數據處理是對紛繁複雜的海量數據價值的提煉,而其中最有價值的地方在于預測性分析,即可以通過數據可視化、統計模式識别、數據描述等數據挖掘形式幫助數據科學家更好的理解數據,根據數據挖掘的結果得出預測性決策。其中主要工作環節包括:
1、大數據采集、
2、大數據預處理、
3、大數據存儲及管理、
4、大數據分析及挖掘、
5、大數據展現和應用(大數據檢索、大數據可視化、大數據應用、大數據安全等)。
一、大數據采集技術
數據是指通過RFID射頻數據、傳感器數據、社交網絡交互數據及移動互聯網數據等方式獲得的各種類型的結構化、半結構化(或稱之為弱結構化)及非結構化的海量數據,是大數據知識服務模型的根本。重點要突破分布式高速高可靠數據爬取或采集、高速數據全映像等大數據收集技術;突破高速數據解析、轉換與裝載等大數據整合技術;設計質量評估模型,開發數據質量技術。
大數據采集一般分為:
1)大數據智能感知層:主要包括數據傳感體系、網絡通信體系、傳感适配體系、智能識别體系及軟硬件資源接入系統,實現對結構化、半結構化、非結構化的海量數據的智能化識别、定位、跟蹤、接入、傳輸、信号轉換、監控、初步處理和管理等。必須着重攻克針對大數據源的智能識别、感知、适配、傳輸、接入等技術。
2)基礎支撐層:提供大數據服務平台所需的虛拟服務器,結構化、半結構化及非結構化數據的數據庫及物聯網絡資源等基礎支撐環境。重點攻克分布式虛拟存儲技術,大數據獲取、存儲、組織、分析和決策操作的可視化接口技術,大數據的網絡傳輸與壓縮技術,大數據隐私保護技術等。
二、大數據預處理技術
完成對已接收數據的辨析、抽取、清洗等操作。
1)抽取:因獲取的數據可能具有多種結構和類型,數據抽取過程可以幫助我們将這些複雜的數據轉化為單一的或者便于處理的構型,以達到快速分析處理的目的。
2)清洗:對于大數據,并不全是有價值的,有些數據并不是我們所關心的内容,而另一些數據則是完全錯誤的幹擾項,因此要對數據通過過濾“去噪”從而提取出有效數據。
三、大數據存儲及管理技術
大數據存儲與管理要用存儲器把采集到的數據存儲起來,建立相應的數據庫,并進行管理和調用。重點解決複雜結構化、半結構化和非結構化大數據管理與處理技術。主要解決大數據的可存儲、可表示、可處理、可靠性及有效傳輸等幾個關鍵問題。開發可靠的分布式文件系統(DFS)、能效優化的存儲、計算融入存儲、大數據的去冗餘及高效低成本的大數據存儲技術;突破分布式非關系型大數據管理與處理技術,異構數據的數據融合技術,數據組織技術,研究大數據建模技術;突破大數據索引技術;突破大數據移動、備份、複制等技術;開發大數據可視化技術。
開發新型數據庫技術,數據庫分為關系型數據庫、非關系型數據庫以及數據庫緩存系統。其中,非關系型數據庫主要指的是NoSQL數據庫,分為:鍵值數據庫、列存數據庫、圖存數據庫以及文檔數據庫等類型。關系型數據庫包含了傳統關系數據庫系統以及NewSQL數據庫。
開發大數據安全技術:改進數據銷毀、透明加解密、分布式訪問控制、數據審計等技術;突破隐私保護和推理控制、數據真僞識别和取證、數據持有完整性驗證等技術。
四、大數據分析及挖掘技術
大數據分析技術:改進已有數據挖掘和機器學習技術;開發數據網絡挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術;突破基于對象的數據連接、相似性連接等大數據融合技術;突破用戶興趣分析、網絡行為分析、情感語義分析等面向領域的大數據挖掘技術。
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、随機的實際應用數據中,提取隐含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
數據挖掘涉及的技術方法很多,有多種分類法。根據挖掘任務可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關系或依賴模型發現、異常和趨勢發現等等;根據挖掘對象可分為關系數據庫、面向對象數據庫、空間數據庫、時态數據庫、文本數據源、多媒體數據庫、異質數據庫、遺産數據庫以及環球網Web;根據挖掘方法分,可粗分為:機器學習方法、統計方法、神經網絡方法和數據庫方法。
