Para
entender los procesos emancipadores de los grandes datos, se van a tomar en
cuenta 4 (cuatro) publicaciones de diferentes autores, donde los problemas,
aplicaciones, encuesta, diseño y temas relacionados y/o asociados con Big Data,
va hacer la raíz principal del modelo a construir; sin embargo las técnicas de
recolección de información es variada, quedando a criterio de los diferentes
autores de los artículos; ellos buscan de una manera u otras las soluciones más
sencillas para resolver las problemáticas existentes aunque algunos se
anteponen a los hechos pero todos coinciden en sus aportes que la mejor manera
para construir sus ideas se fundamenta con el apoyo gubernamental para lograr
su aplicación se sus técnicas a utilizar. Estos se explicaran a continuación:
BD Aplicaciones de
grandes datos a ciudades inteligentes:
Una de las tecnologías recientes que tiene un gran
potencial para mejorar los servicios inteligentes de la ciudad es el análisis
de datos grandes. Las ciudades inteligentes utilizan múltiples tecnologías para
mejorar el desempeño de la salud, el transporte, la energía, la educación y los
servicios de agua que conducen a mayores niveles de comodidad de sus
ciudadanos. Esto implica la reducción de costos y el consumo de recursos,
además de una participación más eficaz y activa con sus ciudadanos. Como la
digitalización se ha convertido en una parte integral de la vida cotidiana, la
recopilación de datos ha resultado en la acumulación de enormes cantidades de
datos que se pueden utilizar en diversos dominios de aplicaciones beneficiosas.
El análisis eficaz y la utilización de grandes datos es un factor clave para el
éxito en muchos negocios y dominios de servicio, incluyendo el dominio de la
ciudad inteligente. Esta técnica analiza y compara diferentes definiciones de
la ciudad inteligente y los grandes datos y explora las oportunidades, retos y
beneficios de incorporar grandes aplicaciones de datos para ciudades
inteligentes. Además, hay algunas características de los grandes datos que se
llaman los Vs de la gestión como son:
- Volumen: Se refiere al tamaño de los datos que se han creado de todas las fuentes.
- Velocidad: Se refiere a la velocidad a la que se generan, almacenan, analizan y procesan los datos. Un énfasis está siendo puesto recientemente en el apoyo en tiempo real análisis de grandes datos.
- Variedad: Se refiere a los diferentes tipos de datos que se generan. Es común ahora que la mayoría de los datos no están estructurados y no pueden clasificarse o tabularse fácilmente.
- Variabilidad: Se refiere a cómo la estructura y el significado de los datos cambia constantemente, especialmente cuando se trata de datos generados a partir del análisis del lenguaje natural.
- Valor: Se refiere a la posible ventaja de los grandes datos que pueden ofrecer un negocio basado en la recopilación de buenos datos, la gestión y el análisis.
La Ciudad inteligente y grandes datos son dos
conceptos modernos e importantes; Por lo tanto, muchos comenzaron a integrarlos
para desarrollar aplicaciones de ciudades inteligentes que ayuden a alcanzar la
sostenibilidad, una mejor resiliencia, una gobernabilidad eficaz, una mejor
calidad de vida y una gestión inteligente de los recursos inteligentes de la
ciudad. A pesar de las diversas definiciones de cada concepto tiene una serie
de características que lo define de manera única. Basándonos en estas
características comunes, hemos sido capaces de identificar los beneficios
generales del uso de grandes datos para diseñar y apoyar aplicaciones de
ciudades inteligentes. Las principales cuestiones abiertas que deben ser
investigadas y tratadas para lograr una visión más completa de las ciudades
inteligentes y desarrollar un modelo holístico bien pensado. La construcción y
despliegue de aplicaciones de ciudades inteligentes de gran éxito requerirá
abordar los desafíos y problemas abiertos, siguiendo rigurosos modelos de
diseño y desarrollo, teniendo recursos humanos bien capacitados, utilizando
modelos de simulación y estando preparados y bien apoyados por las entidades
gobernantes. Con todos los factores de éxito en el lugar y una mejor
comprensión de los conceptos, hacer una ciudad inteligente será posible y
seguir mejorando para modelos más inteligentes y servicios será una meta alcanzable
y sostenible.
