Autors: Techopedia Staff, 2016. gada 22. septembris
Izņemšana: Uzņēmēja Rebeka Jozvejaka apspriež malas analīzi ar Dr. Robinu Blooru, Dezu Blanšfīldu un Dell Statistica Shawn Rogers.
Pašlaik neesat pieteicies. Lai redzētu video, lūdzu, pierakstieties vai reģistrējieties.
Rebecca Jozwiak: dāmas un kungi, sveicināti un laipni gaidīti 2016. gada Hot Technologies. Šodien mums ir “Edge Analytics: IoT Economy beidzot”. Mans vārds ir Rebecca Jozwiak. Es būšu jūsu šodienas tīmekļa apraides moderators. Ja vēlaties pievienoties Twitter sarunai, mēs čivināt ar # HOTTECH16.
Tātad IoT, kas noteikti ir šī gada karstā tēma un lietu internets, tiešām attiecas uz mašīnu datiem, sensoru datiem, žurnāla datiem, ierīču datiem. Neviens no tiem nav jauns, šāda veida dati mums ir bijuši mūžīgi, taču patiesībā mēs tos īsti nespējām izmantot, un tagad mēs redzam tikai tonnu jaunu veidu, kā šos datus izmantot. Īpaši medicīnas nozarē, finanšu tirgos ar naftu un gāzi, precēm, tā ir tikai plaša informācija, kas iepriekš nav izmantota. Un ne visai daudz cilvēku ir īsti apguvuši izpratni par to, kā to izdarīt. Mēs runājam par daudz mazu datu, bet tas ir daudz datu, un, jūs zināt, ir iesaistītas tīkla problēmas, ir iesaistīta aparatūra vai tā ir jāapstrādā, un kā jūs to darāt, nepiesprostojot sistēmu? Nu to mēs šodien uzzināsim.
Šeit ir mūsu ekspertu grupa. Mums ir Dr. Robins Bloors, mūsu The Bloor grupas galvenais analītiķis. Mums ir arī Dezs Blanšfīlds, mūsu datu zinātnieks grupā The Bloor. Un mēs priecājamies, ka mums pieder Shawn Rogers, globālā mārketinga un kanālu direktors no Dell Statistica. Un līdz ar to es nodošu bumbu Robinam.
Dr Robin Bloor: Labi, paldies par to. Es nospiedīšu pogu un uzmetu slaidu. Man nav ne jausmas, kāpēc es izveidoju šo apokaliptisko priekšstatu par lietu internetu. Iespējams, tāpēc, ka, manuprāt, beigās tas kļūs haotiski. Es došos taisni tālāk. Tas ir vienādi ar kursu jebkurā IoT prezentācijā. Jums vienā vai otrā veidā ir jāsaka kaut kas briesmīgs par to, kur tas viss notiek. Un faktiski, iespējams, lielākā daļa no tā ir taisnība. Ja jūs faktiski skatāties uz to, kā šīs līknes pakāpeniski paplašinās. Jūs zināt, personālie datori, viedtālruņi un planšetdatori, iespējams, turpinās pieaugt. Viedtelevīziju skaits, iespējams, pieaugs. Valkājamas, iespējams, šobrīd tās eksplodē, salīdzinot ar to, kas bija pirms dažiem gadiem. Pieslēgtas automašīnas, neizbēgami, ka gandrīz visas automašīnas tiks savienotas pamatīgi plaši un visu laiku rūpīgi pārraidot datus. Un viss pārējais. Un šis konkrētais BI Intelligence grafiks norāda, ka viss pārējais ļoti, ļoti ātri atsvērs acīmredzamās lietas.
Tātad, ko teikt par IoT? Pirmais ir tikai arhitektūras punkts. Jūs zināt, kad jums ir dati un jūs vienā vai otrā veidā apstrādājat, jums būs jāsamontē abi. Un, ņemot vērā apjomus, kādi tie ir tagad, un, apkopojot vietas dažādās vietās, šie abi vairs nav dabiski kopā. Es domāju, ka viņi agrāk bija vecās lieldatoru dienās. Tātad jūs varat domāt par apstrādes slāni, transporta slāni un datu slāni. Vienā vai otrā veidā transporta slānis mūsdienās pārvietojas uz datu apstrādi vai pārvieto datus pa visiem tīkliem. Tātad, šeit ir izvēles iespējas: datus var pārvietot uz apstrādi, apstrādi var pārvietot uz datiem, apstrādi un datus var pārvietot uz ērtu izpildes punktu vai arī var apdalīt apstrādi un sašifrēt datus. Un kas attiecas uz lietu internetu, tad dati jau ir kļuvuši asāki jau dzimšanas brīdī, un, iespējams, ka šausmīgi liela daļa apstrādes tiks palielināta, lai varētu notikt lietojumprogrammas, kuras ir jāpalaiž.
Tāpēc esmu uzgleznojusi attēlu. Interesanta lieta par IoT, es šajā diagrammā runāju par apkopošanas domēnu un es norādu, ka ir apakšdomēni. Tātad, jūs varat iedomāties, ka IoT 1. domēns šeit ir sava veida automašīna, bet 2. domēns un 3. domēns un 4. domēns ir sava veida automašīnas, un jūs apkoposit datus lokāli, jūs darbosit vietējās lietotnes uz šiem datiem un jūs ieviesīsit dažādas lietas darbībā. Bet, lai būtu analītika par visām automašīnām, jums būs jāpārsūta dati uz centru, ne vienmēr visi dati, bet jums būs jāapkopo centrā. Un, ja jūs par to domājat, iespējams, vēlēsities, lai vienā un tajā pašā IoT lietu kopā būtu daudz, daudz dažādu apvienošanas domēnu. Un paši domēni varētu vēl vairāk apkopoties. Tātad jums varētu būt šī atkārtotā hierarhija. Un būtībā tas, kas mums tur ir, ir neticami sarežģīts tīkls. Daudz sarežģītāk nekā jebkas cits, kas mums agrāk bija jābūt.
Man apakšā ir piezīme. Visi tīkla mezgli, ieskaitot lapu mezglus, var būt datu veidotāji, datu krātuves un apstrādes punkti. Un tas dod jums izplatīšanas iespēju, tādu kā mēs vēl neesam redzējuši. Dez par to runās mazliet vairāk, tāpēc pāreju pie šī konkrētā jautājuma. Kad esam nonākuši pie lietu interneta un visi dati faktiski ir kļuvuši par notikumiem, šī slaida būtība ir tikai norāde, ka mums būs jāstandartizē notikumi. Mums vismaz būs tas, kas būs vajadzīgs. Mums būs laiks, kad notikums notika, tā notikuma ģeogrāfiskā atrašanās vieta, tā izveidošanas procesa virtuālā vai loģiskā atrašanās vieta, avota ierīce, kas to izveidoja, ierīces ID, lai jūs precīzi zināt, kura avota ierīce to izveidoja, īpašumtiesības no datiem un dalībniekiem, tiem cilvēkiem, kuriem ir tiesības datus izmantot tādā vai citādā veidā, tam būs jāatstāj savas atļaujas, kas nozīmē, ka tas tiešām būs jāved līdzi drošībai, un tad tur paši dati. Kad jūs to aplūkojat, jūs saprotat, ka, pat ja jums ir sensors, kas nedara neko vairāk kā tikai aptuveni sekundes ziņošanu par kaut ko temperatūru, patiesībā ir diezgan daudz datu tikai tāpēc, lai precīzi identificētu datus cēlies un kas tas patiesībā ir. Starp citu, tas nav izsmeļošs saraksts.
Tātad, runājot par nākotnes IT ainavu, tas, manuprāt, ir šāds: ka tas nav tikai lietu internets, bet arī tas, ka mēs atradīsimies notikumu vadītas aktivitātes pasaulē, un tāpēc mēs būs jābūt uz notikumiem balstītām arhitektūrām, un tām būs jāaptver lieli tīkli. Otra lieta ir reāllaika viss, tas ne vienmēr nozīmē, ka mēs esam reāllaika, bet ir kaut kas, ko es dēvēju par biznesa laiku, tas ir laiks, kurā dati faktiski ir jāapkopo un jāsagatavo apstrādāt. Tas varētu nebūt, jūs zināt, pēc milisekundes pēc tā izveidošanas. Bet katram datu veidam vienmēr ir šāds laiks, un, tiklīdz ir izveidojusies uz notikumiem balstīta arhitektūra, sāk kļūt saprātīgāk domāt par reāllaika pieeju pasaules darbam.
Tātad to vārot, jo tas, par ko mēs patiesībā runājam, ir IoT analītika. Neskatoties uz visu, joprojām ir laiks ieskatam, un tas nav tikai laiks ieskatam, ieskatam ir jāseko arī darbībām. Tātad, laiks, lai gūtu ieskatu un laiks rīcībai, ir tas, uz ko es to vārītu. To sakot, es nodošu bumbu atpakaļ Dezam.
Dez Blanchfield: Paldies, Robin. Insightful kā vienmēr. Man patīk, ka ir grūti rīkoties katrā gadījumā, bet es darīšu visu iespējamo.
Viena no lietām, ko es redzu, un es to bieži izklaidēju, godīgi sakot, nevis izkliedzošā un negatīvā veidā, bet daudz kas rada bažas un paniku par lietu internetu, kas pārņem pasauli. un saīsiniet mūs, un jūs sāksit zaudēt savus datus, tāpēc es vēlos mazliet atskatīties uz dažām lietām, kuras mēs iepriekš esam paveikuši pēdējās divās vai trīs desmitgadēs un kuras bija tuvu faksimilei internetam. lietas, bet varbūt ne gluži tādā pašā mērogā. Un tikai, lai parādītu sev, ka patiesībā mēs šeit esam bijuši un atrisinājuši dažas problēmas, nevis šādā mērogā un ne tādā ātrumā. Jo tas nozīmē, ka mēs faktiski varam atrisināt problēmu un ka mēs zinām, kādas ir dažas atbildes; mēs tikko esam nonākuši līdz medniekam un atkārtoti jāpiemēro daži no iepriekšējiem iemācījumiem. Un es zinu, ka šī ir visa saruna, kuru mēs gatavojamies, un man ir daudz jautru lietu, lai vienkārši tērzētu Q & A sadaļā.
