باید مهارت عکاسی خود را تقویت کنیم

لیزنا: مصطفی امینی مسئول کمیته نوآوری و فناوری های نوظهور انجمن کتابداری و اطلاع رسانی ایران و دبیر سلسله نشست های علم اطلاعات و دانش شناسی کتابخانه عمومی حسینیه ارشاد: تا به حال دقت کرده اید که بعضی افراد بعضی اوقات آن چنان درگیر واژه های موجود در کتابها می شوند که انگار تنها مکان مناسب برای این واژه، فقط همین کتاب است! یا گاهی عده ای آن قدر تعاریف تکراری درباره یک واژه می شنوند که ناخواسته باورشان می شود که انگار این واژه همین یک تعریف را دارد! . گاهی یقین شان می شود که آنچه استادشان گفت، حتما درست است!. اما مگر خانه اندیشه، یک پنجره دارد؟

بیاییم انسان را تشبیه به عکاس کنیم. عکاس می تواند با تغییر زاویه دستگاه عکسبرداری خود و با تنظیم مناسب آن مناظر جدیدی ثبت کند و از پنجره های مختلف، تصاویر متنوعی را از یک پدیده واحد پدید آورد. داستان ما متخصصان علم اطلاعات داستان همین عکاس است.

اجازه بدهید حرف هایم را با مثال بگویم. تا به حال دقت کرده اید که بعضی ها چقدر داده ها را تحقیر می کنند؟ برای آنها ویژگی هایی لیست می کنند که انگار سر تا پا زحمت هستند. "یکسری چیزهای پردازش نشده که چون در بافت نرفته اند، پیام مشخصی ندارند". گاهی احساس می کنم که داده ها به بعضی از ما متخصصان علم اطلاعات می گویند: "اندک نظری بهر خدا از عرش به این فرش نمایید! ". داده ها را دارایی خودمان نمی دانیم بلکه انگار آنها را شبیه به یکسری اجناس کهنه و دسته دوم در گوشه انبار خانه مان تصور می کنیم که اگر فرصت شد و لازم بود پردازش شان می کنیم. گاهی از منظر داده به خودم می نگرم و می شنوم: "چقدر فرصت در من نهفته است و تو خفته ای!"

اما این نگاه روند دنیا نیست. مجله اکونومیست در همین سال 2017 میلادی، داده ها را به نفت خام جدید تمثیل کرد و اقتصاد داده (Data Economy/Data-Driven Economy) را یک فرصت نوظهور راهبردی برای کشورها دانست. اکونومیست معتقد است: ارزشمندترین منبع دنیا دیگر نفت نیست بلکه داده است. داده ها به خاطر ماهیت شان کاری کرده اند که راهکارهای ضد انحصار گذشته در بازار بی فایده شده اند و باید به سرغ الگوهای ضدانحصارگرایی جدید در بازار رفت.

جالب است که امروزه داده ها به عنوان مولفه قدرت کشورها نیز محسوب می شوند تا آنجایی که داده های عظیم (Big Data) را به عنوان یک سلاح راهبردی برای کشورها مطرح می کنند. در همین راستا، به نظر بنده، داده (Data) و محتوا (Content) دو روی یک سکه هستند که نمی توان آنها را جدای از هم تصور کرد.  داده ، نگاه عکاس از زاویه ماشین است و محتوا، نگاه عکاس از زاویه انسان! پس، داده و محتوا دو پتانسیل راهبردیِ قدرت آفرین و ثروت آفرین برای کشورها هستند. البته به شرط آنالیتیک (Analytics)!

عده ای از ما تصور می کنیم که موضوعات مرتبط با داده ها همچون علم داده ها (Data Science) ، موضوعات حوزه علوم کامپیوتر (Computer Science) هستند. اما واقعیت چیز دیگری است. این موضوعات، میان رشته ای محسوب می شوند و حتی در بعضی از دانشگاه ها همچون دانشگاه کالیفرنیا برکلی تدریس می شوند.

این مباحث در کسب و کار و بازار هم طرفدارهای خوبی دارند. برای مثال ، بنا بر گزارش موسسه University Herald ، حق الزحمه متخصصان داده در شرکت مایکروسافت در سال 2017 میلادی حدودا بین 92 هزار دلار تا 182 هزار دلار امریکا در سال بوده است. یعنی اگر هر دلار امریکا را حدود 3000 تومان درنظر بگیریم ، حق الزحمه ای بین 276 میلیون تومان تا 546 میلیون تومان در سال. یعنی تقریبا حق الزحمه ای بین 23 میلیون تومان تا 45 میلیون تومان در ماه. البته ما در ایران به این مبالغ می گوییم: حقوق نجومی!!!

جالب اینجا است که بسیاری از موضوعات مرتبط با داده الزاما مباحث علوم کامپیوتر نیستند بلکه مباحث مدیریتی محسوب می شوند. همچون حکمرانی داده ها (Data Governance)، مدیریت داده ها (Data Management)، استراتژی داده ها (Data Strategy) ، معماری داده ها (Data Architecture)، نظارت داده ها (Data Stewardship)، طراحی اکوسیستم داده ها (Data Ecosystem )،  پولسازی داده ها (Data Monetization)، جامعه داده محور (Data-Driven Society) ، شهر داده محور (Data-Driven City)، سازمان داده محور (Data-Driven Enterprise)، کسب و کار داده محور (Data-Driven Business)، تصمیم گیری داده محور (Data-Driven Decision Making) و بسیاری از موضوعات دیگر. اما طبیعی است که همچون هر موضوع میان رشته ای دیگر، دانستن یکسری مفاهیم از چندین رشته الزامی است.

اما باز عده ای هستند که تصور می کنند این موضوعات الزاما موضوعات حوزه داده های عظیم (Big Data) هستند. اما واقعیت چیز دیگری است. اگر از دوربین داده شناسی (Data Study) به موضوع نگاه کنیم، می یابیم که داده ها ویژگی هایی دارند که وابسته به زاویه دوربین عکاس متغیر می شوند. به عنوان مثال، مباحثی همچون داده های باز (Open Data)، داده های زمان واقعی (Real-time Data)، داده های گرافی (Graph Data)، داده های شناختی (Cognitive Data) ، داده های هوشمند (Smart Data)، داده های تاریک (Dark Data) ، داده های پیوندی (Linked Data)، داده های متصل (Connected Data) ، داده های معنایی (Semantic Data) و بسیاری از موضوعات دیگر.

خب اما در آخر می خواهم یک نتیجه بگیرم، به نظر می رسد باید مهارت عکاسی مان را تقویت کنیم!

امینی،مصطفی. «باید مهارت عکاسی خود را تقویت کنیم ». سخن هفته لیزنا، شماره ۳۵6، 3 مهر ۱۳۹۶.