🔸آینده بازنما شده
▫️#نعمت‌الله_فاضلی
«مساله آینده» علاوه بر درگیر شدن با زندگی روزمره و حکمرانی، در «فضاهای بازنمایی» نیز دائما درگیری خود را بیشتر می‌کند. درعرصه‌ی فیلم‌ها، رمان‌ها، سینماها، نقاشی‌ها و مجسمه‌ها، و به طور کلی «فضا‌های بازنمایی»، مفهوم آینده تبلور دارد. هنرها و ادبیات همیشه عرصه بازنمایی آرزوها و رویاهای بشر از آینده بوده است. #آلدوس_هاکسلی در رمان تخیلی «دنیای شگفت انگیز نو» در سال ۱۹۳۲ تصویر آینده در سال ۲۵۴۰ را براساس پیشرفت‌های علم و فناوری ترسیم می‌کند. شگفت این که آنچه هاکسلی برای نیمه قرن بیست و ششم ترسیم کرده بود، همین حالا اتفاق افتاده است. در ایران نیز منازعه و تنش میان نیروهایی است که برای مثال در داستان‌های #صادق_هدایت تا رمان‌های #سیمین_دانشور و سایر نویسندگان می‌خواهند آینده‌ای سنتی، مدرن، پست مدرن یا ترکیبی از آنها را ترسیم کنند. همه داستان‌های‌شان عرصه تنش بر سر مفهوم آینده است، درگیری بر سر ایده‌آل‌ها و مفهوم‌ها و بر سر استقرار بخشیدن «فرهنگ در حال ظهور» است.
بنیان‌های تصوری یا مخیله اجتماعی ما توسط ادبیات، فیلم و به طور کلی هنرها روز به روز دستکاری می‌شود. روز به روز ما تمام آن چیزی که از گذشته روایت می‌کنیم، نه برای قداست بخشیدن به گذشته، بلکه در خدمت آینده است. از نظر درک و دریافت جامعه، «بازنمایی‌های تاریخی»، مانند جنگ‌های صدر اسلام یا قصه‌های قرآنی، زندگی شخصیت‌های تاریخی، اینها همه «تصویرهای آینده» هستند. ممکن است فیلم‌هایی از تاریخ صدر اسلام، سریال یوسف پیامبر، ایران باستان و چیزهای دیگر بسازیم؛ اما «خوانش جامعه» لزوما «احیای گذشته» نیست، بلکه تلاش جامعه برای ساختن آینده است. حتی آن جایی که سیاست اراده می‌کند که مُهر گذشته را بر پیشانی تک تک شهروندانش از طریق سریال‌ها بزند، جامعه با «مساله آینده» درگیر است. مساله جامعه، گذشته نیست، بلکه جامعه می‌خواهد «زمان حال خودش» را از طریق آینده و «تصویر آینده» و از «ایده‌ی آینده» سرشار کند. به همین دلیل تمام تلاش‌های سیاستگذارانه فرهنگی و هنری حتی اگر با ابژه‌ی گذشته باشد، در خدمت سرشار کردن «لحظه‌ی حال» از زمان #آینده است.
نه تنها بازنمایی‌های هنری و ادبی، بلکه «بازنمایی‌های علمی و فلسفی» از گذشته هم در خدمت آینده و «تصویرهای آینده» هستند. گفتگو بر سر آینده در جامعه ما از طریق تحقیقات و کتاب‌ها بازنما می‌شود؛ و این بحث‌ها درباره آینده، روز به روز مخیله اجتماعی ما را بیشتر در گیر می‌کند. زایش دانش مطالعات آینده یا #آینده_پژوهی به عنوان جایگزینی برای الگوی کلاسیک برنامه‌ریزی حاصل همین تنش‌ها بوده است. تلاش #علوم_اجتماعی این بوده است که به لحاظ علمی بفهمد که آینده از منظر جامعه چه می‌شود. جامعه ایران نیز از این نوع بازنمایی‌ها از آینده مشتاقانه استقبال می‌کند. برای مثال، کتاب «انسان خردمند؛ تاریخ فشرده بشر» از نوشته مورخ اسرائیلی #یووال_نوح_هراری که در سال ۱۳۹۶ به فارسی ترجمه و منتشر شد، بارها تجدید چاپ و با استقبال کم نظیر خوانندگان ایرانی روبرو شد. هراری در کتاب‌هایش مانند آلدوس هاکسلی بر پایه تحولات تکنولوژیک توضیح می‌دهد که چطور «زمان حال» بسط پیدا می‌کند و ریشه‌هایش در آینده تا بی‌نهایت وسیع می‌شود. هراری می‌گوید «انسان خداگونه» می‌شود؛ یعنی «آرزوهای ناممکن» و «خیال‌های محال» بشر مانند «لذت بردن بی‌نهایت» و «نامیرا شدن انسان» امکان‌پذیر می‌شود. به باور هراری با تبدیل شدن انسان به #دیتا و #داده، با ترکیب و تلفیق دیتاها در #دی‌ان‌ای (DNA) ما و در بدن ما، ما در آینده نزدیک نامیرا خواهیم شد.

