{"id":233,"date":"2023-11-30T17:20:07","date_gmt":"2023-11-30T17:20:07","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/more-on-big-data\/"},"modified":"2024-01-31T11:39:46","modified_gmt":"2024-01-31T11:39:46","slug":"more-on-big-data","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/more-on-big-data\/","title":{"raw":"Per saperne di pi\u00f9 sui Big Data","rendered":"Per saperne di pi\u00f9 sui Big Data"},"content":{"raw":"<em>[Questo capitolo \u00e8 stato tradotto con strumenti di traduzione automatica]<\/em>\n<p class=\"no-indent\">La pratica generale di salvare tutti i tipi di dati \u00e8 chiamata Big Data<sup>1<\/sup>. Questa pratica ha senso in quanto l'archiviazione dei dati \u00e8 diventata economica e i potenti processori e algoritmi (in particolare l'elaborazione del linguaggio naturale e l'apprendimento automatico) facilitano l'analisi dei big data<sup>2<\/sup>.<\/p>\nhttps:\/\/youtu.be\/KeeGriyNarg?list=PLkm8ZqYSzE3cAymh6B9HHNoQluFEDQXkq\n<p class=\"indent\">Come discusso nel video, i big data sono caratterizzati da dati enormi (volume), generati rapidamente (velocit\u00e0) e di tipo diverso (variet\u00e0), generati da pi\u00f9 fonti. I dati cos\u00ec raccolti tendono a essere incompleti e imprecisi (veridicit\u00e0) e la loro rilevanza tende a cambiare nel tempo (volatilit\u00e0). Per combinare, elaborare e visualizzare questo tipo di dati sono necessari algoritmi sofisticati. Tuttavia, le inferenze che se ne traggono, soprattutto se combinate con i dati tradizionali, possono essere potenti e quindi valgono lo sforzo<sup>2<\/sup>.<\/p>\n<p class=\"indent\">Alcuni esperti vanno oltre le tre o cinque V<sup>2<\/sup> e sottolineano i tre assi che compongono i big data:<\/p>\n\n<ul>\n \t<li>Tecnologia che consente di raccogliere, analizzare, collegare e confrontare grandi insiemi di dati. Analisi che identifica modelli in grandi insiemi di dati al fine di formulare richieste economiche, sociali, tecniche e legali.<\/li>\n \t<li>La convinzione che \"i grandi insiemi di dati offrano una forma pi\u00f9 elevata di intelligenza e conoscenza, in grado di generare intuizioni prima impossibili, con un'aura di verit\u00e0, obiettivit\u00e0 e accuratezza \"<sup>3<\/sup>.<\/li>\n \t<li>L'analisi dei big data \"pu\u00f2 potenzialmente identificare le aree in cui gli studenti faticano o prosperano, comprendere le esigenze individuali degli studenti e sviluppare strategie per un apprendimento personalizzato\".<\/li>\n<\/ul>\n<p class=\"indent\"><img class=\"aligncenter wp-image-232 \" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1.png\" alt=\"\" width=\"317\" height=\"563\"><\/p>\n\n\n<hr>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>1<\/sup> Schneier, B., Data and Goliath: <em>The Hidden Battles to Capture Your Data and Control Your World<\/em>, W. W. Norton &amp; Company, 2015.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>2<\/sup> Kelleher, J.D, Tierney, B, <em>Data Science<\/em>, London, 2018.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>3<\/sup> D\u2019Ignazio, C., Bhargava, R., <em>Approaches to Building Big Data Literacy<\/em>, Bloomberg Data for Good Exchange, New York, 2015.\nGeneral Data Protection Regulation (GDPR), European Union, April 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>4<\/sup> Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.<\/p>","rendered":"<p><em>[Questo capitolo \u00e8 stato tradotto con strumenti di traduzione automatica]<\/em><\/p>\n<p class=\"no-indent\">La pratica generale di salvare tutti i tipi di dati \u00e8 chiamata Big Data<sup>1<\/sup>. Questa pratica ha senso in quanto l&#8217;archiviazione dei dati \u00e8 diventata economica e i potenti processori e algoritmi (in particolare l&#8217;elaborazione del linguaggio naturale e l&#8217;apprendimento automatico) facilitano l&#8217;analisi dei big data<sup>2<\/sup>.<\/p>\n<p><iframe loading=\"lazy\" id=\"oembed-1\" title=\"Dati: hanno varie forme e dimensioni.