Machine Learning for Decision Makers
Cognitive Computing Fundamentals for Better
Decision Making
2nd ed.
Dr. Patanjali Kashyap
Bangalore, Karnataka, India
ISBN 978-1-4842-9800-8 e-ISBN 978-1-4842-9801-5 https://doi.org/10.1007/978-1-4842-9801-5
© Dr. Patanjali Kashyap 2017, 2024
Apress Standard
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication does not imply, even in the absence of a speci ic statement, that such names are exempt from the relevant protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors give a warranty, expressed or implied, with respect to the material contained herein or for any errors or omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims in published maps and institutional af iliations.
This Apress imprint is published by the registered company APress Media, LLC, part of Springer Nature. The registered company address is: 1 New York Plaza, New York, NY 10004, U.S.A.
Any source code or other supplementary material referenced by the author in this book is available to readers on GitHub. For more detailed information, please visit https://www.apress.com/gp/services/sourcecode.
Table of Contents
Chapter 1: Let’s Integrate with Machine Learning
Your Business, My Technology, and Our Interplay of Thoughts
General Introduction to Machine Learning
The Details of Machine Learning
Quick Bytes
Supervised Learning
Unsupervised Learning
Characteristics of Machine Learning
Current Business Challenges for Machine Learning
Handling, Managing, and Using Complex and Heterogeneous Data
Dynamic Business Scenarios, Systems, and Methods
Unpredictable System Behavior
The Needs and Business Drivers of Machine Learning
What Are Big Data and Big Data Analytics?
The Major Sources of Big Data
The Three Vs of Big Data
What Is Analytics?
What Is Cloud Computing?
Essential Characteristics of Cloud Computing
Cloud Computing Deployment Methodologies
Cloud Computing Service Models
Challenges of Cloud Computing
What Is IoT?
Evolution, Development, and the Future of IoT
Jargon Buster
Characteristics of IoT
Challenges with the Internet of Things
How IoT Works
What Is Cognitive Computing?
How Cognitive Computing Works
Characteristics of Cognitive Computing
Nervana Systems: A Machine Learning Startup
How the Cloud, IoT, Machine Learning, Big Data Analytics, and Cognitive Computing Work Together
Video Link Summary
Mind Map
Chapter 2: The Practical Concepts of Machine Learning
Linking History, Evolution, Machine Learning, and Arti icial Intelligence
Jargon Buster
Machine Learning, AI, the Brain, and the Business of Intelligence
Jargon Buster
General Architecture of Machine Learning
Machine Learning: You and Your Data
Technology Related to Machine Learning
The Need for Machine Learning
Machine Learning Business Opportunities
Customer Experience Enrichment
Automated Machine Learning Based Customer Support Systems
A Tale of Customer Support and Automation
Machine Learning Customer Retention Systems
Business Success, Customer Engagement, and Machine Learning
Customer Segmentation Applications and Products
Intelligent Customer Prioritization and Classi ication
Products, Applications, and Services (APS)
Autonomous and Intuitive Systems
How Are Big Language Models Like ChatGPT Using RLHF?
Deep Learning and Simulated Neuron Based APS
Emotions and Sentiment Analysis Based APS
Other Intuitive Applications, Products, and Services
Prediction, Digital Assistance, and Recommendation APS
Recommendations Based Applications, Products, and Services
Virtual Digital Assistance
Advertising
Phototagging
Domain-Speci ic APS
Financial and Insurance Services
Telecom Network, Products, and Services
Professional Services
Public Sector and Government Initiatives
Retail and Wholesale
Transport
Utilities, Oil, and Gas
Manufacturing
Machine Learning for Legal Activities
Machine Learning to Prevent Money Laundering
Improving Cybersecurity
Science and Technology
Medical Science
Space Science
Physics Biology
Types of Machine Learning
Reinforcement Learning
Supervised Learning
Unsupervised Learning
Semi-Supervised Learning: A Quick Look
Machine Learning Models
Training ML Models
Different Types of Algorithm-Based Models for Machine Learning
Tools for Machine Learning
Jargon Buster
Frameworks for Machine Learning
Distributed Machine Learning
Large-Scale Machine Learning
Programming Languages for Machine Learning
R
Scala
Python
The Latest Advancements in Machine Learning
Image-Based Recognition
Case Study: Face Recognition
Healthcare
Travel and Communications
Advertising
Jargon Buster
More Case Studies
Case Study: Machine Learning Text Analytics
Case Study: Automation Reduces Resolution Time by 50 Percent
Audio and Video Links
Summary
Mind Map
Reference, Web Links, Notes, and Bibliography
Chapter 3: Machine Learning Algorithms and Their Relationship with Modern Technologies
Algorithms, Algorithms, Everywhere
Jargon Buster
Machine Learning Algorithm Classi ications
Clustering
Regression
Classi ication
Differences Between Classi ication and Regression
Anomaly Detection
Building a Machine Learning Model
Selecting the Right Algorithm/Model for Your Requirements
Approaching the Problem
Choosing the Correct Algorithm
Expert Opinion
A Review of Some Important Machine Learning Algorithms
The Random Forest Algorithm
The Decision Tree Algorithm
Logistic (Classi ication) and Linear Regression
Support Vector Machine Algorithms
Naïve Bayes Algorithms
k-Means Clustering Algorithms
Apriori
Markov and Hidden Markov Models
Bayesian Networks and Arti icial Neural Networks (ANNs)
Machine Learning Application Building
Agility, Machine Learning, and Analytics
Why Do You Need Agile?
Show Me Some Water Please
Agile’s Disadvantages
Agile Usage
Some Machine Learning Algorithm-Based Products and Applications
Algorithm-Based Themes and Trends for Businesses
The Economy of Wearables
New Shared Economy-Based Business Models
Connectivity-Based Economies
New Ways to Manage in the Era of the Always-On Economy
Macro-Level Changes and Disrupted Economies
The Marriage of IoT, Big Data Analytics, Machine Learning, and Industrial Security
Startup Case Study: Belong
Industry 4.0: IoT and Machine Learning Algorithms
Review: Generative AI: A Miracle Lead by Machine Learning Technologies
ChatGPT in the Corporation
Risks with ChatGPT
Trustworthy AI
The Audio and Video Links
Before Winding Up
Summary
Mind Map
Chapter 4: Technology Stack for Machine Learning and Associated Technologies
Software Stacks
Chapter Map
The Internet of Things Technology Stack
IoT, You, and Your Organization
The Device and Sensor Layer
Facts for You
The Communication, Protocol, and Transportation Layer
The Data Processing Layer
The Presentation and Application Layer
IoT Solution Availability
Real-Life Scenarios
The Big Data Analytics Technology Stack
The Data Acquisition Integration and Storage Layer
Hadoop Distributed Filesystem (HDFS)
Amazon Simple Storage Service (S3)
The Analytics Layer
Hadoop MapReduce
Pig
Apache Hive
HBase
MangoDB
Apache Storm
Apache Solr
Apache Spark
Azure HDInsight
The Presentation and Application Layer
Offerings from Vendors in the Big Data Space
Real-Life Scenarios
The Machine Learning Technology Stack
The Connector Layer
The Storage Layer
The Processing Layer
The Model and Runtime Layer
The Presentation and Application Layer
Real-Life Scenarios
Role of Cloud Computing in the Machine Learning Technology
Stack
The Cognitive Computing Technology Stack
Cognitive Computing vs Machine Learning
Use Cases
The Cloud Computing Technology Stack
Audio and Video Links
The Latest Research
Summary
Mind Map
Chapter 5: Industrial Applications of Machine Learning
Abstract
Data, Machine Learning, and Analytics
What Is Machine Learning Analytics?
