数据科学及其对信息科学的影响(7)
图6 业务数据化与数据业务化的区别与联系
从图6可以看出,“业务数据化”是“数据业务化”的前提条件。在大数据时代,业务流程的定义与再造并不是一步完成的,往往分两个步骤进行,即“业务数据化”和“数据业务化”。与传统信息科学不同的是,“数据业务化”将成为未来信息科学的重要研究目标。从信息科学角度看,“数据业务化”的关键问题在于四个:一是如何发挥数据的驱动作用;二是如何充分利用基于数据的研究范式;三是如何实现数据洞见;四是如何在供给侧实现数据的业务化。例如,“量化自我(Quantified Self,QS)”[38]的兴起代表了生物信息科学研究从“业务数据化”(生命体的生物、体格、行为、环境信息的数据化)到“数据的业务化”(根据生命体的实时监测数据对其进行实时反馈,协助自我调整甚至有针对性地治疗)转变的趋势。
5 结 论
数据科学对信息科学的影响是革命性、系统性和全方位的,并将推动其研究重点与难点的转移,进一步提升信息科学的学科地位和社会贡献。对于信息科学研究而言,数据科学带来的较有代表性的新课题有:
(1)数据市场的研究。大数据现象将进一步细化数据市场的多样性,出现多种数据产品的提供者,如数据海洋、数据库、数据仓库、数据超市和数据精品店。信息科学需要重点研究不同数据市场的关键技术、平台实现、应用工具、经营模式、交易方式及定价策略。
(2)数据范式的兴起。“数据范式”作为一种新研究范式将与“知识范式”共存,成为信息科学区别于其他科学的重要特征,将进一步影响信息系统的设计、开发、测试、部署、运维和应用模式。
(3)数据洞见及数据分析学。数据的“存储”与“检索”是传统信息科学的两大主题。数据科学的应用将改变这一现状,如何从大数据中快速洞见所需数据成为新的研究课题,按需服务、弹性计算、负载均衡、故障恢复、智能计算以及服务体验得到前所未有的重视。同时,数据分析学,尤其是大数据分析学(Big Data Analytics)[39]也将成为信息科学的重要分支。
(4)数据驱动型应用。传统信息科学研究往往是目标驱动或决策驱动的,即根据特定目标开展信息的采集、整理、存储、检索和利用。然而,数据科学的引进,信息科学中将产生另一种研究模式——数据驱动型研究,即数据成为软件系统的设计、数据产品的研发以及组织大数据战略的制定的触发条件。
(5)数据密集型计算。传统信息科学主要研究的是计算密集型问题,即计算成为解决问题的主要瓶颈。但是,随着云计算平台的普及,计算不再是信息科学中的主要瓶颈,而数据将代替计算成为新瓶颈,如数据的可获得性、可连续性、可信度、连续性、数据产品的研发等新的问题将成为信息科学的重要课题。
(6)数据权属立法。传统信息科学对信息或数据的立法研究较多,但由于对数据的“资产化”认识不够,数据的所有权、使用权等在法律上尚未界定,数据立法工作难以推进。随着大数据时代的到来,人们将认识到数据的“资产”属性,相关立法问题也容易达成共识。数据权属的立法工作将涉及信息科学的所有领域,需要计算机科学家、信息/情报专家、图书馆员、档案学者等信息工作者的共同参与。
(7)基于数据的智能实现。传统信息科学之中,机器翻译、自动问答、自动控制的“智能”依赖于算法和模型,需要进行较为复杂的推理和分析过程。但是,数据科学,尤其是大数据背景下的机器学习和可视化技术在信息科学的应用,智能的实现将依靠建立在海量数据之上的简单算法。
(8)数据业务化。传统信息科学主要研究的是业务的数据化,即如何用数据的方式记录业务活动,实现凭证和证据支持。随着业务数据化进程的深入,企业/机构将积累大量的数据,如何利用自己的数据将成为企业/机构业务的新焦点。因此,数据业务化将成为大数据背景下信息科学的重要研究课题。
(9)供给侧信息资源开发利用。传统信息科学主要关注的需求侧,如在电商系统中如何进行用户画像、协同过滤和个性化推荐等。但是,大数据时代,尤其是工业4.0和工业互联网进程的深入开展,信息科学的研究重点应从消费侧转向供给侧,开始关注如何将信息科学的研究成果应用于工业和制造领域。信息科学的研究从消费侧转向供给侧将从根本上提升其学科地位和社会贡献。
文章来源:《档案学研究》 网址: http://www.daxyjzz.cn/qikandaodu/2021/0107/390.html
上一篇:绿色档案馆照明节能综述
下一篇:专业认证背景下档案学专业应用型人才培养研究