\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/KeeGriyNarg?list=PLkm8ZqYSzE3cAymh6B9HHNoQluFEDQXkq\" frameborder=\"0\" allowfullscreen=\"allowfullscreen\"><\/iframe><\/p>\n<p class=\"indent\">Come discusso nel video, i big data sono caratterizzati da dati enormi (volume), generati rapidamente (velocit\u00e0) e di tipo diverso (variet\u00e0), generati da pi\u00f9 fonti. I dati cos\u00ec raccolti tendono a essere incompleti e imprecisi (veridicit\u00e0) e la loro rilevanza tende a cambiare nel tempo (volatilit\u00e0). Per combinare, elaborare e visualizzare questo tipo di dati sono necessari algoritmi sofisticati. Tuttavia, le inferenze che se ne traggono, soprattutto se combinate con i dati tradizionali, possono essere potenti e quindi valgono lo sforzo<sup>2<\/sup>.<\/p>\n<p class=\"indent\">Alcuni esperti vanno oltre le tre o cinque V<sup>2<\/sup> e sottolineano i tre assi che compongono i big data:<\/p>\n<ul>\n<li>Tecnologia che consente di raccogliere, analizzare, collegare e confrontare grandi insiemi di dati. Analisi che identifica modelli in grandi insiemi di dati al fine di formulare richieste economiche, sociali, tecniche e legali.<\/li>\n<li>La convinzione che &#8220;i grandi insiemi di dati offrano una forma pi\u00f9 elevata di intelligenza e conoscenza, in grado di generare intuizioni prima impossibili, con un&#8217;aura di verit\u00e0, obiettivit\u00e0 e accuratezza &#8220;<sup>3<\/sup>.<\/li>\n<li>L&#8217;analisi dei big data &#8220;pu\u00f2 potenzialmente identificare le aree in cui gli studenti faticano o prosperano, comprendere le esigenze individuali degli studenti e sviluppare strategie per un apprendimento personalizzato&#8221;.<\/li>\n<\/ul>\n<p class=\"indent\"><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter wp-image-232\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1.png\" alt=\"\" width=\"317\" height=\"563\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1.png 1080w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-169x300.png 169w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-576x1024.png 576w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-768x1365.png 768w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-864x1536.png 864w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-65x116.png 65w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-225x400.png 225w, https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-content\/uploads\/sites\/12\/2023\/11\/chadd-big-data-1-350x622.png 350w\" sizes=\"(max-width: 317px) 100vw, 317px\" \/><\/p>\n<hr \/>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>1<\/sup> Schneier, B., Data and Goliath: <em>The Hidden Battles to Capture Your Data and Control Your World<\/em>, W. W. Norton &amp; Company, 2015.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>2<\/sup> Kelleher, J.D, Tierney, B, <em>Data Science<\/em>, London, 2018.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>3<\/sup> D\u2019Ignazio, C., Bhargava, R., <em>Approaches to Building Big Data Literacy<\/em>, Bloomberg Data for Good Exchange, New York, 2015.<br \/>\nGeneral Data Protection Regulation (GDPR), European Union, April 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>4<\/sup> Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.<\/p>\n","protected":false},"author":1,"menu_order":10,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[49],"contributor":[],"license":[],"part":207,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/233"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/233\/revisions"}],"predecessor-version":[{"id":234,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/233\/revisions\/234"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/parts\/207"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/233\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/media?parent=233"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapter-type?post=233"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/contributor?post=233"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/license?post=233"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}