Bet, domājot par lokā esošo lietu internetu, šobrīd notiek liela centralizācija dizaina līmenī, kas tika uzrakstīts ļoti agrīnās dienās. Piemēram, piemērotas ierīces, piemēram, Fitbit ierīces, parasti nonāk vienā centrālā vietā, un tas, iespējams, tiek mitināts mākoņu platformā, un visi šie dati no visām ierīcēm nonāk vienā un tajā pašā, teiksim, kaudzes priekšgalā, ieskaitot tīmekli un lietotņu un uz datiem balstīti pakalpojumi. Laika gaitā šī mēroga ieviešana prasīs pārbūvi, lai tiktu galā ar viņiem pieejamo datu daudzumu, un viņi to pārveidos, tāpēc kaudzē ir vairāki priekšējie gali un vairākas kopijas vairākās vietās un reģionos. Un mēs to redzam, un ir vairāki piemēri, kurus es jums došu un kurus mēs varam apspriest.
Galvenais tas ir tas, ka, kaut arī mēs esam redzējuši dažus no šiem risinājumiem, kurus es gatavojos aptvert, datu apjomam un apjomam, kā arī tīkla trafikam, ko radīs lietu internets, ir steidzami nepieciešama pāreja no centrālās Manuprāt, izplatītām arhitektūrām, un mēs to zinām, bet mēs ne vienmēr esam izpratuši, kāds ir risinājums. Kad mēs domājam par jēdzienu, kas ir lietu internets, tas ir liela mēroga tīkla modelis. Tas ir daudz un daudz lietu, kas tagad rada troksni. Lietas, kas vēl nesen neradīja troksni. Un patiesībā es domāju, ka tas bija vakar, es jokojot runāju par kaudzīti, bet es devos pirkt jaunu tosteri, un tas nāca ar opciju, kas man varēja pateikt dažādas lietas, arī tad, kad to vajadzēja tīrīt. Un jauns mikroviļņu krāsns ar ļoti līdzīgu funkciju un pat varēja tālrunī piespraust kādu lietotni, lai pateiktu, ka lieta, kuru es sildīju, tagad ir izdarīta. Un es ļoti uzskatu, ka, ja ir dažas lietas, kuras es nevēlos ar mani sarunāt, tas ir mans ledusskapis, mikroviļņu krāsns un tosteri. Man ir diezgan patīkami, ka viņi ir mēms ierīces. Bet nesen esmu ieguvis jaunu automašīnu, nelielu Audi, un tas ar mani runā, un es esmu par to diezgan apmierināts, jo lietas, par kurām tas runā, ir interesējošas lietas. Tāpat kā karšu atjaunināšana reāllaikā, lai man pateiktu, kur ir labāks ceļš, lai nokļūtu no punkta A uz punktu B, jo tajā tiek uztverta satiksme, izmantojot dažādus mehānismus, ar datiem, kurus tā nosūta.
Man ir šī slaida. Mēs jau esam redzējuši, ka liela apjoma tīkla modeļiem nepieciešama pāreja no centrālā uz dalītu datu apstrādes un analītisko modeļu uztveršanu un piegādi. Mēs esam redzējuši, kā lietas virzās no trim mazajām diagrammām tur, kur mēs esam, labajā malā, pa kreisi no trim, tur ir centralizēts modelis, kurā visas mazās ierīces nonāk centrālajā vietā un vāc datus un mērogs nav tik liels, viņi ar to tiek galā lieliski. Pa vidu mēs esam ieguvuši nedaudz decentralizētāku modeli un centru un runājuši, kas, manuprāt, ir vajadzīgs nākamās paaudzes lietu internetam. Un tad labajā pusē mēs esam ieguvuši šo pilnībā izplatīto un linumainajā tīklā, kur nākotnē ļoti īsā laikā nonāks lietu internets un mašīna-mašīna, bet mēs neesam gluži tur dažādu iemeslu dēļ. Un galvenokārt tāpēc, ka līdz šim lielākajā daļā komunikāciju mēs izmantojam interneta platformas, un mēs faktiski neesam izveidojuši otro tīklu, lai pārvadātu daudz šo datu.
Jau pastāv citi tīkli, piemēram, Batelco tīkls. Daudzi cilvēki nedomā par to, ka telekomunikāciju tīkli nav internets. Internets daudzējādā ziņā ir ļoti atsevišķa lieta. Viņi maršrutē datus no viedtālruņiem pa tālruņu tīkliem un pēc tam pa tālruņu tīkliem un internetu kopumā, kur viņi tos faktiski slāņo divos tīklos. Bet tas ir pilnīgi iespējams un iespējams, ka lietu internetam būs nepieciešams cits tīkls. Mēs runājam par rūpniecisko internetu kā vispārīgu tēmu, kuru tagad sīkāk neiedziļināsimies, bet būtībā mēs runājam par citu tīklu, kas ir īpaši paredzēts datu vai lietu interneta pārvadāšanas veidiem un mašīnām-mašīnām. komunikācija.
Bet daži no piemēriem, kurus es vēlējos padalīties, kur mēs esam redzējuši liela apjoma tīklus un ļoti labi darbojas izkliedētie dati, ir tādi jautājumi kā internets. Internets jau kopš pirmās dienas tika īpaši izveidots un veidots tā, lai spētu izdzīvot kodolkarā. Ja ASV daļas tiek uzspridzinātas, internets tika izveidots tā, lai dati varētu pārvietoties pa internetu, nezaudējot paketes, iemeslu dēļ, ka mēs joprojām esam savienoti. Un tas joprojām pastāv šodien globālā mērogā. Internetam ir vairākas iespējas saistībā ar atlaišanu un pakešu maršrutēšanu. Un faktiski internetu kontrolē lieta, ko sauc par BGP, Border Gateway Protocol un Border Gateway Protocol, BGP, ir īpaši izstrādāta, lai tiktu galā ar maršrutētāju vai komutatoru, vai serveri nedarbojas. Ja sūtāt vai saņemat e-pastu, ja sūtāt trīs e-pastus pēc kārtas, nav garantijas, ka katrs no šiem e-pasta ziņojumiem iet vienā un tajā pašā maršrutā uz to pašu gala mērķi. Viņi dažādu iemeslu dēļ var pārvietoties pa dažādām interneta vietām. Varētu būt pārtraukums, varētu būt apkopes logi, kur modernizēt lietas bezsaistē, tīklā varētu vienkārši būt sastrēgumi, un mēs redzam, ka tādas lietas kā satiksmes tīkli ar automašīnām un sabiedrisko transportu, kā arī kuģi un lidmašīnas. Katru dienu caur satura piegādes tīkliem mēs iegūstam saturu savām ierīcēm, piemēram, klēpjdatoriem, planšetdatoriem un datoriem, izmantojot pārlūkprogrammas un tā tālāk. Satura piegādes tīkli ir domāti satura kopiju paņemšanai no jūsu primārās apkalpošanas platformas, piemēram, tīmekļa servera, un tā un kešatmiņas kopiju pārvietošanai uz tīkla malu, un tā jums tiek piegādāta tikai no tuvākās malas daļas.
Pretspasts un kiberdrošība - ja Kanādā notiek surogātpasts un Microsoft to atklāj un redz, ka nejaušu cilvēku grupai tiek nosūtīts daudz viena un tā paša e-pasta eksemplāru, tiek ņemtas kontrolsummas, šī ziņojuma paraksts ir izveidots un ievietots tīklā un nekavējoties izplatīts. Un tā, ka e-pasts nekad nenonāk manā iesūtnē vai, ja tas notiek, tas nekavējoties tiek atzīmēts kā surogātpasts, jo tas ir atklāts kaut kur citur tīkla malā. Tātad citām tīkla malām tiek pastāstīts par šo surogātpastu parakstu un tas tiek ievietots datu bāzes indeksā. Ja šie ziņojumi sāk parādīties planētas otrā pusē, mēs tos atklājam un mēs zinām, ka tie ir surogātpasts. Un tas pats attiecas uz kiberdrošību. Uzbrukums, kas notiek vienā planētas pusē, tiek atklāts, reģistrēts un kartēts, un pēkšņi otrā tīkla daļā mēs varam cīnīties pret to un iesniegt noteikumus un politikas un mainīt, lai redzētu, vai mēs to varam bloķēt. Īpaši saistībā ar jauno ietekmi, piemēram, pakalpojumu atteikšana vai izplatīta pakalpojumu atteikšana, kur centrālās vietnes uzbrukšanai tiek izmantoti tūkstošiem mašīnu.
Bitcoin un blokķēde pēc noklusējuma pēc savas būtības ir sadalīta virsgrāmata, blokķēde un tiek galā ar visiem tīkla pārtraukumiem vai pārtraukumiem. Krāpšanās atklāšana un novēršana, energoapgāde un ūdensapgāde. Mēs redzam, ka jūs zināt elektrotīklu, ja viena tīkla daļa uz tā iegūst koku zemi un izņem stabu un vadu, mana māja joprojām saņem varu. Es pat par to nezinu, es bieži to pat neredzu ziņās. Mēs visi esam pieraduši pie transporta tīkliem, kur sākotnēji bija centralizēts modelis “Visi ceļi veda uz Romu”, kā viņi saka, un tad galu galā mums bija jāiet pie decentralizēta modeļa ar centriem un spieķiem, un tad mēs devāmies uz linuma tīklu, pa kuru jūs varat nokļūt no vienas pilsētas puses uz otru, izmantojot dažādus linuma maršrutus un dažādus krustojumus. Un tas, ko mēs šeit redzam, ir tas, ka šis centralizētais modelis tam, ko mēs tagad darām ar lietu internetu, būs jāizstumj līdz tīkla malai. Un tas vairāk nekā jebkad attiecas uz analītiku, un tas ir, ka mums ir jāstumj analītika tīklā. Un, lai to izdarītu, manuprāt, ir vajadzīga pilnīgi jauna pieeja tam, kā mēs piekļūstam šiem datiem un datu plūsmām un tos apstrādājam. Tagad mēs runājam par scenāriju, kurā, manuprāt, mēs redzam, ka ierobežots izlūkdati tiek izstumti līdz tīkla malai ar internetu savienotās ierīcēs, taču drīz mēs redzēsim, ka šīm ierīcēm palielinās intelekts un palielināsim analītikas līmeni, kuru viņi vēlas darīt. Un tā rezultātā mums vajadzēs tos tīklus izstumt tālāk un tālāk.