機器學習中,可細分為歸納學習方法(決策樹、規則歸納等)、基于範例學習、遺傳算法等。統計方法中,可細分為:回歸分析(多元回歸、自回歸等)、判别分析(貝葉斯判别、費歇爾判别、非參數判别等)、聚類分析(系統聚類、動态聚類等)、探索性分析(主元分析法、相關分析法等)等。神經網絡方法中,可細分為:前向神經網絡(BP算法等)、自組織神經網絡(自組織特征映射、競争學習等)等。數據庫方法主要是多維數據分析或OLAP方法,另外還有面向屬性的歸納方法。
數據挖掘主要過程是:根據分析挖掘目标,從數據庫中把數據提取出來,然後經過ETL組織成适合分析挖掘算法使用寬表,然後利用數據挖掘軟件進行挖掘。傳統的數據挖掘軟件,一般隻能支持在單機上進行小規模數據處理,受此限制傳統數據分析挖掘一般會采用抽樣方式來減少數據分析規模。
數據挖掘的計算複雜度和靈活度遠遠超過前兩類需求。一是由于數據挖掘問題開放性,導緻數據挖掘會涉及大量衍生變量計算,衍生變量多變導緻數據預處理計算複雜性;二是很多數據挖掘算法本身就比較複雜,計算量就很大,特别是大量機器學習算法,都是疊代計算,需要通過多次疊代來求最優解,例如K-means聚類算法、PageRank算法等。
從挖掘任務和挖掘方法的角度,着重突破:
1)可視化分析。數據可視化無論對于普通用戶或是數據分析專家,都是最基本的功能。數據圖像化可以讓數據自己說話,讓用戶直觀的感受到結果。
2)數據挖掘算法。圖像化是将機器語言翻譯給人看,而數據挖掘就是機器的母語。分割、集群、孤立點分析還有各種各樣五花八門的算法讓我們精煉數據,挖掘價值。這些算法一定要能夠應付大數據的量,同時還具有很高的處理速度。
3)預測性分析。預測性分析可以讓分析師根據圖像化分析和數據挖掘的結果做出一些前瞻性判斷。
4)語義引擎。語義引擎需要設計到有足夠的人工智能以足以從數據中主動地提取信息。語言處理技術包括機器翻譯、情感分析、輿情分析、智能輸入、問答系統等。
5)數據質量和數據管理。數據質量與管理是管理的最佳實踐,透過标準化流程和機器對數據進行處理可以确保獲得一個預設質量的分析結果。
預測分析成功的7個秘訣
預測未來一直是一個冒險的命題。幸運的是,預測分析技術的出現使得用戶能夠基于曆史數據和分析技術(如統計建模和機器學習)預測未來的結果,這使得預測結果和趨勢變得比過去幾年更加可靠。
盡管如此,與任何新興技術一樣,想要充分發揮預測分析的潛力也是很難的。而可能使挑戰變得更加複雜的是,由不完善的策略或預測分析工具的誤用導緻的不準确或誤導性的結果可能在幾周、幾個月甚至幾年内才會顯現出來。
預測分析有可能徹底改變許多的行業和業務,包括零售、制造、供應鍊、網絡管理、金融服務和醫療保健。AI網絡技術公司Mist Systems的聯合創始人、首席技術官Bob fridy預測:“深度學習和預測性AI分析技術将會改變我們社會的所有部分,就像十年來互聯網和蜂窩技術所帶來的轉變一樣。”。
這裡有七個建議,旨在幫助您的組織充分利用其預測分析計劃。
1.能夠訪問高質量、易于理解的數據
預測分析應用程序需要大量數據,并依賴于通過反饋循環提供的信息來不斷改進。 全球IT解決方案和服務提供商Infotech的首席數據和分析官Soumendra Mohanty評論道:“數據和預測分析之間是相互促進的關系。”
了解流入預測分析模型的數據類型非常重要。“一個人身上會有什麼樣的數據?” Eric Feigl - Ding問道,他是流行病學家、營養學家和健康經濟學家,目前是哈佛陳氏公共衛生學院的訪問科學家。“是每天都在Facebook和谷歌上收集的實時數據,還是難以訪問的醫療記錄所需的醫療數據?”為了做出準确的預測,模型需要被設計成能夠處理它所吸收的特定類型的數據。
簡單地将大量數據扔向計算資源的預測建模工作注定會失敗。“由于存在大量數據,而其中大部分數據可能與特定問題無關,隻是在給定樣本中可能存在相關關系,”FactSet投資組合管理和交易解決方案副總裁兼研究主管Henri Waelbroeck解釋道,FactSet是一家金融數據和軟件公司。“如果不了解産生數據的過程,一個在有偏見的數據上訓練的模型可能是完全錯誤的。”
2.找到合适的模式
SAP高級分析産品經理Richard Mooney指出,每個人都癡迷于算法,但是算法必須和輸入到算法中的數據一樣好。“如果找不到适合的模式,那麼他們就毫無用處,”他寫道。“大多數數據集都有其隐藏的模式。”
模式通常以兩種方式隐藏:
1)模式位于兩列之間的關系中。例如,可以通過即将進行的交易的截止日期信息與相關的電子郵件開盤價數據進行比較來發現一種模式。Mooney說:“如果交易即将結束,電子郵件的公開率應該會大幅提高,因為買方會有很多人需要閱讀并審查合同。”
2)模式顯示了變量随時間變化的關系。 “以上面的例子為例,了解客戶打開了200次電子郵件并不像知道他們在上周打開了175次那樣有用,”Mooney說。
3 .專注于可管理的任務,這些任務可能會帶來積極的投資回報
紐約理工學院的分析和商業智能主任Michael Urmeneta稱:“如今,人們很想把機器學習算法應用到海量數據上,以期獲得更深刻的見解。”他說,這種方法的問題在于,它就像試圖一次治愈所有形式的癌症一樣。Urmeneta解釋說:“這會導緻問題太大,數據太亂——沒有足夠的資金和足夠的支持。這樣是不可能獲得成功的。”
而當任務相對集中時,成功的可能性就會大得多。Urmeneta指出:“如果有問題的話,我們很可能會接觸到那些能夠理解複雜關系的專家” 。“這樣,我們就很可能會有更清晰或更好理解的數據來進行處理。”
4.使用正确的方法來完成工作
好消息是,幾乎有無數的方法可以用來生成精确的預測分析。然而,這也是個壞消息。芝加哥大學NORC (前國家意見研究中心)的行為、經濟分析和決策實踐主任Angela Fontes說:“每天都有新的、熱門的分析方法出現,使用新方法很容易讓人興奮”。“然而,根據我的經驗,最成功的項目是那些真正深入思考分析結果并讓其指導他們選擇方法的項目——即使最合适的方法并不是最性感、最新的方法。”
羅切斯特理工學院計算機工程系主任、副教授shanchie Jay Yang建議說:“用戶必須謹慎選擇适合他們需求的方法”。“必須擁有一種高效且可解釋的技術,一種可以利用序列數據、時間數據的統計特性,然後将其外推到最有可能的未來,”Yang說。
5.用精确定義的目标構建模型
這似乎是顯而易見的,但許多預測分析項目開始時的目标是構建一個宏偉的模型,卻沒有一個明确的最終使用計劃。“有很多很棒的模型從來沒有被人使用過,因為沒有人知道如何使用這些模型來實現或提供價值,”汽車、保險和碰撞修複行業的SaaS提供商CCC信息服務公司的産品管理高級副總裁Jason Verlen評論道。
對此,Fontes也表示同意。“使用正确的工具肯定會确保我們從分析中得到想要的結果……”因為這迫使我們必須對自己的目标非常清楚,”她解釋道。“如果我們不清楚分析的目标,就永遠也不可能真正得到我們想要的東西。”
6.在IT和相關業務部門之間建立密切的合作關系
在業務和技術組織之間建立牢固的合作夥伴關系是至關重要的。 客戶體驗技術提供商Genesys的人工智能産品管理副總裁Paul lasserr說:“你應該能夠理解新技術如何應對業務挑戰或改善現有的業務環境。”然後,一旦設置了目标,就可以在一個限定範圍的應用程序中測試模型,以确定解決方案是否真正提供了所需的價值。
7.不要被設計不良的模型誤導
模型是由人設計的,所以它們經常包含着潛在的缺陷。錯誤的模型或使用不正确或不當的數據構建的模型很容易産生誤導,在極端情況下,甚至會産生完全錯誤的預測。
沒有實現适當随機化的選擇偏差會混淆預測。例如,在一項假設的減肥研究中,可能有50%的參與者選擇退出後續的體重測量。然而,那些中途退出的人與留下來的人有着不同的體重軌迹。這使得分析變得複雜,因為在這樣的研究中,那些堅持參加這個項目的人通常是那些真正減肥的人。另一方面,戒煙者通常是那些很少或根本沒有減肥經曆的人。因此,雖然減肥在整個世界都是具有因果性和可預測性的,但在一個有50%退出率的有限數據庫中,實際的減肥結果可能會被隐藏起來。
六、大數據展現與應用技術
大數據技術能夠将隐藏于海量數據中的信息和知識挖掘出來,為人類的社會經濟活動提供依據,從而提高各個領域的運行效率,大大提高整個社會經濟的集約化程度。
在我國,大數據将重點應用于以下三大領域:商業智能 、政府決策、公共服務。例如:商業智能技術,政府決策技術,電信數據信息處理與挖掘技術,電網數據信息處理與挖掘技術,氣象信息分析技術,環境監測技術,警務雲應用系統(道路監控、視頻監控、網絡監控、智能交通、反電信詐騙、指揮調度等公安信息系統),大規模基因序列分析比對技術,Web信息挖掘技術,多媒體數據并行化處理技術,影視制作渲染技術,其他各種行業的雲計算和海量數據處理應用技術等。
來源:産業智能官、北京物聯網智能技術應用協會,侵權煩請聯系删文。
,