1. Bever Finale 2017 - 2018
Lezing over Big Data
Prof.dr.ir. Arjen P. de Vries
arjen@acm.org
Nijmegen, March 16th, 2018
2. Big Data
De 3 Vs van Big Data:
- Volume
We meten steeds meer, en wat we aan data verkrijgen groeit
sneller en sneller
- Velocity
Data komt sneller binnen dan we het kunnen analyseren –
aardbeving waarschuwing alleen nuttig als het voor de beving
is uitgerekend!
- Variety
Data is steeds vaker ongestructureerd, in de vorm van tekst,
beeld of video.
3. Big Data: nieuwe mogelijkheden!
Om
Data te genereren,
Delen,
Combineren
Analyseren
.. die leiden tot nieuwe inzichten en een nieuwe manier van
redeneren.
(bron: Definitie van big data van de Nationale DenkTank)
4. Bijvoorbeeld in de wetenschap!
(Banko and Brill, ACL 2001)
(Brants et al., EMNLP 2007)
5. Diversiteit aan data
Tweets!
Alles wat er op sociale netwerken wordt geplaatst
- Facebook, Instagram, Pinterest, …
Alles wat er aan sociale media wordt geproduceerd
- YouTube, Flickr, …
Communicatie:
- WhatsApp berichten en andere chat services als skype,
Snapchat, …
- Email
Locatie-informatie
- De plek waar we ons bevinden, via smartphone GPS bv.
Wat we kopen, bv. Bonuskaart, kortingsbonnen, …
en ga zo nog maar even door; denk bijvoorbeeld ook aan
het Internet of Things (Bv., de verwarmingsketel,
elektriceitsmeters, etc.)
6. Diversiteit aan data (Opdracht 1)
Doe jij ook mee met het creëren van data? Ja, daar kun je
niet om heen. Denk er maar eens over na.
Hoe creëer jij data?
Kun jij je data voorstellen die jij zelf gecreëerd hebt maar
waarvan je eigenlijk niet wilt dat anderen daar iets mee
gaan doen?
Kun jij je ook data voorstellen die, als dat op het internet
komt, voor jou nuttig kan zijn?
9. August 4, 2006: Logs voor academici
3 maanden, 650 duizend gebruikers, 20 miljoen zoekvragen
Anonieme User IDs
August 7, 2006: AOL haalde de data weg, maar… internet vergeet
nooit!
August 9, 2006: New York Times identificeert Thelma Arnold
“A Face Is Exposed for AOL Searcher No. 4417749”
Zoekvragen in een kleine gemeenschap, Lilburn, GA (pop. 11k)
Zoekvragen naar specifieke namen (Jarrett Arnold)
NYT journalist benadert alle 14 mensen in Lilburn met achternaam
Arnold
Thelma Arnold bevestigt haar zoekvragen
August 21, 2006: 2 AOL werknemers ontslagen, CTO zelf weg
September, 2006: “Class action rechtzaak” ingediend tegen AOL
AnonID Query QueryTime ItemRank ClickURL
---------- --------- --------------- ------------- ------------
1234567 uw cse 2006-04-04 18:18:18 1 http://www.cs.washington.edu/
1234567 uw admissions process 2006-04-04 18:18:18 3 http://admit.washington.edu/admission
1234567 computer science hci 2006-04-24 09:19:32
1234567 computer science hci 2006-04-24 09:20:04 2 http://www.hcii.cmu.edu
1234567 seattle restaurants 2006-04-24 09:25:50 2 http://seattletimes.nwsource.com/rests
1234567 perlman montreal 2006-04-24 10:15:14 4
http://oldwww.acm.org/perlman/guide.html
1234567 uw admissions notification 2006-05-20 13:13:13
…
AOL Search Dataset
Tnx Jamie Teevan
10. AOL Search Dataset
Anonieme IDs geen garantie voor anonimiteit
Logs bevatten direct identificerende informatie:
Namen, telefoonnummers, credit cards, BSNs
Tevens indirect identificerende informatie:
Thelma’s vragen uit het NYT artikel
Geboortedatum, geslacht en postcode is voldoende
om 87% van de Amerikanen uniek te identificeren!
Tnx Jamie Teevan
11. Big Data in NL
Aankopen bij bol.com
Bestemmingen van Booking.com op maat
Advertenties real-time verkopen, bv. bij nu.nl (Sanoma)
Nieuwsbrieven Blendle.nl
Kinderzoekmachine WizeNoze.com
Etc. etc.
18. Hoeveel data is dat dan?
Byte = getal tussen 0 en 255
of een getal tussen -128 en +127
Hoe zit dan dan met letters?
19.
20. Hoeveel data is dat dan?
6000 / s
x 1 KB /
= 6 MB / s
= 500 GB / dag
Alleen nog maar de Tweet tekst...
… dus we missen:
Plaatjes
Web pagina’s
Filmpjes
Etc.
21. BIG Data (Opdracht 2)
Nieuwe data:
30.000 GigaByte/s = 3x104x109 B/s = 3x1013 B/s
Hardeschijf: 2 TB = 2x1012 B
Dus, na 0,07 seconden is jouw harde schijf al vol!!
Bedenk hoe groot de harde schijf is die in jouw computer zit.
Weet je dat niet? Ga er dan maar van uit dat je een harde
schijf ter beschikking hebt van 2 TB (terabyte).
Hoeveel seconden (of minuten, uren of dagen) kun je aan
data op slaan, uitgaande van 30.000 gigabytes per
seconde?
