Big Data analysis and semantic analysis Comparison between an approach based on advanced marketing and military, intelligence and NS purposes

Big Data analysis and semantic analysis

Comparison between an approach based on advanced marketing uses and the use for military, intelligence, and national security purposes.

July 22nd, 2022

Massimo Re

English version | Versione Italiana sotto

Big Data comprises a large volume of structured and unstructured data, organized in aggregate form after flooding companies daily.

The Economist called this information explosion a "deluge of data."

Although "Big Data" involves a large volume of data, this is not the main problem. The essential thing is what he wants to do with this data and who holds it.

We often ask ourselves what companies want to do, and, honestly, we don't understand why Big Data should be for the exclusive use of companies.

Many forget that the Internet's forefather, ARPANET Internet itself, was commissioned and funded in 1969 by the Defense Advanced Research Projects Agency (DARPA), a U.S. Department of Defense research and development agency for developing arising technologies for military use.

In other words, we never consider that many technologies companies use do not belong to them.

In these cases, therefore, what becomes public is what is not; what can be for civilian use is decided by the military, certainly not by companies.

If you think about it, it is also fair. Publicly funded projects must first ensure safety. You feel for civilian use only, which usually begins when the military has at least more advanced technology and even more promising designs.

The first breakthrough in this trend comes from Hilon Musk, who has initiated a new form of merger between public and private capital, which appears to be much more efficient.

It ensures a more significant inflow of capital into defense technologies, and simultaneously, the transition time to the productivity advantage appears faster.

The educational case is the suborbital satellites and essential investments in space.

While, on the one hand, it can provide services to civilians, it is more efficient and reasonable than military intelligence.

It wouldn't be stupid, and the military certainly isn't.

Only a few military analysts have escaped that China felt compelled to shoot down its satellite for experimental purposes, officially because it was old and dangerous.

We will discuss the considerations and use of advanced military intelligence techniques only with authorized military personnel for security reasons.

Here, there may be some ideas for practical reasoning for those who want to pursue a military or intelligence career. 

At the same time, a detailed explanation only to unauthorized personnel.

It can analyze companies to understand their organization better, leading to more effective strategies.

There are two main categories of text analysis:

Semantics is the part of linguistics and logic that deals with words and their meaning. We are talking about logical semantics and lexical semantics.

Logical semantics involves meaning, reference, premise, and meaning.

The lexical semantics, on the other hand, deals with analyzing the meaning of words and their similarity.

 The first category concerns implications, connection, assumption, and mean. However, linguistic semantics concern the analysis of the recurrence of word groups of words with settling semantic meaning, the meanings of the words, and correlations between them.

Big Data and Semantics Analysing 

While many companies want to combine Big Data and semantic web technology to add more value, for the same reason, intelligence and other level marketing companies are interested.

Although it has several benefits, this combination is not without its defiance. 

Let's examine the problems facing the combination of big data and semantics.

One challenge when dealing with data is that most information is initially unstructured, i.e., written in a natural language. 

The data value's most significant limitation lies in the machine's ability to interpret it. Unstructured data includes text messages, emails, reports, blog articles, social network feeds, etc.

A second significant limitation in the value of Big Data is time management. Data turns off due to a high speed, and we need to limit the time we spend working with Big Data.

The data is the expression of thought and human actions and moods. We cannot reasonably expect them to change at a slower rate. If anything, we should fear that they are hyper-reactive even to expectations only.

To deal with this, one must attain the most suitable software to analyze the data as quickly as possible. 

Existing software can transform unstructured information into structured information by rapidly extracting value from chaos. 

Still, if we are, to be honest with ourselves, we must expect intense competition on this aspect, so we cannot entrusted strategy to just one machine; if not, we want a wrong end.

Another question to address is Dark Data.

Dark Data hides information within Big Data. That information is still far from being analyzed and understood and represents paths towards an unexplored information territory.

Big data has a massive amount of confidential information widely available, but the ability to extract wisdom from it is scarce.

In this case, an approach based on sentiment and content analysis aimed at identification is necessary to identify lexical dictionaries that act as a measure and a key to reading much of this information that is little used even by the military Intelligence services themselves.

For example, it is possible to create an interpretative model based on a multiple linear regression based on conditional probability and test it on large amounts of data. The approach is only one of the possibilities that an intelligent human mind, not a machine, can conceive.

Transforming Big Data into the strategic knowingness 

Based on what we said before, we might see a disputable point if data must be processed in real-time and analyzed for its semantic content.

One must also think that like a swollen river drowns those who overwhelm it, it is also necessary to make sense of the unused data so as not to be overwhelmed by this mass of digital data.

The confidential information obtainable only through semantic analysis places a broad spectrum of work for natural language processing (or NLP).

NLP is a computer science, artificial intelligence, and linguistics necessary to reduce the workload for man and leave him free to unleash his analytical genius.

NLP, therefore, has the task of dealing with the interactions between computers and human (natural) language and making human-machine integration overcome the primitive barrier of machine language and programming codes and operating systems understood in the classical sense.

