Большие данные

Работа на опережение

Среди сотен мобильных приложений, ежедневно появляющихся на рынке, много критичных как для бизнеса, так и для жизнедеятельности общества, от надежности работы которых может буквально зависеть жизнь компаний и людей. Лаборатория HPE Mobile Center выпускает инструменты для тестирования мобильных приложений, охватывающие практически все платформы и типы устройств.

Когнитивное хранение для Больших Данных

Системы когнитивного хранения работают оптимально благодаря автоматической оценке соответствия данных потребностям и предпочтениям пользователя, однако воплощение в жизнь идеи когнитивного хранения будет зависеть от способности исследователей идентифицировать принципы определения ценности данных и от появления систем хранения, ориентированных на данные.

Призрак Uber

В современном мире выживает не сильнейший, но быстрейший — интенсивные изменения окружающего мира могут угрожать любому бизнесу.

Машинное обучение для Больших Данных

Теоретические основы машинного обучения появились практически одновременно с первыми компьютерами, однако при его практическом применении всегда приходится учитывать специфику конкретных систем. Работа с Большими Данными средствами Hadoop требует инструментов адаптации алгоритмов машинного обучения к этой платформе, например с помощью механизмов из стека IBM BigInsights.

Экзабайтное хранилище научных данных

Сегодня только в ходе одного эксперимента в области физики высоких энергий генерируется такой объем метаданных, который сравним с объемом данных экспериментов, полученных за весь XX век. Однако для организации хранения и эффективного доступа к этим метаданным прежние реляционные технологии уже непригодны. Объемы метаданных

Обучение технологиям Больших Данных

При организации подготовки в университетах специалистов по технологиям Больших Данных наряду c проблемами методологического характера возникают и сложности с доступом к наборам данных и соответствующим инструментам. Наиболее эффективным в этой ситуации оказывается развертывание виртуальной среды Hadoop/Spark.

Нефтегазоразведка без Больших Данных

В нефтегазовой отрасли пока еще мало внимания уделяется Большим Данным. Руководители ИТ-подразделений крупных российских нефтяных компаний почти не упоминают о своих планах работ в этом направлении. На пути к реальному использованию методов Больших Данных в отрасли сохраняется множество препятствий.

Аналитика реального времени для ситуационного центра

Система управления кластером Hadoop YARN значительно повышает надежность и гибкость технологии MapReduce, позволяя в оперативной памяти проводить распределенную потоковую обработку данных, а значит, строить аналитические системы реального времени, используемые, например, в ситуационных центрах.

Анализ работы телекоммуникационной системы

Эффективность анализа данных о функционировании телекоммуникационного оборудования определяется возможностями системы сбора и обработки этих данных, объемы которых могут увеличиваться экспоненциально. Как выполнить глубокий анализ поведения сетевого оборудования в условиях лавинообразного роста показаний телеметрии?

Системы для Больших Данных: конвергенция архитектур

Проектирование архитектур систем работы с Большими Данными связано с множеством трудностей. В частности, архитектуру распределенного ПО надо тесно увязать со структурами данных и архитектурой развертывания. Чтобы удовлетворить требования к качеству, при проектировании системы нужно учитывать особенности всех трех архитектур одновременно.