Coi chừng nhầm rừng với cây
Vì sao dữ liệu lớn (big data)
bỗng trở thành một câu chuyện thời thượng? Và vì sao nay lại có những lời phản
bác dữ liệu lớn theo kiểu quay ngoắt 180 độ? Cái quan trọng hơn dữ liệu là gì?
Thành phố Boston một hôm bỗng nảy ra một ý tưởng xuất sắc: viết
một phần mềm cho điện thoại di động thông minh, kêu gọi người dân cài đặt, bất
kỳ khi nào họ lái xe qua một ổ gà, ổ voi, máy sẽ ghi nhận cú nhún đột ngột.
Hàng ngày, hàng chục ngàn dòng dữ liệu như thế chảy về một trung tâm xử lý sẽ
giúp Boston biết ngay đường phố nào đang hư hỏng, mức độ nặng hay nhẹ để cho
người đi sửa chữa ngay.
Đó là một ví dụ trong đời thường về dữ liệu lớn và những gì
nó có thể làm được. Thử tưởng tượng trước đây làm sao có cách nào có được thông
tin đầy đủ về tình trạng sức khỏe đường sá một thành phố lớn theo thời gian
thật như thế.
Dữ liệu lớn ở khắp nơi
Chỉ trong mấy năm gần đây, dữ liệu lớn hay nói đúng ra, cách
khai thác những luồng dữ liệu khổng lồ để tìm ra những xu hướng, những bức
tranh tổng thể, những lớp thông tin nằm bên dưới... đã trở thành một lãnh vực
phát triển nhanh chóng đến mức kỳ diệu. Hăm hở nhất là doanh nghiệp: họ cứ
tưởng giờ đây họ đã hiểu khách hàng tận chân tơ kẻ tóc; dùng dữ liệu mà các gã
khổng lồ như Google thu lượm hàng ngày hàng giờ, doanh nghiệp có thể nhắm ngay
trúng đích người đang cần sản phẩm hay dịch vụ của mình. Thực tế đã có những
câu chuyện nghe như khoa học viễn tưởng: bạn viết email hỏi người bạn ở Đà Nẵng
khách sạn nào là tốt nhất để ở mấy ngày cuối tuần, chưa thấy ai trả lời thì
Google đã cho hiện lên thông tin về đúng loại khách sạn bạn tìm. Từ kho dữ liệu
lớn công cộng, một tờ báo biết ngay độc giả tuổi teen của họ đang tìm kiếm những
từ khóa gì và tổ chức bài vở đúng y sở thích của những độc giả tiềm năng này.
Có một câu chuyện minh họa cho dữ liệu lớn, không biết là
chuyện thiệt hay bịa. Dân tình đồn đoán chuỗi siêu thị Target là nơi sử dụng dữ
liệu lớn thành công hơn cả. Một hôm một người đàn ông giận dữ xông vào văn phòng
Target ở Minneapolis, la mắng ban giám đốc vì sao cho người gởi tài liệu giới
thiệu quần áo trẻ em và tả lót cho con gái ổng trong khi cô này đang còn tuổi
đi học. Giám đốc hết lời phân bua và xin lỗi vì có lẽ máy tính nhầm lẫn gì
chăng. Bất ngờ thay một tuần sau ông bố mới thật sự biết cô con gái tuổi teen
của ông vừa mới mang bầu. Target biết trước ổng do phân tích đúng mọi dữ liệu
thu thập được từ thói quen mua sắm của cô này.
Sự đời hóa ra không đơn giản
Mọi việc đang diễn tiến tốt đẹp cho ngành khai thác dữ liệu
lớn như thế bỗng trong tháng gần đây, hàng loạt các tờ báo lớn trên thế giới cùng
nhau lên tiếng phê phán việc quá coi trọng dữ liệu lớn.
Tờ New York Times
liệt kê tám, chín điều “băn khoăn” về dữ liệu lớn. Ví dụ mối tương quan giữa
các dữ liệu có thật tương quan không (Từ 2006 đến 2011, tỷ lệ sát nhân và tỷ lệ
sử dụng Internet Explorer có mối tương quan rất rõ: cả hai đều giảm mạnh; hay
từ 1998 đến 2007 số lượng ca bệnh tự kỷ được phát hiện tăng nhanh y như mức
tăng doanh số hàng thực phẩm hữu cơ. Nhưng có ai dám kết luận mối quan hệ nhân
quả nào ở đây chăng!)
Hay con người rất dễ đánh lừa các phần mềm dựa vào dữ liệu
lớn. Các chương trình thử nghiệm chấm điểm bài luận sinh viên thường dựa vào
các yếu tố như độ dài của câu, sự xuất hiện các từ khó, từ thể hiện độ chín của
tư duy... Thế là sinh viên cứ cố tình viết câu cho dài, cứ lâu lâu lại thả vào
bài một hai từ “đao to búa lớn” dù chúng không ăn nhập gì đến nội dung. Kết quả
bài theo đúng mô-típ như thế đều được điểm cao.
Điều quan trọng nhất trong các vấn đề mà tờ báo này nêu ra
có lẽ là chuyện dữ liệu lớn được thu thập theo một cách, vì một mục đích nào đó
nay được đem ra phân tích theo cách khác, vì mục đích khác. Đương nhiên kết quả
sẽ bị méo mó, không còn đáng tin cậy. Kho dữ liệu lớn hiện có đến từ nhiều
nguồn, nhiều phương pháp thu thập, liệu ai dám đoan chắc chúng được khai thác
đúng cách?
