मशीन लर्निंग और एल्गोरिदम को अपने मूल में रखने वाला बिग डेटा वर्तमान में उच्च मांग और उत्कृष्ट विशेषताओं के कारण अपने चरम पर है। बिग डेटा एनालिटिक्स समाधान प्राप्त करने के लिए कई कंपनियां इस क्षेत्र में विशेषज्ञता की मांग कर रही हैं। बिग डेटा की संस्कृति वर्तमान में दुनिया पर हावी है और इसने एक मानक स्थापित कर दिया है क्योंकि कंपनियां प्रेडिक्टिव मॉडल और सांख्यिकीय विश्लेषण के आधार पर बिजनेस इंटेलिजेंस हासिल करने का प्रयास करती हैं।
जैसे-जैसे डेटा चरम गति से उत्पन्न हो रहा है, बिग डेटा, IoT और क्लाउड कंप्यूटिंग जैसी अत्याधुनिक तकनीकों की मांग बढ़ रही है। विशेषज्ञों के अनुसार, ये तकनीकें आने वाले भविष्य में हर व्यवसाय का अनिवार्य हिस्सा बन जाएंगी। विशेष रूप से बिग डेटा की बात करें तो यह भारी मांग में है। ये विशाल डेटा सेट का उपयोग करके जटिल एल्गोरिदम चलाते हैं और इस प्रक्रिया में ऐसे निर्णय पर पहुंचते हैं जिनके दूरगामी परिणाम होते हैं। लेकिन असली सवाल यह है कि क्या हम पूरी तरह से मशीनों पर भरोसा कर सकते हैं जो हमारे भविष्य के लाभ और हानि की भविष्यवाणी और परिभाषा करें?
इस अप्रत्याशित अर्थव्यवस्था में, कंपनियां पक्षपाती बाजार और अविश्वसनीय आंकड़ों से जूझ रही हैं। ऐसे परिदृश्य में, बिग डेटा उन्हें निष्कर्ष निकालने और प्रिस्क्रिप्टिव आंकड़ों का उपयोग करके बुद्धिमान व्यावसायिक निर्णय लेने में सक्षम बनाता है। फिर बिग डेटा कहां गलत हो सकता है?
उस बिंदु पर जब डेटा व्यवसाय मालिकों को नियंत्रित करने लगता है और रचनात्मकता को दरकिनार कर दिया जाता है। उस बिंदु पर जब व्यवसाय वास्तविक समय की बातचीत पर आधारित परिणामों के बजाय मशीन-उन्मुख परिणामों पर भरोसा करना शुरू कर देता है। और उस बिंदु पर जब व्यवसाय लोगों के बजाय मशीनों द्वारा नियंत्रित होते हैं, बिग डेटा की शक्ति को उसके अंकित मूल्य पर स्वीकार किया जाता है। क्योंकि जानकारी मशीन से आ रही है, लोग मान लेते हैं कि यह सटीक होनी चाहिए लेकिन दुर्भाग्य से ऐसा नहीं है।
अधिकांश विश्लेषणात्मक मॉडलों में अंतर्निहित त्रुटियां और गलत गणनाएं होती हैं, जिनके पूर्वानुमान अंततः हर आधिकारिक प्रणाली में ढह जाते हैं और बिग डेटा के साथ, तबाही की संभावना तुलनात्मक रूप से अधिक होती है। आइए समझते हैं कि बिग डेटा के साथ तीन सबसे आम समस्याएं क्या हैं।
घोस्ट डेटा (Ghost Data)
जिस डेटा का सामना हम आमतौर पर अपने दैनिक निर्णय लेने के लिए करते हैं, वह विशाल डेटाबेस से आता है जिनका विश्लेषण एक जटिल विश्लेषणात्मक प्रक्रिया के माध्यम से किया जाता है। आप उन संख्याओं का न्याय नहीं कर सकते कि वे सटीक हैं या नहीं।
