Sider

fredag, april 20, 2012

SXSW III: Data is sexier than sex...?

Dersom du er interessert, kan du bruke heile SXSW til å høyre om, snakke om, og diskutere data. Jakten på ROI frå sosiale medier, visualiseringar, analyser og samankoblingar (mash-ups) av data frå ulike kjelder er heite tema. Men er data meir sexy enn sex?


Computer Love


Sjå der ja, der har eg fått inn referanser til sex i dei to siste blogginnlegga mine, antall visningar kjem til å skyte i været!

Eg likar data. Eg likar at dei kan sorterast, analyserast, framstillast i deilig info-grafikk. Under fjorårets SXSW gjekk eg og på ein del sesjonar rundt bruken av data. Så då eg såg denne overskrifta i årets program: "Data is sexier than sex.....and I'll prove it!" merka eg at interessen vart tent, og eg merka den straks av i programmet. Då eg endeleg stilte spent og klar på sesjonen i Texas, gjekk det ikkje lang tid før eg mista tenninga. Det hjalp ikkje at personen kalte seg "Data Rock Star" heller. Ho viste eit par tabellar og at tabellane kunne gjerast om til grafar på kart. Svaret var nei, dette var ikkje nok ho kunne bevise.

Hei hei store ulv!


Litt desillusjonert gjekk eg vidare i konferansesenteret, der eg så at sesjonen "Computation and its impact on the future" skulle til å starte. Eg merka meg at det var Stephen Wolfram som skulle halde sesjonen. Han står bak Wolfram Reserach, som har utvikla dei poplære verktya Wolfram Alpha og Mathematica. Sjølv har eg ikkje brukt Wolfram Alfa noko særleg, men eg har vener som skryt fælt av verktyet, så eg gjekk inn på sesjonen.

Er litt usikker på om Wolfram sjølv kan kallast sexy, det vert i så fall på ein britisk, tørr humor måte. Som ein geeky James Bond utan smoking, pistol og flott hårmanke. Men datatekket til Stephen Wolfram går dametekket til James Bond ein høg gong. Måten data vert manipulert, analysert og presentert med verktya hans - data er som smør i hendene på denne datasjarmøren. Dersom ein søkjer etter dishwasher på Wolfram Alpha får ein ikkje berre lista opp produsentar, kor mange modellar dei ulike produsentane lagar, og prisutviklinga, men og grafar over t.d. energiforbrukt, vekt, høgde, breidde fordelt på ulike modellar. Ein kan skrive inn namnet på eit firma, som Statoil, og få opp omsetning, talet på tilsette, grafar med utvikling i aksjekursar, samt ein del andre grafiske analyser av firmaet. Det er og mogeleg, i betalingsversjonen, å legge inn tabellar med data og få dei analysert på alle mogelege måtar.

Matematica er motoren som ligg bak Wolfram Alpha, og han demostrerte analyse av tabell ved å legge inn ein tabell over Facebook-venes sine. Desse vart automatisk gjort om til grafer med aldersfordeling, kjønnsfordeling m.m. Høgdepunktet, og øyeblikket han vart ein helt for meg, var då han viste ein grafisk framstilling av alle epost han hadde sendt sida 90-talet. Berre at han kom på å visualisere denne informasjonen gjer han eit geni i mine auger.

Kva så med framtida? Det Wolfram vil oppnå er lettare tilgang til data, og enklare verkty for å interagera med/analysere data. Enorme mengder data vert generert kvar dag, både i bedrifter, offentleg og privat. Enn så lenge er det få som fattar og klarar å finne meining i dei. Kanskje meininga med livet ligg i dataene? Det kan vi lettare finne ut med Wolfram Alpha og Matematica. Kanskje.

Musikk, EDB og data


Etter den inspirerande presentasjonen til Wolfram (som vart kåra til Speaker of the event) gjekk eg ut og tok meg eit par øl i solsteiken (det er ofte shorts og t-skjortevær i Austin i mars, og det må jo nytast!).

Neste sesjon handla og om data, om musikk og data: Data Mining Music. Data mining går enkelt sagt ut på å finne samanhengar, ofte uventa, i eit større datamateriale. Paul Lamere er supergeek på data, og på musikk. Dette kombinerer han med å grave i data og finne ut artige og nyttige ting om musikk. (her er presentasjonen hans)

Det vert generert mykje data rundt musikk. MP3-spelaren/telefonen/Spotify etc genererer data om kva songar du høyrer på, kor ofte du høyrer på dei, når på døgeret du høyrer på ulike artistar, kva du gjer før og etter du høyer ei bestemt låt m.m. I tillegg er det mykje data som er knytta til musikken som artist, sjanger, årstal for innspelinga, produsent, musikar, salgstal, radiospeling, listeplassering m.m. Overveldande greier!

Han starta med enkle analyser, som om bandnamn har vorte lenger med åra eller ikkje, før han gjekk vidare til å snakke om koblinga mellom artistar. Dette er noko som sjølv iTunes ikkje er noko gode på, for ikkje å snakke om Spotify sin radio, som gjerne puttar Elton John inn i min 80's heavy metal-radio. Bedre analyse av data kan gje bedre anbefalingar. Lamere stilte og spørsmålet: kven har mest lojale fans: Heavy Metal eller Dubstep? Eg var ikkje i tvil, men ved å sjå på talet på avspelingar delt på talet på lyttarar vart det bergensaktuelle In Flames som hadde dei mest lojale fansa med eit snitt på 110 avspelingar pr fan. Halvparten av banda på topp ti lista var heavyband. Yeah!

Gjennom eit par artige verkty fekk vi sjå at alle artistar er beslekta, gjerne nærare enn vi trur. På sida 6 degrees of Black Sabbath kan du sjølv prøve dette. Spotify-appen Boil the Frog (ein kan visstnok koke ein frosk levande, utan at den vil prøve å stikke av, dersom ein sit opp varmen gradvis) lagar spelelistar som tar dei frå ein artist til ein annan via andre artistar. Eksempelet hans var vegen frå smør-saksofonisten Kenny G til det brutale dødsmetallbandet Nile. Ein artig og kronglete veg, som og var innom Phil Collins! Ein kan ikkje bruke denne appen til Spotify utan å vera utviklar. Synd!

Vidare såg vi på analyse av innholdet i sjølve musikken. Ved å analysere tempo på låtar går det t.d. an å avsløre om trommeslagaren brukar klikk-spor eller ikkje. Analysen kunne og avsløre at Ringo Starr er ein rimelig stødig trommis, til tross for at han ofte ikkje vert sett på som det. Etterkvart gjekk det over til diverse verktøy som gjorde at ein kunne bruke ei låt som instrument, verkty for visualisering av musikk, og verkty for å "valsifisere" eller "svingifisere" kjente låtar.

Artig, men er det nyttig? Kva kan det brukast til? Bør ikkje musikarar lage den musikken dei føler for utan å ta omsyn til kva data seier? Kanskje dei bør det, men dei kan og få innsikt ved å analysere. Min favoritt musikar-geek Gisle Martens Meyer aka Ugress er iallefall svært opptatt av dette, og deler velvillig sine data-analyser av eigen musikk. Er du musikar og litt interessert i data musikken din genererer, er det mykje å læra her.

Så er data sexy?


Vanskeleg å konludere på det, må eg inrømme. Store mengder data er kult, og gøy å grave seg ned i. Med å bruke verktøy som Matematica/Wolfram Alpha, og bruke fantasien som Paul Lamere kan det hende at fleire og fleire lar seg pirre!

Det er lov å prøve seg på Sexy Data Tango.
(NB: teksten er muligens NSFW).