В то время, когда апологеты “громадных данных” рассуждают об информационном взрыве, в пример в большинстве случаев приводят эксабайты информации, накопленной в сети. Это не совсем правильно. Горючим для взрыва будут не только и не столько посты в соцсетях и статистика посещений, перерабатываемая рекламными сетями.
Следующие эксабайты будут генерировать уже не люди, а автомобили. Бесчисленные датчики, встроенные в промышленное оборудование, транспорт, бытовую технику и мобильные устройства, справятся с данной задачей куда стремительнее, чем пользователи соцсетей.
По расчетам аналитической компании Analysys Mason, к 2021 году около 2,1 миллиардов подключений к интернету будут инициировать не люди, а устройства, собирающие данные при помощи встроенных датчиков. Для сравнения: в 2011 году количество таких соединений не превышало 100 миллионов.
Необходимо осознавать, что эти 2,1 миллиарда – вероятнее, только вершина айсберга. Большая часть создаваемого ими трафика будет изолирована в сетях компаний. По оценке Oracle, общее число “умных автомобилей” к 2020 году достигнет 50 миллиардов. Их будет многократно больше, чем обитателей на Земле, включая аборигенов и младенцев в джунглях Амазонки.
Совокупность автомобилей, смотрящих за настоящим миром при помощи датчиков, довольно часто обозначают выражением “интернет вещей”. Эксперты применяют сухой термин “межмашинное сотрудничество”, либо M2M. В отличие от гипотетического “интернета вещей”, межмашинное сотрудничество – это не будущее, а действительность.
Приёмники GPS, неизменно передающие координаты грузовика, такси либо автобуса диспетчеру, в далеком прошлом прекратили принимать во внимание экзотикой. На производстве датчики распространились в один момент со станками с числовым программным управлением. И то и другое – это примеры межмашинного сотрудничества.
До недавних пор эти, собранные так, редко подвергались анализу. Не вследствие того что не было жажды: скорее отсутствовали техвозможности. Сейчас они имеется, и обстановка скоро изменяется.
За следующие пять лет рынок аналитических средств, предназначенных для работы с разработками межмашинного сотрудничества, вырастет в семь с половиной раз и достигнет количества, равного $14,3 млрд. Такую оценку даёт компания ABI Research в изучении, опубликованном около месяца назад.
“Физические объекты, каковые в прошлом были совсем “непрозрачными”, станут частью вселенной цифровых данных”, – говорит ведущий аналитик ABI Research Аапо Марконен. Это значит, что их возможно будет изучать, оценивать и оптимизировать посредством тех же способов, каковые на данный момент удачно используют для автоматического обнаружения мошеннических транзакций, предсказания спроса либо улучшения показателей сайтов.
Любимый пример экспертов по “громадным данным” – это, как ни необычно, самолеты. Практически любая деталь современного самолёта содержит датчики – начиная с закрылков и заканчивая двигателями. За полчаса набегает около 10 терабайтов телеметрии лишь с одного двигателя, а их в большинстве случаев не меньше двух.
В случае если анализ этих разрешённых позволит сжигать меньше топлива, польза будет огромной. По оценкам аналитиков, сокращение расхода горючего гражданскими самолётами США всего лишь на один процент за пятнадцать лет выльется в экономию приблизительно $30 млрд.
Дело, но, не только в экономии. При компьютерном анализе часто отыскиваются подробности, каковые нереально различить невооружённым взором. Методы машинного обучения при достаточном количестве дешёвых разрешённых начинают отличать особенности обычной работы техники и срочно выделяют в них странности, каковые смогут сигнализировать о неисправностях и дефектах, – и делать это задолго перед тем, как их найдут (либо, того хуже, НЕ найдут) классическими способами.