A second NLP task concerning natural language understanding is sentiment analysis. This analysis extracts people's subjective opinions on a specific brand or product. 

One NLP task involving natural language understanding is topic extraction and recognition. It implies that any part of the text is into segments devoted to one specific argument, identified and analyzed.

Both activities are helpful for marketing and customer experience management, military intelligence and security for preventive and ongoing operations, traditional and hybrid, psychological or asymmetric.

All of the above cases allow us to understand what people are talking about on social media, enabling us to identify trends and insights into public opinion.

  Getting value from data doesn't depend on how the volume of the data is but on how efficiently we can analyze content, identify usage patterns, and extract from them information although unknown. The NPL or natural language processing tools can help us, but the rest is up to us.

We are integrating the process of Big Data and Semantics analysis into a company, Military Intelligence, and National security into the workflow and how.

Big Data Integration and Semantic Analysis The joint use of Big Data and semantic analysis has opened Pandora's box, creating a new partnership between marketing management and linguistics and creating a unique role in the organizational process. 

The same rule is in managing warfare and national security.

The more technology advances, the greater the tendency to integrate information flows seems to be. Still, the clear impression is that the skills to initiate this process from the depths are lacking.

I Big Data comprendono un grande volume di dati strutturati e non strutturati, organizzati in forma aggregata dopo aver inondato quotidianamente le aziende.

L'Economist ha definito questa esplosione di informazioni un "diluvio di dati".

Sebbene i "Big Data" coinvolgano un grande volume di dati, questo non è il problema principale. L'essenziale è cosa vuole fare con questi dati e chi li detiene.

Spesso ci chiediamo cosa vogliano fare le aziende e, onestamente, non capiamo perché i Big Data debbano essere ad uso esclusivo delle aziende.

Molti dimenticano che il capostipite di Internet, ARPANET Internet stesso, è stato commissionato e finanziato nel 1969 dalla Defense Advanced Research Projects Agency (DARPA), un'agenzia di ricerca e sviluppo del Dipartimento della Difesa degli Stati Uniti per lo sviluppo di tecnologie emergenti per uso militare.

In altre parole, non consideriamo mai che molte tecnologie utilizzate dalle aziende non le appartengano.

In questi casi, quindi, ciò che diventa pubblico è ciò che non lo è; cosa può essere per uso civile lo decidono i militari, non certo le aziende.

Se ci pensi, è anche giusto. I progetti finanziati con fondi pubblici devono prima garantire la sicurezza. Ti senti solo per uso civile, che di solito inizia quando i militari hanno almeno una tecnologia più avanzata e progetti ancora più promettenti.

La prima svolta in questa tendenza viene da Hilon Musk, che ha avviato una nuova forma di fusione tra capitale pubblico e privato, che sembra essere molto più efficiente.

Garantisce un afflusso più significativo di capitali nelle tecnologie di difesa e, contemporaneamente, il tempo di transizione verso il vantaggio di produttività appare più rapido.

Il caso educativo sono i satelliti suborbitali e gli investimenti essenziali nello spazio.

Sebbene, da un lato, possa fornire servizi ai civili, è più efficiente e ragionevole dell'intelligence militare.

Non sarebbe stupido, e i militari di certo non lo sono.

Solo pochi analisti militari sono sfuggiti al fatto che la Cina si sia sentita in dovere di abbattere il suo satellite per scopi sperimentali, ufficialmente perché era vecchio e pericoloso.

Discuteremo le considerazioni e l'uso delle tecniche avanzate di intelligence militare solo con personale militare autorizzato per motivi di sicurezza.

Qui, potrebbero esserci alcune idee per un ragionamento pratico per coloro che vogliono intraprendere una carriera militare o di intelligence.

Allo stesso tempo, una spiegazione dettagliata solo a personale non autorizzato.

Può analizzare le aziende per comprendere meglio la loro organizzazione, portando a strategie più efficaci.

Esistono due categorie principali di analisi del testo:

La semantica è la parte della linguistica e della logica che si occupa delle parole e del loro significato. Stiamo parlando di semantica logica e semantica lessicale.

La semantica logica coinvolge significato, riferimento, premessa e significato.

La semantica lessicale, invece, si occupa di analizzare il significato delle parole e la loro somiglianza.

 La prima categoria riguarda le implicazioni, la connessione, l'assunzione e la media. Tuttavia, la semantica linguistica riguarda l'analisi della ricorrenza di gruppi di parole di parole con significato semantico di assestamento, i significati delle parole e le correlazioni tra loro.

Big Data e analisi semantica

Mentre molte aziende vogliono combinare i Big Data e la tecnologia del web semantico per aggiungere più valore, per lo stesso motivo, le società di intelligence e di marketing di altro livello sono interessate.

Sebbene abbia diversi vantaggi, questa combinazione non è priva di sfida.

Esaminiamo i problemi che devono affrontare la combinazione di big data e semantica.

