داده های سری زمانی: با ارزش ترین کالای جدید فناوری


در 9 نوامبر به ما بپیوندید تا در اجلاس Low-Code/No-Code Summit نحوه موفقیت آمیز نوآوری و دستیابی به کارایی را با ارتقاء مهارت و مقیاس توسعه دهندگان شهروندی بیاموزید. اینجا ثبت نام کنید.


بیست و هفت میلیارد

این تعداد دستگاه های متصل به اینترنت اشیا تا سال 2025 است و هر یک از این دستگاه ها جریان داده های خود را ایجاد خواهند کرد. در این چشم‌انداز جدید، سخت نیست که بفهمیم چرا داده‌های سری زمانی در حال تبدیل شدن به یکی از با ارزش‌ترین کالاها در فناوری هستند.

در ابتدایی‌ترین سطح، داده‌های سری زمانی به هر داده‌ای گفته می‌شود که توسط مُهرهای زمانی سازماندهی و ترتیب‌بندی شده باشد. منابع این داده ها متفاوت است. در دنیای فیزیکی، دستگاه هایی مانند سنج های دما، حسگرها یا باتری ها آن را تولید می کنند و در دنیای مجازی از نرم افزار، سیستم ها، میکروسرویس ها یا ماشین های مجازی می آید.

همانطور که ما شاهد “حسگر ساختگی” جهان هستیم – از ماشین آلات در کف کارخانه، ماشین‌های خودران، تا پنل‌های خورشیدی روی سقف شما – داده‌هایی که این دستگاه‌ها تولید می‌کنند به عنصر کلیدی تحولات دیجیتال تبدیل می‌شوند. برای مهار و تجزیه و تحلیل موثر این داده ها، سازمان ها از پایگاه های داده سری زمانی استفاده می کنند که توانایی رسیدگی به حجم کاری منحصر به فرد مورد نیاز داده های سری زمانی را دارند. به عنوان مثال، یک پایگاه داده سری زمانی می تواند داده های با سرعت بالا را بخواند و بنویسد و در حجم بالاتری نسبت به سایر انواع پایگاه داده انجام دهد.

رویداد

اجلاس کم کد/بدون کد

بیاموزید که چگونه ببرنامه‌های کم‌کد را به شیوه‌ای ساده اجرا کنید، مقیاس‌بندی کنید، و مدیریت کنید که برای همه این 9 نوامبر موفقیت ایجاد می‌کند. Rثبت نام برای پاس رایگان خود را امروز.

اینجا ثبت نام کنید

در اینجا نگاهی دقیق‌تر خواهیم داشت به اینکه داده‌های سری زمانی چیست، چه کاری می‌توانند انجام دهند، و چگونه کسب‌وکارها و سازمان‌ها در هر نوع و اندازه‌ای از آن برای تغییر دنیایی که ما می‌شناسیم استفاده می‌کنند.

داده های سری زمانی: پرایمر

دنباله ای از نقاط داده که به ترتیب زمانی نمایه شده اند، ماهیت داده های سری زمانی است. بنابراین، یک سری شامل خوانش ها یا اندازه گیری های متوالی از یک منبع در یک بازه زمانی برای ردیابی تغییرات در طول زمان است.

دو نوع داده سری زمانی وجود دارد: «سنجش‌ها» یا اندازه‌گیری‌هایی که در فواصل زمانی منظم جمع‌آوری می‌شوند، یا «رویدادها»، اندازه‌گیری‌هایی که در بازه‌های زمانی نامنظم‌تر جمع‌آوری می‌شوند. معیارهای سری زمانی برای پیش‌بینی عالی هستند، زیرا داده‌های تاریخی یک شاخص محکم از آنچه در آینده ممکن است رخ دهد است. از سوی دیگر، رویدادهای سری زمانی را در مواردی مانند گزارش رویدادها می‌یابیم که می‌توانند اطلاعات مفیدی در مورد ترافیک شبکه، استفاده و موارد دیگر ارائه دهند.