🔸حجم جهانی دیتا ۲۶ برابر فاصله زمین تا ماه می‌شود
متخصصان حوزه فناوری ۵ پیش‌بینی را برای آینده کلان داده‌های دنیا ارائه داده‌اند که بر اساس آن حجم جهانی #داده تا سال ۲۰۲۵ به‌اندازه ۲۶ برابر فاصله زمین تا ماه می‌رسد. بر این اساس:
▫️داده‌های «سریع» و «قابل‌اجرا» در اولویت قرار می‌گیرند.
▫️حریم خصوصی موضوعی داغ باقی می‌ماند.
▫️حجم داده‌ها همچنان افزایش خواهد یافت و انتقال داده‌ها به فضای ابری سرعت می‌گیرد.
▫️یادگیری ماشینی، چشم‌انداز حوزه آنالیز کلان داده‌ها را متحول خواهد ساخت.
▫️تقاضا برای متخصصان حوزه داده افزایش خواهد یافت.
درباره ۳ نوع حکمرانی داده در سطح جهان و چالش‌های آینده ایران در حکمرانی داده اینجا بیشتر بخوانید.
#عصر_هوشمندی، مجموعه تخصصی سواد رسانه‌ای و اطلاعاتی
@asrehooshmandi

#داده #اینترنت
🔸حکمرانی فرامرزی داده‌ها در دستور کار سازمان ملل قرار گرفت
حکمرانی جریان فرامرزی داده‌ها از جمله مسائلی است که به تازگی سازمان ملل در گزارش سالانه اقتصاد دیجیتال آنکتاد به آن پرداخته و بر ضرورت قانونگذاری جهانی در این حوزه تأکید کرده است.

بر اساس گزارش‌های آماری منتشر شده در طول سال‌های ۲۰۲۰ و ۲۰۲۱، همه‌گیری ویروس کووید -۱۹، روند تحول دیجیتال را در مقیاس جهانی تسریع کرده و دولت‌ها را به واکنش سریع در این حوزه واداشته است. در میان تلاش‌های دولت‌ها برای انطباق حداکثری با روند شتابان دیجیتال سازی جهان، یک چالش کلیدی این است که چگونه می‌توان از روند افزایش حجم داده‌های دیجیتال در راستای منافع جهانی استفاده کرد.
متخصصان و کارشناسان، تخمین زده‌اند که ترافیک جهانی اینترنت در سال ۲۰۲۲ از کل ترافیک تاریخ اینترنت تا سال ۲۰۱۶ بیشتر خواهد شد. در چنین شرایطی، داده‌ها به یک دارایی استراتژیک کلیدی تبدیل می‌شوند. بی شک نحوه مدیریت این داده‌ها بر توانایی هر کشور برای دستیابی به اهداف توسعه پایدار تأثیر زیادی خواهد داشت. از سوی دیگر، شیوع کرونا، تأثیر به سزایی بر حجم ترافیک اینترنت داشته است.
متن کامل گزارش

#واژه‌ها🔸رایانش لبه‌ای
رایانش لبه‌ای (Edge Computing) یکی از الگوهای جدید محاسباتی است که به استقرار شبکه و دستگاه‌ها در مجاورت یا کنار منبع اطلاعات اشاره می‌کند. #رایانش‌لبه‌ای فرایند پردازش #داده را به محل تولیدش نزدیک کرده و درنتیجه با افزایش سرعت و حجم پردازش، نتایج بیشتری را در لحظه تولید می‌کند.
مفهوم این فناوری مشخص است: اگر نمی‌توانید داده را به مرکز داده نزدیک‌تر کنید، پس مرکز داده را به محل تولید داده نزدیک کنید. رایانش لبه‌ای مفهوم تازه‌ای نیست و ریشه آن به ایده‌هایی ملث رایانش از راه دور (Remote Computing) برمی‌گردد. رایانش لبه‌ای برای پاسخ سریع و ایجاد تجربیات جدید از داده‌های تولید شده در محل، استفاده می‌کند و در عین حال داده‌های حساس را نیز کنترل کرده و هزینه‌های انتقال به ابر را کاهش می‌دهد. بیشتر