Piemēram, viedās lietotnes un sociālie mediji - ja mēs domājam par sociālajiem medijiem un dažām viedajām lietotnēm, tie joprojām ir ļoti svarīgi. Jūs zināt, ka Facebook lietotājiem patīk tikai divi vai trīs datu centri. Google ir kļuvusi daudz decentralizētāka, taču visā pasaulē joprojām ir ierobežots skaits datu centru. Tad, kad mēs domājam par satura personalizēšanu, jums ir jādomā par to ļoti vietējā līmenī. Daudz kas tiek darīts jūsu pārlūkprogrammā vai vietējā satura piegādes tīkla slānī. Mēs domājam par veselības un fiziskās sagatavotības izsekotājiem - liela daļa datu, kas tiek savākti no viņiem, tiek analizēti lokāli, un tāpēc jaunās Garmin un Fitbit ierīču versijas, kuras jūs uzliekat uz plaukstas locītavas, tās kļūst viedākas un viedākas ierīcē. . Tagad viņi nenosūta visus datus par jūsu sirdsdarbības ātrumu uz centralizētu serveri, lai mēģinātu veikt analīzi; viņi šo inteliģenci iebūvē tieši ierīcē. Navigācija automašīnā kādreiz bija tāda, ka automašīna nepārtraukti saņems atjauninājumus un kartes no centrālās vietas, tagad smakas atrodas automašīnā un automašīna pats pieņem lēmumus, un galu galā automašīnas savelkas. Automašīnas savstarpēji sarunāsies, izmantojot kaut kāda veida bezvadu tīklus, piemēram, nākamās paaudzes 3G vai 4G bezvadu tīklus, taču galu galā tas notiks no vienas ierīces uz otru. Un vienīgais veids, kā mēs tiksim galā ar tā apjomu, ir padarīt ierīces viedākas.
Mums jau ir ārkārtas brīdināšanas sistēmas, kas apkopos informāciju uz vietas un nosūtīs to centrāli vai tīkla tīklā un pieņems lēmumus par to, kas notiek lokāli. Piemēram, Japānā ir lietojumprogrammas, kuras cilvēki izmanto viedtālruņos ar viedtālrunī esošajiem akselerometriem. Viedtālruņa akselerometri uztver vibrācijas un kustības un var noteikt atšķirību starp parasto ikdienas kustību un zemestrīces trīci un satricinājumiem. Šis tālrunis sāks jūs brīdināt nekavējoties, lokāli. Faktiskā lietotne zina, ka tā atklāj zemestrīces. Bet tas arī koplieto šos datus caur tīklu izplatītā centrmezgla un runas modelī, lai cilvēki, kas atrodas jūsu tuvumā, tiktu brīdināti nekavējoties vai iespējami drīz, kad dati plūst caur tīklu. Un tad, nonākot centrālā vietā vai centrālās atrašanās vietas izplatītā kopijā, tas tiek izstumts atpakaļ cilvēkiem, kuri neatrodas tuvākajā apkārtnē, nav pamanījuši planētas pārvietošanos, bet par to jābrīdina, jo varbūt tuvojas cunami.
Un vieda pilsētas infrastruktūra - viedas infrastruktūras jēdziens, mēs jau veidojam intelektu viedās ēkās un viedajā infrastruktūrā. Patiesībā vakar es novietoju savu automašīnu pilsētā jaunā apgabalā, kur daļa pilsētas tiek atjaunota un pārbūvēta. Viņi ir darījuši visas ielas, un ielās ir sensori, un faktiskais stāvvietas skaitītājs zina, ka tad, kad esmu iebraucis ar automašīnu, tas zina, ka, dodoties atsvaidzināt divu stundu limitu, kas ir automašīna nav pārvietojusies, un tas faktiski neļautu man uzpildīties un palikt vēl divas stundas. Man vajadzēja iekāpt mašīnā, izvilkt no vietas un pēc tam ievilkties atpakaļ, lai to pievilinātu, lai ļautu man tur atrasties vēl divas stundas. Bet kas ir interesanti ir tas, ka galu galā mēs ejam uz punktu, kur tas ne tikai nosaka, ka automašīna iebrauc apkārtnē kā lokalizēts sensors, bet arī tādas lietas kā optiskie parametri, kad atpazīšana tiks piemērota ar kamerām, kas skatās manu numura zīmi, un tas zinās ka es to tikko izvilku, ievilku atpakaļ un aizrāvu, un tas vienkārši neļaus man atjaunoties un es turpināšu. Un tad tas izplatīs šos datus un pārliecināsies, ka es to nevaru izdarīt nekur citur, un arī regulāri viltos tīklā. Tā kā tam pēc savas būtības ir jābūt gudrākam, pretējā gadījumā mēs visi turpināsim to muļķot.
Tam ir piemērs, ka es faktiski personīgi esmu dzīvojis tur, kur ugunsmūra tehnoloģijās 80. gadu beigās un 90. gadu sākumā bija produkts ar nosaukumu Check Point FireWall-1. Ļoti vienkārša ugunsmūra tehnoloģija, kuru mēs izmantojām, lai izveidotu noteikumus un izveidotu politikas un noteikumus, kas saistīti ar noteiktām lietām, lai teiktu, ka trafika veidi caur noteiktām ostām un IP adreses un tīkli, lai nokļūtu uz un no otra, tīmekļa trafiks no vienas vietas uz otru, pārejot no pārlūka un klienta gala uz mūsu servera beigām. Mēs atrisinājām šo problēmu, faktiski noņemot loģiku no pašiem ugunsmūriem un faktiski pārvietojot to uz ASIC - lietojumprogrammas integrēto shēmu. Tas kontrolēja portus Ethernet slēdžos. Mēs noskaidrojām, ka serveru datori, datori, kurus mēs faktiski izmantojām kā serverus, lai pieņemtu lēmumus kā ugunsmūrus, nebija pietiekami jaudīgi, lai apstrādātu caur tiem notiekošās trafika intensitāti katru nelielu pakešu pārbaudi. Mēs atrisinājām problēmu, pārvietojot loģiku, kas nepieciešama, lai veiktu pakešu pārbaudi un interneta noteikšanu, tīkla komutatoros, kuri tika izplatīti un kas varēja apstrādāt datu apjomu, kas iet caur tīkla līmeni. Mēs par to neuztraucāmies centralizētā līmenī ar ugunsmūriem, mēs to pārvietojām uz slēdžiem.
Un tāpēc mums bija, lai ražotāji veidotu mums iespēju virzīt ceļus, kā arī noteikumus un politikas Ethernet komutatorā, lai pašreizējā Ethernet porta līmenī un varbūt liela daļa cilvēku baseinā to nepārzināt, jo mēs esam visi dzīvo bezvadu pasaulē tagad, bet reiz visu vajadzēja iespraust caur Ethernet. Tagad Ethernet porta līmenī mēs veicām pakešu pārbaudi, lai noskaidrotu, vai paketēm pat ir atļauts pārvietoties komutatorā un tīklā. Daļu no šiem jautājumiem mēs tagad risinām saistībā ar šo problēmu - tvert datus tīklā, jo īpaši no IRT ierīcēm, un pārbaudīt tos, veikt to analīzi un, iespējams, veikt tā analīzi reālā laikā, lai pieņemtu lēmumus par to. Daži no tiem ļauj gūt ieskatu biznesa izlūkošanā un informāciju par to, kā cilvēki pieņem labākus lēmumus, kā arī citu analīzi un veiktspēju mašīnām-mašīnām līmenī, ja ierīces runā ar ierīcēm un pieņem lēmumus.
Un tā būs tendence, kas mums jāmeklē risinājumam tuvākajā nākotnē, jo, ja mēs to nedarīsim, mēs vienkārši nonāksim pie šī trokšņa uzplūda. Un mēs esam redzējuši lielo datu pasaulē, mēs esam redzējuši tādas lietas kā datu ezeri pārvēršas par datu purviem, kas mums tikai beidzas ar trokšņa uzliesmojumu, par kuru mēs vēl neesam izdomājuši, kā centralizēti atrisināt apstrādes analītiku. mode. Ja mēs neatrisināsim šo problēmu, manuprāt, nekavējoties ar IoT un ļoti ātri iegūstam platformas risinājumu, mēs nonāksim ļoti, ļoti sliktā vietā.
Paturot to prātā, es nobeigšu ar savu viedokli, kas, manuprāt, ir viena no lielākajām izmaiņām, kas notiek lielo datu un analītikas telpā, tūlīt notiekošās vajadzības dēļ ir jāreaģē uz interneta ietekmi. lietas lielapjoma un reālā laika analītikā, jo mums ir jāpārvieto analītika tīklā un tad galu galā uz tīkla malu, lai tiktu galā ar milzīgo tā apjomu un tikai to apstrādātu. Un tad, cerams, mēs ievietojam izlūkdatus tīklā un tīkla malu centrmezglā un runas modelī, lai mēs to faktiski varētu pārvaldīt un gūt ieskatu reālajā laikā un gūt no tā vērtību. Un ar to es pāriešu pie mūsu viesiem un redzētu, kur šī saruna mūs ved.
Shawn Rogers: Liels paldies. Tas ir Shawn Rogers no Dell Statistica, un zēns. Sākumā es pilnīgi piekrītu visām galvenajām tēmām, kuras šeit ir skartas. Un Rebeka, jūs sākāt domu par to, ka, jūs zināt, šie dati nav nekas jauns, un man ir ievērojams, cik daudz laika un enerģijas tiek tērēts, pārrunājot datus, IoT datus. Un tas noteikti ir būtisks, jūs zināt, Robins izteica labu atzīmi, pat ja jūs darāt kaut ko patiešām vienkāršu un reizi sekundē ieslēdzaties termostatā, jūs zināt, ka jūs to darāt 24 stundas diennaktī, un patiesībā jums tas ir, jūs zināt, daži interesanti datu izaicinājumi. Bet, jūs zināt, galu galā - un es domāju, ka daudzi nozares pārstāvji runā par datiem šādā veidā - ka tas nemaz nav tik interesants un, pēc Rebekas teiktā, tas ir bijis jau labu, ilgu laiku, bet mēs iepriekš neesam spējuši to lieliski izmantot. Un es domāju, ka uzlabotā analītikas nozare un BI nozare kopumā sāk patiešām pagriezt galvu IoT virzienā. Un Dez, jūsu pēdējam punktam, tas, manuprāt, ir patiesi, ka tas ir daļa no lieldatu ainavas vai viens no izaicinošajiem punktiem. Es domāju, ka visi ir ļoti satraukti par to, ko mēs varam darīt ar šāda veida datiem, bet tajā pašā laikā, ja mēs nevaram izdomāt, kā izmantot ieskatu, rīkoties un, jūs zināt, iegūt analītiku tur, kur ir dati, es domāju, ka mums nāksies saskarties ar izaicinājumiem, kurus cilvēki neredz patiesībā.
