RESUMEN EJECUTIVO (Big Data)

            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.