ডেটা অ্যানালিটিক্স এবং মেশিন লার্নিং দারুণ অগ্রগতি করছে। কিন্তু ডেটা উৎপাদন, সঞ্চয়স্থান, ভাগ করে নেওয়া এবং নেটওয়ার্ক শেখার চলমান বিবর্তনে এটি কেবল পরবর্তী সংলগ্ন সম্ভব৷
ডেটার বিবর্তন...
- ডেটা ঘাটতি – 1990-এর দশকের প্রথম দিকে এবং তার আগে, ডেটা মোটামুটি দুষ্প্রাপ্য ছিল, কারণ ডেটা উৎপাদন কম ছিল (আজকের তুলনায়) এবং ডেটা সংরক্ষণ এবং ভাগ করার প্রক্রিয়াগুলি আরও সীমিত ছিল৷
- ডেটা উৎপাদন - 2000 এর দশক সেন্সরের যুগে পরিণত হয়েছিল। ইলেকট্রনিক্সের অগ্রগতির সাথে, সেন্সরগুলি আরও সাশ্রয়ী হয়ে উঠেছে। ফলস্বরূপ, সেন্সরগুলির উত্পাদন এবং নতুন সেন্সরগুলির বিভিন্নতা উল্লেখযোগ্যভাবে বৃদ্ধি পেয়েছে। মোতায়েন করা সেন্সরগুলির বিশাল স্কেল সহ, ডেটা উৎপাদন বৃদ্ধি পেয়েছে – এবং ক্রমাগত বৃদ্ধি পাচ্ছে – দ্রুতগতিতে।
- ডেটা স্টোরেজ - ডেটা উৎপাদনের ঢেউয়ের সাথে সাশ্রয়ী-কার্যকর ডেটা স্টোরেজের বর্ধিত প্রয়োজনীয়তা এসেছে। স্কেলে, ডেটা সঞ্চয়স্থান এখন এত সস্তা হয়ে উঠেছে, ডেটার আকার বিশাল না হওয়া পর্যন্ত এটি একটি নগণ্য ব্যয়ের কাছে পৌঁছেছে৷
- ডেটা শেয়ারিং - 1990-এর দশকে, কোম্পানিগুলি তাদের নিজস্ব অভ্যন্তরীণ ডেটা তৈরি করেছিল, কিন্তু এটি মূলত কোম্পানির বাইরে ভাগ করা হয়নি। ছাপা আকারে ছাড়া সাধারণ জ্ঞানও ছিল না। ইন্টারনেটের আবির্ভাব এবং এর পরবর্তী বিস্তৃত গ্রহণ (1993+), ডেটা ভাগ করে নেওয়া আগের চেয়ে বেশি প্রচলিত হয়ে উঠেছে (বিশেষ করে API-এর বিস্তারের সাথে), কিন্তু এটি মূলত অসংগঠিত রয়ে গেছে।
- ডেটা গঠন – প্রযুক্তি-বুদ্ধিসম্পন্ন শিল্প বিশেষজ্ঞরা উপলব্ধ তথ্য সেটের মধ্যে পুনরাবৃত্তিযোগ্য প্যাটার্ন দেখেছেন এবং এটিকে গঠন করতে শুরু করেছেন, এক সময়ে একটি শিল্প উল্লম্ব। সংগ্রহ এবং সংযোজন ছিল পরবর্তী "সংলগ্ন সম্ভাব্য", (প্রায় 2004 - 2016)। 2004 সালে PrivateEquityInfo.com এইভাবে শুরু হয়েছিল। এটি তথ্য আবিষ্কার এবং পেশাদার নেটওয়ার্কিং-এ লোকেদের প্রচুর সময় বাঁচিয়েছে এবং দক্ষতা বৃদ্ধি করেছে যেখানে M&A ডিল করা যেতে পারে।