Tờ Financial Times
viết mạnh hơn, đặt vấn đề ngay trên tựa “Dữ liệu lớn: Có phải chúng ta đang
phạm sai lầm lớn?” Tờ này kể lại câu chuyện xảy ra từ năm 1936 khi Alfred
Landon ra tranh cử chức tổng thống Mỹ với Franklin Roosevelt. Tờ Literary
Digest làm một cuộc thí nghiệm táo bạo, tiên đoán kết quả cuộc tranh cử bằng
cách thăm dò đến 10 triệu người, tức một phần tư số cử tri lúc đó. Sau khi tổng
kết 2,4 triệu phiếu thăm dò gởi trả về tòa soạn, một tỷ lệ hồi âm rất lớn, tờ
này bèn mạnh dạn kết luận: Landon sẽ thắng với tỷ lệ 55% so với 41%.
Kết quả thật hoàn toàn ngược lại: Roosevelt thắng áp đảo,
61% so với 37%. Đau cho Literary Digest là một cuộc thăm dò quy mô nhỏ hơn
nhiều của một nhà tiên phong trong lãnh vực thăm dò là George Gallup (chỉ phỏng
vấn 3.000 người) đã có kết quả gần sát với thực tế. Gallup hiểu một điều mà tờ
Literary Digest không chịu hiểu: khi nói đến dữ liệu, lớn hay nhỏ không thành
vấn đề. Để từ đó tờ Financial Times
cảnh báo về lỗi khi lấy mẫu và thiên kiến khi lấy mẫu có thể làm cho dữ liệu
lớn trở thành vô giá trị. Ví dụ tờ Literary Digest lấy danh sách người để gởi
câu hỏi từ danh sách đăng ký xe ô tô – một mẫu không mang tính đại diện cho cử
tri vì toàn là người giàu có.
Ngày nay người ta hoàn toàn có thể quét hết nội dung trên
Twitter của một ngày nào đó rồi dựa vào đó mà phân tích tâm trạng của xã hội
vào thời điểm đó, được chăng? Hoàn toàn không vì người dùng Twitter ở Mỹ là
giới trẻ, sống ở thành thị hay vùng ngoại ô chứ không phải là toàn bộ dân số
Mỹ.
Trở lại với ví dụ về ứng dụng tự động phát hiện ổ gà của
thành phố Boston, thực tế đây chỉ là bản đồ tình trạng đường sá của những khu
nhà giàu, khu giới trẻ hay lui tới bởi sở hữu điện thoại di động là giới đó chứ
không phải toàn bộ thành phố, không phải là các khu nghèo, ổ gà nhiều hơn, cần
sửa đường nhiều hơn.
Dữ liệu lớn, dù là cơ sở để doanh nghiệp, tổ chức tiên đoán
được tâm lý, thói quen người tiêu dùng, cũng không nên và không thể trở thành
yếu tố xác định dòng chảy cuộc sống. Báo mà cứ chạy theo dữ liệu lớn về sở
thích đọc tin giật gân của đại đa số thanh niên ngày nay thì không lẽ cứ chìu
theo để đăng toàn tin giật gân, bỏ qua loại tin nghiêm túc? Doanh nghiệp đo
lường xu hướng thời trang năm nay xong, không lẽ chỉ sản xuất độc nhất một loại
áo bán chạy để tất cả xã hội thành nơi mặc đồng phục? Cái bất ngờ, cái dị biệt
luôn là gia vị của cuộc sống – dữ liệu lớn hay không có dữ liệu lớn – không có những
ngoại lệ này cuộc sống sẽ thiếu màu sắc biết bao.
Box
Từ chuyện cảm cúm mà
ra
Câu chuyện dữ liệu lớn bùng phát một phần do sự ồn ào Google
tạo ra cách đây 5 năm. Lúc đó một nhóm nghiên cứu của Google xuất bản một bài
trên tạp chí Nature cho biết họ có
thể theo dõi sự bùng phát của dịch cúm ở khắp nước Mỹ một cách chính xác và
nhanh hơn Trung tâm Phòng chống dịch bệnh. Đó là nhờ theo dõi và phân tích xu
hướng tìm kiếm từ khóa “bệnh cúm” cũng như những từ miêu tả triệu chứng của
bệnh này.
Từ đó dữ liệu lớn kiểu “xu hướng bệnh cúm Google” này đã trở
thành đề tài thời thượng.
Năm ngoái tờ Nature
lại đăng bài nhưng lần này là tin xấu cho Google. Sau khi cung cấp thông tin
chính xác về sự bùng phát dịch cúm ở các địa phương trong mấy mùa cúm liên tiếp,
nay dữ liệu của Google cung cấp không còn chính xác nữa. Có lúc dữ liệu của
Google cảnh báo cúm sắp bùng lên ở đây hay ở đây nhưng sau đó không có gì xảy
ra cả.
Lý do có thể vì Google đi tìm mối liên hệ nhưng không chú ý
đến nhân quả. Ví dụ cuối năm 2012 thế giới đang lo sợ vì dịch cúm, đương nhiên
ai cũng đi tìm thông tin chứ đâu phải vì họ có triệu chứng bị bệnh. Hay có thể
do Google thay đổi thuật toán tìm kiếm nên kết quả không còn chính xác như xưa.
Dù sao câu chuyện cảm cúm của Google phản ánh rõ sự thăng trầm của dữ liệu lớn
trong mấy năm qua.