The Need for Machine Learning Analytics
Challenges Associated with Machine Learning Analytics
Business Drivers of Machine Learning Analytics
Industries, Domains, and Machine Learning Analytics
The Case of SCADA and PLC
Tools for Data Analysis
Machine Learning-Based Finance and Banking Analytics
Machine Learning-Based Healthcare Analytics
Machine Learning-Based Marketing Analytics
Audio and Video
Machine Learning-Based Analytics in the Retail Industry
Customer Machine Learning Analytics
Machine Learning Analytics in Real Life
Machine Learning Analytics in Other Industries
A Curious Case of Bots and Chatbots: A Journey from Physicality to Mindfulness
How Bots Work
Usability of Bots
Bots and Job Loss
Summary
Mind Map
Chapter 6: I Am the Future: Machine Learning in Action
State of the Art Examples
Siri Alexa
Google Assistant
IBM Watson
Microsoft Cortana
Connected Cars
Driverless Cars
Machine and Human Brain Interfaces
Virtual, Immersive, Augmented Reality
Mixed Reality
The Metaverse
Startup Case Study: Absentia
Google Home and Amazon Alexa
Google Now
Brain Waves and Conciseness Computing
Machine Learning Platforms and Solutions
SAP Leonardo
Salesforce Einstein
Security and Machine Learning
The Indian Software Industry and Machine Learning
Use Cases for These Products
Quantum Machine Learning
Practical Innovations
Machine Learning Adoption Scorecard
Summary
Mind Map
Chapter 7: Innovation, KPIs, Best Practices, and More for Machine Learning
Abstract
IT, Machine Learning, Vendors, Clients, and Changing Times
Designing Key Performance Indicators (KPIs) for Machine Learning Analytics-Based Domains
The KPI and ML Teams
Monitoring the KPIs
Designing Effective KPIs Using a Balanced Scorecard
Preparation
Measurement Categories
Bene its of KPIs
Some Important KPIs from Speci ic Organization and Industry Perspectives
Organization/Enterprise Speci ic Machine Learning KPIs
Industry-Speci ic KPIs
Stock and Customer Analytics KPIs
Differences Between KPIs and Metrics
Risk, Compliances, and Machine Learning
Risk and Risk Management Processes for Machine Learning Projects
Risk Identi ication
Risk Assessment
Risk Response Plan
Monitoring and Controlling Risks
Best Practices for Machine Learning
Evolving Technologies and Machine Learning
Summary
Mind Map
Chapter 8: Do Not Forget Me: The Human Side of Machine Learning
Economy, Workplace, Knowledge, You, and Technology
Jargon Buster
Key Characteristics of Intellectual Assets
Bottom-Up Innovation
Teamwork and Knowledge Sharing
Adaptability to Change
Customer Focus
Spirituality
Key Performance Drivers of Individuals
Measuring Intelligence
Bene its of the Intelligence Competencies
Gami ication
Comics and Gami ication
Corporate Storytelling
Building an Ef icient ML Team in Relation to EQ, SQ, MQ, and Social Q
Team Leader
Technology Manager
Team Members
Organizational Leader
The Differences Between a Leader and a Manager
How to Build a Data Culture for Machine Learning
Questions for Bringing Transparency to the Team and Enterprise
Machine Learning-Speci ic Roles and Responsibilities
Role 1: Deep Learning/Machine Learning Engineer
Role 2: Data Scientist
Other Important Roles
Lean Project Management and Machine Learning Projects
How to Do the Right Resourcing and Find the Best Match
DevOps
The Need for DevOps
The Bene its of DevOps
Summary
Mind Map
Chapter 9: Quantum Computers, Computing, and Machine Learning: A Review
Introduction
Quantum Computers and Computing
The Wave of Quantum
Fundamentals of Quantum Computing
Traditional Quantum Calculations
Logic Gates
Universal Computing Machine
Quantum Mechanics
Further Advancements of Quantum Theory
The Structure Blocks of Quantum Mechanics
Quantum Entanglement in Detail
Superposition and Entanglement in a Quantum Computer
Quantum Computing, Classical Computing, and Data
Innovation
Quantum Programming
Algorithmic Complexity
Quantum Gates
The Quantum Gate Is a Unitary Matrix
Quantum Algorithms
Quantum Circuits
Computations
Quantum Registers vs Classical Registers
Quantum Computer Algorithms
Main Classes of Quantum Algorithms
Important Quantum Algorithms
Translating Algorithms Into Programming Languages
Qubit Details
General Structure of a Quantum Computer System
Quantum Software Example: Qiskit Aqua
Debugging a Quantum Program
Quantum Simulators and Computers
Quantum Computing, Arti icial Intelligence and Machine Learning: The Basics
The Interface Between Machine Learning and Quantum Computing
Arti icial Quantum Intelligence
Quantum Machine Learning (QML)
Machine Learning with Quantum Computers
Quantum Neural Networks
Quantum Computing Applications
Cloud Quantum Computing
Quantum Computing as a Service (QCaaS)
Amazon Web Services (AWS) Runs Braket, A Quantum Computer as a Service
The Current State of Quantum Computing
Summary
Chapter 10: Let’s Wrap Up: The Final Destination Index
About the Author
Patanjali Kashyap, PhD works as a technology manager at a leading American bank. He deals with high-impact, mission-critical inancial and innovative new-generation technology projects on a day-to-day basis. Dr. Kashyap has worked with technology giants such as Infosys and Cognizant Technology Solutions. He is an expert in the Agile process, machine learning, Big Data, and cloud computing. He understands Microsoft Azure and cognitive computing platforms such as Watson and Microsoft Cognitive Services. Dr. Kashyap confesses .NET technologies to be his irst love to his friends and colleagues. He has worked on a spectrum of .NET and associated technologies, such as SQL Server and component-based architectures, from their inception. He also loves to work with SharePoint (and with content management in general), knowledge management, positive technology, psychological computing, and UNIX. Dr. Kashyap is experienced in software development methodologies, application support, and maintenance. He has published several research and whitepapers on multiple topics. He is involved in organizational initiatives, such as building world-class teams and dynamic cultures across enterprises. And he is the go-to person for incorporating “positivity and enthusiasm” in enterprises.
About the Technical Reviewer
Krishnendu Dasgupta
is currently the head of machine learning at Mondosano GmbH, leading data science initiatives focused on clinical trial recommendations and advanced patient health pro iling through disease and drug data. Prior to this role, he cofounded DOCONVID AI, a startup that leveraged applied AI and medical imaging to detect lung abnormalities and neurological disorders.
With a strong background in computer science engineering, Krishnendu has more than a decade of experience in developing solutions and platforms using applied machine learning. His professional trajectory includes key positions at prestigious organizations, such as NTT DATA, PwC, and Thoucentric.
Krishnendu’s primary research interests include applied AI for graph machine learning, medical imaging, and decentralized privacypreserving machine learning in healthcare. He also had the opportunity to participate in the esteemed Entrepreneurship and Innovation Bootcamp at the Massachusetts Institute of Technology, cohort of the 2018 batch.
Beyond his professional endeavors, Krishnendu actively dedicates his time to research, collaborating with various research NGOs and universities worldwide. His focus is on applied AI and ML.
© Dr Patanjali Kashyap 2024
P. Kashyap, Machine Learning for Decision Makers
https://doi.org/10.1007/978-1-4842-9801-5 1
1. Let’s Integrate with Machine Learning
Patanjali Kashyap1
(1)
Bangalore, Karnataka, India
Dr. Patanjali Kashyapa* a Bangalore, Karnataka, India
In this chapter, I present a holistic synopsis of how machine learning (ML) works in conjunction with other technologies, including IoT, Big Data analytics, and cloud and cognitive computing. Technically, machine learning cannot and never should be understood in isolation. It is a multi-disciplinary subject. This is why you need an integrated view of the suite of concepts and technologies before you can understand the technical landscape of machine learning. Even for academic purposes, if someone wants to understand the workings of machine learning, they have to learn the nuts and bolts in detail. Hence, it is important for business leaders and managers to have a holistic and integrated understanding of machine learning to properly grasp the subject. It becomes more important if they are interested in the subject for business reasons. Because you are reading this book, I assume that you want to become acquainted with the concepts of machine learning.
During my endeavor to provide a conceptual foundation of machine learning and its associated technologies, I address multiple business questions, including these:
What is machine learning?
What is the business case for machine learning?
How do we use machine learning?
What are the key features of machine learning?
Where can we implement machine learning?
What are the major techniques/types used in machine learning?
Why is machine learning required in business?
These questions are answered in detail in this and the following chapters. The key business bene its and values of successful machine learning implementations are also discussed in the appropriate places.
Almost the same set of questions, thoughts, and concepts are addressed for associated technologies as well. This chapter explores the core concepts behind advanced analytics and discusses how they can be leveraged in a knowledge-driven, cognitive environment. With the right level of advanced analytics, the system can gain deeper insights and predict outcomes in a more accurate and insightful manner. Hence, it is essential to study these concepts in a practical way. This chapter introduces the knowledge platform and provides you with the practical knowledge you are looking for.
Your Business, My Technology, and Our Interplay of Thoughts
My argument is very simple and you will ind it conveyed throughout the book. I argue that technologies—like the cloud, Big Data analytics, machine learning, and cognitive computing—enable growth, pro it, and revenue. My focus is not to explain the model and its bene its in a stepwise fashion but to explain the technologies behind it.
In any business scenario, results and outcomes have multiple dimensions. But what is important for the enterprises, business leaders, and stakeholders is to know how they impact their business strategies. The outcome depends on multiple factors, such as how quickly the infrastructure is ready, the cost per transition, the implementation time for the new applications, and even how partners, including suppliers, are integrated in the overall supply chain and decision-making processes. Another important factor is the level of automation the enterprise has (from bottom to top).
