大家分析一下。
首先看假设。我们现在说大数据思维是说我们先有很多数据，然后通过机械的方法发现其中的相关性，之后再找到假设。有时候相关性确实太多了，弱水三千只取一瓢饮，这里面就需要我们的直觉。
谓的直觉就是不知觉，但是在潜意识里在发生推理。所以我一直强调要怎么训练直觉？就是读，像悬疑小说，你经历这么一个推理的过程。如果说这样的推理过程只是模型，也还需要数据，需要很多先验的知识。这个知识怎么来呢？就是广泛的阅读。第二个，跨界思想的碰撞，跟很多人聊。这两个是背景知识，还有一个前景知识，就是融入到业务部门。我们希望把数据分析师放到业务部门，和它们融入到一起，这才能防止数据和分析脱钩，这样才能防止数据分析和业务应用的脱节。
第二个，数据采集，这里我要非常夸张地说：数据！数据！数据！
为什么？因为大数据碰到的第一个问题就是数据饥渴症。我们有一次跟阿里聊，它们说也缺数据，因为它们只有网上的销售记录，而缺乏无线的数据。所以我们强调全量数据，我们尽量不采样。
同时现在我们企业已经从小数据到大数据，有人说数据改变太困难了，太贵了。其实它强调的是问题还没存在的时候，你一开始就把数据定了。传统的数据仓库是，我先有一个问题，然后你这个数据根据这个问题做好组织，然后进来。而现在的大数据是，你先把数据送进来，然后再不断的提问题，这就是一种新的思维。我们需要大量外部的数据源来查，你要买数据拿来用。而且你要从传统的结构化数据到半结构化、非结构化数据。传统结构化数据是什么，交易数据。现在我们企业里面马上就有两个非结构化数据出现。
第一个就是日志分析，大数据第一家上市公司Splunk就是从事这一业务。
第二个是文本数据，现在我们经常听说情感分析，即是文本数据。比如基于呼叫中心需要做问答系统，甚至是最新的所谓交互式对话系统，都需要文本数据。
第三个是从文本到图片再到视觉，现在计算机视觉、模式匹配、语义分析。很多数据都是有时间和空间的标签，这些数据怎么保证时空，怎么能够实时处理这些新的数据。
最后，还有很多数据是网络数据，比如说社交网络，我们怎么来判断个人的影响力，怎么来判断网络的控制中心在哪里，都需要一些新的处理方式。
说完感叹号，我开始要说问号：数据？数据？数据？
是不是前面说的这些都是合理的？比如说英特尔事实上是不可能采集到数据，而有时候你采集不到全体数据，你也不需要。
比如说我给大家举个例子，是不是数据更多就越好呢？未必。我们拿英特尔作为一个例子，青海、西藏、内蒙古占的面积是我们国土面积的一半，我们采集这四个省的数据，是不是都代表中国呢？未必，所以采集更多的数据有时候更重要。第二，“原始数据”是不是一个矛盾的概念，因为原始数据可能并不原始，它受采集人的影响。所以原始数据也未必是原始的。数据里面当然有很多的信号，大数据里面的噪声也很多，但是有时候在数据里面信号就是以噪声的方式变成的。比如说现在我们这个世界要倾听每一个个体的声音，有一些个体的声音是非常少的，在数据里面非常少，但是你不能忽略它。采样本身是有偏差的，尤其是大数据，有一些子数据集，每一个数据是按照不同的抽样规范来获得的，这样就有采样偏差。
这里面是不是可以做，你还要考虑数据权利的问题，这些数据是属于谁的？有没有隐私问题？许可是不是有范围？我是不是按照许可的范围做了？我能不能审计？这些都是数据的权利。未来的数据交易还要解决数据的定价问题，这是非常困难的。
当我有了数据以后，需要生命周期的管理，大数据生命周期管理非常重要。一是出处或者是来源，即是大数据的家族谱系，它最早是哪里来的，它又移动到什么地方，经过什么样的处理，又产生了什么样新的子后代。现在我们强调数据采集，是不是有这个必要？我们发现很多数据没用以后，就应该删除。
有一个案例，互联网公司采集了很多鼠标移动的数据。大家知道用Cookies来采集鼠标在什么地方，可以了解用户的浏览行为。但是过一段时间网页都变化了，这些数据还有什么用呢？所以就删除掉。并不是说数据越多越好，并不是说数据永远都要保存。
下面讲数据的准备，刚才说大数据有很多噪声，大数据的质量非常重要。刚才我们说的它的混杂性，它的精确性有问题。一个非常著名的研究机构做了调查，问你们大数据分析师：1、数据大，是不是你的问题；2、数据质量是不是你的问题，选择后者是前者的两倍。