Ņemot to vērā, uzlabotajā analītikas telpā mēs esam lieli fani tam, kas, mūsuprāt, var notikt ar IoT datiem, it īpaši, ja mēs tam piemērojam analītiku. Šajā slaidā ir daudz informācijas, un es ļaušu visiem vienkārši medīt un ķidāt apkārt, bet, ja paskatāties uz dažādām nozarēm, piemēram, mazumtirdzniecību pa labi no labās malas, tad redz, ka viņu iespēja rodas, ja varētu būt inovatīvāka vai arī izmaksu ietaupījumi vai procesa optimizācija vai uzlabojumi ir ļoti svarīgi, un viņi to redz daudzos gadījumos. Ja paskatīsities, jūs zināt, pa kreisi uz labo slaidā, jūs redzēsit, kā katra no šīm atsevišķajām nozarēm pretendē uz jaunām iespējām un jaunām atšķirības iespējām, kad viņi piemēro analītiku IoT. Un es domāju, ka vissvarīgākais ir tas, ka, ja jūs gatavojaties iet pa šo ceļu, jums nav tikai jāuztraucas par datiem, kā mēs jau esam diskutējuši, un par arhitektūru, bet arī jums ir jāapsver, kā vislabāk piemērojiet tam analītiku un to, kur jāveic analīze.
Daudziem no mums, kas šodien zvanīja, jūs zināt, Robins un es esam viens otru pazinājuši ļoti ilgu laiku un iepriekš bija neskaitāmas sarunas par tradicionālajām arhitektūrām, par centrālām datu bāzēm vai uzņēmumu datu noliktavām un tā tālāk, un kā mēs “ Pēdējo desmit gadu laikā mēs esam to atraduši, un mēs paveicam diezgan labu darbu, izstiepjot šo infrastruktūru ierobežojumus. Un viņi nav tik nelokāmi vai tik spēcīgi, kā mēs gribētu, lai viņi šodien būtu, lai atbalstītu visu lielisko analītiku, ko mēs izmantojam informācijai, un, protams, informācija arī sagrauj arhitektūru, jūs zināt, datu ātrums, datu apjoms un tā tālāk noteikti ierobežo mūsu tradicionālāko pieeju un stratēģiju ierobežojumus šāda veida darbam. Un tāpēc es domāju, ka tas sāk domāt, ka uzņēmumiem ir nepieciešams uztvert elastīgāku un, iespējams, elastīgāku viedokli par šo, un tā ir daļa, es domāju, es gribētu runāt mazliet par IoT pusi.
Pirms es to izdarīšu, es veltīšu laiku, lai ļautu visiem zvana dalībniekiem, sniegtu jums nelielu informāciju par to, kas ir Statistica un ko mēs darām. Kā redzams šī slaida nosaukumā, Statistica ir jutīga analītika, lieli dati un IoT platformas vizualizācija. Pats produkts ir nedaudz vairāk nekā 30 gadus vecs, un mēs konkurējam ar citiem tirgus līderiem, kurus jūs, iespējams, pazīstat, tāpat kā spējat datiem piemērot prediktīvu analītiku un modernu analītiku. Mēs redzējām iespēju paplašināt mūsu darbības jomu, kur mēs ievietojām savu analītiku, un jau pēc kāda laika sākām strādāt pie dažām tehnoloģijām, kuras mūs ir diezgan labi pozicionējušas, lai izmantotu to, ko šodien runāja gan Dezs, gan Robins, kas ir šī jaunā pieeja un kur jūs ievietosit analītiku un kā to apvienosit ar datiem. Paralēli tam nāk arī citas lietas, kuras jums jāspēj risināt, izmantojot platformu, un, kā jau minēju, Statistica jau labu laiku darbojas tirgū. Mēs ļoti labi pārzinām lietu sajaukšanas lietas, un es domāju, ka, jūs zināt, mēs šodien neesam pārāk daudz runājuši par piekļuvi datiem, taču spējam sasniegt šos dažādos tīklus un iegūt jūsu rokās pareizos datus īstais laiks kļūst arvien interesantāks un svarīgāks tiešajiem lietotājiem.
Visbeidzot es šeit komentēšu vēl vienu rakstu, jo Dez izteica labu viedokli par pašiem tīkliem, kuriem ir zināms kontroles un drošības līmenis attiecībā uz analītiskajiem modeļiem visā jūsu vidē un kā viņi sevi piestiprina datiem, kas kļūst ļoti svarīgi. Kad es dažus gadus atpakaļ iedziļinājos šajā nozarē - es domāju, ka šajā brīdī bija gandrīz 20 -, kad mēs runājām par modernu analītiku, tā bija ļoti izstrādāta. Tikai dažiem cilvēkiem šajā organizācijā bija roku uz to, viņi to izvietoja un sniedza cilvēkiem atbildi pēc nepieciešamības vai sniedza ieskatu pēc nepieciešamības. Tas patiešām mainās, un mēs redzam, ka daudzi cilvēki strādāja ar vienu vai vairākiem daudzveidīgiem un elastīgākiem veidiem, kā sasniegt datus, piemērot datiem drošību un pārvaldību un pēc tam spēt sadarboties ar tiem. Šīs ir dažas svarīgas lietas, kuras aplūko Dell Statistica.
Bet es gribu iedziļināties tēmā, kas ir nedaudz tuvāk šodienas nosaukumam, proti, kā mums vajadzētu uzrunāt datus, kas nāk no lietu interneta, un to, ko jūs varētu vēlēties meklēt, kad meklējat dažādus risinājumus. Slaids, kuru es tagad uzcēlu jūsu priekšā, ir sava veida tradicionālais skats, un gan Dez, gan Robin pieskārās šim, ziniet, šai idejai parunāt ar sensoru neatkarīgi no tā, vai tā ir automašīna, vai tosteris vai vēja turbīnu vai to, kas jums ir, un pēc tam pārvietojiet šos datus no datu avota uz jūsu tīklu atpakaļ uz centralizētu konfigurācijas veidu, kā minēja Dezs. Un tas ir diezgan labi izveidots tīklā, un daudzi uzņēmumi sākotnēji nonāk IoT telpā, sākot to darīt ar šo modeli.
Otra lieta, kas nāca garām, ja skatāties uz slaida apakšu, ir šī ideja ņemt citus tradicionālos datu avotus, papildināt IoT datus un pēc tam šāda veida kodolā - neatkarīgi no tā, vai jūsu kodols notiek kā datu centrs vai tas iespējams, atrodas mākonī, tas nav īsti svarīgi, jūs ņemtu tādu produktu kā Statistica un pēc tam tajā lietotu analītiku un pēc tam sniegtu šo ieskatu patērētājiem labajā pusē. Un es domāju, ka šobrīd tas ir galda likmes. Tas ir kaut kas, kas jums jāprot, un jums ir jābūt pietiekami atvērtai uzlabotās analītikas platformas arhitektūrai un jārunā ar visiem šiem, sava veida, daudzveidīgajiem datu avotiem, visiem šiem sensoriem un visiem šiem dažādajiem adresātiem, kur jums ir dati. Un es domāju, ka tas ir kaut kas, kas jums jāprot, un es domāju, ka jums šķitīs taisnība, ka liela daļa tirgus līderu spēj veikt šāda veida lietas. Šeit, Statistica, mēs par to runājam kā par galveno analītiku. Iegūstiet datus, nogādājiet tos atpakaļ kodolā, apstrādājiet tos, ja nepieciešams vai ja tas ir izdevīgi, pievienojiet vairāk datu, veiciet savu analītiku un pēc tam kopīgojiet šo informāciju darbībai vai ieskatam.
Un tāpēc es domāju, ka tie noteikti ir no funkcionālā viedokļa, mēs droši vien visi būtu vienisprātis, ka, jūs zināt, tā ir tikai nepieciešamība, un tas jādara visiem. Sākot kļūt interesants tur, kur ir milzīgs datu apjoms, jūs zināt, ka nāk no dažādiem datu avotiem, piemēram, IoT sensoriem, kā jau minēju, neatkarīgi no tā, vai tā ir automašīna, drošības kamera vai ražošanas process, priekšrocība, ja spējat veikt analītiku tur, kur faktiski tiek iegūti dati. Un, manuprāt, lielākajai daļai cilvēku ir priekšrocība, kad mēs sākam virzīt analītiķi no malas uz malu, šī spēja izkliedēt dažus datu izaicinājumus, kas notiek, un Dez un Robin, iespējams, to komentēs beigās. šodien, bet es domāju, ka jums ir jāspēj uzraudzīt un veikt darbības ar datiem, kas tiek izvadīti pie malas, lai ne vienmēr būtu jāpārvieto visi šie dati uz jūsu tīklu. Robins par to runāja savos arhitektūras attēlos, kurus viņš uzzīmēja, kur jums ir visi šie dažādie avoti, bet parasti tur ir kāds apkopošanas punkts. Apkopošanas punkts, ko mēs diezgan bieži redzam, ir vai nu sensora līmenī, bet vēl biežāk vārtejas līmenī. Un šie vārtejas pastāv kā starpnieks datu plūsmā no datu avotiem, pirms jūs atgriezīsities kodolā.