Machine learning—or, in other words, the “automation of automation”—and cognitive computing are changing the way decisions are made. Monotonous, repetitious, and less skilled human intervention is being replaced with “intelligent” automation. That’s changing the dynamics of decision making. The result is increased ef iciency and
effectiveness of overall business processes and decision making. Its impact will be felt on enterprise pro it, revenue growth, and operational ef iciency. Enterprises will appreciate business value at all levels and areas of their investments, whether it’s IT infrastructure, IT application, business processes, operations, or inance. If they adopt the right context-based approach to technology, bene its are bound to come.
Adopting the cloud enables companies to quickly provision their resources and reduce costs per transition and per workstation. Most of the requirements for application development are available on-demand in a cloud-based environment, so implementing a new application is fast. Suppliers have access to the robust supply chain, so integrating their services and logistics becomes easy. The cloud provides ondemand data analytics and machine learning-based, context-oriented cognitive computing functionalities in an automated fashion. This enables enterprises to enjoy high revenue growth and increased return on investment.
If you have followed the trends and direction of the IT industry in the last couple of years, one signal is clear—industries are betting heavily on this new generation of technologies. Old thoughts and technical pillars are getting destroyed and new ones are piling up rapidly. IBM, Microsoft, Google, and Facebook patents illed in recent years show the direction of the industry. Microsoft is the leader in patent iling, with over 200 arti icial intelligence-related patent applications since 2009. Google is in second place, with over 150 patent ilings. Patents include elements of cloud computing, cognitive computing, Big Data analytics, and machine learning. The following links provide a snapshot of the patent landscape in recent years:
https://www-03.ibm.com/press/us/en/presskit/42874.wss https://cbi-blog.s3.amazonaws.com/blog/wp-content/uploads/ 2017/01/1-ai-patents-overall.png
The cloud, the Internet of Things (IoT), Big Data, and analytics enable effective and appropriate machine learning implementation and focused strategies. Machine learning is at the core of cognitive computing, which provides the power of real-time, evidence-based, automated decision-making capabilities to enterprises. You will be able to combine all the pieces and visualize the complete picture. This is a journey from data to wisdom. You get data through IoT systems and
other sources of data, store that data in a cloud-based data store, and then apply analytics techniques to the data to make sense of it. Then you automate the analytical process by applying machine learning techniques to ind patterns and make accurate predictions. You re ine the results by iteratively running the models/algorithms. The options are backed by a con idence level and by evidence. An end-to-end solution!
It is worth mentioning here that this separation of technology and division of layers is logical. That is, there is no “hard” boundary de ined in the standard and professional literature. For example, a lot of technical literature couples Big Data analytics and machine learning together. Some treat machine learning and cognitive computing as one. However, segregation organizes the thought process; hence, I take this approach.
By studying the ive technical pillars of the current and future innovative and knowledge-based business ecosystem (the cloud, Big Data, IoT, machine learning, and cognitive computing), you will be able to draw correct inferences and make suitable business decisions for your enterprise. By the end of the chapter, you will understand what these technologies are all about, what they mean, and how they matter to the business ecosystem.
General Introduction to Machine Learning
The input-process-output model—which states that inputs enter the system, are processed, and then output is produced—forms the foundation of most information and data processing technologies. As an illustration, consider a word processing program where each keystroke results in a letter output that appears on the screen. The actions that must be taken are obvious when someone presses a letter in a word processing program. Therefore, it is simple to design a process that takes into account which input values should result in which output values.
Let’s say you want to create a program that would say “This is a picture of a horse” and you have an image of a horse. The fundamental issue for computers now arises from their inferior ability to recognize patterns compared to humans. A picture is nothing more than the combination pixels composed of vectors to a computer. It is exceedingly
challenging to solve if you attempt to do so using typical programming methods. However, it is a simple task with Big Data, statistics, and analytics techniques. In later sections, you’ll learn about this in more detail.
Here is where ML and AI enter the picture. Arti icial intelligence (AI) refers to computer programs that quickly complete tasks on their own, mimicking human intelligence. The formal concept of programmable “arti icial neurons” by McCulloch and Pitts, published in 1943, is the key piece of work now typically recognized as AI. At a workshop held at Dartmouth College in 1956, the phrase “arti icial intelligence” was coined. This event is frequently cited as the beginning of the ield of AI.
As discussed earlier, the term “machine learning” (ML) was created three years later by a pioneer in this subject. An arti icial system learns from examples and can simplify them after the learning phase is through. This process is known as machine learning, which is a broad term for the “arti icial” generation of knowledge from experience. An ML algorithm creates a statistical model based on training data (more on this later). This means it does not just learn the examples by heart but identi ies patterns and regularities in the learning data. In this way, the system can also measure unidenti ied data, although it may also fail to do so.
Machine learning is a fascinating concept these days, and nearly everyone in the business world is talking about it. It’s a promising technology that has the potential to change the prevalent business environment and bring disruption in action. Decision-makers have started considering machine learning a tool to design and implement their strategies and innovative thoughts. Implementing machine learning in organizations or enterprises is not easy. One of the reasons for this is the lack of useful and reliable data. Having relevant data is essential for effective machine learning implementation. But, getting relevant and accurate data is a big challenge. Riding on recent advancements and developments in the ield of IoT-enabled technologies and Big Data analytics, it is comparatively easy for enterprises to store and analyze data ef iciently and effectively. This luxury of the availability of Big Data on-demand and in real time leads to the successful implementation of machine learning projects, products, applications, and services.
This also empowers decision-makers to create some great strategies. Because of this, we started seeing and realizing results and success stories regarding machine learning. The concept of machine learning is not recent and can be traced back and is linked with the arti icial intelligence and expert systems. As mentioned, in recent times, it has been getting a lot of attention and traction because of some pathbreaking achievements. For example, IBM Watson’s capabilities to predict oncological outcome better than doctors or Facebook’s success at accurately identifying the faces of humans.
In the era of machine learning and Big Data analytics, generalized prediction is at the heart of almost every scienti ic/business decision. The study of generalization from data is the central topic of machine learning. In current and future business scenarios, predicting outcome is the key to the organization’s success. Decision-makers want to see and allow strategies to be made and implemented that not only look at historical data but also make sense of it. Optimistically, they want that to happen automatically. The expect system would “predict” the behavior of customer and their future needs. Companies can then make effective decisions based on the reports and dashboards in real time. For example, in investment banking, decision-makers want to build software that would help their credit risk of icer predict most likely customer defaults. A telecom company wants to predict a customer’s inclination to default on a bill based on the behavioral analysis of the customers. This would provide them with future projections of payment liabilities in real time. Based on historical payment details of a customer and machine learning, it is well possible.
In fact, decision-makers are not satis ied only with the prediction; they are more interested in understanding why someone is going to do something. Decision-makers want to explore the “why” of the story and build their strategies around that mindset or behavior. Technically as we know, machine learning learns from the data. The outcome of learning depends on the level of analytics done on the data set. Therefore, it is important to take a look at the level of learning analytics. I give a brief primer of the concept here and come back to this in the later chapters, where it needs further elaboration.
Typically, there are four levels of learning analytics associated with machine learning:
Descriptive: What has happened and what is happening? This generally looks at facts, data, and igures and provides detailed analysis. It is used for preparing data for advanced analysis or for dayto-day business intelligence.
Diagnostic: Why did this happen? This examines the descriptive elements and allows for critical reasoning.
Predictive: What will happen? This provides different elements and focus on what the outcome would be. It proves future possibilities and trends and uses statistical techniques such as linear and logistic regression to understand trends and predict future outcomes.
Prescriptive: What should I do and why should I do it? This determines how a speci ic result or outcome can be achieved through the use of a speci ic set of elements. Its focus is on decision making and ef iciency improvements. Simulation is used to analyze complex system behavior and identify uses.
Recent developments in the ield of cognitive computing have encouraged cognitive analytics, and its output is more human like, so it is more bene icial. Cognitive analytics takes perspective analytics to the next level. Companies essentially need prescriptive analytics to drive insights, recommendations, and optimizations. Cognitive analytics actually test, learn, and adapt over time and derive even greater insights. It bridges the gap among machine learning, Big Data, and practical decision making in real time with high con idence and provides contextual insights.
Based on the outcome of the level of analytics performed on the data set, companies encourage or discourage particular behavior according to their needs. This triggered a new era of human-machine collaboration, cooperation, and communication. While the machine identi ies the patterns, the human responsibilities are to interpret them and put them into different micro-segments and recommend and suggest some course of action. In a nutshell, machine learning technologies are here to help humans re ine and increase their potential.
