Jak probíhá realtime zpracování Big Dat? I přes neuronové sítě!

Jak probíhá realtime zpracování Big Dat? I přes neuronové sítě!
Spolu s příchodem big dat se výrazně mění požadavky na datovou analýzu. Chceme-li, aby zpracování velkých objemů dat proběhlo v reálném čase, je, mimo jiné, potřeba zvolit vhodný algoritmus. Takový, který si poradí i s komplexnějšími (mnoharozměrnými) daty. Bez problémů a časových prodlev. Požadavek rychlé odezvy splňují matematické modely, inspirované nervovou tkání lidského mozku – neuronové sítě. Dnes se podrobněji podíváme na to, jaký potenciál ukrývají.
 
Velkou předností neuronů je jejich kooperace a vrstvení – právě tyto vlastnosti umožňují zpracovat velké objemy různorodých dat a dosahovat výsledků v reálném čase. Pokud si neuronovou síť představíme jako krabičku, tak na jedné straně do krabičky vstupují data, na druhé straně vystupuje předpověď (doporučení). V závislosti na vstupních datech tak může neuronová síť vyhodnotit například aktuální předpověď počasí, telefonický hovor, pravděpodobnost poruchy nebo rozpoznávat objekty v obrázcích či videosekvencích (např. z pouličních kamer). Nespornou výhodou je také fakt, že se velikost matematického modelu po iniciálním nastavení nemění ani v případě dalšího „doučování“. Síť se na základě nových poznatků může stále učit – model se pouze rozkopíruje mezi jednotlivé big data procedury.
 
Ptáte se, nakolik jsou tyto modely dostupné firmám, které se zabývají zpracováním big dat? Asi není těžké uhodnout, že prvotní „učící“ fáze bude velmi nákladná. Pokud bychom chtěli, aby neuronová síť rozpoznala kupříkladu jablko, je třeba pracovat se stovkami obrázků s jablkem i bez, a ještě ohlídat, aby si model nespojil objekt „jablko“ pouze s jedinou odrůdou. V praxi se proto nakupují již vytvořené, „odmaturované“ sady modelů, které se posléze dovzdělávají na konkrétní řešení pro zákazníka.

Společnost Sprinx momentálně zpracovává hypotézu využití neuronových sítí k okamžité predikci poruchy hromadných dopravních prostředků. Konkrétně se případová studie soustřeďuje na včasné odhalení momentu, kdy se schyluje k selhání součástek. Motivace je v zásadě dvojí - minimalizace času, kdy je porouchaný dopravní prostředek odstaven z provozu, a úspora nákladů na údržbu. Východiskem pro ověření hypotézy jsou big data online sbíraná z instalovaných senzorů tramvají.

Věříme, že náš hypotetický předpoklad prokáže v dopravní praxi svoji platnost. A že o zpracování big dat prostřednictvím neuronových sítí rozhodně ještě uslyšíme.
Datum zveřejnění 27. 7. 2016 13:04:40 od | 0 komentářů
Tagy: ;, BI, big data, neuronové sítě, realtime zpracování
Comments
Blog post currently doesn't have any comments.