Viena no iespējām, ko izmantoja Dell Statistica, ir tā, ka mūsu spēja eksportēt modeli no mūsu centralizētās uzlabotās analīzes platformas, lai varētu ņemt modeli un pēc tam to izpildīt, izmantojot malu uz citas platformas, piemēram, vārtejas vai iekšpusē. datu bāzes, vai kas jums ir. Un es domāju, ka elastīgums, kas mums dod, ir tas, kas patiesībā ir šīsdienas sarunas interesants punkts: vai jums to šodien ir jūsu infrastruktūrā? Vai jūs varat pārvietot analītiķi tur, kur atrodas dati, salīdzinot ar datu pārvietošanu vienmēr, kur atrodas jūsu analītika? Un tas ir kaut kas, uz ko Statistica ir koncentrējusies jau labu laiku, un, tuvāk apskatot slaidus, jūs redzēsit, ka tur atrodas kāda cita tehnoloģija no mūsu māsas uzņēmuma Dell Boomi. Dell Boomi datu integrācijas un lietojumprogrammu integrācijas platforma mākonī, un mēs faktiski izmantojam Dell Boomi kā cilvēku tirdzniecības ierīci, lai pārvietotu savus modeļus no Dell Statistica caur Boomi un no malas uz ierīcēm. Un mēs domājam, ka šī ir veikla pieeja, ko uzņēmumi pieprasīs, cik vien viņiem patīk versija, kuru es jums parādīju pirms minūtes, kas ir tāda veida pamatideja, ka dati tiek pārvietoti no sensoriem līdz pat centrā, tajā pašā laikā uzņēmumi gribēs to darīt tā, kā es šeit esmu ieskicējis. Un priekšrocības, kā to izdarīt, ir dažiem no Robina un Deza izteiktajiem punktiem, proti, vai jūs varat pieņemt lēmumu un rīkoties atbilstoši sava biznesa ātrumam? Vai jūs varat pārvietot analītiku no vienas vietas uz otru un spēt ietaupīt laiku, naudu un enerģiju, kā arī sarežģītību, pastāvīgi pārvietojot šos malas datus atpakaļ uz galveno.
Tagad es esmu pirmais, kurš saka, ka daži no malas datiem vienmēr būs pietiekami lieli, ja būtu jēga šos datus saglabāt un saglabāt un nodot atpakaļ tīklā, taču kāda malu analīze ļaus jums vai tā ir spēja pieņemt lēmumus tādā ātrumā, kādā dati patiesībā nonāk, vai ne? Ka jūs spējat izmantot ieskatu un darbību ar ātrumu, kurā ir visaugstākā iespējamā vērtība. Un es domāju, ka tas ir kaut kas, ko mēs visi meklēsim, kad būs jāizmanto uzlabota analītika un IoT dati, ir šī iespēja virzīties biznesa ātrumā vai klienta pieprasītajā ātrumā. Es domāju, ka mūsu nostāja ir tāda, ka, manuprāt, jums jāprot abas. Un es domāju, ka diezgan drīz un ļoti ātri, jo arvien vairāk uzņēmumu apskata daudzveidīgākas datu kopas, it īpaši no IoT puses, viņi sāks meklēt pārdevēju vietu un pieprasīt, ko Statistica spēj. Tas ir izvietot modeli, kā mēs jau tradicionāli darām daudzus gadus, vai izvietot to platformās, kuras varbūt ir netradicionālas, piemēram, IoT vārteja, un reāli spēt novērtēt un izmantot datiem analītiku. malā, kad dati tiek iegūti. Un es domāju, ka tieši šeit rodas šī sarunas aizraujošā daļa. Tā kā, izmantojot datus analītikai brīdī, kad dati nāk no sensora, tas ļauj mums rīkoties tik ātri, cik mums vajag, bet arī ļauj mums izlemt, vai šie dati nekavējoties jāatsūta atpakaļ uz galveno? Vai mēs varam to šeit sakrāt un pēc tam nosūtīt atpakaļ gabalos un daļās un vēlāk veikt papildu analīzes? Un tas ir tas, ko mēs redzam, kā dara daudzi mūsu vadošie klienti.
Veids, kā to dara Dell Statistica, ir mūsu spēja to izmantot, tāpēc, piemēram, sakiet, ka statistikas iekšpusē izveidojat neironu tīklu un jūs vēlējāties neironu tīklu ievietot kaut kur citur savā datu ainavā. Mums ir iespējas izvadīt šos modeļus un visas valodas, kuras jūs pamanījāt tur labajā stūrī - Java, PPML, C un SQL un tā tālāk, mēs iekļaujam arī Python un mēs varam arī eksportēt savus skriptus - un, pārvietojot to no mūsu centralizētās platformas, jūs varat izvietot šo modeli vai algoritmu visur, kur jums tas nepieciešams. Un kā es jau minēju iepriekš, mēs izmantojam Dell Boomi, lai to ievietotu un novietotu tur, kur mums tas ir nepieciešams, un tad mēs varam atgriezt rezultātus vai arī mēs varam palīdzēt atjaunot datus vai iegūt datus un veikt darbības, izmantojot mūsu noteikumu motoru . Visas šīs lietas kļūst par svarīgām, kad sākam aplūkot šāda veida datus un no jauna domājam.
Tas ir kaut kas, kas lielākajai daļai no jums pa tālruni būs jādara, jo tas kļūs ļoti dārgs un jūsu tīklā tiks uzlikti nodokļi, kā minēja Dezs, lai pārvietotu datus no šo diagrammu kreisās puses uz labo pusi no šīm diagrammām laiks. Tas neizklausās daudz, bet mēs esam redzējuši ražošanas klientus ar desmit tūkstošiem sensoru viņu rūpnīcās. Un, ja jūsu rūpnīcā ir desmit tūkstoši sensoru, pat ja jūs tikai veicat šādus otra veida testus vai signālus, jūs runājat par astoņdesmit četriem tūkstošiem datu rindu no katra no šiem sensoriem dienā. Un tātad dati noteikti uzkrājas, un Robins to kaut kā pieminēja. Sākumā es minēju pāris nozares, kurās mēs redzam, ka cilvēki, izmantojot mūsu programmatūru un IoT datus, veic diezgan interesantas lietas: ēku automatizācija, enerģija, komunālie pakalpojumi ir patiešām nozīmīga telpa. Mēs redzam, ka tiek ieguldīts liels darbs pie sistēmu optimizācijas, pat klientu apkalpošanas un, protams, ar vispārējām darbībām un uzturēšanu energoiekārtās un automatizācijas ēkās. Un šie ir daži lietošanas gadījumi, kas, mūsuprāt, ir diezgan jaudīgi.
Mēs jau agrāk esam veikuši malu analīzi, es domāju, ka termins tika izveidots. Kā es minēju, mums ir dziļas saknes Statistica. Uzņēmums tika dibināts gandrīz pirms 30 gadiem, tāpēc mums ir laiks atgriezties pie klientiem, kuri integrē IoT datus ar savu analītiku un kādu laiku to izmanto. Un Alliant Energy ir viens no mūsu lietošanas gadījumiem vai atsauces klientiem. Un jūs varat iedomāties jautājumu, kas enerģētikas uzņēmumam ir saistīts ar fizisko iekārtu. Mērogošana ārpus fizikālās rūpnīcas ķieģeļu sienām ir sarežģīta, tāpēc enerģijas uzņēmumi, piemēram, Alliant, meklē veidus, kā optimizēt enerģijas daudzumu, galvenokārt uzlabojot ražošanas procesu un optimizējot to visaugstākajā līmenī. Un viņi izmanto Statistica, lai pārvaldītu krāsnis savos augos. Un visiem no mums, kas atgriežas mūsu zinātnes stundās, mēs visi zinām, ka krāsnis rada siltumu, karstums padara tvaiku, turbīnas griežas, mēs saņemam elektrību. Tādu uzņēmumu kā Alliant problēma faktiski ir optimizēt to, kā lietas uzkarst un sadedzina tajās lielajās ciklona krāsnīs. Un izlaides optimizēšana, lai izvairītos no papildu izmaksām par piesārņojumu, oglekļa pārvietošanu utt. Un tāpēc jums ir jāspēj uzraudzīt vienas no šīm ciklona krāsnīm iekšpusi ar visām šīm ierīcēm, sensoriem un pēc tam ņemt visu šo sensoru datus un pastāvīgi veikt izmaiņas enerģijas procesā. Un tas ir tieši tas, ko Statistica dara Alliant kopš apmēram 2007. gada, pirms pat termins IoT bija ļoti populārs.
Rebeka jau agri norāda, ka dati noteikti nav jauni. Spēja to pareizi apstrādāt un pareizi izmantot ir patiešām tur, kur notiek aizraujošas lietas. Mēs šodien pirms sarunas esam runājuši mazliet par veselības aprūpi, un mēs redzam visa veida pieteikumus ļaudīm, lai veiktu tādas lietas kā labāka pacientu aprūpe, profilaktiska uzturēšana, piegādes ķēdes pārvaldība un veselības aprūpes darbības efektivitāte. Tas notiek diezgan bieži, un ir daudz dažādu lietošanas gadījumu. Tas, par ko mēs šeit Statistica ļoti lepojamies, ir mūsu klients Shire Biopharmaceuticals. Un Šīre izgatavo speciālas zāles patiešām grūti ārstējamu slimību ārstēšanai. Kad klienti izveido zāļu sēriju, tas ir ārkārtīgi dārgs process, un arī ārkārtīgi dārgs process prasa laiku. Kad jūs domājat par ražošanas procesu, kad redzat, ka izaicinājumi ir visu datu apvienošana, tā ir pietiekami elastīga dažādos veidos, kā datus ievietot sistēmā, apstiprināt informāciju un pēc tam spēt būt prognozējošam par to, kā mēs palīdzam klientam. Un procesi, kas lielāko daļu informācijas iegūst no mūsu ražošanas sistēmām, un, protams, ierīces un sensori, kas vada šīs ražošanas sistēmas. Tas ir lielisks pielietojums gadījumam, kad uzņēmumi izvairās no zaudējumiem un optimizē ražošanas procesus, izmantojot sensoru datu, IoT datu un regulāru procesu procesu datus.
