Bayangkan Anda mencoba memecahkan masalah. Mari kita pilih salah satu dari topi: kecelakaan mobil! Sekarang ini adalah masalah yang sulit untuk dipecahkan karena sangat langka. dalam konteks sistem infrastruktur jalan AS dan aturan mengemudi yang ditetapkan secara budaya, manusia cukup baik. kecelakaan setiap 700 ribu mil; 5 sembilan! Bayangkan untuk "memecahkan/memahami" kecelakaan secara komputasi Anda perlu mengamati jenis kecelakaan tertentu 100 kali atau lebih. Buat taksonomi kecelakaan, mungkin ada 10 prototipe jenis kecelakaan sering yang perlu Anda pelajari dan pahami, jenis kecelakaan paling sering ke-10 mungkin terjadi kira-kira 1/10 lebih sering dari jenis kecelakaan yang paling sering, 3-4% kecelakaan mungkin termasuk dalam kategori paling sering ke-10 ini. Jadi Anda hanya akan menyaksikan tipe kecelakaan paling sering ke-10 setiap 20 juta mil atau lebih. Tetapi Anda memerlukan 100 insiden dari jenis kecelakaan ke-10 yang paling sering untuk memahaminya: 2 miliar mil. Anda memerlukan akses ke data sejauh 2 miliar mil untuk menangkap setengah jam data yang menginformasikan pendekatan Anda terhadap jenis kecelakaan paling sering ke-10 itu. Bukan volume mentah data yang dikumpulkan yang penting, melainkan nilai opsi yang diberikan data itu. (Realitas jauh lebih kompleks daripada OBV itu, paling tidak karena memecahkan kecelakaan lebih dari sekadar memecahkan kecelakaan, itu adalah tata bahasa yang sangat kompleks dari penggunaan jalan dan navigasi yang menghasilkan mengemudi defensif yang baik yang menghasilkan perjalanan otonom yang aman. Meskipun demikian saya pikir matematika itu berguna untuk mengilustrasikan; memiliki opsi untuk melakukan polling armada untuk masalah tertentu yang sedang Anda kerjakan adalah kekuatan super)