Una sfida quando si ha a che fare con i dati è che la maggior parte delle informazioni inizialmente non è strutturata, cioè scritta in un linguaggio naturale.

Il limite più significativo del valore dei dati risiede nella capacità della macchina di interpretarlo. I dati non strutturati includono messaggi di testo, e-mail, rapporti, articoli di blog, feed di social network, ecc.

Un secondo importante limite al valore dei Big Data è la gestione del tempo. I dati si disattivano a causa dell'elevata velocità e dobbiamo limitare il tempo che dedichiamo a lavorare con i Big Data.

I dati sono l'espressione del pensiero e delle azioni e degli stati d'animo umani. Non possiamo ragionevolmente aspettarci che cambino a un ritmo più lento. Semmai dovremmo temere che siano iperreattivi anche solo alle aspettative.

Per far fronte a questo, è necessario dotarsi del software più adatto per analizzare i dati il più rapidamente possibile.

Il software esistente può trasformare informazioni non strutturate in informazioni strutturate estraendo rapidamente valore dal caos.

Tuttavia, se lo siamo, ad essere onesti con noi stessi, dobbiamo aspettarci un'intensa competizione su questo aspetto, quindi non possiamo affidare la strategia a una sola macchina; in caso contrario, vogliamo una fine sbagliata.

Un'altra domanda da affrontare è Dark Data. Dark Data nasconde le informazioni all'interno dei Big Data. Quelle informazioni sono ancora lontane dall'essere analizzate e comprese e rappresentano percorsi verso un territorio dell'informazione inesplorato.

I big data hanno un'enorme quantità di informazioni riservate ampiamente disponibili, ma la capacità di estrarne saggezza è scarsa.

In questo caso, un approccio basato sul sentimento e sulla conL'analisi della tenda finalizzata all'identificazione è necessaria per individuare dizionari lessicali che fungano da misura e chiave di lettura di gran parte di queste informazioni poco utilizzate anche dagli stessi servizi di intelligence militari.

Ad esempio, è possibile creare un modello interpretativo basato su una regressione lineare multipla basata sulla probabilità condizionata e testarlo su grandi quantità di dati. L'approccio è solo una delle possibilità che una mente umana intelligente, non una macchina, può concepire.

Trasformare i Big Data in conoscenza strategica

Sulla base di quanto detto prima, potremmo vedere un punto discutibile se i dati devono essere elaborati in tempo reale e analizzati per il loro contenuto semantico.

Bisogna anche pensare che come un fiume in piena affoga chi lo travolge, è anche necessario dare un senso ai dati inutilizzati per non farsi travolgere da questa massa di dati digitali.

Le informazioni riservate ottenibili solo attraverso l'analisi semantica collocano un ampio spettro di lavoro per l'elaborazione del linguaggio naturale (o NLP).

La PNL è informatica, intelligenza artificiale e linguistica necessarie per ridurre il carico di lavoro per l'uomo e lasciarlo libero di scatenare il suo genio analitico.

La PNL, quindi, ha il compito di occuparsi delle interazioni tra computer e linguaggio umano (naturale) e di far superare all'integrazione uomo-macchina la barriera primitiva del linguaggio macchina e dei codici di programmazione e dei sistemi operativi intesi in senso classico.

Un secondo compito della PNL riguardante la comprensione del linguaggio naturale è l'analisi del sentimento. Questa analisi estrae le opinioni soggettive delle persone su un marchio o prodotto specifico.

Un compito della PNL che coinvolge la comprensione del linguaggio naturale è l'estrazione e il riconoscimento degli argomenti. Implica che qualsiasi parte del testo sia in segmenti dedicati a un argomento specifico, identificato e analizzato.

Entrambe le attività sono utili per il marketing e la gestione dell'esperienza del cliente, l'intelligence militare e la sicurezza per operazioni preventive e continue, tradizionali e ibride, psicologiche o asimmetriche.

Tutti i casi di cui sopra ci consentono di capire di cosa parlano le persone sui social media, consentendoci di identificare tendenze e approfondimenti nell'opinione pubblica.

  Ottenere valore dai dati non dipende da come è il volume dei dati, ma dall'efficienza con cui possiamo analizzare i contenuti, identificare i modelli di utilizzo ed estrarre da essi informazioni sebbene sconosciute. Gli NPL o gli strumenti di elaborazione del linguaggio naturale possono aiutarci, ma il resto dipende da noi.

Stiamo integrando il processo di Big Data e analisi semantica in un'azienda, intelligence militare e sicurezza nazionale nel flusso di lavoro e come.

Integrazione Big Data e Analisi Semantica L'uso congiunto di Big Data e analisi semantica ha aperto il vaso di Pandora, creando una nuova partnership tra marketing management e linguistica e creando un ruolo unico nel processo organizzativo.

La stessa regola è nella gestione della guerra e della sicurezza nazionale.

Più la tecnologia avanza, maggiore sembra essere la tendenza a integrare i flussi di informazioni. Tuttavia, la chiara impressione è che manchino le capacità per avviare questo processo dal profondo.