22. BIG Data
24 uur = 86400 seconden
Met 3x1013 B/s is dat dan 2,6x1018 B aan data
Met 2x1012 B per schijf is dat 1.300.000 schijven
per seconde!
Dus zo big is big!
Hoeveel harde schijven van 2 TB heb je nodig om alle data
van een dag op te slaan?
23. Terug naar Twitter: Puzzeltje!
slideshare.net/raffikrikorian/twitter-by-the-numbers
27. A Prototype “Big Data Analysis” Task
Bekijk elk data-item
Extraheer “iets interessants”
Aggregeer de tussenresultaten
- Hiervoor moet je gewoonlijk alle data sorteren en herverdelen
over het datacentrum!
Genereer de gevraagde analyse-resultaten
(Dean and Ghemawat, OSDI 2004)
29. MapReduce
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
a 1 5 b 2 7 c 2 3 6 8
r1 s1 r2 s2 r3 s3
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2ba 1 2 c c3 6c c3 6 a c5 2a c5 2 b c7 8b c7 8
a 1 5a 1 5 b 2 7b 2 7 c 2 3 6 8c 2 3 6 8
r1 s1r1 s1 r2 s2r2 s2 r3 s3r3 s3
30. MapReduce
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
a 1 5 b 2 7 c 2 3 6 8
r1 s1 r2 s2 r3 s3
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2ba 1 2 c c3 6c c3 6 a c5 2a c5 2 b c7 8b c7 8
a 1 5a 1 5 b 2 7b 2 7 c 2 3 6 8c 2 3 6 8
r1 s1r1 s1 r2 s2r2 s2 r3 s3r3 s3
31. MapReduce
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
a 1 5 b 2 7 c 2 3 6 8
r1 s1 r2 s2 r3 s3
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2ba 1 2 c c3 6c c3 6 a c5 2a c5 2 b c7 8b c7 8
a 1 5a 1 5 b 2 7b 2 7 c 2 3 6 8c 2 3 6 8
r1 s1r1 s1 r2 s2r2 s2 r3 s3r3 s3
32. MapReduce
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
a 1 5 b 2 7 c 2 3 6 8
r1 s1 r2 s2 r3 s3
mapmap map map
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2ba 1 2 c c3 6c c3 6 a c5 2a c5 2 b c7 8b c7 8
a 1 5a 1 5 b 2 7b 2 7 c 2 3 6 8c 2 3 6 8
r1 s1r1 s1 r2 s2r2 s2 r3 s3r3 s3
33. Combiners
Commutatieve en associatieve operators?
- Dan kan de reduce ook al voor de shuffle toegepast worden!
Commutatieve operator:
A + B = B + A
Associatieve operator:
(A + B) + C = A + (B + C)
34. combinecombine combine combine
ba 1 2 c 9 a c5 2 b c7 8
partition partition partition partition
mapmap map map
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
a 1 5 b 2 7 c 2 9 8
r1 s1 r2 s2 r3 s3
c 2 3 6 8
35. combinecombine combine combine
ba 1 2 c 9 a c5 2 b c7 8
partition partition partition partition
mapmap map map
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
a 1 5 b 2 7 c 2 9 8
r1 s1 r2 s2 r3 s3
c 2 3 6 8
36. combinecombine combine combine
ba 1 2 c 9 a c5 2 b c7 8
partition partition partition partition
mapmap map map
k1 k2 k3 k4 k5 k6v1 v2 v3 v4 v5 v6
ba 1 2 c c3 6 a c5 2 b c7 8
Shuffle and Sort: aggregate values by keys
reduce reduce reduce
a 1 5 b 2 7 c 2 9 8
r1 s1 r2 s2 r3 s3
c 2 3 6 8
40. Gemiddelde
Niet associatief!
“Het gemiddelde van een reeks gemiddelden is niet gelijk
aan het gemiddelde van de reeks oorspronkelijke getallen”
- Wanneer wel?!
42. Waarom werkt het nu wel?
De operator “gemiddelde” werkt niet meer op getallen,
maar op de combinatie van deelsom en aantal
Deze nieuwe operator is wel associatief en commutatief!
43. Wat heb je geleerd?
Nieuwe mogelijkheden door meer data
Bedrijven als Google en Twitter hebben heel veel
computers nodig – elke 12 seconden meer data op Twitter
dan wat Shakespeare in zijn hele leven heeft geschreven!
Met kennis van algebra kunnen we algorithmen hetzelfde
werk met minder computers laten doen
Informatica is heel erg leuk!
Editor's Notes
Released at SIGIR 2006
Thelma Arnold, a 62 year old woman from Lilburn, GA
Lawsuit asking for $5000/user
http://en.wikipedia.org/wiki/AOL_search_data_scandal
http://www.nytimes.com/2006/08/09/technology/09aol.html?_r=1
Basic Collection Statistics
Dates: 01 March, 2006 - 31 May, 2006
Normalized queries:
36,389,567 lines of data
21,011,340 instances of new queries (w/ or w/o click-through)
7,887,022 requests for "next page" of results
19,442,629 user click-through events
16,946,938 queries w/o user click-through
10,154,742 unique (normalized) queries
657,426 unique user ID's
Please reference the following publication when using this collection:
G. Pass, A. Chowdhury, C. Torgeson. A Picture of Search. The First International Conference on Scalable Information Systems, Hong Kong, June 2006.
User 927:
Inspired theatrical production by Katharine Clark Gray
User 711391:
Middle-aged woman, has an affair, ends it, tries to save her marriage.
Avg of avg is usually not equal to the avg (except if all groups are equal size)
Avg of avg is usually not equal to the avg (except if all groups are equal size)