Tātad, jūs zināt, labs piemērs tam, kā ražošana un jo īpaši augsto tehnoloģiju ražošana dod labumu veselības aprūpes nozarei saistībā ar šāda veida darbu un datiem. Es domāju, ka man ir tikai daži citi punkti, kurus es vēlētos izteikt, pirms es to iesaiņoju un atdodu Dezam un Robinam. Bet jūs zināt, es domāju, ka šī ideja par iespēju virzīt savu analītiķi jebkur jūsu vidē ir kaut kas, kas lielākajai daļai uzņēmumu kļūst ārkārtīgi svarīgs. Piesaistot tradicionālo ETL datu formātu no avotiem līdz centrālajām vietām, vienmēr būs vieta jūsu stratēģijā, taču tai nevajadzētu būt jūsu vienīgajai stratēģijai. Šodien lietām ir jāpieņem daudz elastīgāka pieeja. Lai piemērotu manis pieminēto drošību, izvairieties no sava tīkla aplikšanas ar nodokļiem, lai varētu pārvaldīt un filtrēt datus, sākot no malas, un noteikt, kādus datus ir vērts glabāt ilgtermiņā, kādus datus ir vērts pārvietot pāri vai kādi dati vienkārši ir jāanalizē to izveidošanas laikā, lai mēs varētu pieņemt labākos iespējamos lēmumus. Šī analītiskā pieeja visur un jebkur ir kaut kas tāds, kas mums Statistica ir pievērsis lielu uzmanību, un tas ir tas, kas mums ir ļoti prasmīgs. Un tas attiecas uz vienu no šiem slaidiem, ko es iepriekš minēju, iespēju eksportēt jūsu modeļus dažādās valodās, lai tie varētu saskaņot platformas, kur tiek veidoti dati, un saskaņot tās. Un tad, protams, mums ir izplatīšanas ierīce šiem modeļiem, un tas ir arī kaut kas tāds, ko mēs piedāvājam galdā un par ko mēs esam ļoti satraukti. Es domāju, ka šodienas saruna ir tāda, ka, ja mēs patiešām nopietni domājam par šiem datiem, kas mūsu sistēmās ir bijuši jau labu laiku, un mēs gribētu atrast konkurences priekšrocības un inovatīvu leņķi, lai tos izmantotu, jums ir jāpiesakās zināma tehnoloģija, kas ļauj izvairīties no dažiem no ierobežojošajiem modeļiem, kurus mēs iepriekš esam izmantojuši.
Es vēlreiz uzsveru, ka, ja jūs darāt IoT, es domāju, ka jums tas jāprot būtībā, un jāievieto dati, jāsaskaņo ar citiem datiem un jāveic sava analīze. Bet tikpat svarīgi vai varbūt pat vēl svarīgāk ir tas, ka jums ir jābūt šādai elastībai, lai saliktu analītiķi ar datiem un izvestu analītiķi no savas arhitektūras centrālās puses uz malu priekšrocību dēļ, kuras esmu minējis pirms tam. Tas ir mazliet par to, kas mēs esam un ko mēs darām tirgū. Un mēs esam ļoti satraukti par IoT, mēs domājam, ka tas noteikti sasniedz vecumu, un ikvienam šeit ir lielas iespējas ietekmēt šāda veida datus savu analītiku un kritiskos procesus.
Rebecca Jozwiak: Shawn, liels paldies, ka bija tiešām fantastiska prezentācija. Un es zinu, ka Dez, iespējams, mirst uzdot jums dažus jautājumus, tāpēc Dez, es tev ļaušu iet vispirms.
Dezs Blanšfīlds: Man ir miljons jautājumu, bet es sevi atradīšu, jo es zinu, ka arī Robinam būs. Viena no lietām, ko es redzu tālu un plaši, ir jautājums, kas rodas, un es tiešām vēlos gūt nelielu ieskatu par jūsu pieredzi šajā sakarā, ņemot vērā, ka jūs esat lietas sirdī. Organizācijas cīnās ar izaicinājumu, un izskatās, ka dažas no tām ir tikko lasījušas, piemēram, Klausa Šveika “Ceturto industriālo revolūciju”, un pēc tam piedzīvoja panikas lēkmi. Un tie, kas nav pazīstami ar šo grāmatu, tas būtībā ir kungu ieskats Klausā Švābā, kurš, manuprāt, ir profesors, kurš ir Pasaules ekonomikas foruma dibinātājs un izpilddirektors no atmiņas, un šī grāmata būtībā ir par visa šī visuresošā lietu interneta eksplozija un tā ietekme uz pasauli kopumā. Organizācijas, ar kurām es runāju, nav pārliecinātas, vai tām vajadzētu pāriet uz pašreizējo vidi vai arī ieguldīt visu jaunās vides, infrastruktūras un platformu izveidē. Arī Dell Statistica jūs redzat, kā cilvēki modernizē pašreizējo vidi un izvieto jūsu platformu esošajā infrastruktūrā, vai arī redzat, ka viņi pārorientējas uz visas jaunās infrastruktūras izveidi un gatavojas šai pārpūlei?
Šauns Rodžerss: Jūs zināt, ka mums ir bijusi iespēja apkalpot abus klientu veidus, un, atrodoties tirgū, kamēr vien mums tas ir, jūs šīs iespējas izmantojat. Mums ir klienti, kuri pēdējo pāris gadu laikā ir izveidojuši pavisam jaunas FAB rūpnīcas un aprīkojuši viņus ar sensoru datiem, IoT, analītikai no malas līdz beigām visā šajā procesā. Bet man būtu jāsaka, ka lielākā daļa mūsu klientu ir cilvēki, kuri kādu laiku veic šāda veida darbu, bet ir spiesti ignorēt šos datus. Jūs zināt, ka Rebeka ir norādījis uz priekšu - tie nav jauni dati, šāda veida informācija ļoti ilgu laiku ir bijusi pieejama daudzos dažādos formātos, taču, ja problēma ir bijusi, savienojums ar to, pārvietojot to, aizvedot to kaut kur, kur jūs varētu kaut ko gudru izdarīt.
Un tāpēc es teiktu, ka lielākā daļa mūsu klientu skatās uz to, kas viņiem ir šodien, un Dez, jūs jau iepriekš minējāt, ka šī ir daļa no lielās datu revolūcijas un es domāju, ka tas patiesībā ir par to, vai tas attiecas uz visiem datu revolūcija, vai ne? Mums vairs nav jāignorē noteikti sistēmas dati vai ražošanas dati, vai ēkas automatizācijas dati, mums tagad ir pareizās rotaļlietas un rīki, lai to iegūtu un pēc tam veiktu gudras lietas. Un es domāju, ka šajā telpā ir ļoti daudz draiveru, kas to rada, un daži no tiem ir tehnoloģiski. Jūs zināt, tādi lielie datu infrastruktūras risinājumi kā Hadoop un citi ir padarījuši to nedaudz lētāku un dažiem no mums mazliet vieglāk padomāt par šāda veida informācijas datu ezera izveidi. Mēs tagad skatāmies uz uzņēmumu, kur iet: “Ei, mums ir analītika mūsu ražošanas procesā, bet vai tie tiktu uzlaboti, ja mēs varētu sniegt nelielu ieskatu no šiem procesiem?” Un tas, manuprāt, ir tas, kas visvairāk mūsu klienti dara. Tas nav tik daudz radīšana no sākuma, bet gan jau esošās analītikas papildināšana un optimizēšana ar jauniem datiem.
Dezs Blanšfīlds: Jā, dažās lielākajās rūpniecības nozarēs, kuras mēs esam redzējuši, kā arī jūs minējāt, notiek dažas aizraujošas lietas, ko jūs minējāt, un komunālie pakalpojumi. Aviācija tikko iet cauri šim uzplaukumam, kur viena no manām visu laiku iecienītākajām ierīcēm, par kurām regulāri runāju, Boeing 787 Dreamliner un, protams, Airbus ekvivalents, A330, ir nogājusi to pašu ceļu. 787, kad to pirmo reizi izlaida, bija kā seši tūkstoši sensoru, un es domāju, ka viņi tagad runā par piecpadsmit tūkstošiem sensoru jaunajā tā versijā. Un ziņkārīgais sarunā ar dažiem šīs pasaules ļaudīm bija tas, ka ideja sensorus likt spārnos un tā tālāk, un pārsteidzošā lieta par 787 dizaina platformā ir tāda, ka, jūs zināt, viņi visu no jauna izgudroja lidmašīna. Piemēram, piemēram, spārniem, kad lidmašīna paceļ spārnus, kas ir līdz divpadsmit ar pusi metru augstumā. Bet galējos gadījumos spārni var saliekties līdz 25 metriem. Šī lieta izskatās kā putns plivina. Bet tas, kas viņiem nebija laika, lai salabotu, bija visu šo datu analīzes inženierija, tāpēc viņiem ir sensori, kuru dēļ gaismas diodes mirgo zaļā un sarkanā krāsā, ja notiek kaut kas slikts, bet patiesībā tie nesniedz dziļu ieskatu īsts laiks. Viņi arī neatrisināja problēmu, kā pārvietot datu apjomu, jo ASV iekšzemes gaisa telpā katru dienu notiek 87 400 lidojumi. Kad katra lidmašīna sasniedz savu 787 Dreamliner atpirkšanu, tas ir 43 petabaiti datu dienā, jo šīs lidmašīnas šobrīd katra rada apmēram pusi terabaitu datu. Un reizinot ar 87 400 lidojumiem dienā ASV iekšienē ar piecu vai pusi terabaitu punktu, jūs iegūstat 43, 5 petabaitus datu. Mēs fiziski to nevaram pārvietot. Tāpēc, izstrādājot dizainu, mums ir jāizvirza analītika ierīcē.
Bet viena no lietām, kas ir interesanta, aplūkojot visu šo arhitektūru - un es ļoti vēlos redzēt, ko jūs par to domājat, - vai mēs esam virzījušies uz galveno datu pārvaldību, sava veida pirmajiem datu pārvaldības principiem, viss centrālā vietā. Mums ir datu ezeri, un tad, ja vēlaties, mēs izveidojam mazus datu dīķus, to izrakstus, kuros mēs analizējam, bet, izplatot līdz malai, vienu no lietām, kas turpina parādīties, jo īpaši no datu bāzu lietotājiem un datu pārvaldniekiem vai cilvēkiem, kas nodarbojas ar informācijas pārvaldīšanu, kas notiek, kad esmu ieguvis daudz mazus, sīkus datu ezerus? Kāda veida lietas jūsu domāšanā ir piemērotas šai domāšanai attiecībā uz malu analītiku, jo tradicionāli viss notiktu centralizēti ar datu ezeru, tagad mēs visur atrodamies ar šīm mazajām datu peļķēm, kaut arī mēs varam veiciet vietējos analītiskos datus, lai iegūtu vietēju ieskatu, kādi ir izaicinājumi, ar kuriem jūs esat saskāries, un kā jūs to esat atrisinājis, ja jums ir sadalīts datu kopums, un jo īpaši, ja iegūstat datu ezeru un izplatīto zonu mikrokosmosus?