#کیوسک🔸مدیریت ارتباطات
زامبی معرفتی نباشیم: شماره ۱۵۸ ماهنامه #مدیریت‌ارتباطات با پرونده‌ای دربارۀ خلط #داده و #دانش در زمانۀ گوگل و ویکی‌پدیا منتشر شد.
در توضیح این پرونده آمده است: میان داده و اطلاعات و دانش باید تمایز گذاشت. داده، فکت‌ها و آمار و ارقام و نمادهایی هستند که به‌تنهایی معنایی ندارند. قاموس‌ها و دانشنامه‌ها لبریزند از اطلاعات. دانش اما، بالاتر از این هر دو است. یکی گرفتن داده با دانش از ما زامبیِ معرفتی خواهد ساخت. زامبی معرفتی، یعنی موجودی که باورهای صادقی دارد که نمی‌داند یا نمی‌فهمد آن باورها چرا درست هستند و درکی از ارزش افزودۀ دانش نسبت به باور صادق خشک‌وخالی ندارد.
شماره‌های موجود ماهنامه مدیریت ارتباطات را از دیجی‌کالا سفارش دهید

#تکنولوژی
🔸خدمات ابری در ایران به کدام سو می‌رود؟
🔻ابرها در بند سیاست
بار دیگر صدای گام‌های سیاستمداران یک حوزه از فناوری اطلاعات را دچار حواشی ناخواسته کرده است. حاشیه‌هایی که دیگر هیچکس نمی‌تواند از پس‌شان بربیاید. خدمات ابری که سرویس‌هایی بر پایه مراکز #داده هستند و با سرعتی چشمگیر در دنیا رشد می‌کنند، در ایران با مشکلاتی روبه‌رو شده‌اند که در ابتدای راه در مخیله کسی نمی‌گنجید.
آیا سیاست پایش را از این بازار پس می‌کشد؟ و اگر همین امروز این کار را انجام دهد، آیا اعتماد ازدست‌رفته بازمی‌گردد؟ یا شاید لازم باشد بپرسیم اعتمادی از دست رفته یا همه ‌چیز تنها هیاهوی #شبکه‌های‌اجتماعی است؟
متن کامل این مقاله را در سایت و شماره ۱۱۴ ماهنامه پیوست بخوانید

#داده #هوش‌مصنوعی
🔸انتخاب شغل در دانش داده
#علم‌داده (Data Science) حوزه به کارگیری تکنیک‌های تحلیلی پیشرفته و اصول علمی ‌برای استخراج اطلاعات ارزشمند از داده‌ها برای تصمیم‌گیری‌های مهم تجاری، برنامه‌ریزی استراتژیک و سایر موارد است
▫️چرا داده‌کاوی و تحلیل داده‌های آنلاین مهم است؟ لینک

#داده🔸چرا داده‌کاوی و تحلیل داده‌های آنلاین مهم است؟
مرکز افکارسنجی دانشجویان ایران (#ایسپا) به تازگی نتایج #نظرسنجی را منتشر کرده است که بر اساس آن، ۴۱.۴ درصد از شهروندان از شبکه‌ها و رسانه‌های اجتماعی برای کسب اخبار استفاده می‌کنند. این عدد نسبت به سه سال پیش، بیش از ۱۵ درصد رشد داشته و نشان‌دهنده‌ی نفوذ بیشتر #شبکه‌های‌اجتماعی در میان مردم است... لینک

#هوش‌مصنوعی🔸٢۴ مفهوم آماری
٢۴ مفهوم آماری که همه متخصصان داده باید بدانند.
علم‌ #داده (Data Science) عرصه به کارگیری تکنیک‌های تحلیلی پیشرفته و اصول علمی ‌برای استخراج اطلاعات ارزشمند از داده‌ها برای تصمیم‌گیری‌های مهم تجاری، برنامه‌ریزی استراتژیک و سایر موارد است