داده‌های سری زمانی مرتب می‌شوند و آن را در فضای داده منحصربه‌فرد می‌سازد زیرا اغلب «وابستگی سریال» را نشان می‌دهد، که زمانی رخ می‌دهد که مقدار یک نقطه داده از نظر آماری به نقطه داده دیگری از زمان دیگر وابسته باشد.

کاری که می تواند انجام دهد

داده های سری زمانی زمینه زمان را فراهم می کند. این زمینه هم حیاتی و هم ارزشمند است، زیرا همه چیز در یک مقطع زمانی خاص اتفاق می افتد. اگر می‌دانید چه زمانی اتفاقی می‌افتد، می‌توانید تصمیمات آگاهانه‌ای در مورد آن بگیرید، مانند اینکه چه زمانی باید اقدام کنید یا چه زمانی نباید انجام دهید. این داده ها همچنین می توانند در تجزیه و تحلیل سری های زمانی برای طیف گسترده ای از موارد، از جمله (اما نه محدود به) ردیابی قیمت سهام، پیش بینی ارقام فروش یا نظارت بر مراقبت های بهداشتی استفاده شوند.

دو دلیل اصلی در پشت سرگذاشتن این نوع داده ها وجود دارد، اولین دلیل افزایش سریع دستگاه های متصل اینترنت اشیا است. یک حسگر واحد حجم زیادی از داده های سری زمانی را پمپاژ می کند. حالا دستگاهی با 50 سنسور را تصور کنید. علاوه بر این، شرکتی را تصور کنید که میلیون‌ها دستگاه از آن را بفروشد. با وجود نزدیک به 30 میلیارد دستگاه متصل تنها در چند سال آینده، به راحتی می توان مشاهده کرد که حجم و مقیاس داده های سری زمانی در فضای اینترنت اشیا با چه سرعتی افزایش می یابد.

دلیل دیگر نحوه استفاده سازمان ها از داده ها است. زمانی که کسب‌وکارها بخش‌های قابل توجهی از داده‌های خود را به ابر منتقل می‌کنند، سیستم‌ها، کانتینرها و فرآیندهای درگیر همگی داده‌های سری زمانی ایجاد می‌کنند. این به نوبه خود به سازمان‌ها اجازه می‌دهد تا از داده‌های خود در شبکه‌های دائماً در حال گسترش استفاده مجدد کنند.

کاری که داده های سری زمانی در سطح عملی انجام می دهند

در مسیر کنونی ما، هر چیزی که بتوان آن را ابزار کرد، ابزارسازی می‌شود، و کسب اطلاعات در مورد وضعیت جهان فیزیکی را آسان‌تر از همیشه می‌کند. همانطور که می‌دانیم، ما در حال حاضر این توانایی را داریم که از این جریان داده‌ها با هوش مصنوعی و یادگیری ماشین (ML) برای ایجاد بینش‌هایی استفاده کنیم که به ما امکان می‌دهد سریع عمل کنیم. وضعیت کنونی خودروهای خودران، ناوبری ترافیکی، و ساختمان‌ها و وسایل «هوشمند»، نگاهی اجمالی به آینده‌ی نه چندان دور را ارائه می‌دهد.

ایجاد داده مطمئناً به دنیای فیزیکی محدود نمی شود. به نظر می‌رسد که با ظهور میکروسرویس‌ها، کانتینرها و معماری‌های فناوری اطلاعات بدون سرور، ابزار دقیق در دنیای مجازی به همان سرعت – اگر نگوییم سریع‌تر – نسبت به دنیای فیزیکی در حال رشد است.