Shawn Rogers: Nu es domāju, ka tas ir viens no izaicinājumiem, vai ne? Dodoties prom, jūs zināt, ka visu datu nogādāšana atpakaļ uz centra atrašanās vietu vai analītiskā pamata piemērs, ko es devu, un tad mēs darām izplatīto versiju, ir tas, ka jūs galu galā esat ar visiem šiem mazajiem tvertnēm, vai ne? Tieši tā, kā jūs attēlojāt, vai ne? Viņi dara nedaudz darba, darbojas daži analītiskie dati, bet kā jūs tos atkal apvienot? Un es domāju, ka vissvarīgākais būs orķestrēšana visā šajā sakarā, un es domāju, ka jūs, puiši, man piekritīsit, bet es priecājos, ja jūs to nedarīsit, ka, manuprāt, mēs diezgan vērojām šo attīstību kādu laiku.
Atgriežoties pie mūsu draugu dienām Inmona kunga un Kimbala kunga, kuri visiem palīdzēja ar savu agrīno datu noliktavas ieguldījumu arhitektūru, un tas ir tas, ka mēs jau sen esam atkāpušies no šī centralizētā modeļa. Mēs esam pieņēmuši šo jauno ideju ļaut datiem parādīt to smagumu tur, kur tiem vislabāk jāatrodas jūsu ekosistēmā, un saskaņot datus ar vislabāko iespējamo platformu, lai sasniegtu vislabāko rezultātu. Un mēs esam sākuši tērēt, manuprāt, vairāk organizētu pieeju mūsu ekosistēmai kā visaptverošu darbības veidu, tāpat kā mēs cenšamies saskaņot visus šos gabalus vienlaikus. Kāda veida analītiku vai darbu es darīšu ar datiem, kāda veida dati tie ir, tas palīdzēs noteikt, kur tiem vajadzētu dzīvot. Kur tas tiek ražots un kāda veida smagumam ir dati?
Jūs zināt, mēs redzam daudzus šo lielo datu piemērus, kur cilvēki runā par to, ka tiem ir 10 un 15 petabaitu datu ezeri. Ja jums ir tik liels datu ezers, to pārvietot ir ļoti nepraktiski, tāpēc jums ir jāspēj tajā sniegt analītika. Bet, kad jūs to darāt, jūsu jautājuma kodolā es domāju, ka tas visiem rada daudz jaunu izaicinājumu, kā organizēt vidi un piemērot pārvaldību un drošību, un saprast, kas ar šiem datiem jādara, lai to izveidotu un izveidotu. iegūstiet no tā visaugstāko vērtību. Un godīgi sakot - es labprāt uzklausītu jūsu viedokli šeit - es domāju, ka mēs esam tur agri, un es domāju, ka vēl ir paveicams daudz laba. Es domāju, ka tādas programmas kā Statistica koncentrējas uz to, lai vairāk cilvēku nodrošinātu piekļuvi datiem. Mēs noteikti esam koncentrējušies uz šīm jaunajām personām, piemēram, pilsoņu datu zinātniekiem, kuri vēlas novirzīt prognozējošo analītiku uz vietām organizācijā, kuras tas, iespējams, agrāk nebija. Un es domāju, ka šīs ir tikai dažas no pirmajām dienām, bet es domāju, ka brieduma lokam būs jāparāda augsts līmenis vai orķestrēšana un sakārtošana starp šīm platformām un izpratne par to, kas uz tām un kāpēc. Un tā ir vecuma problēma visiem mums, datu ļaudīm.
Dezs Blanšfīlds: Patiešām, tā ir, un es tam pilnīgi piekrītu, un es domāju, ka lieliskā lieta, ko mēs šodien dzirdam, ir vismaz problēmas faktiskā uztveršana, es domāju, vārtejas līmenī malā. tīkla spēju un spēju tajā brīdī veikt analītiku, būtībā atrisina. Un tas mūs atbrīvo, lai faktiski sāktu domāt par nākamo izaicinājumu, kas ir sadalīti datu ezeri. Liels paldies par to, ka tā bija fantastiska prezentācija. Es ļoti novērtēju iespēju ar jums par to tērzēt.
Es tagad pāriešu pie Robina, jo es zinu, ka viņam ir, un tad arī Rebeka ieguva garu sarakstu ar lieliskiem auditorijas jautājumiem pēc Robina. Robins?
Dr Robin Bloor: Labi. Shawn, es vēlētos, lai jūs teiktu mazliet vairāk, un es nemēģinu dot jums iespēju to reklamēt, bet tas patiesībā ir ļoti svarīgi. Es esmu ieinteresēts zināt, kurā brīdī Statistica faktiski radīja modeļa eksporta iespējas. Bet es arī vēlētos, lai jūs kaut ko teiktu par Boomi, jo viss, ko jūs līdz šim esat teicis par Boomi, ir tas, ka tas ir ETL, un tas tiešām ir ETL. Bet tas faktiski ir diezgan spējīgs ETL un tāda veida laikiem, par kuriem mēs runājam, un dažām no situācijām, par kurām mēs šeit diskutējam, tā ir ļoti svarīga lieta. Vai jūs varētu runāt par šīm divām lietām man?
Shawn Rogers: Protams, jā, es pilnīgi varu. Jūs zināt, mūsu kustība šajā virzienā noteikti bija atkārtojoša, un tas bija sava veida soli pa solim process. Mēs tikai gatavojamies nākamnedēļ palaist Statistica 13.2 versiju. Tam ir visjaunākie atjauninājumi par visām iespējām, par kurām mēs šodien runājam. Bet, atgriežoties pie 13. versijas, pirms gada oktobra, mēs paziņojām par mūsu spēju eksportēt modeļus no mūsu platformas, un toreiz to sauca par NDAA. Akronīms apzīmēja Native Distributed Analytics Architecture. Tas, ko mēs izdarījām, ir tas, ka mēs veltījām daudz laika, enerģijas un uzmanības mūsu platformas atvēršanai ar iespēju to izmantot kā jūsu uzlabotās analītikas centrālo komandu, bet arī no turienes izvietot. Un pirmās vietas, Robin, ko mēs izvietojām, mēs paveicām patiešām lielisku papildinājumu platformai ap mašīnmācību. Un tāpēc mums bija iespēja izvietot no Statistica uz Microsoft Azure Cloud, lai, kā jūs zināt, izmantot Azure jaudu, lai darbinātu mašīnmācību, ir ļoti intensīva, un tas ir lielisks mākoņu tehnoloģiju izmantošanas veids. Un tā tas bija pirmais.
Tagad šeit mēs eksportējām savus modeļus uz Azure un izmantojām Azure, lai tos palaistu, un pēc tam datus vai rezultātus nosūtījām atpakaļ uz Statistica platformu. Pēc tam mēs pārcēlāmies uz citām valodām, kuras mēs gribējām, lai varētu eksportēt, un, protams, viena no tām ir Java, kas mums paver iespējas eksportēt mūsu modeļus uz citām vietām, piemēram, Hadoop, tāpēc mums arī tur spēle.
Un visbeidzot mēs koncentrējāmies uz iespēju izlaist savus modeļus ar šo izlaišanu datu bāzēs. Tā kā šī bija pirmā atkārtošana, un, godīgi sakot, gala spēle bija IoT, bet mēs vēl nebijām tikuši līdz 13. versijai pagājušā gada oktobrī. Kopš tā laika mēs esam tur nokļuvuši, un tam ir sakars ar spēju veikt visas lietas, kuras es tikko pieminēju, bet pēc tam ar kaut kādu transporta ierīci. Un, atgriežoties pie Deza jautājuma, jūs zināt, kāds ir izaicinājums un kā mēs to varam paveikt, kad mums visa šī analītika darbojas? Mēs labi izmantojam Boomi kā sava veida izplatīšanas centru un tāpēc, ka tas atrodas mākonī un tāpēc, ka tas ir tik spēcīgs, kā jau minēju iepriekš, tā ir datu integrācijas platforma, taču tā ir arī lietojumprogrammu integrācijas platforma, un tā izmanto JVM novietot un veikt darbu jebkur, kur var nolaisties Java virtuālā mašīna. Tas ir tas, kas patiešām pavēra durvis uz visām šīm vārtejām un malu skaitļošanas platformām un malu serveriem, jo visiem tiem ir aprēķini un platforma, kas ir pieejama JVM darbināšanai. Un tāpēc, ka mēs varam darbināt JVM jebkur, Boomi ir pagriezies tā ir lieliska izplatīšana un, izmantojot manu vārdu no iepriekšējiem, orķestrēšanas ierīce.
Un tas kļūst patiešām svarīgi, jo mēs visi esam, jūs zināt, es domāju, ka lidmašīnas scenārijs pirms minūtes bija lielisks, un es minēju, jūs zināt, tādus ražotājus kā Shire, kuriem vienā rūpnīcā ir desmit tūkstoši sensoru, jūs kādā brīdī jāsāk pievērsties tāda veida centrālajai pieejai progresīvai analītikai. Esot ad hoc par to, tas vairs īsti nedarbojas. Tas bija pierasts, kad mūsu izmantoto modeļu un algoritmu apjoms bija minimāls, bet tagad tas ir maksimums. Viņu organizācijā ir tūkstošiem. Tā mums ir, daļa no mūsu platformas ir balstīta uz serveriem, un, kad jums ir mūsu uzņēmuma programmatūra, jums ir arī iespēja pielāgot un vērtēt un pārvaldīt savus modeļus visā vidē. Un tā ir arī daļa no šīs orķestrēšanas lietas. Mums vajadzēja savā vietā, Robin, slāni, kas ne tikai ļāva jums tur nokļūt modelī, bet arī deva jums iespēju modeļus pielāgot un aizstāt tos tik bieži, cik jums vajadzēja, jo to nevar izdarīt manuāli. Jūs nevarat staigāt pa rafinēšanas rūpnīcu ar īkšķa piedziņu, mēģinot augšupielādēt modeļus vārtiem. Starp jums ir jābūt transporta un vadības sistēmai, un tāpēc Statistica un Boomi kombinācija dod to mūsu klientiem.