大数据本身它就是一个有噪声的，有偏差的，也是有污染的数据源。你的目标定在建立一个模型，要对噪声建模，同时还要是信号不能太复杂，模型不能太复杂的。
一般处理的是数据清洗和数据验证，还有一种说法是，关注数据是错的，数据有些是丢失的或者有些数据是相互矛盾的。我通过清洗、验证的方式把它做出来。大数据非常大怎么办，有没有从一小部分数据开始做清洗，有没有可能把整个过程自动化，这是研究的前沿。另外一个前沿就是数据的清洗能不能跟可视化结合起来，通过可视化一下子发现了这些不正常的地方。通过机器学习的方式来推理这些不正常的地方是因为什么地方。
我觉得现在最热的研究课题是，你怎么能够通过学习的方式来发现非结构化数据当中的结构。你怎么能够把那些些看似不同的数据挑出来，比如说有些地方叫国际商业机器公司，有些地方叫蓝色巨人，你最终能够把这些数据的标示出来使得它马上就可以分析。我首先考虑怎么能够降低计算通讯的代价。
我们大数据经常是稀疏的，大数据太大了我们有没有可能压缩。大家知道我们原来的数据仓库，最大、最麻烦的问题就是我要给这个表增加列，增加列特别痛苦。现在我发现通过增加列的方式变得非常简单，我通过数据压缩的话更有局部性。
另外就是近似的数据，它就是一种通过降低它的时空复杂性，使得它误差稍微增加几个百分点，但是它的计算量下降几个数量级。大家也应该听说过很多方式都是做这个的。
怎么能够降低统计的复杂性，其实大家知道大数据就是高纬，怎么办？降下来，我通过降纬的方式能够降低它的复杂性。我们还是需要采样的，大家知道要么是随机性采样，并不代表用一个均衡的概率采样，我用不同的组采样。比如说有些人你不知道他属于哪个组，比如说他是吸毒的，他不会说他有特殊的技能，他也没有类似的标签，你可能需要一种新的采样的方式，比如说雪球采样，你先找一个种子然后再慢慢的扩大。即使你压缩了很多，但是你还是可以恢复原始数据的。
我想请大家注意，数据分析师并不是考虑数据表象的问题，并不是考虑数据模型的问题。最终还是要考虑计算是怎么做的，所以我们要选择最好的表示。比如说数据并行的计算就用表或者是矩阵，如果是图并行，我就要选择网络的格式。
我想请大家注意UIMN，这个能够帮助你来保存各种各样数据表示，以及跟数据分析落对接。这个东西大家没听说过的话，大家一定听过Worse在人机竞赛中的电脑，它就是用这个表示的。
最后，查询。很早数据就是查询，慢慢说要统计学，慢慢又要机器学习了，所以我们说数据挖掘是对三个学科的交叉，而这些学习又是从人工智能脱胎出来。慢慢的从这儿又包了一层ABB，现在又有最新的内脑计算，分布学习。所有这些大家不能忘记，这些工具都要跟相关的计算的模型给对接起来。所以这是非常困难的东西。
我们数据分析师还是要有些装备的，这个是现在最流行的四种分析的语言，Saas，R，SQL，还有python。有人说还需要学习JAVA这样的语言。这个可能还不够，还需要JAVASrcit，所以需要来更新我们的装备。但是有人说了这些装备都是为传统的数据分析师准备的，大家不要担心，因为在这些语言下面都已经有了大数据的基础设施，比如SQL，可以使你以前的语言平滑的迁移到大数据基础上。这些解决了大问题，因为原来的程序，数据量大一些就可以放在这个大数据的基础设施上。所有做基础设施的人都在考虑一个词，ML Pipeliine,更方便的是现在更多的东西都可以放到云里做了。
现在所有这些大数据的基础设施我们都可以叫做动物园了，很多都是以动物的图标来展示的，现在都可以放到云里去，这给我们带来了很多方便。
这里要强调的是，这是一个统计学的大师说的，就是所有模型都是错的，但是有些是有用的，关键是选择什么样的模型。有一种人是一招鲜吃遍天，还有一种是一把钥匙开一把锁，我是开放的，我根据我的问题来进行选择。模型的复杂度必须与问题匹配的，有各种各样模型都能解决的时候，就选择最简单的一个。
