Сочинение на тему Когнитивные вычисления и аналитика больших данных

В больших данных есть проблема. Проблема в том, что слишком много информации и недостаточно таланта, чтобы управлять ею. Поставки аналитиков и специалистов по данным не могут удовлетворить постоянно растущий спрос на этот тип талантов. Эта нехватка представляет проблему, потому что даже самые передовые платформы данных бесполезны без опытных профессионалов, чтобы управлять ими. Как мы решаем это? Больше обучения и лучших академических программ? Возможно, но что, если бы было другое решение. Что если вместо этого мы обучим компьютеры выполнять работу за нас или, по крайней мере, упростить управление инструментами данных? Улучшения в когнитивных вычислениях делают это приближающейся реальностью.

Введение

Технологии зондирования и крупномасштабная вычислительная инфраструктура позволяют создавать разнообразные большие данные в городских пространствах (например, мобильность людей, качество воздуха, схемы движения и географические данные). Большие данные подразумевают богатые знания о населении любой организации и могут помочь решить эти проблемы при правильном использовании. Воодушевленные возможностями построения более интеллектуальных городов, мы можем предложить концепцию вычислительной техники, которая нацелена на то, чтобы разблокировать мощь знаний от больших и разнородных данных, собранных в городских пространствах, и использовать эту мощную информацию для решения основных проблем, с которыми сталкиваются наши города сегодня , Короче говоря, мы стремимся решать большие проблемы в больших городах, используя большие данные.

Когнитивные вычисления принесут аналитике высокий уровень текучести. Обработка данных, которая обычно необходима для правильных аналитических функций, позволяет сотрудникам, не знакомым с языком данных, взаимодействовать с программами и платформами так, как люди взаимодействуют друг с другом.

Таким образом, платформы, созданные на основе технологии AI, могут преобразовывать обычную речь и запросы в запросы данных, предоставляя простые команды и используя обычный язык, а затем предоставляя ответы таким же образом, как они были получены. С такой функциональностью любому человеку было бы намного легче работать в поле данных.

Каркас когнитивных вычислений и больших данных

Определение

Когнитивные вычисления – это процесс сбора, интеграции и анализа больших и разнородных данных, генерируемых различными источниками в городских пространствах, такими как датчики, устройства, транспортные средства, здания и люди, для решения основных проблем, с которыми сталкиваются города ( например, загрязнение воздуха, повышенное потребление энергии и пробки на дорогах). Он объединяет технологии ненавязчивого и повсеместного зондирования, передовые модели управления данными и аналитические модели, а также новые методы визуализации для создания беспроигрышных решений, улучшающих окружающую среду, качество жизни людей и городские операционные системы. Когнитивные вычисления также помогают нам понять природу городских явлений и даже предсказывать будущее. Это междисциплинарная область, объединяющая область вычислительной науки с традиционными областями, такими как транспорт, гражданское строительство, экономика, экология и социология в контексте городских пространств.

Вычисления с разнородными данными

Изучение взаимно подкрепленных знаний из разнородных данных: решение городских проблем включает в себя широкий спектр факторов (например, изучение загрязнения воздуха включает в себя одновременное изучение транспортных потоков, метеорологии и землепользования). Однако существующие методы извлечения данных и машинного обучения обычно обрабатывают один вид данных; например, компьютерное зрение имеет дело с изображениями, а обработка естественного языка основана на текстах. Равная обработка элементов, извлеченных из различных источников данных (например, простое помещение этих элементов в вектор признаков и их преобразование в модель классификации), не обеспечивает наилучшую производительность. Кроме того, использование нескольких источников данных в приложении приводит к пространству большой размерности, что обычно усугубляет проблему разреженности данных. Если не обрабатывать правильно, больше источников данных может даже поставить под угрозу производительность модели. Это требует использования современных моделей анализа данных, которые могут изучать взаимно подкрепленные знания среди множества разнородных данных, полученных из разных источников, включая датчики, людей, транспортные средства и здания.

Эффективная и действенная способность к обучению. Многие сценарии городских вычислений (например, обнаружение аномалий трафика и мониторинг качества воздуха) требуют мгновенных ответов. Помимо простого увеличения числа машин для ускорения вычислений, нам необходимо объединить алгоритмы управления данными и интеллектуального анализа данных и машинного обучения в вычислительную среду, чтобы обеспечить как эффективную, так и эффективную возможность обнаружения знаний. Кроме того, традиционные методы управления данными обычно разрабатываются для одного модального источника данных. Передовая методология управления, которая может организовать мультимодальные данные (такие как потоковые, геопространственные и текстовые данные), все еще отсутствует. Итак, вычисления с несколькими разнородными данными – это слияние данных и алгоритмов.

Визуализация. Массивные данные приносят огромное количество информации, которая нуждается в лучшем представлении. Хорошая визуализация исходных данных может вдохновить новые идеи для решения проблемы, в то время как визуализация результатов вычислений может раскрыть знания интуитивно, чтобы помочь в принятии решений. Визуализация данных также может указывать на корреляцию или причинность между различными факторами. Мультимодальные данные в сценариях городских вычислений приводят к большим измерениям, таким как пространственные, временные и социальные, для визуализации. Как соотнести разные виды данных в разных представлениях и выявить закономерности и тренды, непросто. Кроме того, когда сталкиваются с несколькими типами и огромными объемами данных, увидеть, как исследовательская визуализация может предоставить людям интерактивный способ генерировать новые гипотезы, становится еще труднее. Это требует интеграции технологий мгновенного извлечения данных в среду визуализации, которая до сих пор отсутствует в городских вычислениях.

Приложения в когнитивных вычислениях, состоящие из больших данных

Для транспортных систем

Улучшение водительского опыта. Поиск маршрутов быстрой езды экономит как время водителя, так и потребление энергии, поскольку заторы на дорогах расходуют много газа. Были проведены интенсивные исследования для изучения исторических моделей движения, оценки транспортных потоков в режиме реального времени и прогнозирования будущих условий движения на отдельных участках дороги с точки зрения данных о плавающих автомобилях, таких как траектории GPS транспортных средств, сигналы WiFi и GSM. Однако работа по моделированию общегородских моделей трафика все еще редка. Улучшение услуг такси. Такси являются важным средством передвижения между общественным и частным транспортом, обеспечивая почти сквозные транспортные услуги. В крупных городах, таких как Нью-Йорк и Пекин, люди обычно ждут нетривиального времени, прежде чем воспользоваться свободным такси, в то время как таксисты стремятся найти пассажиров. Эффективное соединение пассажиров с вакантными такси имеет большое значение для экономии времени ожидания людей, увеличения прибыли водителей такси и сокращения ненужного трафика и потребления энергии. Совершенствование систем общественного транспорта. Ожидается, что к 2050 году 70% населения мира будет проживать в городах. Муниципальные планировщики столкнутся со все более урбанизированным и загрязненным миром, причем города повсюду страдают от чрезмерно загруженной сети автомобильных перевозок. Таким образом, создание более эффективных систем общественного транспорта в качестве альтернативы личным транспортным средствам стало неотложным приоритетом как для обеспечения хорошего качества жизни и более чистой окружающей среды, так и для сохранения экономической привлекательности для потенциальных инвесторов и сотрудников. Системы общественного общественного транспорта в сочетании с интегрированным управлением тарифами и передовыми информационными системами для путешественников считаются ключевыми факторами, способствующими более эффективному управлению мобильностью.

Для окружающей среды