Autores: Eiman
Al Nuaimi, Hind Al Neyadi, Nader Mohamed y Jameela Al-Jaroodi.
BD Encuesta de Análisis
de grandes datos:
Los grandes datos pueden ser creados por
dispositivos de mano, redes sociales, Internet de cosas, multimedia, y muchas
otras nuevas aplicaciones que tienen las características de volumen, velocidad
y variedad. Los análisis de datos tradicionales pueden no ser capaces de
manejar grandes cantidades de datos. Como resultado, la analítica de datos
completa tiene que ser reexaminada desde las siguientes perspectivas:
·
Desde la perspectiva del volumen, el
diluvio de datos de entrada es lo primero que debemos enfrentar porque puede
paralizar el análisis de datos. Diferente de los analíticos de datos
tradicionales, para el análisis de datos de la red de sensores inalámbricos,
Baraniuk señaló que el cuello de botella de los grandes análisis de datos se
desplazará de sensor a procesamiento, comunicaciones, almacenamiento de datos
de detección. Esto se debe a que los sensores pueden reunir muchos más datos,
pero al cargar estos grandes datos en el sistema de capa superior, puede crear
cuellos de botella en todas partes.
·
Además, desde la perspectiva de la
velocidad, los datos en tiempo real o de transmisión de datos plantean el problema
de la gran cantidad de datos que entran en el análisis de datos dentro de una
corta duración, pero el dispositivo y el sistema pueden no ser capaces de
manejar estos datos de entrada. Esta situación es similar a la del análisis de
flujo de red para el que normalmente no podemos reflejar y analizar todo lo que
podemos recopilar.
·
Desde la perspectiva de la variedad,
debido a que los datos entrantes pueden utilizar diferentes tipos o tener datos
incompletos, la forma de manejarlos también plantea otro problema para los
operadores de entrada y análisis de datos.
La grafica anterior explica la tendencia esperada de
la comercialización de grandes datos entre 2012 y 2018. Tenga en cuenta que
amarillo, rojo y azul de caja de color diferente representan el orden de
aparición de referencia en este documento para el año en particular.
Aunque el análisis de datos de hoy en día puede ser
ineficiente para grandes datos causados por el entorno, los dispositivos, los
sistemas, e incluso los problemas que son muy diferentes de los problemas
tradicionales de minería, ya que varias características de los grandes datos
también existen en el tradicional análisis de datos. Varias ediciones abiertas
causadas por los grandes datos serán tratadas como la plataforma, marco y las
perspectivas de minería de datos en esta sección para explicar qué dilemas
podemos enfrentar debido a los grandes datos. El proceso KDD se utiliza como
marco para estos estudios y se resume en tres partes: entrada, análisis y
salida. Desde la perspectiva del gran marco y plataforma de análisis de datos,
las discusiones se enfocan en los problemas orientados al rendimiento y los
resultados. Ofrece una breve introducción a los datos y los grandes algoritmos
de minería de datos que consisten en agrupación, clasificación y patrones
frecuentes de tecnologías de minería.
Autores: Chun‑Wei
Tsai, Chin‑Feng
Lai, Han‑Chieh
Chao y Athanasios V. Vasilakos.
