O əjdahadan niyə bizdə yoxdur? (Data jurnalistikası)
Ötən bloqda bu sualı soruşduq. Amma cavabını tapmaqdıq. Çünki bəzi mövzular toxunulmamış qaldı. Bu bloqa başlamamamış istədim, yuxarıdakı sualı cavablandırım və bildirim ki, o əjdahadan bizdə də var. Özü dəbir deyil, bir neçə dənə var.
Data jurnalistikası, data incəsənəti kimi sahələri ölkəmizdə də inkişaf edir və kifayə qədər mütəxəssislər var. Onlardan birinin müsahibəsini aşağıdakı keçiddən izləyə bilərsiniz:
Qeyd etmişdik ki, tədbirdə 4 mövzuya toxunulub:
Data aktivism və Şəffaf Dövlətlər ("Open Governments")
Data Vizualizasiyası
Data Elmi
Biznes və startaplar
Bu gün sizlərlə həmin mövzuların digər ikisi barədə danışacağıq.
Data aktivizm - Datanı qorumaq gərək.
Əvvəlki bloqda:
Data vizualizasiyası - Eşitdiyini görmədən inanma!
Data vizualizasiyası geniş bir iş olub bütünlükdə bir komanda işidir. Data sahibi ("data owner"), data təhliliçisi, sahə mütəxəssisləri ("domain expert"), data jurnalisti, statistik, vizuallaşdırma mütəxəssisinin birgə fəaliyyətini əhatə edir və bütün önəmli məsələlərə komanda daxilində müzakirə olunub razılaşdırıldıqdan sonra ictimaətə təqdim olunur.
Belə komandalar statistika komitələri, qəzet və jurnallar, telekanallarla yanaşı, banklar, startaplar, telekommunikasiya şirkətləri və digər özəl və dövlət müəssisələrinin tərkibində olur.
Data jurnalistikası - Gördüyünü sınamadan inanma!
Bu sahə özü data vizuallaşdırması və data natiqliyinin ("data story-telling") inkişafı nəticəsində jurnalistika peşəsinin gəldiyi nöqtədir.
Günümüzün jurnalistikasıdata jurnalistikasıdır.
Çünki yaxşı yalan danışmaq üçün də,
doğrunu göstərə bilmək üçün də
dataya ehtiyac var.
Həmçinin günümüzün data təhliliçiləri həm də müəyyən qədər jurnalistdir. Data vizuallaşdırmasının əsas məqsədi qərar vermə prosesinə təsir edən məlumat verməkdir. siz öz vizualınızla biznes tərəfdaşlarına, ictimatə, rəhbərinizə, dövlətə, Dünyaya mesaj vermək istəyirsiniz. Verəcəyiniz mesajın təsir gücü isə əlinizdəki datadan necə istifadə etməyinizdən asılıdır.
Bunun üçün Neil Richards, Shanna Jones və Yulia Dukachın qeyd etdikləri ümumi fikirləri sizinlə bölüşürəm:
Datanı diqqətlə oxumaq (bu həm mətn, həm kəmiyyət datası ola bilər);
Təhlil prosesində əldə olunan nəticələri biznes mütəxəssisi və data sahibi ilə (sorğunu keçirən və ya data sistemlərindən məsul olan şəxs) ilə müzakirə edib heç bir texniki xəta olmadığından və nəticlərin məntiqli olduğundan, səbəblərinin izahından əmin olmaq;
İstifadə etdiyiniz vizualların nəticəni doğru təqdim etdiyinə fikir vermək.
a) Məsələn, temperatur xəritəsində sıxlıq, çoxluq, istilik, təhlükə aza doğru getdikcə qırmızı rəngin çalarlarından göy, və ya yaşıl rəngin çalarlarına doğru gedir. Bunun əksi baş verərsə, ilk baxışdan bizi yanılda bilər.
b) Yaxud 2 ölçülü qrafikdə 3 ölçülü mürəkkəb fiqurların bar qraflar əvəzinə istifadə olunması, datanı yanlış təqdim edə bilər.
c) Həmçinin verilən kəmiyyətlər arasında fərqin az olmasına baxmayaraq, rənglərin rəng çalarları arasında fərqin çox olması oxucunu çaşdırar.
d) Bu cür detallar xəbər başlıqları üçün də keçərlidir. Sensasiyalı başlıqlar yerləşdirməmişdən qabaq, vəziyyətin həqiqətən heyrətləndirici olub-omadığını ciddi araşdırmaq lazımdır. Təsir gücünü artırmaq məqsədilə həqiqəti təhrif etmək doğru bir üsul deyil.
Müxtəlif növ vizualları araşdırmaq üçün aşağıdakı keçidlərdən istifadə edə bilərsiniz:
Son iki keçid data vizualizasiyası mütəxəssis David McCandless tərəfindən təsis edilib.
Bundan əlavə təlim çərçivəsində data analizi və vizuallaşdırması üçün aşağıdakı proqramlar da tövsiyə olundu:
- Datawrapper - data vizuallaşdırması üçün
- RAWgraphs - cədvəllərin vizuallara çevrilməsi üçün
- Florish -data vizuallaşdırması və data hekayələri üşün
- OpenRefine - mətn datasının emalı və analizi üçün
Data Elmi və təhlili - Tükənməyən sərvətdən səmərəli istifadə edək.
Data elmi eynilə bizdəki kimi Gürcüstanda da əsasən maliyyə və telekommunikasiya sektorunda tətbiq olunur.