Dr Robin Bloor: Jā. Es runāšu ļoti īsi, bet, jūs zināt, šis paziņojums, kas tika izteikts iepriekš, par datu ezeru un ideju par petabaitu uzkrāšanu jebkurā konkrētā vietā, kā arī par faktu, ka tam ir smagums. Jūs zināt, kad jūs sākat runāt par orķestrēšanu, tas mani sāka domāt par pavisam vienkāršu faktu, ka, jūs zināt, ļoti liela datu ezera ievietošana vienā vietā, iespējams, nozīmē, ka jums tas faktiski ir jāatstata, un tas, iespējams, nozīmē, ka jebkurā gadījumā jums ir jāpārvieto daudz datu. Jūs zināt, ka reālā datu arhitektūra, manuprāt, ir daudz vairāk tajā virzienā, par kuru jūs runājat. Tas, ko izplatīt saprātīgās vietās, iespējams, ir tā, ko es teiktu. Un izskatās, ka jums ir ļoti labas iespējas to izdarīt. Es domāju, ka esmu labi informēts par Boomi, tāpēc tas ir tādā vai citā veidā gandrīz negodīgs, ka es to redzu, un varbūt auditorija to nevar. Bet Boomi, manuprāt, ir tik būtisks jūsu darāmā ziņā, jo tam ir lietojumprogrammu iespējas. Un arī tāpēc, ka lietas patiesība ir tāda, ka jūs neveicat šos analītiskos aprēķinus, kaut gan kaut kāda vai cita iemesla dēļ nevēlaties kaut ko rīkoties. Un Boomi tajā spēlē lomu, vai ne?
Shawn Rogers: Jā, absolūti. Un tā, kā jūs zināt no iepriekšējām sarunām, Statistica tajā ir pilns biznesa noteikumu dzinējspēks. Un es domāju, ka tas ir patiešām svarīgi, kad mēs domājam, kāpēc mēs to darām. Jūs zināt, es jokojau priekšā, ka patiesībā nav pamata darīt IoT, ja vien jūs neanalizēsit, neizmantojat datus, lai pieņemtu labākus lēmumus vai rīkotos. Un tāpēc tas, uz ko mēs koncentrējāmies, bija ne tikai spēja izvietot modeli, bet arī spēja atzīmēt to ar noteikumu, kas ir noteikts. Tā kā Boomi ir tik spēcīgs, lai spētu pārvietot lietas no vienas vietas uz otru, Boomi atomā mēs varam arī iemiesot spēju iedarbināt, brīdināt un rīkoties.
Un tāpēc mēs sākam iegūt šāda veida sarežģītu skatījumu uz IoT datiem, kur sakām: “Labi, šos datus ir vērts klausīties.” Bet tiešām, jūs zināt, zinot, ka “gaisma ir ieslēgta, gaisma ir ieslēgta, gaisma ir ieslēgta, gaisma ir ieslēgta ”nav tik interesanti, kad izdegas gaisma vai kad nodziest dūmu detektors vai kad notiek specifikācijas, kas notiek ar mūsu ražošanas procesu. Kad tas notiks, mēs vēlamies, lai varētu rīkoties nekavējoties. Un šajā brīdī dati kļūst gandrīz sekundāri. Tā kā nav tik svarīgi, ka mēs saglabājām visus šos signālus, “tas ir labi, tas ir labi, tas ir labi”, ir svarīgi, lai mēs pamanītu “Ei, tas ir slikti” un mēs nekavējoties rīkotos. Neatkarīgi no tā, vai tas sūta kādam e-pastu, vai mēs varam iesaistīties domēna pieredzē, vai arī mēs iesākām virkni citu procesu, lai nekavējoties rīkotos, neatkarīgi no tā, vai tie ir koriģējoši vai atbildot uz informāciju. Un es domāju, ka tieši tāpēc jums ir jābūt šādam orķestrētam skatam. Jūs varat ne tikai koncentrēties uz savu algoritmu izmantošanu visur. Jums ir jāspēj tos koordinēt un vadīt. Jums jāprot redzēt, kā viņi veic. Un tiešām, vissvarīgāk, es domāju, kāpēc heck jūs to izdarītu, ja nevarat pievienot iespēju nekavējoties rīkoties pret datiem?
Dr Robin Bloor: Labi, Rebeka, es uzskatu, ka jums ir jautājumi no auditorijas?
Rebeka Jozwiak: Es daru. Man ir ļoti daudz auditorijas jautājumu. Shawn, es zinu, ka jūs negribējāt pakavēties pārāk ilgi stundas augšpusē. Ko tu domā?
Shawn Rogers: Esmu laimīgs. Uz priekšu. Es varu atbildēt uz dažiem.
Rebeka Jozviaka: redzēsim. Es zinu, ka viena no lietām, ko jūs minējāt, bija tas, ka IoT ir agrīnā laikā, un tam ir jānotiek zināmai brieduma pakāpei, un tas sava veida uzrunā šo jautājumu, ko uzdeva viens dalībnieks. Ja IPv6 sistēma būs pietiekami stabila, lai ņemtu vērā IoT pieaugumu nākamajos piecos vai desmit gados?
Shawn Rogers: Ak, es ļaušu Dezam atkārtot manu atbildi, jo es domāju, ka viņš ir tuvāk šāda veida informācijai, kāda es esmu. Bet es vienmēr esmu domājis, ka mēs ejam ļoti ātri, lai saliektu un salauztu lielāko daļu no mūsu izveidotajiem ietvariem. Un, lai gan es domāju, ka ir svarīgi pievienot šo jauno specifikāciju vai virzienu, ko mēs virzāmies ar IPv6 ietvariem, un tas mums paver durvis, ka mums ir daudz vairāk ierīču un spēja dot visu, ko mēs vēlaties norādīt adresi. Es domāju, ka viss, ko es lasu un redzu kopā ar klientiem, kā arī nepieciešamais adrešu skaits, es domāju, ka kādā brīdī šajā ainavā izraisīs vēl vienu nobīdi. Bet es patiesībā neesmu tīkla eksperts, tāpēc nevaru simtprocentīgi pateikt, ka mēs to kādā brīdī sagrausim. Bet mana pieredze man saka, ka mēs kādā brīdī izjauksim šo modeli.
Rebeka Jozviaka: Es nebūtu pārsteigts. Es domāju, ka ietvari ir sava veida sadalīšana zem visa veida lietām. Un tas ir tikai loģiski, vai ne? Es domāju, ka jūs nevarat nosūtīt e-pastu ar rakstāmmašīnu. Cits dalībnieks jautā: “Vai jūs varat izmantot Hadoop ietvaru?”, Bet es domāju, ka es varētu to mainīt, kā sakot, kā jūs izmantotu Hadoop ietvaru izplatītai analītikai?
Šauns Rodžerss: Nu, Robins man piekrita uzdot man vēsturisku jautājumu, un tā kā kopš 13. versijas aptuveni pirms gada Statistica mums bija iespēja izdzīt modeļus no mūsu sistēmas un ieiet Hadoop. Un mēs ļoti cieši sadarbojamies ar visām Hadoop lielajām garšām. Mums ir patiešām lieliski veiksmes stāsti par spēju sadarboties ar Cloudera kā vienu no galvenajiem Hadoop izplatītājiem, ar kuriem mēs strādājam. Bet tā kā mēs varam izvadīt Java, tas mums dod iespēju būt atvērtiem un novietot analītiku jebkur. Viņu ievietošana Hadoop klasterī ir tas, ko mēs parasti darām, regulāri un ikdienā daudziem mūsu klientiem. Īsā atbilde ir jā, absolūti.
Rebeka Jozvejaka: Teicami. Un es tikai vēl vairāk izmešu tevi un ļaušu tev doties atvaļinājumā. Cits dalībnieks jautā, izmantojot IoT analytics un mašīnmācību, vai jūs domājat, ka visi dati ir jāuzglabā vēsturiskiem mērķiem, un kā tas ietekmēs risinājuma arhitektūru?
Shawn Rogers: Es nedomāju, ka visi dati ir jāuzglabā. Bet es domāju, ka ir ļoti interesanti spēt izklaidēties, klausīties jebkuru datu avotu, ko vēlamies mūsu organizācijā, lai kur tas nāktu. Un es domāju, ka pārmaiņas, kuras mēs esam redzējuši tirgū dažu pēdējo gadu laikā, ļāva mums izmantot šo visu datu pieeju lietām, un šķiet, ka tā patiešām ir tāda veida atmaksa. Bet tas būs atšķirīgs katram uzņēmumam un visiem lietošanas gadījumiem. Jūs zināt, kad mēs skatāmies uz veselības datiem, tagad ir daudz normatīvo jautājumu, daudz atbilstības problēmu, kas jāuztraucas, un tas liek mums saglabāt datus, kurus citi uzņēmumi, iespējams, nesaprot, kāpēc tie ir jāsaglabā, vai ne ? Ražošanas procesos daudziem mūsu ražošanas klientiem ir reāls pārsvars, lai vēsturiski varētu izpētīt jūsu procesus un spētu atskatīties uz lielu šo datu daudzumu, lai no tā mācītos un no tā veidotu labākus modeļus.
Es domāju, ka daudz datu būs jāsaglabā, un es domāju, ka mums ir risinājumi, kas mūsdienās padara tos ekonomiskākus un pielāgojamākus. Bet tajā pašā laikā es domāju, ka katrs uzņēmums atradīs vērtību datos, kas viņiem nav jāuztur atomu līmenī, bet viņi vēlēsies analizēt reālā laika veidā un pieņemt lēmumus par to, lai virzītu inovācijas viņu uzņēmums.
Rebeka Jozwiak: Labi, labi. Nē, auditorija, es šodien neuzzināju uz visiem jautājumiem, bet es tos nosūtīšu kopā ar Šaunu, lai viņš varētu tieši ar jums sazināties un atbildēt uz šiem jautājumiem. Bet paldies visiem, ka apmeklējāt. Liels paldies Shawn Rogers no Dell Statistica un visiem mūsu analītiķiem Dez Blanchfield un Dr. Robin Bloor. Arhīvu varat atrast šeit vietnē insideanalysis.com, SlideShare, mēs esam sākuši atkal ievietot savus materiālus turpat, un mēs atjaunojam savu YouTube, tāpēc meklējam to arī tur. Paldies tik daudz ļaudīm. Un līdz ar to es atvadīšos no jums, un mēs redzēsim nākamreiz.