我们现在做数据分析碰到两个问题：一个是过载，还有一个是数据量大了以后，模型没办法提升。这里就有一个很著名的人，叫彼特，他是写《人工智能现代方法》的作者。他说，简单模型加上大数据，比复杂模型加小数据更好。这个在很多情况下是对的，但是并不完全对。有时候模型简单参数很多，场景不同参数不同，假设场景是文本处理，可能每个单词就是一个特征，这个模型就会非常复杂，所以大数据是有用的。还有一种解决数据过多的方式，就是通过另外一种方式。现在线性模型针对小数据，我现在代参模型针对小数据，我甚至可以混合起来用，这样又能够提升分析的效率，又能够解决数据的计算量的问题。
我刚才讲到长尾信号非常非常重要，我们现在不能忽略长尾信号，那怎么办？我们传统的分析很多都是基于指数的假设，这个就是割尾巴，到后面就是没尾巴，这样就把长尾信号都过滤掉了，我可能是需要一些基于神经网络的方式。分析要快，第一，我们一直强调传统的是送进去的，我60秒完成跟6分钟完成是不是一样的呢？或者说它们的效率差一点点或者差几倍？未必，等待时间拉长，分析师的耐心会降低。像针对时空的数据，现在机器学习强调的在线学习、增量的学习、流逝的学习，一边进来一边学习、一边更改模型，这个就很重要。最后当你的数据又大，又需要快的时候，你不懂系统是不行的，你必须懂系统，你必须懂数据并行，任务并行，必须做系统调优的东西。
我前两天跟一个朋友聊，他说现在要做到所有分析数据的调优做到随机的访问都在CPU缓存里，到磁盘上的访问都是串行的访问，这样才能做到系统调优做到最佳。从语音识别，到图像理解，到自然语言理解。上面都是人们做的认知任务，深度学习下一步会进入非认知任务，像百度用来做搜索广告，包括做要务的发现，我现在也在做机器人，机器人很多需要深度学习，我们现在把深度学习放进去也非常好。大家的福音就在于现在深度学习很多的代码都是开源的，去年花了很多力气去做各种各样的模型，现在所有模型全部都开源，所以下一步大家注意，我们的科学是开放的。你有大量的开源的软件，而且现在不但你论文放在ICup上，你的数据代码可能放在Dcup上，所有都是开放的。
大家还没有学Sparse coding的话大家可以看一下，还有在标注下的学习，这张PPT是吴恩达的，大家看，橙色的都是标注数据，你要有大象和犀牛的数据，就是左面的是标出的，我可以结合一些非标注的东西学习，然后可以引入其他的标注数据，像羚羊的数据也可以帮助我们学习，最后到拿一些完全不相关的数据跟它们进行学习。
人类角色在变化，前一段时间有人提出来，数据分析师要懂机器，懂工具，我们要跟工具更好的配合。机器学习最重要的就是特征学习，现在无监督的，它可以帮助你学习特征，而且很多工具开始自动化了，那么你怎么跟它工作搭配，能够获得最好呢？就是你一边在利用工具获得一些数据，然后提出问题，这是一个循环的过程。现在就是大规模的人跟人，人跟机器协同配合，因为很多机器可以外包，你可以众包，你大量数据通过众标方式进行标注。包括协作，现在开放数据，光开放还不行，还要在这个数据上进行多人协作分析，你要对数据进行版本的管理，还有现在所谓的人类计算，像大家都在上面学习英语，在学习英语的过程是对互联网进行翻译的过程。
最后，就是解释和验证。今天的大会标题是要懂技术，懂艺术。这里一个很重要的就是讲故事，你有了分析之后怎么讲出来。比如说啤酒加尿布，它就符合了讲故事的3D：戏剧性、细节、参与这个对话的过程。啤酒加尿布，这个案例我给大家说这是编出来的，但是它符合了这个过程，所以它就马上传播出去了，变成大家都愿意去支持数据分析的这么一个案例。包括魔球（电影Money ball）也是这样，非常强调数据分析怎么来改变棒球运动的，但是事实上它也没有说出来的是，这里很多工作是通过裁判去做的，有些人为的非客观因素，像意志力，像抗压力。还有像Facebook做控制情绪的实验，还有Uber分析一夜情。我还是想强调好的讲故事能够使分析事半功倍。
我们希望现在能够把大量的运力能document，这样可以进行学习，还有就是通过模拟预测未来。所以这就是最后的总结，现在我们的大数据的基础设施已经改朝换代了，我们的数据分析师，我们怎么来改变我们的思维方式，怎么来提高我们的技术，怎么来丰富我们的分析能力？谢谢大家。