#هوش‌مصنوعی🔸مهم‌ترین انواع توزیع
مهم‌ترین انواع توزیع که در علم داده که باید بشنایید. علم‌ #داده (Data Science) عرصه به کارگیری تکنیک‌های تحلیلی پیشرفته و اصول علمی ‌برای استخراج اطلاعات ارزشمند از داده‌ها برای تصمیم‌گیری‌های مهم تجاری، برنامه‌ریزی استراتژیک و سایر موارد است

#بازاریابی🔸عصر جدید تجزیه و تحلیل داده‌ها
داشتن چشم‌انداز برای داده‌های خود با هر استراتژی بازاریابی بسیار مهم است. اولین گام در اجرای ایجاد این چشم‌انداز تشکیل یک بنیاد #داده قابل اعتماد است. اغراق نیست که بگوییم چشم‌انداز داده‌های بازاریابی در دو سال گذشته تغییر کرده است. برای اولین بار، روش‌های جمع‌آوری داده‌های کاربران توسط شرکت‌ها زیر ذره‌بین برده‌ شده‌ و سیاست‌های #اپل و #گوگل تجزیه و تحلیل داده‌های بازاریابی را مجبور به تغییراتی در سراسر جهان کرده است.
همچنین، مشتریان بیش از هر زمان دیگری در مورد اطلاعاتی که مایل به اشتراک‌گذاری آن‌ها و نحوه استفاده از آن‌ها هستند، حساس شده‌اند.
و در نهایت، مقیاس‌پذیری و شخصی‌سازی هم به واژه‌هایی رایج تبدیل شده‌اند، اما شما نمی‌توانید بدون تجزیه و تحلیل قوی به انجام آن دست بزنید – و رسیدن به این نقطه برای بسیاری از کسب‌وکارها یک روند صعودی شده است.
پرسش این است که شرکت‌ها چگونه در این دوره جدید بازاریابی موفق می‌شوند؟... +

#اینفوگرافی #داده
🔸عرصه مسکن و املاک به زبان داده
حالا عرصه مسکن و املاک ترمینولوژی داده‌ای خاص خود را دارد

#واژه‌ها #اینفوگرافی #داده
🔸داده‌های جهانی املاک
▫️ادبیات نایت فرانک در عرصه املاک
HNWI: High-net-worth individual
فردی با ارزش خالص – شخصی با دارایی خالص یک میلیون دلار آمریکا یا بیشتر.
UHNWI: Ultra-high-net-worth individual
فردی با ارزش خالص فوق‌العاده بالا - شخصی با دارایی خالص ٣٠ میلیون دلار یا بیشتر.
PRIME PROPERTY: مطلوب‌ترین و گران‌ترین ملک در یک مکان مشخص است که به طور کلی به عنوان ۵ درصد برتر هر بازار؛ بر اساس ارزش تعریف می‌شود. بازارهای اصلی اغلب از نظر مشخصات خریدار دارای سوگیری بین‌المللی قابل توجهی هستند.
THE PIRI 100: شاخص بین‌المللی ارزیابی قیمت‌ مسکن‌های لوکس در بازارهای برتر مسکونی جهان است. شاخص نایت فرانک (Knight Frank) که یک شبکه جهانی مشاوران املاک است با استفاده از داده‌های تیم‌های تحقیقاتی همین شبکه در سراسر جهان گردآوری می‌شود، مراکز مالی مهم، شهرهای دروازه‌ای (gateway cities) و نقاط مهم, خانه دوم - هم ساحلی و هم روستایی - و همچنین استراحتگاه‌های اسکی مجلل را پوشش می‌دهد و گروه‌های میلیاردر را در بیش از ٢٠٠ کشور و منطقه اندازه‌گیری می‌کند. متد اندازه‌گیری ثروت هم که نایک فرانک از آن استفاده می‌کند توسط تیم مهندسی داده‌ همین شبکه طراحی‌شده است

#داده🔸ساختارها و الگوریتم‌های داده
ساختارها و الگوریتم‌های داده در آماده‌سازی برای ورود به سفر نرم‌افزاری مهم هستند. این یک نقشه راه است که به خوبی مستند شده و قابل استفاده با هر زبان برنامه‌نویسی است. مسیری در جهت گسترش علم داده.