BD Diseño conceptual de
los grandes datos para un sistema seguro de salud:
El concepto de grandes datos se trata ahora desde
diferentes puntos de vista que abarcan sus implicaciones en muchos campos
notablemente incluyendo la asistencia sanitaria. Para lograr la riqueza de la
información de salud, integrar, compartir y aprovechar los datos son las tareas
esenciales que en última instancia Ofreciendo una visión general y la eficacia
de los grandes datos de la salud para los lectores no expertos. Este artículo
construye un marco distribuido del modelo organizado del cuidado médico con el
propósito de proteger datos del paciente. Es cierto que los datos de salud son
voluminosos y heterogéneos. La razón es que provienen de diferentes fuentes
internas y externas que están disponibles en múltiples ubicaciones
(geográficas, así como diferentes sitios de proveedores de atención médica) en
numerosas aplicaciones heredadas y otras (aplicaciones de procesamiento de transacciones,
bases de datos, entre otros. Además, los datos pueden estar en múltiples
formatos. Algunos ejemplos muy comunes de las fuentes internas y externas son
la siguiente:
·
Fuentes externas: Datos web y de medios
sociales Los datos de citas específicas de salud, Facebook, Twitter, LinkedIn,
blogs y similares pertenecen a esta fuente. Datos máquina a máquina Incluye
lecturas de sensores remotos, medidores y otros dispositivos de señales
vitales.
·
Fuentes internas: Datos biométricos
Contiene huellas dactilares, genética, escritura a mano, exploraciones de
retina, rayos X y otras imágenes médicas, lecturas de presión arterial, pulso y
oximetría de pulso, y otros tipos similares de datos. Datos generados por el
ser humano, recogidos de los expedientes médicos electrónicos, notas del médico
(documentos en papel) e interpretaciones, entrevistas con el paciente que son claro
ejemplo de datos generados por el ser humano. Estos son generalmente no
estructurados o semi-estructurados o ambos.
Para cumplir con el trabajo en gran medida, es
necesario compartir la información entre los diferentes hospitales. Más
específicamente, las notas médicas, la información sobre medicamentos, los
resultados de las pruebas médicas y la información sobre los pacientes, médicos
especializados en hospitales, infraestructura de hospitales, entre otros.
Compartido de un hospital a otro hospital cuando y donde lo necesitan.
Seguramente, los datos de salud operativos (que consisten en datos
estructurados, no estructurados y semi-estructurados) y el intercambio de datos
en varias ubicaciones no pueden ser gestionados por los DBMS tradicionales
generalmente utilizados en sistemas autónomos. Además, su capacidad de
almacenamiento no es suficiente para almacenar los llamados grandes datos.
Cualquier sistema de base de datos centralizada aún
enfrenta varios problemas como la presencia de un único punto de control,
problema de cuello de botella, entre otros, pero estos pueden resolverse
utilizando el sistema de base de datos distribuida. Los requerimientos
esperados del sistema de salud pueden no ser satisfechos, a menos que los
investigadores presten atención al diseñar un sistema de salud electrónico distribuido
bien organizado, la gran analítica de datos se reconoce como un sistema de
procesamiento de información multidisciplinario en las áreas como negocios,
gobierno, medios de comunicación, educación y salud. En particular, se trata de
una zona de cultivo con el potencial de proporcionar información útil en la
integración en la minería de datos y la informática médica y su posterior
análisis usando técnicas de datos de grandes. Donde está evolucionando hasta
convertirse en un campo prometedor para proporcionar información a partir de
conjuntos de datos muy grandes y mejorar los resultados mientras se reducen los
costos. El modelo proporciona una integración de alto nivel aplica un conjunto
de restricciones de seguridad y control de acceso que garantizan la integridad,
la confidencialidad y la privacidad de los datos médicos.
Autor: Bikash Kanti Sarkar
Visualización de
grandes datos con realidad aumentada y virtual: retos y agenda de investigación:
Esta ofrece una visión multidisciplinaria de los problemas
de investigación y los logros en el campo de Big Data y sus técnicas de
visualización y herramientas. El objetivo principal es resumir los desafíos en
los métodos de visualización de los grandes datos existentes, así como ofrecer
soluciones novedosas para cuestiones relacionadas con el estado actual de la
visualización de datos grandes. Proporcionando una clasificación de los tipos
de datos existentes, métodos analíticos, técnicas de visualización y
herramientas, con un énfasis particular en el estudio de la evolución de la
metodología de visualización en los últimos años. Con base en los resultados,
revelamos desventajas de los métodos de visualización existentes. A pesar del
desarrollo tecnológico del mundo moderno, la participación humana (interacción),
el juicio y el pensamiento lógico son necesarios mientras se trabaja con Big
Data. Por lo tanto, se evalúa el papel de las limitaciones percepcionales
humanas que implican grandes cantidades de información. Se analizan los
impactos de las nuevas tecnologías, como las pantallas de Realidad Virtual y
Cascos de Realidad Aumentada en la visualización Big Data, así como la
clasificación de los principales retos de la integración de la tecnología.