The Details of Machine Learning
Machine learning is known for its multi-disciplinary nature. It includes multiple ields of study, ranging from philosophy to sociology to arti icial intelligence. However, in this book, machine learning is treated as a
sub ield of arti icial intelligence, which is explained as the ability of machines to learn, think, and solve a problem or issue in the way that humans do. It helps computers (software) act and respond without being explicitly programmed to do so.
Here are some formal de initions of machine learning:
Machine learning is concerned with the design and development of algorithms and techniques that allow computers to learn. The major focus of ML is to extract information from data automatically, by computational and statistical methods. It is thus closely related to data mining and statistics. (Svensson and Soderberg, 2008)
Machine learning inherited and borrowed on concepts and results from many ields; for example, arti icial intelligence, probability and statistics, computational complexity theory, control theory, information theory, philosophy, psychology, neurobiology, and other ields. (Mitchell, 1997, p. 2)
Here are some important highlights about machine learning:
Machine learning is a kind of arti icial intelligence (AI) that enables computers to learn without being explicitly programmed. Software learns from past experiences through machine learning. Software can improve its performances by use of intelligent programs (machine learning) in an iterative fashion.
Machine learning algorithms have the ability to learn, teach, adapt to the changes, and improve with experience in the data/environment.
Machine learning is about developing code to enable the machine to learn to perform tasks.
A computer program or algorithm is treated as a learning program if it learns from experience relative to some class of tasks and performance measure (iteratively).
A machine learning program is successful if its performance at the tasks improves with experiences (based on data).
Machine learning is focused on using advanced computational mechanisms to develop dynamic algorithms that detect patterns in data, learn from experience, adjust programs, and improve accordingly.
The purpose of machine learning is to ind meaningful simplicity and information/insights in the midst of disorderly complexity. It tries to optimize performance criteria using past experience based on its
Another random document with no related content on Scribd:
syitä, jotka oikeuttivat hänen omaksumansa kannan — ja siinä tapauksessa oli hänen mielipiteensä yhtä oikeutettu kuin Caryllinkin. Sellaisen miehen, jolla itsellänsä oli ennakkoluuloja, oli tuskin oikein ja kohtuullista nureksia toisten ennakkoluuloja. Hän keikautti päätään kiukkuisen suuttuneena itseensä. Hän oli alkanut huonosti, antanut itsestänsä väärän vaikutelman jo heti alussa. Jo monta vuotta sitten oli hänen isänsä täytynyt saada Saint Hubertilta tietää, että hänen poikansa puhui ranskankieltä sujuvasti. Ja kun hän ei ollut äsken suostunut sitä puhumaan, oli sen täytynyt tuntua tahalliselta nenäkkyydeltä, suoranaiselta taisteluhaasteelta henkilöstä, joka ajatteli toisella tavoin kuin hän. Palvoakseen harmiansa hän oli esiintynyt huonotapaisen nulikan tavoin — ja hänen isänsä oli vain hymyillyt, kuten hän olisi hymyillyt lapsen oikuille.
Alku oli kylläkin nöyryyttävä.
Ärtyneenä ja äkäisenä hän kuitenkin päätti niellä ylpeytensä ja meni toisten seuraan aprikoiden, miten hänet otettaisiin vastaan, ja ujosti arkaillen häiritä heidän innokasta keskusteluaan. Mutta hänestä niin pitkiltä tuntuneet hetkiset olivatkin olleet hyvin lyhyet, eivätkä ystävykset toistensa seuraan syventyneinä näyttäneet huomanneenkaan hänen poissaoloansa.
Ja vielä hänen tultuansa he jonkun aikaa puhelivat keskenään häiriytymättä.
Kun sheikki vihdoin jälleen kääntyi poikansa puoleen, ei hänen käytöksestänsä saattanut mitenkään päättää, että hän oli pahastunut tai harmistunut.
»Sinun on suotava meille anteeksi», virkkoi hän huulillansa sama vakava hymy kuin ennenkin. »Meillä on kahden vuoden aikana
kasaantuneet keskustelunaiheet jauhettavinamme. Mutta enää emme saa pitää äitiäsi jännityksessä. Hän on laskenut päivät, luulisinpä tunnitkin, odottaessaan sinun tuloasi.»
Ja taaskin Caryllista tuntui kuin olisivat nuo läpitunkevat, tummat silmät nähneet hänen sielunsa sisimpiin sopukkoihin, ja hänen katsettansa väräytti hermostunut hämminki. »Toivon — hänen voivan hyvin», sopersi hän ja kummasteli surkeana, minkä tähden tämänkin jokapäiväisen ja perin luonnollisen kysymyksen lausuminen oli niin vaikea.
»Hän voi aina hyvin — Allahin kiitos», vastasi sheikki, tehden nopean, vaistomaisen eleen, jota Caryll ei tajunnut. Ja vasta sitten, kun he olivat jälleen ratsailla ja matkalla hyvässä alussa, hän sai tukahdutetuksi ujouttansa kylliksi kiittääksensä isäänsä hevosesta, jolla hän ratsasti. Alusta alkaen hän oli varmasti tuntenut toisen tarkkailevan häntä arvostelevasti, ja vaikka hän tiesikin olevansa hyvä ratsastaja, kävi kiinteä tarkkailu sittenkin hänen ylenmäärin pingoittuneille hermoilleen. Olipa hän jo alkanut aprikoida, eikö hän, kun mittapuut olivat erilaiset, ollut jaksanut täyttää toiveita tässäkään suhteessa, siinä lajissa, johon hän tiesi hyvin pystyvänsä. Ja ihan äkkiä hän hämmästykseksensä huomasi miltei kiihkeästi toivovansa, että tämä hänen vihaamansa mies kehuisi häntä. Se ajatus teki hänet epävarmaksi. Mitä hän välittäisi isänsä kehumisesta tai moitteesta? Mitäpä häntä liikuttaisi, olisipa asianlaita kummin päin hyvänsä?
Mutta vastoin tahtoansakin hän tunsi välittävänsä — välittävänsä niin paljon, että hänet valtasi selittämätön mielihyvän tunne, kun sheikki nyökkäsi hyväksyvästi ja virkkoi rauhallisesti: »On hauska, että pidät siitä. Raoul kertoi minulle, että osaat ratsastaa.»
Ja hän ratsasti edelleen, ihmetellen itseänsä, harmitellen omaa epävakaisuuttaan, harmitellen kummallista tyydytystä, jonka nuo muutamat sanat olivat hänelle tuoneet.
Heidän saapuessaan määräpaikkaansa oli aurinko menossa mailleen.
Caryllin tottumattomasta silmästä leiri näytti äärettömältä, koko näky oudolta ja kiehtovamman kauniilta kuin hän oli osannut kuvitellakaan, ja viehättyen suomaan harvinaisen kiitoksen hänen asiallinen järkensä kerrankin unohti arvostella ja tuomita. Heidän lähestymistään ilmoittavat pyssynpamahdukset jäivät melkein huomaamatta, eivätkä käheät tervehdyshuudot tällä kertaa nostaneet pilviä hänen kasvoilleen. Hän unohti itse olevansa kaiken tämän melun aihe. Siirtyneenä oman itsensä ulkopuolelle hän ikäänkuin oli katsovinansa jotakin ihmeellisen realistista teatteriesitystä tai jotakin tavattoman hyvin ja elävästi maalattua taulua. Hänellä oli unenkaltainen epätodellisuuden tunnelma, kun hän ratsasti sheikin ja Saint Hubertin välissä pitkin pitkää, loitolla olevista leireistä päällikkönsä pojan kunniaksi kutsuttujen arabialaisten ratsumiesten muodostamaa kujaa, joka ulottui kauas aavikolle, muistuttaen elävää puistokatua, ja sitten edelleen, sivuuttaen useita ryhmiä matalia telttoja, lähekkäin riveissä seisovat, meluisat kamelit, liekaan pantuja hevosia rivin toisensa jälkeen, tiheät parvet heimon miehiä, joiden syvä-ääniset huudot melkein hukkuivat tarkasti hunnutettujen naisten räikeisiin ääniin ja innostuneiden, toisiansa sysivien ja telmivien lasten kimeihin kiljaisuihin.
Se oli melkein kuninkaallinen kulkue, melkein kuninkaallinen vastaanotto, joka herätti hänessä jonkun aikoja sitten unohtuneen
muiston ja pani hänet hengittämään lyhyeen ja kiivaasti.
Eteenpäin sydämen sykähdellessä oudosti, kunnes he saapuivat aukeamalle ja kääntyivät laajaan, korkeaan telttaan päin, jonka edustalla seisoi vaaleahiuksinen, hento nainen.
Ja ihmeissään ja kummissaan hän tuijotti tuohon nuorekkaan näköiseen, valkopukuiseen olentoon. Tuoko oli hänen äitinsä — tuo tyttö! Setä Raoul oli siis narrannut häntä!