#هوش‌مصنوعی
🔸تجسم داده‌ها: ابزارها و تکنیک‌ها
🔹هارشینی چاکا
تجسم داده‌ها (ارائه بصری داده‌ها) جنبه‌ای حیاتی از تجزیه و تحلیل داده‌ها است که به دانشمندان و تحلیلگران #داده امکان می‌دهد تا #اطلاعات پیچیده را در قالبی بصری که به راحتی قابل درک است، منتقل کنند. اهمیت تجسم داده‌ها در علم داده را نمی‌توان انکار کرد، زیرا به کشف روندها، الگوها و همبستگی‌‌‌‌هایی که ممکن است در داده‌های خام آشکار نباشد کمک می‌کند. تجسم موثر داده‌ها می‌تواند داده‌ها را به بینش‌های عملی تبدیل و ارتباطات بهتر را در یک سازمان تسهیل کند... +

#مایکروسافت🔸مدیر بازاریابی جدید برای هند و جنوب آسیا
مایکروسافت شالینی پیلای بانرجی، مدیر ارشد سابق #گوگل را به عنوان مدیر بازاریابی هند و جنوب آسیا انتخاب کرد.
#پیلای_بانرجی بیش از ٨ سال در گوگل بود و آخرین بار به عنوان رئیس بازاریابی اپلیکیشن‌های مصرف شونده در #هند کار کرد. او با بیش از ٢٠ سال تجربه در شرکت‌هایی مانند #کوکاکولا و گوگل کار کرده است.
بارنجی که در مقوله‌های بینش مشتری، راه‌حل‌های مبتنی بر #داده و #نوآوری مهارت دارد، همچنین یکی از بنیانگذاران یک استارتاپ موفق تجزیه و تحلیل به نام ساس (SaaS) بوده است.

#علم‌داده
🔸بهترین ابزارهای هوش‌مصنوعی ٢٠٢۴
🔻ابزارهای #هوش‌مصنوعی در سال ٢٠٢۴ برای متخصصانی که به دنبال تجزیه و تحلیل، تجسم و استخراج بینش از مجموعه داده‌های گسترده هستند، ضروری شده است. این ابزارها نه تنها گردش کار را ساده می‌کنند، بلکه دقت و کارایی تجزیه و تحلیل داده‌ها را نیز افزایش می‌دهند. چه یک دانشمند باتجربه #داده باشید و چه تازه‌کار، ابزارهای هوش مصنوعی مناسب می‌توانند تفاوت قابل توجهی در نحوه برخورد و حل مشکلات داده ایجاد کنند. در این مقاله، ز بهترین ابزارهای هوش‌مصنوعی علم داده در سال ٢٠٢۴ بررسی شده‌اند... +

نشرکرگدن منتشرکرد:
🔸ما کلان‌داده‌ایم
▫️آیندۀ جامعۀ اطلاعاتی
زاندر کلوس، نارت ویلارد، ترجمۀ یاسر خوشنویس، ۲۸۰۰۰۰ تومان، ۲۲۴ صفحه.
تا این اواخر گردآوری، تحلیل و ذخیره‌سازی داده‌ها کاری زمان‌بر و پرهزینه بود. برای همین، برای پاسخ دادن به پرسش‌هایمان، تا جایی که امکان داشت، داده‌های کمی گردآوری می‌کردیم. درواقع، در عصر خُرده‌داده‌ها، نمادها و فرایندها و نیز نحوۀ حصول نتیجه از دل داده‌ها همگی بر این پیش‌فرض بنا شده بود که داده‌ها کمیاب‌اند. بنابراین، برای هر کاری، از کنترل کیفیت گرفته تا نظرسنجیِ پیش از رأی‌گیری، نمونه‌هایی از داده‌ها را به کار می‌گرفتیم، نه همۀ آنها را. بدین‌ترتیب، به‌ندرت می‌توانستیم نگاه عمیق‌تری به اموری داشته باشیم که جالب توجه اما پیچیده به نظر می‌رسیدند.، به این دلیل ساده که #داده کافی در اختیار نداشتیم. امروزه، بسیاری از موانع موجود پیشِ پای گردآوری، تحلیل و ذخیرۀ مقادیر عظیم داده به‌شدت کاهش یافته است و این تحولْ گردآوری تمامی داده‌ها و درک پیچیدگی جهانمان را بسیار ساده‌تر کرده است و دیگر نیازی نیست تنها با نمونۀ کوچکی از واقعیت کنار بیاییم.
شهر کتاب