Cualquier método de visualización puede clasificarse
por tipo de datos, técnica de visualización e interoperabilidad. Cada método
puede soportar diferentes tipos de datos, varias imágenes y variados métodos de
interacción. Una representación visual del análisis de Big Data es crucial para
su interpretación. Es evidente que la percepción humana es limitada. El
propósito principal de los métodos modernos de representación de datos está
relacionado con la mejora de las formas de imágenes, diagramas o animación.
La imagen anterior explica la evolución de la metodología
de visualización. El desarrollo de los métodos de la visualización se origina a
partir del siglo XVIII y está mejorando rápidamente hoy debido a la
sofisticación técnica.
La interoperabilidad con imágenes visuales y
técnicas para un mejor análisis de los datos. La aplicación utilizada para la
visualización debe presentar formas visuales que capturan la esencia de los
datos en sí. Sin embargo, no siempre es suficiente para un análisis completo.
La representación de datos debe ser construida para permitir que un usuario
tenga diferentes puntos de vista visuales. Hay muchos desafíos para el
procesamiento y análisis de Big Data. Como todos los datos son visualizados
actualmente por computadoras, conduce a dificultades en la extracción de datos,
seguidos por su percepción y cognición. Esas tareas consumen mucho tiempo y no
siempre proporcionan resultados correctos o aceptables.
Para los problemas de visualización es crítico
comprender las cuestiones relacionadas con la percepción humana y la cognición limitada.
Sólo después de eso, el campo del diseño puede proporcionar formas más
eficientes y útiles de utilizar Big Data. Se puede concluir que la metodología
de visualización de datos puede ser mejorada mediante la consideración de
principios psicológicos cognitivos fundamentales e implementando la interacción
más natural con objetos virtuales visualizados. Además, extenderlo con
funciones para excluir puntos ciegos y disminuir los sectores de visión
mejoraría mucho el tiempo de reconocimiento para las personas con tal
enfermedad. Además, un paso hacia las soluciones inalámbricas extendería la
duración de la batería del dispositivo además de las mejoras de computación y
calidad.
Autores: Ekaterina
Olshannikova, Aleksandr Ometov, Yevgeni Koucheryavy y Thomas Olsson.
Lo artículos antes explicados son
relevante para los avances científicos y de investigación, cada autor
especifica de una manera u otras en sus trabajos, las técnicas de recolección
de datos en función de diferente problemáticas asociadas con los grandes datos;
sin embargo todos especifican en sus trabajos que ha tenidos percance pero han
buscados otras puertas para logras la aplicación de sus objetivos. Los
diferentes temas son variados pero unidos con respectos al principio de Big
Data, proporcionarnos una visión concreta
y amplia de problemas cotidianos que algunos se dan se cuenta que existe
y los solucionan u otros que solo se sienta a esperar que lo solucionen. Los
grandes datos es un mundo maravilloso dependiendo de la perspectiva o ángulo
con que se mire, la misma tiene una asociación muy amplia con internet de las
cosas, la realidad virtual, realidad aumentada entre otras; la constante
información variada que viaja de diferentes puntos de donde se pueda mirar y el
crecimiento o expansión de la población a conglomerado significativamente los
datos, también se incluyen como por el ejemplos las redes sociales que nos han
llevado a ser dependiente de estas tecnologías, en la actualidad los servicios
se está cotizando muy altos que ha desplazados a los otros sectores. La
naturaleza con que podamos observar nuestro mundo y podamos solventar esas
problemáticas son y será de gran ayuda para el crecimiento humano y
tecnológico, cuando podamos logran la integración, llegaremos a la liberación
tecnológica que estamos buscando.
Autor:
Sergio Aziz.