Paheksuen hän kääntyi kreivin puoleen, mutisten moittivasti. Mutta Saint Hubertin silmien ilme ei ollut lainkaan veitikkamainen, ja hänen kasvonsa olivat oudosti pingoittuneet ja kalpeat.
»Eteenpäin. Caryll!» kehoitti hän hiljaa. »Hän on odottanut sinua neljätoista vuotta.»
»Oletko tyytyväinen — tyttäreesi, ma mie?» Sheikin äänessä oli venytetty veitikkamaisen halveksumisen häive, joka pani hänen vaimonsa säpsähtämään. Muutamia minuutteja hän mitään vastaamatta uutterasti harjasi tuuheata, välkkyvää tukkaansa, joka ei enää ollut leikattu poikamaisen lyhyeksi, vaan riippui hänen ympärillänsä kultaisena pilvenä ja verhosi hänen kasvonsa häntä velton tutkivasti tarkkailevilta silmiltä.
Kymmenen minuuttia aikaisemmin oli Ahmed huolettomasti astunut viereisestä pukeutumishuoneesta sisälle hyvin ruokottuna ja tahrattoman puhtaana ja senjälkeen lojunut mukavassa asennossa leposohvalla, varroten Dianaa, joka pukeutui päivällistä varten.
Hänen huulillensa levisi verkalleen hymy, kun minuutit kuluivat eikä Diana vastannut mitään.
Sijoitettuansa pitkät raajansa mukavammin hän karisti savukkeestansa kiemuran murenevaa tuhkaa ja puhkesi uudelleen puhumaan, venytellen sanojaan vieläkin enemmän kuin äsken.
»Lausuin sinulle kysymyksen, Diane.» Silloin vaimo katsoi häntä silmiin, heilauttaen vaaleat hiuksensa syrjään, tehden nopean, melkein hermostuneen liikkeen.
»Ahmed — sinä et ole kohtuudenmukainen», nuhteli hän.
»Enkö?» Mies naurahti hiljaa. »No niin, sinun on joka tapauksessa myönnettävä, että hän on ainakin — naismainen. Paljoa naismaisempi kuin sinä olit hänen ikäisenään, joka suhteessa», lisäsi hän, naurahtaen toistamiseen kiusoittelevasti.
Diana punehtui, mutta hymyili vastoin tahtoaankin. »Minäkö? Niin, minä olin hirveä vekara. Minun käyttäytymiseni oli ihan mahdotonta. Caryll käyttäytyy kauniisti. Ja 'käytös tekee miehen', kuten tiedät, Ahmed.»
Sheikki murahti ylenkatseellisen vastustavasti.
»Kulunut sananparsi. Omasta puolestani tulisin toimeen vähemmän hiotulla käytöksellä, mutta haluaisin enemmän miehekkyyttä.»
Diana oli jälleen palannut pukeutumispöydän ääreen ja käytteli hiusharjaansa ripeästi.
»Miksi arvelet, ettei hän ole miehekäs?» tiedusti hän kultaisen pilven takaa. »Itsekin myönnät hänen osaavan ratsastaa, ja Raoul vakuuttaa, että hän on mainio ampuja.»
»Niin olet sinäkin, rakas», tokaisi sheikki kuivasti, »ja osaat ratsastaa yhtä hyvin, otaksuttavasti paremmin kuin lahjakas poikasi. Teitä tuskin voi verrata toisiinne. Ratsastaminen ja ampuminen eivät
ole kaikki kaikessa. Kaipaan vielä muutakin — sellaista, mitä en tähän saakka ole hänessä nähnyt.»
Hänen äänestään soinnahtava pettymys sai kyyneleet kihoamaan äidin silmiin, ja Diana laski harjan kädestään sormiensa vapistessa hieman. »Et vielä ole nähnyt häntä kovin paljoa», jupisi hän. »Et voi tuomita häntä vain neljäkolmatta tuntia kestäneen yhdessäolon jälkeen. Hän on kauhean ujo, ja täällä täytyy kaiken olla outoa ja toisenlaista kuin kaikki, mihin hän on tottunut. Jos hän olisi vain tavallinen vieras, olisi kaikki paljon helpompaa. Mutta koska hän on — se, mikä hän on, koska hänen ei voida otaksua tuntevan tuon kauhean eron syytä, täytyy tämän olla yhtä — yhtä raskasta hänestä kuin meistäkin. Hän näkee vain toisen puolen, hän ei tiedä, mistä kaikesta se johtuu. Hän rakasti vanhusta, emmekä me merkitse hänestä mitään. Hänen on mahdoton tietää, että minä — me — että me kaipaamme hänen rakkauttansa.» Hänen äänensä särkyi haikeaksi nyyhkytykseksi, ja sheikki ponnahti pystyyn, rientäen lattian poikki parilla hätäisellä askeleella.
Naisten tapaan hän oli poikennut pääasiasta ja huomaamattansa lausunut julki pettymyksensä, joka omalla tavallaan oli yhtä raskas kuin Ahmedinkin. Ja Dianan suru sai miehen unohtamaan oman harminsa.
Hellästi hän kohotti vaimonsa taivutettua päätä. »Kyyneliäkö, Diane?» nuhteli hän, hymyillen hellän ilkamoivasti. »Kierränkö nurin poikamme niskat vai omaniko? Me emme kumpikaan ole kyyneleittesi arvoisia.» Ja äkkiä hän sieppasi Dianan syliinsä ja kantoi hänet takaisin sohvalle.
»Oh, viisi päivällisestä», huudahti hän vastaukseksi vaimonsa vastalauseisiin, kun hän istuutui ja veti Dianan lujasti syliinsä.
»Mitäpä päivällisestä, kun olen pannut sinut itkemään, minä raakalainen! Nuori mies saa odottaa kerrankin eläissään — ja Raoulin sielu on ruoan yläpuolella, Jumala häntä siunatkoon. Miltä sinusta Raoul tuntuu tällä kertaa, armas?» jatkoi hän, muuttaen jyrkästi sävyään, kiertäen sormiensa ympärille pitkän, kaartuvan hiuskiehkuran, joka oli valahtanut Dianan rinnalle.
Vaimo arvasi hänen tahallansa koettavan kääntää keskustelua toiselle tolalle ja vei hänen kätensä huulilleen, tukahduttaen huokauksen.
»Me puhelimme Caryllista, rakas, emmekä Raoulista», huomautti hän hellän itsepintaisesti.
Ahmed hymyili hänelle kankeasti.
»Niinkö?» vastasi hän miltei välinpitämättömästi. »No niin, ehkä meidän sittenkin on paras odottaa. Kuten sanoit, sinä perin viisas ja ymmärtäväinen vaimo, neljäkolmatta tuntia ei ole pitkä aika mielipiteen muodostamista varten. Kenties olen erehtynyt, kenties odotin liian paljon — kenties en ole lainkaan sitä ajatellut», lisäsi hän, kohauttaen hieman olkapäitänsä.
Mutta hän oli kyllä sitä ajatellut, ja vain Diana tiesi, kuinka syvästi.
Hän veti miehensä päätä puoleensa silmissään kaihoisa, vetoava ilme. »Ole hänelle ystävällinen, Ahmed», kuiskasi hän, »ja koeta koeta ymmärtää hänen näkökantaansa. Sen täytyy olla niin erilainen kuin meidän. Hän ei ole samanlainen kuin Poju, joka ei ole milloinkaan kokenut muuta kuin tätä hurjaa elämää, jota me vietämme. Hänen oman elämänsä on täytynyt olla niin säännöllistä ja järjestyksellistä. Ja alituisesti iäkkään vanhuksen seurassa vietetty
elämä on tehnyt hänet hiljaiseksi ja harvasanaiseksi — ja turhantarkaksi. Olemme Raoulilta saaneet tietää, kuinka suuresti isäsi luotti häneen, kuinka paljon vastuunalaisuutta hänelle annettiin, ihan liian paljon vastuuta niin nuorelle pojalle. Ja Raoul kertoi, että kahden viime vuoden aikana — jolloin hän tiesi isäsi saattavan kuolla millä minuutilla tahansa — hänen kiintymyksensä ja alttiutensa olivat tavattomat. Hän luopui kaikesta iso-isänsä tähden. Eikä se ole aina voinut olla helppoa. Se ei ollut luonnollista elämää hänen ikäisellensä pojalle. Hänen on usein täytynyt kaivata vapautta voidaksensa elää muiden poikien tavalla. Sensijaan hän sai viettää kaiken aikansa sairaan huoneessa ja tilan konttorissa. Se on pakostakin vaikuttanut häneen, tehnyt hänet toisenlaiseksi kuin sinä toivoit hänen olevan. Mutta se, mitä kaipaat, on olemassa, siitä olen varma, kunhan vain kaivat syvälle ja koetat löytää sen. Mutta sinun on mentävä häntä puolitiehen vastaan, sinun on mukauduttava. Lupaa minulle, lupaa minulle, Ahmed, olla lempeä hänelle — kuten olet lempeä minulle. Sillä hän on enemmän minun poikani kuin sinun, niin minusta tuntuu», sanoi Diana hymyillen arkailevasti.
