Computer Society, Vol. 44, No. 12, 2011В тематический блок вошли три из шести статей номера — первая называется «Два подхода к организации междисциплинарных курсов “компьютеры+музыка”» (“Two Approaches to Interdisciplinary Computing+Music Courses”) и написана Джесси Хейнс (Jesse Heines), Джиной Грехер (Gena Greher), Алексом Ратманном (Alex Ruthmann) и Бренданом Рейли (Brendan Reilly). Союз ИТ и музыки может обогатить педагогику — при проведении вводных курсов музыку можно использовать для иллюстрации практических приложений компьютерных концепций, а в продвинутых курсах можно, например, рассказывать об использовании сложных алгоритмов обработки звуковых сигналов. Авторы статьи исследуют область между двумя этими крайними точками и описывают свои эксперименты по организации двух типов междисциплинарных курсов. При применении первого подхода студенты, специализирующиеся в областях искусства и ИТ, даже если они выбрали разные основные курсы, в дополнительное время выполняют совместные проекты. Второй подход предполагает, что студенты записываются на одни и те же курсы, но каждая лекция проводится двумя профессорами: один из области музыки, другой — из области компьютерной науки.

 

Сцена из спектакля, исполняемого в виртуальном мире
Рис. 1. Сцена из спектакля, исполняемого в виртуальном мире

Следующая статья тематической подборки представлена Джо Гейгелем (Joe Geigel), Марлой Швеппе (Marla Schweppe), Дэвидом Хайяном (David Huynh) и Брайаном Джонстоуном (Brian Johnstone) и называется «Применение виртуального мира в театральном представлении» (“Adapting a Virtual World for Theatrical Performance”). Представим себе театральное представление: декорации установлены, огни сияют, актеры играют свои роли, а зрители внимательно следят за ходом спектакля. Теперь вообразите, что и актеры, и зрители находятся в разных частях земного шара и участвуют в представлении, находясь в виртуальном мире. В этом состоит основная идея виртуального театра (virtual theatre, VT) — «живого» представления, происходящего на подмостках распределенного трехмерного виртуального мира. На рис. 1 показана сцена из спектакля, полностью исполняемого в виртуальном мире. Зрители следят за представлением на экранах своих компьютеров.

Театральные представления, реализуемые с использованием компьютеров (computer-mediated performance), становятся все более привлекательны, в особенности, в виртуальных сообществах типа Second Life (см., например, business.treet.tv/shows/bpeducation/episodes/virtual-theatre). Этому способствуют рост качества и доступности трехмерных систем визуализации и игровых «движков», разрабатываемых для управления распределенными трехмерными мирами. Однако, даже при наличии подобного инструментария, организация «живых» представлений в трехмерных виртуальных пространствах остается проблематичной. Одна из основных проблем относится к интерфейсу — хотя большая часть инструментальных средств поддержки виртуальных миров обеспечивает общий доступ к объектам и атрибутам и управление ими, лишь немногие инструменты позволяют производить специальные действия, требуемые в театральном представлении.

 

Фрагмент интерфейса организации «захвата» изображения
Рис. 2. Фрагмент интерфейса организации «захвата» изображения

Система VT должна быть достаточно надежной, чтобы поддерживать «живые» взаимодействия (дополненные графикой, светом и звуком) в распределенном виртуальном пространстве. В то же время интерфейс должен быть простым и интуитивно понятным для театральных работников (рис 2). По сути, проектировщики систем VT должны выявить процессы, происходящие в театральном представлении; описать, параметризовать и формализовать эти процессы; специфицировать интуитивно понятный интерфейс для их воссоздания в распределенной среде виртуальной реальности.

Последнюю статью тематической подборки написали Со Йамаока (So Yamaoka), Лев Манович (Lev Manovich), Джереми Дуглас (Jeremy Douglass) и Фалко Кюстер (Falko Kuester), и называется она «Культурологическая аналитика в крупномасштабных средах визуализации» (“Cultural Analytics in Large-Scale Visualization Environments“). Объемы культурологических наборов данных в цифровой форме быстро возрастают, и основной причиной являются усилия музеев, библиотек и других культурологических организаций по оцифровке своих материалов. Исследователи могут применять к этим заново доступным наборам данных разнообразные методы компьютерной аналитики для выявления различных паттернов и аномалий.