- ডেটা অ্যানালিটিক্স – স্ট্রাকচার্ড ডেটার সাহায্যে, আমরা এখন অ্যালগরিদমগুলির মাধ্যমে সময়ের সাথে সাথে ডেটা জুড়ে প্রবণতাগুলিকে বিশ্লেষণ এবং চিহ্নিত করার ক্ষমতা পেয়েছি যা আগে কখনও হয়নি৷ এটি আমাদের ঐতিহাসিক প্রেক্ষাপটগুলিকে আরও ভালভাবে বুঝতে সাহায্য করেছে, ঐতিহাসিক প্রবণতাগুলি থেকে ভবিষ্যত অনুমান সক্ষম করে, (2008+)৷ এটি কর্মযোগ্য অন্তর্দৃষ্টি প্রদান করে, অন্তত দিকনির্দেশনামূলকভাবে।
- বিগ ডেটা - সিদ্ধান্ত নেওয়ার ক্ষেত্রে ডেটা ক্রমবর্ধমানভাবে উপযোগী হয়ে উঠলে, আমরা এটি আরও বেশি করে সংগ্রহ করতে শুরু করি। ডেটা (এবং পর্যাপ্ত প্রসেসিং পাওয়ার) সহ, আরও ভাল (ধরে নেওয়া ডেটার গুণমান ডেটা সম্প্রসারণের সাথে হ্রাস পায় না… প্রায়ই একটি ত্রুটিপূর্ণ অনুমান)।
- স্মার্ট ডেটা এবং মেশিন লার্নিং - যেহেতু সেন্সর এবং বিভিন্ন ইনপুটগুলি থেকে কাঠামোগত ডেটা সংগ্রহ আমাদের (মানব) এর সাথে তাল মিলিয়ে চলার ক্ষমতাকে উল্লেখযোগ্যভাবে ছাড়িয়ে যেতে শুরু করেছে, আমরা ডেটার মধ্যে সম্পর্ক স্থাপন করতে এবং ভবিষ্যতের আরও ভাল ভবিষ্যদ্বাণী এবং সূচক তৈরি করতে মেশিন লার্নিং কৌশল ব্যবহার করতে শুরু করেছি। মেশিন লার্নিং, প্রচুর পরিমাণে ডেটা দিয়ে খাওয়ানো মানব-কোডেড অ্যালগরিদমের চেয়ে অনেক বেশি শক্তিশালী। বিপুল পরিমাণ ডেটা থেকে, মেশিনগুলি এমন নিদর্শনগুলিকে উত্যক্ত করতে পারে যা মানুষ করতে পারে না। তারা দ্রুত শিখতে পারে, ডেটাতে কারণগত পারস্পরিক সম্পর্ক খুঁজে বের করতে পারে এবং এইভাবে মানুষের চেয়ে ভাল নির্ভুলতার সাথে ফলাফলের পূর্বাভাস দিতে পারে। স্মার্ট, মেশিন-লার্নড, ডেটা চালিত অ্যালগরিদম, প্রচুর ডেটা সহ এখন আনুমানিক বুদ্ধিমত্তা - কৃত্রিম বুদ্ধিমত্তা (2015+)।
এরপর কি?
নেটওয়ার্কড লার্নিং - 2018+ এ, মেশিনগুলি ডেটা তৈরি করে, এটিকে পূর্ব-নির্ধারিত, কাঠামোগত বিন্যাসে উপলব্ধ করে, অন্যান্য মেশিনের সাথে এই ডেটা ভাগ করে এবং মেশিনগুলির নেটওয়ার্ক একে অপরের কাছ থেকে শেখে। মেশিন সুপার বুদ্ধিমত্তা. এটি আরও ঘনিষ্ঠভাবে মানব মস্তিষ্কের জটিল নেটওয়ার্ককে মডেল করে, আরও প্রক্রিয়াকরণ শক্তি, আরও স্টোরেজ ক্ষমতা এবং দ্রুত তথ্য পুনরুদ্ধার ছাড়া। এটি এককতা নয়, তবে এটি একটি বিশাল লাফ হবে – এই বিন্দুতে যে মেশিন দ্বারা তৈরি বুদ্ধিমত্তা এতটা কৃত্রিম মনে হবে না।