Mutta sheikki ravisti päätänsä.
»Minä epäilen sitä», virkkoi hän verkkaisesti. »Hänellä on sinun kasvosi, rakas, mutta siihen samanlaisuus loppuu. Minä en näe teissä mitään muuta yhtäläistä.»
»Mutta, Ahmed, lupaathan —»
»Minä lupaan mitä hyvänsä järjellistä, kunhan se vain kuivaa kyyneleet armaista silmistäsi», keskeytti toinen sukkelasti, »mutta en voi luvata tekeväni mahdotonta. Caryllilla on pinttyneet ennakkoluulot, ja hän näyttää jo tullessaan olleen valmistautunut tekemään kaikki mahdollisimman vaikeaksi. Myöntymysten pitää olla
kahdenpuolisia. Jos minun on mukauduttava, on hänenkin. Ja lievästi sanoen, ei hänen tämänpäiväinen esiintymisensä juuri ollut sovinnollinen.»
Diana huokasi. »Tiedän sen», myönsi hän murheellisesti. »Hän näyttää koko ajan olevan puolustuskannalla. Hän ei vähääkään auta, ei tarjoa pienintäkään tilaisuutta. Tuntuu samanlaiselta kuin koettaisi tunkeutua kiviseinään, ja voi, Ahmed, minä tahdon päästä sisälle. Minä tahdon opettaa hänet rakastamaan itseäni. Minuun koski, kun minun oli päästettävä hänet luotani, et edes sinä tiedä, kuinka raskasta se minusta oli —» Hän keskeytti puheensa, purskahtaen nyyhkyttämään.
Sheikin oma katse oli himmeä, kun hän hellästi silitti kumaraista päätä. »Enkö?» mutisi hän hymyilevien huuliensa värähtäessä.
»Diane, olen tiennyt sen koko ajan. Mutta siitä puhuminen ei olisi tehnyt sitä keveämmäksi. Se oli kovaa minullekin. Mutta niin täytyi olla, ja lopputulos oli välttämätön. Aavistin, että lähettäessämme hänet otaksuttavasti erosimme hänestä iäksi. Mutta mitä muuta olisi voinut tehdä? Hänen oli mentävä.»
Vähän aikaa Diana virui hiljaa, koettaen hillitä mielenliikutustansa, jonka hän oli päästänyt valloilleen, ja pakottaen takaisin kyyneleet, joita yhä uhkasi tippua. Ikäänkuin jonkun äkillisen mielijohteen kannustamana hän sitten liikahti miehen sylissä ja nousi istumaan, pyyhkäisi tuuheat hiukset otsaltaan ja katsoi Ahmediin kosteissa silmissään pelokkaan rukoileva ilme. »Jos hänelle vain voitaisiin kertoa», sopersi hän sormiensa hermostuneesti hypistellessä toisen burnusin poimuja. Mutta hän näki epäyksen Ahmedin kasvoista, ennenkuin ehti puhuakaan. Pudistaen kielteisesti päätänsä nousi mies pystyyn, hellästi työntäen hänet luotansa.
»Mahdotonta, Diane», sanoi hän — ja vaimo tunsi hänen äänensä lopullisen jyrkän korostuksen — »et sinä enkä minä voi kertoa sitä hänelle.»
Monta vuotta sitten oli Diana oppinut tietämään, kuinka turhaa väittely oli eikä niin ollen enää yrittänytkään taivuttaa sheikkiä, vaan pysyi ääneti katsellessaan, kun mies poistui huoneesta. Mutta hänen ilmeensä olivat yhäti huolestuneet, ja Ahmedin jälkeen sulkeutuneet raskaat verhot olivat aikoja sitten lakanneet huojumasta, ennenkuin hän taaskin väsyneesti huoaten kääntyi ja palasi pukeutumispöydän ääreen täydentämään valmistuksiansa päivällistä varten.
He eivät voineet kertoa hänelle — eivät, mutta Raoul voi.
Mutta sittenkin, miten voi häneltä sitä pyytää?
Eikä varsin kaukana hänestä, yhdessä niistä ylellisistä vierasteltoista, jotka oli pystytetty sheikin oman teltan rauhalliselle aavikkopuolelle, syrjään pääleirin humusta, istui samalla hetkellä heidän poikansa jörönä odottaen Saint Hubertia.
Hän oli jo pukeutunut päivällistä varten ja oli äsken lähettänyt pois palvelijansa. Williamsin innosta hehkuvat kasvot, hänen peittelemätön riemunsa siitä, että hän vihdoinkin oli keskellä »tosielämää», kuten hän haltioissansa sitä nimitti, olivat juuri tällä hetkellä enemmän kuin Caryll oikein sieti. Hän ei itse missään nimessä tuntenut samanlaista riemua.
Alusta loppuun saakka oli se päivä ollut epäonnistunut.
Jo edellisenä iltana ensimmäisten tervehdysten jälkeen hän oli tuntenut, että tilanne oli jännittynyt, ja tiesi syyn olevan yksinomaan
itsessään. Ja jos niin oli, niin mitä hän sille mahtoi, mietti hän äkeissänsä. Mitä muuta oli häneltä odotettu? Oliko mitään syytä olettaa, että hän näyttäisi olevansa riemuissaan kohdattuansa vanhempansa, jotka olivat hänelle oudot, joiden entisen käytöksen hän empimättä tuomitsi, joiden elintapoja hän paheksui! Oliko tämä hänen olemassaolonsa myöhäinen huomaaminen riittävä korvaus siitä, että häntä oli vuosikausia hyljeksitty? Oliko hänen annettava anteeksi se, että hänen vanhempainsa vierominen oli synkistänyt hänen hellästi rakastamansa vanhuksen elämää, jonka sammuttua hän tunsi jääneensä yksin maailmaan? Oliko hänen ilman muuta syrjäytettävä omat ennakkoluulonsa?
Hetkellinen ja tyyten käsittämätön halu, että isä häntä kiittäisi, ja äkillinen mielenliikutuksen aalto, joka oli hänet vallannut, kun äidin kädet olivat ensi kerran kiertyneet hänen ympärillensä ja äidin pehmeät, hellät huulet olivat koskettaneet hänen huuliansa, olivat menneet yhtä nopeasti kuin tulleetkin, antaen jälleen tilaa vanhalle katkeran vihamielisyyden tunteelle, ja hän oli sulkeutunut entistä tarkemmin itseensä kylmän eristäytyvänä, harvasanaisena ja jäykkänä.
Eilenillalla, päivällisen ja senjälkeisten tuntien aikana oli hän selvästi tuntenut, kuinka erillänsä hän oli ja kuinka hämillänsä kaikki olivat, mikä oli lisännyt hänen ujosteluansa ja tehnyt hänet melkein ihan äänettömäksi.
Vaikka toiset olivatkin koettaneet saada häntä mukaan yleiseen keskusteluun, oli hän tuntenut olevansa viides pyörä vaunuissa. Ja yhteistä keskustelunaihetta oli ollut vaikea löytää. Pahasti harmistuneena hän ei ollut voinut puhua lämpimästi rakastamastansa englantilaisesta kodista, eikä hän tahtonut puhua
Algeriasta. Ja koko ajan oli hän tuntenut läpitunkevat silmät, jotka tuntuivat aina olevan suunnatut häneen, sielullisesti leikkelevän häntä. Niiden herkeämättä häntä tarkkaillessa hän oli punehtunut ja liikahdellut, kunnes kuumentavan vaivaava tunne oli muuttunut kiukkuiseksi, melkein sietämättömäksi harmiksi. Hän tajusi herkästi, ettei hän kyennyt salaamaan omia tunteitaan, ja sheikin tyynet, kiihkottomat piirteet ärsyttivät häntä järjettömään raivoon. Ja hänellä oli vaistomainen tunne, että toisen tyyni kiihkottomuus oli vain verho, että se piilotti peloittavia voimia, joita piti kurissa rautainen tahto. Mitä piili tuon sävyisän kohteliaan ulkokuoren alla? Mitä oli noiden ankarien, tutkimattomien kasvojen takana?