आइए डेटा निर्माण की प्रक्रिया का संक्षिप्त अवलोकन करें। ज्यादातर मामलों में, फ्रंट-लाइन कर्मचारी मशीन में डेटा दर्ज करते हैं जो मानवीय त्रुटि के अधीन होते हैं। फिर, कैशियर सही बार कोड दर्ज करने के लिए जिम्मेदार होते हैं जबकि स्टॉक कर्मियों को स्टॉक को सही ढंग से गिनना और रखना होता है। ये कार्य जिम्मेदारियां अभी तक मशीनों में शामिल नहीं की गई हैं और वर्तमान में मनुष्यों को सौंपी गई हैं।
नतीजतन, त्रुटियां अपरिहार्य हैं जिससे संख्याओं में विसंगतियां उत्पन्न होती हैं और परिणामस्वरूप, उपभोक्ताओं के साथ-साथ आपूर्तिकर्ताओं के खरीद और विपणन निर्णय प्रभावित होते हैं। डेटा द्वारा निभाई गई भूमिका को समझना महत्वपूर्ण है और इसलिए, सिस्टम में प्रवेश करने वाली संख्याओं को नियंत्रित करना आवश्यक है।
डेटा पर अंधा भरोसा
नौकरी प्रदर्शन का मूल्यांकन करने से लेकर छात्रों की गुणवत्ता का आकलन करने के लिए एक निश्चित प्रतिमान पर निर्भर रहने तक, डेटा अब हमारे जीवन का अभिन्न अंग बन गया है। आज हम कुछ परिस्थितियों में डेटा पर इतने निर्भर हैं कि कुछ कार्य उनके बिना नहीं किए जा सकते। मशीन में डेटा दर्ज करने से पहले उसे आसानी से हेरफेर किया जा सकता है और यही उस पर अंधा भरोसा करने की कमी है। 또한, हर कोई मानव के फैसले पर सवाल उठाना पसंद करेगा लेकिन मशीनों के मामले में, डेटा एनालिटिक्स के परिणाम अक्सर निर्विरोध रह जाते हैं। यह विचार करना महत्वपूर्ण है कि सीधी तुलना करने से पहले डेटा सेट को किसी भी तरह से बदला गया है या नहीं।
सांख्यिकीय ओवरफिटिंग (Statistical Overfitting)
आपकी समझ के लिए, कोई भी व्यावसायिक निर्णय पिछले व्यवहार से प्राप्त सांख्यिकीय निष्कर्षों पर आधारित होता है। हालांकि, यह प्रक्रिया आंतरिक रूप से दोषपूर्ण है, विशेष रूप से जहां डेटा सेट छोटे हैं और कुछ बाहरी मूल्य (outliers) परिणाम को महत्वपूर्ण रूप से मोड़ने के लिए उपयुक्त हैं।
हर डेटा सेट में यादृच्छिकता (randomness) का एक तत्व होता है, जो मानता है कि एक प्रेडिक्टिव मॉडल जितना अधिक सटीक रूप से पिछली घटनाओं के लिए अनुकूलित होता है, उसकी भविष्य की सटीकता उतनी ही कम होती है।
ऐसे निष्कर्ष सामने आए हैं जब उच्चतम जटिलता वाले मॉडल विफल हुए और विनाशकारी परिणाम दिए। उदाहरण के लिए, स्टॉक मार्केट भविष्यवाणियों के लिए मॉडल, जहां लोग हर दिन अरबों का जोखिम उठाते हैं। बाजार में ऐसे एप्लिकेशन उपलब्ध हैं जो सटीक भविष्यवाणी का दावा करते हैं लेकिन कभी-कभी विफल हो जाते हैं।
इसका मतलब यह नहीं है कि हमें निर्णय लेने और भविष्य की भविष्यवाणी के लिए मशीनों का उपयोग बंद कर देना चाहिए। हमें बस मशीनों का उपयोग करके जानकारी एकत्र करते समय अन्य स्रोतों को खुला रखने की आवश्यकता है। आंख मूंदकर संख्याओं को स्वीकार करना जोखिम भरा और अनिश्चित है, इसलिए डेटा संग्रह की प्रक्रिया और निष्कर्ष कैसे निकाले गए, इस पर विचार करना आवश्यक है। यह आपको सूचित निर्णय लेने और परिणामस्वरूप नुकसान से बचने में सक्षम बनाएगा।