Burada ən maraqlı cəhət odur ki, onlar model dedikdə təkcə "train" data üzərində öyrədilmiş prediktiv modelləri deyil, həmçinin sadə "rule-based" modelləri də nəzərdə tuturlar. Hər bir problem üçün öncə ən sadə həll yolu təklif olunur və nəticələrə əsasən getdikcə mürəkkəb həll yollarına keçid edilir.
"Bank of Georgia" mütəxəssisi Nikoloz Mamisashvili qeyd edir ki, məhsuldar data komandalarının fəaliyyəti üçün mütəmadi olaraq biznes tərəfinə data yönümlü, data mütəxəssislərinə isə biznes yönümlü təlimlər keçirilir.
Bankda tərkibində müxtəlif biznes sahələrini əhatə edən fərqli squadlar olan bir "Data Tribe" fəaliyyət göstərir. Hər squadın tərkibində isə "data scientist" və analtiklər, biznes analitiklər, 1 məhsul sahibi, 1 "scrum", və ya "kanban master", bir də "subject-matter expert"-lər fəaliyyət göstərirlər.
Süni zəka startapları - Nə qədər sünidir?
Əvvəlki bloqda:
Təlimdə öyrəndiklərimiz barəsində qısa icmalımız bu qədər idi. Daha geniş izahlara isə növbəti bloqlarımızda yeri gəldikcə toxunacağıq.
Bizə əjdaha lazımdırmı?
Son olaraq demək istəyirəm ki, ölkədə ideya və savdlılıq baxımından heç də qərbdən geri qalmayan şəxslər var. Lakin ölkədə bəzi rəhbərlər və investorlar arasında data, süni intellekt, startaplarla bağlı təsəvvürdə boşluqların olması, bu istiqamətdə təhsilin sadəcə son bir neçə ildə formalaşması, öz dilimizdə olan materialların azlığı bizi digər ölkələrdən bir neçə pillə geridə qoyur.
Bir tərəfdən keçən bloqda da bəhs etdiyimiz kimi startapların bir qisminin problem yönümlü deyil, məhz süni intellekt yönümlü qurulması məsələsi də aktualdır. Unutmaq olmaz ki, süni intellekt də digər ənənəvi üsullar kimi sadəcə bir vasitədir. Hədəf isə müştərilərin problemini həll etmək, işləri asanlaşdırmaq, faydalı olmaqdır. Bu istiqamətdə bizə müxtəlif alətlər lazım olur. Süni intellekt bunlardan biri ola da bilər, olmaya da. Ona görə də hansı işlə məşğul olmağımızdan asılı olmayaraq istiqamətimizi ölkədə və Dünyadakı ehtiyacları müəyyən edərək formalaşdırmalıyıq.
Hələlik Azərbaycan Respublikasında data sahəsində qanunvericilik tam hazır deyil. Bu proses tamamlanana qədər, həm şirkətlər, həm də fiziki şəxslər data istifadəsi və datanın qorunması ilə bağlı problemlərlə üzləşəcək. Təklif edərdim ki, bu qanunların tətbiqi ilə bağlı məsul və ixtisaslı şəxslər tərəfindən seminarlar da təşkil olunsun.
Digər bir məsələ də data sahəsində yaranan ajatajdır. Bir neçə məqamı xatırlamaq yaxşı olardı:
Data gərəkli bir sahədir, ancaq bu digər sahələrdən daha önəmli olduğu mənasına gəlmir;
Data Elmi möcüzəvi bir şey deyil. Ötən əsrlərdə riyazi əsası qoyulmuş üsulların kompüterləşmiş formasıdır. Onu dərindən öyrəndikdə idarə etmək də daha asandır;
Hər kəs data yönümlü çalışmağı öyrənməlidir, amma hər kəs data mütəxəssisi olmalı deyil;
Data sahəsində (ixtisasın təbiətindən asılı olaraq müxtəlif dərəcədə) riyaziyyat, statistika, alqoritm, data strukturları, proqramlaşdırmanın əsasları haqqında savadlılıq mütləqdir;
Data və texnologiyanın inkişafı da qlobal istiləşməyə öz təsirini göstərəcək. Bu təsiri indidən nəzərə almaq və tədbir görmək lazımdır;
Hər kəs hər şeydən bir az, lakin bir şeyi tam bilməlidir. Bunun sayəsində komanda işi formalaşır.
Bəzi müəssisələrdə əməkdaşların bilik deyil, tanışlıq prinsipi əsasında seçilməsi, həmçinin bazarda rəqabətlə bağlı problemlər, qanunların icrası və hüquqlarımızı bilməklə bağlı boşluqlar da əsas amillər siyahısındadır.
Bu o demək deyil ki, sadalanan problemlər qonşu ölkə Gürcüstanda yoxdur. Onlar da yuxarıdakı problemlərlə üzləşirlər. Lakin insanların hüquqlarını bilməsi, e-bank sisteminin tənzimlənməsi, startapların üçün əlverişli mühit olması və təşəbbüskarlıq fəaliyyətininin aktivliyi inkişafa təkan verir. Necə ki, oxşar maneələrlə digər qonşumuz Türkiyə də mübarizə aparır:
https://youtube.com/playlist?list=PLRyLKwXr2dcJP4WTUwVgxvtk0K51BoZBz
İnkişaf olan yerdə çətinliklər var və olmağa davam edəcək. Lakin öyrənərək və bildiklərimizi bölüşərək zamanla bu boşluqları da aradan qaldıra bilərik. Bu prosesin nə qədər tez baş verməsi isə bizdən asılıdır: həvəskarlardan, peşəkarlardan, rəhbərlərdən.
Xudahafiz!
Comments