Как раз с целью этого наибольшая американская ЖД компания Union Pacific Railroad оснастила датчиками любой вагон, стрелки а также сами пути. Телеметрическую данные собирают термометры, звуковые и визуальные датчики, установленные под вагонами, а также в тормозах, электромоторах и подшипниках. Перемалывающая её совокупность предиктивной аналитики подмечает назревающие неприятности за пара дней перед тем, как они превратятся в полноценные неисправности.
То же самое начинают делать на фабриках. Время от времени суть измерений понятен и логичен: к примеру, в случае если подшипник в конвейере нагрелся больше простого либо датчики зафиксировали вибрацию, не вписывающуюся в норму, нетрудно додуматься, что происходит что-то не то. Но анализ разрешённых может выявить и менее очевидные закономерности, связывающие неисправности с определёнными показаниями датчиков, каковые с позиций человека вовсе не кажутся странными.
В статье о том, как анализ данных изменяет города, упоминались датчики, каковые смотрят за состоянием водопроводных труб, – ещё одно приложение той же идеи. Это, но, только начало. Что будет дальше, наглядно демонстрирует новая разработка производителя осветительного оборудования Sensity Systems. В последних числах Октября компания представила “умные” фонарные столбы со встроенными датчиками влажности, освещённости, радиации, качества воздуха, ветра, температуры, сейсмической активности, и камерами и микрофонами.
В Sensity Systems видят массу потенциальных применений для для того чтобы необыкновенного устройства. К примеру, “умные” фонари смогут мгновенно докладывать в правоохранительные органы о шуме, напоминающем звук выстрелов. Сопоставление информации, поступающей с различных столбов, разрешит аппроксимировать координаты источника звука, а камеры – проверить, что в том месте случилось.
Вторая занимательная возможность – оповещение об аномальных скоплениях людей. Их возможно подмечать по трансформации количества смартфонов в зоне действия Wi-Fi-фонаря. Наконец, это практически невиданно плотная сеть метеостанций. Так подробная климатическая информация без особенного труда отыщет не только потребителей, но и клиентов.
Более “домашние” приложения M2M-разработок ещё недавно оценили клиенты самообучающихся термостатов Nest – нового детища создателя плеера iPod Тони Фэделла. Эти устройства мониторят всё, что происходит в доме, при движения датчиков и помощи температуры, размещённых в различных помещениях, и сверяют их показания с прогнозом погоды, загруженным из интернета, и изданием трансформации настроек.
Неспешно они обучаются осознавать, в то время, когда и что следует сделать, не ждя подсказок от своих пользователей. К примеру, термостат сам снижает энергопотребление, в то время, когда в доме никого не остаётся, но машинально включается перед тем, в то время, когда, по его расчётам, возвратятся хозяева, дабы заблаговременно довести температуру до отметки, что они в большинстве случаев предпочитают сейчас.
То, что устройства становятся “умными”, радует далеко не всех. Термостат, что изучает привычки собственных пользователей, – это комфортно, но одновременно с этим мало пугает. Не через чур ли большое количество он знает? Подобные опасения считаются одним из серьёзных факторов, сдерживающих рост популярности “интернета вещей”.
В 2010 году назад германская корпорация Siemens призвала к национальному регулированию применения данных, собранных при помощи датчиков. “Мы владеем разработкой, которая разрешает записывать энергопотребление дома каждую 60 секунд, секунду либо микросекунду более либо менее в настоящем времени, – сказал тогда представитель Siemens Energy Мартин Поллок. – На основании этого мы можем выяснить, сколько в доме человек, чем они заняты, в какой части строения находятся, имеется ли у них собака, определить время, в то время, когда они просыпаются и в то время, когда принимают душ: это огромное количество информации, которая считается личной”. В Siemens сохраняли надежду, что гос гарантии секретности окажут помощь успокоить потенциальных клиентов.
До тех пор пока обеспечений нет, успех аналогичных разработок полностью зависит от баланса между риском и выгодой, что видят потребители. Если судить по тому, как развиваются события, польза перевешивает.