ML AI ל'משנה איך תקרא לזה הכל אותו דבר

הכתבה שמתחת לכותרת מתארת את גלגולי מדע הנתונים דרך שמות מתחלפים, בחיפוש אחרי מודל מתאים. הערה: לדעתי המודל המתאים הוא פשוט קבוצות. ראה כאן בפורום "מדע הנתונים החדש" או ב New Data Science .

למי שאין לו זמן לתיאוריות, ההבדל בין ML AI ופתרונות מדע-הנתונים הישן והחדש, מתרכזים בדבר אחד - איתור השערות (היפותזות) מועילות. פתרון נכון יחפש את הגורמים האפקטיביים, ולא יגדיר אותם מראש. כל פתרון שכן מגדיר גורמים כאלה, בא בחשבון ליישום רק בשלב השני, לאחר זיהוי הגורמים, כשמתבקשים לדיק את הגדרת המשתנים והקשרים ביניהם.

למה יש כשל ובלבול מושגים?
- בעבר הנתונים נאספו בצורה מתוכננת ומבוקרת, כך שההגדרות היו ידועות מראש. בימינו, כמעט שאין "מותרות" של ידיעה מראש וברוב המקרים (ובעיקר בביג דטה), לא יודעים כלום בהתחלה. מניחים לפנינו הר ענק של נתונים, ושואלים אותנו מה זה אומר! השאלה מציבה בעיה לוגית חסרת מוצא - לך תמצא תשובה לאין-שאלה!!! בעיני פילוסופים של המדע, דרישה כזאת תחשב לאבסורד גמור, אבל במציאות זה בדיוק מה שמנתחי ביג דטה מתבקשים לספק. אגב, אם מישהו כן ימצא לאבסורד החביב דלעיל פתרון לוגי, אשמח מאד לדעת. edith@datalert.co.il. בינתיים, הפתרון היחיד שנותן מענה לניתוח נתונים ללא הגדרת מטרה, כתוב כאן בפורום כריית-מידע של DWH, ובפרסומים של פרויקט "new data science" או GT.