Neljäkolmatta tuntia sitten hän oli kysynyt itseltänsä sitä. Nyt hän sen tiesi tai luuli tietävänsä. Ja se tieto pani hänet aprikoimaan, millaiset suhteet hänellä tulisi vastaisuudessa olemaan tämän ranskaa puhuvan, barbaarinnäköisen isän kanssa, jonka hänestä näytti erottavan niin laaja ja ylipääsemätön kuilu.
Miten voisi heidän välillensä koskaan syntyä ymmärtämyksen pohjaa, kun he olivat niin perin vastakkaiset, kun heillä ei ollut ainoatakaan yhteistä ajatusta, ei ainoatakaan yhteistä pyrkimystä?
Eilinen ilta oli tehnyt sen seikan ihan selväksi. Eikä hän ollut tänään nähnyt mitään sellaista, mikä olisi kallistanut häntä muuttamaan mielipidettään. Päinvastoin hän oli nähnyt sellaista, mikä oli nostattanut hänen sisunsa miltei hillittömään vimmaan ja mikä oli lujittanut hänen vihaansa ja vastahakoisuuttansa.
Aamu oli alkanut onnettomasti. Noustuansa hyvin varhain makuulta hän oli lähtenyt kävelemään leirissä ja joutunut harhaillessansa eristetylle kohdalle, jossa jaettiin oikeutta itämaalaisten perinpohjaiseen ja ankaraan tapaan. Hän ei
luonnollisestikaan tiennyt, mistä rikoksesta tai kunnottomasta teosta kovaonninen poloinen sai maksaa niin kalliin hinnan, mutta rangaistus, jonka todistajaksi hän oli tahtomattaan joutunut, oli karkoittanut hänet takaisin telttaan ellottavan inhon ja kauhun vallassa.
Kenenkään näkemättä hän oli pujahtanut tiehensä, vieden mukanansa muiston tuikeasta, tunnottomasta olennosta, joka oli katsellut näkyä värähtämättä, samalla kun kylmä hiki valui pitkin hänen, Caryllin, kasvoja.
Sellainen siis oli hänen isänsä — kun naamari otettiin pois.
Raakalainen julma, säälimätön despootti, joka ei ainoastaan suvainnut sellaisia häpeällisiä tekoja, vaan lisäksi oli itse niistä vastuussa!
Tällainen siis oli mies oikeassa karvassaan — se mies, jota Saint Hubert ihaili, se mies, jota hänen äitinsä rakasti! Hyvä Jumala taivaassa, miten se oli mahdollista? Ja ennen kaikkea, hänen äitinsä — hänen lempeäsilmäinen, lempeä-ääninen äitinsä — kuinka saattoi hän kaiken tämän tietäen enää vähääkään pitää moisesta raakalaisesta? Oliko hänen viettämänsä villi elämä syynä tähän näennäiseen tunnottomuuteen? Aavikon ilmako teki ihmiset niin välinpitämättömiksi kärsimyksiin nähden?
Kun he myöhemmin olivat kohdanneet toisensa, oli hän silmäillyt äitiänsä tarkoin, mutta ei ollut huomannut mitään, minkä nojalla olisi saattanut olettaa äidin tietäneen mitään aamullisesta tapahtumasta.
Eikö hän tiennyt siitä mitään vai oliko hän tahallansa näkemättä tapausta, johon aika oli hänet totuttanut? Mutta tiesipä hän tai oli
tietämättä, yksi seikka oli eittämättömän selvä: hän palvoi sitä miestä, joka suvaitsi tällaista raakuutta, ja oli onnellinen ympäristössä, joka hänen pojastansa oli sanomattoman kammottava. Caryllista oli varhaisen aamun välikohtaus antanut värityksen sen päivän kaikille seuraaville tapahtumille. Hänessä oli herännyt inho kaikkea hänen ympärillänsä olevaa ja tapahtuvaa kohtaan. Nyt hänestä tuntui, että hänellä oli oikeutettu syy siihen järjettömään vihaan, jota hän oli aina tuntenut isäänsä vastaan.
Ja samoin kuin johtajat näyttivät miehetkin olevan saman tunnottoman välinpitämättömyyden hapattamat. Liikkuessansa päivän kuluessa sheikin ja Saint Hubertin seurassa leirissä ei hän ollut nähnyt merkkiäkään siitä, että olisi harmiteltu tai edes muistettu tapausta, joka oli tehnyt häneen niin voimakkaan vaikutuksen. Se näytti haihtuneen kaikkien niiden mielestä, joita se koski. Se oli siis mitätön asia näistä raakalaisista, joita hallitsi yhtä villi ja yhtä raaka mies kuin he itse olivat!
Myöskin erinomaisten hevosten hänelle tuottama nautinto, joka muutoin olisi ollut sekoittamattoman ilon lähde, häiriytyi, kun hän näki varsaa taltutettavan hänen mielestänsä epäinhimillisen julmalla tavalla. Mielessänsä arvostellen ja tuomiten hän oli joka tunti käynyt vaiteliaammaksi ja jäykemmän luotaantyöntäväksi.
Koko hänen tunteellinen olemuksensa oli kuohuksissa, ja hän oli mahdollisimman aikaisin vetäytynyt oman telttansa suojaan äreästi hautomaan kaikkea ja suurentelemaan kaiken sellaisen merkitystä, joka tuntui käyvän vastoin hänen omaa ajatussuuntaansa. Hän oli siirtynyt kiihkeästä harmista raivoiseen kiukkuun ja sitten äärimmäiseen haluttomuuteen, ennenkuin Saint Hubert tuli hänen seuraansa. Vilkaistuaan hänen punehtuneihin, jöröihin kasvoihinsa
tajusi lämminsydäminen ranskalainen, että heidän oli avomielisen luottavasti puheltava keskenänsä, ennenkuin tulisi aika liittyä perheen piiriin. Hän oli kokeneena miehenä koko päivän ollut selvillä Caryllin mielentilasta ja oli tullessaan valmistautunut puhumaan vilpittömästi, olivatpa seuraukset mitkä tahansa.
Koska hän saattoi nähdä asian molemmilta puolin ja hänen myötätuntonsa oli tasan jakautunut, tahtoi hän sitäkin innokkaammin lausua varoittavan sanan, jonka hän niin selvästi oivalsi tarpeelliseksi.
»Mikä sinua vaivaa, Caryll?» virkkoi hän, istuutuen tuolille ja kävi käsiksi asian ytimeen luonteenomaisen suoraan tapaansa. »Sinun ei lainkaan tarvitse kertoa minulle, ettei kaikki nyt luonnistu hyvin, sillä olen itse nähnyt sen pitkin päivää. En halua sekaantua asioihisi kuten sananlaskun hupsu, ja taivas tietää, etten tahdo tuppautua uskotuksesi, mutta olen valmis kuuntelemaan, jos sinua haluttaa puhua. Olemme aina olleet avoimia toisillemme. Ole avoin minulle nytkin! Mikä sinua erikoisesti kiusaa?»
Caryllin riutuneet silmät suuntautuivat häneen hetkiseksi. »Erikoisesti kiusaa?» kertasi hän. »Hyvä Jumala, minua kiusaa kaikki! Kaikki on niin perin törkeätä, niin perin, niin kirotun törkeätä.»
Se oli vain hänen ensimmäisen Tuggurtissa sattuneen mielenpurkauksensa kaikua, ja Saint Hubert kohautti olkapäitänsä hieman maltittomasti. »Puhut kovin ylimalkaisesti», huomautti hän vikkelästi. »Sinun on oltava selväsanaisempi, jos lainkaan mielit minun auttavan sinua. Tiedän sinun inhoavan tätä maata ja tullessasi valmistuneen olemaan kaikkeen tyytymätön. Mutta koska kerran olet täällä, niin etkö voi syrjäyttää ennakkoluulojasi toistaiseksi ja koettaa sopeutua? Myönnän kyllä, että tilanne on vaikea. Mutta jollet
suvaitse mitään, mitä näet ja näytät suvaitsemattomuutesi — et sillä suinkaan tee sitä helpommaksi. En tahdo saarnata, Caryll, mutta usko minua, että teet erehdyksen, sellaisen erehdyksen, jota kadut koko elämäsi. Ajattele, mitä tulosi merkitsee omaisillesi! Koeta tarkastaa sitä heidän kannaltansa! Älä viero sitä hellyyttä, jota he ovat valmiit osoittamaan sinulle! Nurjat olosuhteet pakottivat heidät luopumaan sinusta sinun ollessasi lapsi — äläkä unohda, että sinut lähetettiin Englantiin oman onnesi tähden eikä heidän hyväkseen! Sellainen uhraus vaatii totisesti huomaavaisuutta sen henkilön taholta, joka siitä on hyötynyt. Koeta korvata heille se uhraus! Koeta mennä heitä vastaan puolitiehen, kuten he ovat tulleet sinua vastaan! Ja mitä muuta he oikeastaan olisivatkaan voineet tehdä kuin ovat jo tehneet? Sinun ei sovi moittia vastaanottoasi. Äitisi riemu sinun tulosi johdosta on liian silmäänpistävä kaivatakseen selityksiä, ja isäsi —»
Caryll pyörähti rajusti ympäri, ja hänen silmänsä leimusivat.
