最新記事

ビッグデータ

「パナマ文書」解析の技術的側面

2.6テラバイトのリークデータを調査報道機関はどうやって分析したのか?

2016年4月12日(火)18時25分
大野圭一朗

プーチン大統領の資産隠しに関わっていると思われる会社と関係者のネットワーク (Generated with Linkurious)

 世界中で話題になっているパナマ文書。各国で政権を揺るがすような事態にもなっていますが、純粋にデータとしてみた場合、これは計算機やデータ解析に関わる人々にも面白いものだと思います。データの中身や背景などについてはさんざん報道されていますのでここでは触れません。一方、現場でどのような作業が行われているのかはあまり報道されていません。現実的な問題として、人力ではどうしようもない量のリークデータを手に入れた場合、調査報道機関はどんなことを行っているのでしょうか? 私も以前から疑問に思っていたのですが、先日あるデータベース企業と、データ分析アプリケーションを作成する会社のブログにて、その実際の一端を窺うことができる投稿がありました:

・Panama Papers: How Linkurious enables ICIJ to investigate the massive Mossack Fonseca leaks
・The Panama Papers: Why It Couldn't Have Happened Ten Years Ago
・Inside the Panama Papers: How Cloud Analytics Made It All Possible

 これらは普段からグラフ(後述)を扱う仕事をしている自分にとっても興味深いものでしたので、ここで紹介します。こう言った現代の調査報道のテクニカルな部分は日本のマスコミで報道されることはほとんどないので、読んでいて純粋に面白かったです。ここでは世界の調査報道機関はどんなテクノロジーを使い何をやっているのかを、技術に明るくない人にもできるだけわかりやすいように書いてみようと思います。

データの形式

 まず今回のデータの計算機的な性質です。公開されている情報によれば、それは以下の様なものです

panamapapers02.gif

出典: Süddeutsche Zeitung "About the Panama Papers"



・容量: 2.6TB。大きさとしては一万円程度のハードディスクにすべて納まります。
・ファイル数: およそ1,150万
・データ形式: 電子メール、RDBなどのデータベース、PDF文書、画像(おそらく多くは書類のスキャン)、テキストファイル。ファイル数の分布は上のチャートを参照

 2.6TBというデータは、現在の計算機にとっては決して大きなものではありません。貴方がテレビ録画用のHDレコーダをお持ちでしたら、おそらくこれより大きなデータをそこに格納できるでしょう。しかし、その大きさのデータを人間が解析しようと思った時、それはあまりにも膨大な量で、とても人力でどうにかなるものではありません。本質的にこのデータセットに対しては、プリントアウトしてひとつひとつ見るというようなアナクロな手法は通用しません。パナマ文書は何らかの検索や可視化の技術が利用できなければ、人間には歯が立たないものなのです

しかし幸運なことに、今回のデータは画像ファイルを除けば(これも最近「インテリジェントな」解析技術が飛躍的に向上していますがここでは触れません)、ほぼすべてが機械で比較的低コストで処理できる形式のファイルです。ここで計算機の出番になります。ここから先は、先の記事から読み取れる技術的な背景について解説していきたいと思います。

データの前処理

 このような膨大な数のファイルを解析する場合、必ずデータの前処理が必要になります。今回のデータセットは大きく二つのタイプに分けることができます:

1. RDB形式(いわゆるデータベース)の機械で容易にアクセスできるファイル
2. 人が読むことを前提にした文書ファイル。テキストと画像、PDFを含む

 今回解析に当たったICIJのデータ解析班は、まず比較的ハードルの低いひとつ目のデータに取り組みました。要するに、データベースを容易に検索できる形に再構築することです。これは専門家の手により数ヶ月で終えることができたそうです。しかし二つ目のデータはそうはいきません。

今、あなたにオススメ
ニュース速報

ワールド

アングル:ドローン大量投入に活路、ロシアの攻勢に耐

ビジネス

米国株式市場=S&P・ナスダックほぼ変わらず、トラ

ワールド

トランプ氏、ニューズ・コープやWSJ記者らを提訴 

ビジネス

IMF、世界経済見通し下振れリスク優勢 貿易摩擦が
今、あなたにオススメ
MAGAZINE
特集:AIの6原則
特集:AIの6原則
2025年7月22日号(7/15発売)

加速度的に普及する人工知能に見えた「限界」。仕事・学習で最適化する6つのルールとは?

メールマガジンのご登録はこちらから。
人気ランキング
  • 1
    その首輪に書かれていた「8文字」に、誰もが言葉を失った
  • 2
    「細身パンツ」はもう古い...メンズファッションは「ゆったり系」がトレンドに
  • 3
    「想像を絶する」現場から救出された164匹のシュナウザーたち
  • 4
    頭はどこへ...? 子グマを襲った「あまりの不運」が…
  • 5
    日本より危険な中国の不動産バブル崩壊...目先の成長…
  • 6
    「二次制裁」措置により「ロシアと取引継続なら大打…
  • 7
    「どの面下げて...?」ディズニーランドで遊ぶバンス…
  • 8
    ロシアの労働人口減少問題は、「お手上げ状態」と人…
  • 9
    「異常な出生率...」先進国なのになぜ? イスラエル…
  • 10
    アフリカ出身のフランス人歌手「アヤ・ナカムラ」が…
  • 1
    その首輪に書かれていた「8文字」に、誰もが言葉を失った
  • 2
    頭はどこへ...? 子グマを襲った「あまりの不運」が話題に
  • 3
    「ベンチプレス信者は損している」...プッシュアップを極めれば、筋トレは「ほぼ完成」する
  • 4
    日本より危険な中国の不動産バブル崩壊...目先の成長…
  • 5
    「お腹が空いていたんだね...」 野良の子ネコの「首…
  • 6
    どの学部の卒業生が「最も稼いでいる」のか? 学位別…
  • 7
    アメリカで「地熱発電革命」が起きている...来年夏に…
  • 8
    千葉県の元市長、「年収3倍」等に惹かれ、国政に打っ…
  • 9
    ネグレクトされ再び施設へ戻された14歳のチワワ、最…
  • 10
    「二度とやるな!」イタリア旅行中の米女性の「パス…
  • 1
    その首輪に書かれていた「8文字」に、誰もが言葉を失った
  • 2
    「コーヒーを吹き出すかと...」ディズニーランドの朝食が「高額すぎる」とSNSで大炎上、その「衝撃の値段」とは?
  • 3
    頭はどこへ...? 子グマを襲った「あまりの不運」が話題に
  • 4
    「あまりに愚か...」国立公園で注意を無視して「予測…
  • 5
    10歳少女がサメに襲われ、手をほぼ食いちぎられる事…
  • 6
    JA・卸売業者が黒幕説は「完全な誤解」...進次郎の「…
  • 7
    燃え盛るロシアの「黒海艦隊」...ウクライナの攻撃で…
  • 8
    ディズニー・クルーズラインで「子供が海に転落」...…
  • 9
    「小麦はもう利益を生まない」アメリカで農家が次々…
  • 10
    イランを奇襲した米B2ステルス機の謎...搭乗した専門…
トランプ2.0記事まとめ
日本再発見 シーズン2
CHALLENGING INNOVATOR
Wonderful Story
MOOK
ニューズウィーク日本版別冊
ニューズウィーク日本版別冊

好評発売中