موارد استفاده از این داده ها بدون شک به رشد خود ادامه خواهد داد، اما بسیاری از شرکت ها در حال حاضر از آن برای تبدیل جهان به مکانی بهتر و سبزتر استفاده می کنند. سه مثال عبارتند از:

  • شرکت انرژی پایدار Bboxx از یک پایگاه داده سری زمانی برای ساخت سیستم عامل اختصاصی خود استفاده می کند که هزاران پنل خورشیدی و باتری را در سراسر جهان در حال توسعه، به ویژه آفریقا نظارت می کند. در حال حاضر، بیش از 2 میلیون نفر به انرژی پاک از خانه هایی که توسط Bboxx تغذیه می شوند، دسترسی دارند، تا حد زیادی به لطف استفاده نوآورانه این شرکت از داده های سری زمانی.
  • در بلژیک، VLEEMO، پیشگام انرژی باد (مخفف Vlaamse Ecologie Energie Milieu Onderneming) از داده های سری زمانی برای کمک به نظارت بر لرزش سایه ناشی از توربین های بادی در حین چرخش پره های آنها استفاده می کند. این نوع سایه‌های متحرک به عنوان عامل استرس و سردرد شناخته شده‌اند و این کشور میزان سوسو زدن سایه مجاز را به 30 دقیقه در روز محدود می‌کند. VLEEMO همچنین از این داده ها برای نظارت بر تجمع یخ روی پره های توربین استفاده می کند، که می تواند برای افراد و ساختمان های اطراف خطرناک باشد. جمع آوری تمام این داده ها به شرکت کمک می کند تا بازده انرژی توربین های خود را به حداکثر برساند.
  • شرکت فنلاندی EnerKey داده های خام را برای تجزیه و تحلیل و پیش بینی مصرف انرژی در زمان واقعی دریافت و ترکیب می کند. در یک مثال اساسی، شرکت داده‌های آب و هوا (که همچنین داده‌های سری زمانی است) را با داده‌های مصرف انرژی برای پیش‌بینی نیازهای انرژی هر ساختمان مرتبط می‌کند. این فرآیند می تواند به شرکت های انرژی کمک کند تا صدها دلار در هر ساختمان در هر ساختمان صرفه جویی کنند و در نتیجه با در نظر گرفتن صدها یا حتی هزاران ساختمانی که شرکت خدمات ارائه می دهد، صرفه جویی زیادی به همراه خواهد داشت.

همه جا حاضر است، اما همچنان در حال رشد است

همانطور که داده های سری زمانی رایج تر می شوند، انتظار داشته باشید که روند نظارت دستی داشبوردهای فیزیکی ناپدید شود. هوش مصنوعی و ML می‌توانند (و در برخی موارد، قبلاً انجام می‌دهند) روندهای مبتنی بر داده را نظارت کنند و به طور خودکار بر اساس قوانین از پیش تعریف شده واکنش نشان دهند. در نهایت، این کار تیم ها را از کارهای نسبتاً پیش پا افتاده آزاد می کند و به آنها امکان می دهد حتی بیشتر نوآوری کنند.

داده های سری زمانی در حال حاضر در همه جا وجود دارد، زیرا در هر بخش از مشاغل دیجیتال امروزی وجود دارد، اما هنوز در اکثر سازمان ها به پتانسیل کامل خود نرسیده است. با این حال، همانطور که مقدار داده های تولید شده همچنان در حال رشد است، کسانی که در استفاده از آن، تجزیه و تحلیل و استفاده از آن برای تصمیم گیری های حیاتی ماهر می شوند، بهترین فرصت را برای ایجاد مزیت های رقابتی به خود می دهند.

ایوان کاپلان مدیر عامل InfluxData است

DataDecisionMakers

به انجمن VentureBeat خوش آمدید!

DataDecisionMakers جایی است که کارشناسان، از جمله افراد فنی که کار داده را انجام می دهند، می توانند بینش ها و نوآوری های مرتبط با داده را به اشتراک بگذارند.

اگر می‌خواهید درباره ایده‌های پیشرفته و اطلاعات به‌روز، بهترین شیوه‌ها و آینده فناوری داده و داده مطالعه کنید، به ما در DataDecisionMakers بپیوندید.

شما حتی ممکن است در نظر داشته باشید که مقاله ای از خودتان ارائه دهید!

از DataDecisionMakers بیشتر بخوانید