»Älä puhu hänestä!» kivahti hän. »Minun isäni — hyvä Jumala, kun ajattelen, mitä näin tänä aamuna —» Ja ikäänkuin sanat olisivat väkisin purkautuneet hänen huuliltansa, esitti hän varhain aamulla sattuneen tapauksen hätäisin, katkonaisin lausein. »Häntä pieksettiin kuin koiraa», ähkyi hän lopuksi äänensä väristessä voimakkaasta kammosta, »ja hän oli veressä — yltyleensä veressä —» Hän katkaisi lauseensa vavahtaen ja painoi kasvonsa käsiinsä.
Syntyi pitkä hiljaisuus, jonka aikana ei kuulunut muuta kuin hänen raskas hengityksensä. Ja pyöritellen hyppysissänsä sytyttämättä jäänyttä savuketta katseli Saint Hubert häntä tuntien sääliä, johon sekaantui neuvottomuutta, ja koettaen keksiä sanontatapaa, joka ei loukkaisi eikä myöskään tuntuisi tuomitsevalta. Milloinkaan ei hänen
asemansa ollut tuntunut niin vaikealta, ei milloinkaan ollut niin paljon näyttänyt riippuvan hänen sanojensa valinnasta. Ensimmäisen kerran suojatun, nuoren elämänsä aikana oli Caryll joutunut läheltä näkemään sitä tylyä välttämättömyyttä, joka ehdottomasti liittyi sivistysmaailman ulkopuolella asuvan levottoman yhdyskunnan hallitsemiseen, nähnyt, miten oikeutta suoralta kädeltä jaettiin maassa, jossa rangaistus seuraa nopeasti ja väkivaltaa voidaan vastustaa vain väkivallalla; ensimmäisen kerran hän oli joutunut kosketuksiin luonnollisen lain kanssa, ikivanhan lain, joka vieläkin vaatii silmän silmästä ja hengen hengestä.
Hänet oli karkeasti herätetty näkemään elämästä sellainen puoli, josta hänellä ei ollut siihen saakka ollut aavistustakaan, ja Saint Hubert tajusi, kuinka ankarasti sen oli täytynyt loukata hänen tavattoman tunteellista ja turhantarkkaa mieltään.
Otsa rypyssä ja huolekkaiden aatoksien vallassa kreivi nojautui eteenpäin tuolissaan ja mietti sopivia sanoja selittääksensä menettelyä, jonka hän tiesi ehdottoman tarpeelliseksi ja välttämättömäksi heitä ympäröivissä oloissa, sanoja, jotka auttaisivat Caryllia paremmin ymmärtämään niitä oloja.
Savuke oli särkynyt siekaleiksi hänen hermostuneissa sormissaan, ennenkuin hän puhkesi puhumaan.
»Olen hyvilläni, että kerroit siitä minulle», alkoi hän vihdoin. »Sen nojalla saatan ymmärtää sen, mikä on koko päivän ollut minusta selittämätöntä. On — ikävää, että sinä näit sellaista», jatkoi hän hitaasti, huolellisesti punniten jokaista sanaansa, »ennenkuin olet ehtinyt oppia laajemmin ymmärtämään niitä olosuhteita, jotka tekevät tällaiset kiusalliset tapahtumat välttämättömiksi. Sellaisenaan sen täytyy näyttää sinusta barbaariselta ja hirveältä. Mutta sinä näit
vain rangaistuksen, sinun on mahdoton tietää, mistä se aiheutui. Tämä on alkeellinen maa, mon ami, jossa intohimot lainehtivat rajusti ja vallattomuus rehoittaa; ja on erinäisiä rikkomuksia, jotka vaativat ankaria, pikaisia toimenpiteitä, jos mieli lainkaan säilyttää kuria. Ja muista, että täällä olemme sovinnaisuuksien ulkopuolella ja etteivät tänne ulotu lait, jotka ohjaavat sovinnaisia yhteiskuntia. Täällä hallitsee vain voimakas käsi. Tasapuolisuutta ja oikeutta on selitettävä eri luokkiin kuuluvien yhteiskuntien tarpeitten mukaan, ja isäsi jakama oikeus on sellaista oikeutta; jonka hänen hallitsemansa kansa tunnustaa oikeaksi ja jota se ymmärtää.
»Olosuhteet ovat tehneet hänet siksi, mikä hän on, ja välttämättömyys pakottaa häntä noudattamaan menettelytapoja, joita on aina noudatettu ja joita edelleenkin noudatetaan, kunnes sivistys lakaisee pois vanhat tavat ja avaa tien nykyaikaiselle ajattelulle ja edistykselle jos se en edistystä», lisäsi hän huoaten. Ja äkkiä hän oikaisihe pystyyn istumaan ja nykäisi liivejänsä suoriksi, tehden nopean, maltittoman liikkeen. »Nykyajan huuto — edistystä ja kasvatusta alkuasukkaille! Mitä hyvää on niistä heille koitunut?» kysyi hän kiivaasti. »Mitä hyvää he ovat tähän mennessä saaneet niin sanotusta sivistyksestä? Heiltä on riistetty se maa, joka aikoinaan oli heidän omansa, heitä on verotettu sellaisiin tarkoituksiin, joita ilman heidän on parempi olla, riistetty sitä varten, että rahaa virtaisi niiden ihmisten taskuihin, jotka käyttävät heitä omien pyrkimystensä edistämiseksi! Ota esimerkiksi Algeria…»
Mutta lausuttuansa ne sanat hän äkkiä hillitsi itseänsä, ja hänen äänensä sai jälleen tavallisen tyynen korostuksensa. »Olen pahoillani, Caryll», valitti hän, katsahtaen kumppaniinsa anteeksipyytävästi, »tarkoitukseni ei ollut tyrkyttää taantumuksellisia mielipiteitäni sinulle, ja pelkäänpä poikenneeni aika kauaksi pääasiasta. Mutta palatkaamme sinun pulmaasi. Tiedän, että kaikki
on sinusta outoa, mutta en halua sinun heti alussa saavan päähäsi vääriä käsityksiä. Sinä et voi hyväksyä isäsi oikeudenkäyttömenetelmiä no hyvä. Mutta muista, että ne ovat ainoat menettelytavat, joita täkäläiset ihmiset ymmärtävät. Hän tekee sen, mitä tekee — koska hänen täytyy. Hänen on pidettävä yllä järjestystä, ja hän noudattaa tunnustettuja ohjeita. Jos hän olisi sellainen täydellinen despootti, jollaiseksi sinä häntä luulet, ei hän olisi elänyt tähän saakka hallitaksensa ben Hassanin heimoa. Hänen väkensä pelkää häntä, mutta myöskin rakastaa häntä niinkuin vain harvoja päälliköitä rakastetaan. Näitkö tänään leirissä minkäänlaisia tyytymättömyyden merkkejä? Et. No, eikö se todista sanojani oikeiksi? Jos hänen kansansa rakastaa häntä, niin minkä tähden et sinä voi sitä tehdä? Usko minua, Caryll, hän on luottamuksesi ja kunnioituksesi arvoinen. Kuinka hän muutoin olisi voinut säilyttää äitisi rakkauden näin monta vuotta — ja näethän itsekin, että äitisi palvoo hänen polkemaansa maata — kuinka hän muutoin olisi voinut säilyttää myöskin minun halvan kiintymykseni? Miten voisit sinä ainoastaan neljänkolmatta tunnin kuluttua tuntea hänet niin paljoa paremmin kuin me tunnemme? Miten voisit tuomita häntä niin vähäisen tuntemuksen perusteella? Ilmaisit Tuggurtissa minulle vihaavasi häntä ja mainitsit vihasi syyn. Entäpä jos minä osoitan sinulle, että tämä koko elämäsi ajan hautomasi viha on perusteeton? Jos osoitan sinulle, että tuomitessasi häntä riittämättömillä perusteilla olet tehnyt hänelle katkeraa vääryyttä, ollut hänelle hyvin kohtuuton…» Saint Hubert katkaisi puheensa jyrkästi. Hetken innostuksessa, hartaasti halutessansa saattaa isän ja pojan yhteen hän oli sanonut enemmän kuin oli aikonut, oli ollut vähällä ennenaikaisesti kertoa tarinan, joka, niin hän oli päättänyt, oli ennemmin tai myöhemmin kerrottava.