Традиционно при применении средств поиска и алгоритмов анализа от исследователей требуется всего лишь установить, что нужно искать в конкретном наборе данных и какую конкретную проблему нужно решить. Однако этого часто оказывается недостаточно при работе с крупными культурологическими наборами данных, поскольку у исследователей до выполнения анализа могут отсутствовать точно определенные гипотезы и цели. В таких случаях может потребоваться альтернативный подход.

Методы визуального анализа возникли из-за появления огромных объемов данных, к которым не применимы или трудно применимы традиционные методы анализа. Цель визуального анализа состоит в обеспечении возможности выявления неожиданностей в крупномасштабных динамически изменяющихся информационных пространствах. Применение этого подхода уже позволило получить значительные результаты во многих научных областях, что отражено в отчете Национального научного фонда США “Cyberinfrastructure Vision for 21st Century Discovery”, где подчеркивается важность разработки инструментальных средств для сбора, хранения, анализа и визуализации крупных наборов данных.

Комбинация методов визуального анализа с культурологическими наборами данных и вопросами, ответы на которые интересуют исследователей-гуманитариев, привела к появлению нового подхода, названного авторами статьи «культурологической аналитикой». Этот подход направлен на обеспечение наилучших для исследователей способов доступа к крупному культурологическому контенту и его анализа. В статье описываются возможные методы применения культурологической аналитики в масштабируемых средах отображения информации.

Вне тематической подборки опубликованы три статьи. Автором материала «Возврат к мелкоядерным массивно-параллельным процессорам» (“Back to Thin-Core Massively Parallel Processors”) является Ами Маровка (Ami Marowka). Многоядерные процессоры используются в любом настольном компьютере, суперкомпьютере и мобильном устройстве, но, к сожалению, все еще редко встречаются параллельные приложения общего назначения, в которых полностью задействованы возможности этих процессоров. Кроме того, хотя параллельные архитектуры быстро совершенствуются, разработка параллельного программного обеспечения отстает в своем развитии.

Производители процессоров надеются, что им удастся устранить фундаментальные препятствия на пути к созданию 1000-ядерного процессора, и исследуют эффективность новых параллельных архитектур многоядерных процессоров. Однако исследователи в области проектирования и разработки программного обеспечения по-прежнему нуждаются в технологиях, которые позволили бы создать модель программирования, обеспечивающую реальную возможность использования будущих многоядерных процессоров.

Архитекторы программного обеспечения ищут новые подходы, позволяющие справиться с разнообразными трудностями и проблемами, такими как зависимость по данным, «состояния гонки» (race condition), балансировка нагрузки, недетерминизм и синхронизационные тупики. Кроме того, они исследуют новые парадигмы параллельного программирования, позволяющие конструировать простые для использования, производительные, энергоэффективные, масштабируемые и переносимые параллельные приложения. Все эти проблемы трудно решаются, в частности, из-за того, что разработка новых параллельных архитектур зависит от особенностей строения многоядерных процессоров. Последовательное программирование не сталкивалось с этими трудностями, поскольку имелась универсальная модель вычислений — архитектура фон Неймана. К сожалению, у параллельного программирования нет универсальной модели вычислений, способной перекрыть разрыв между аппаратурой и программным обеспечением, что приводит нас к первому кризису программной индустрии со времени ее возникновения.

Статью «Деревенский аутсорсинг» (“Rural Outsourcing: Delivering ITO and BPO Services from Remote Domestic Locations”) написали Мэри Лэсити (Mary Lacity), Джозеф Роттман (Joseph Rottman), Эрран Кармел (Erran Carmel). Поставщики услуг ИТ-аутсорсинга и аутсорсинга бизнес-процессов постоянно стараются привлекать, готовить и удерживать квалифицированную рабочую силу. Большинство поставщиков предпочитает работать в больших городах, таких как Даллас, Нью-Йорк, Бангалор, Пекин, Тель-Авив и т. д., в которых имеются крупные резервы рабочей силы. Однако, поскольку в таких местах высоки и уровень заработной платы, и уровень текучести кадров, некоторые поставщики предпочитают располагать свои центры аутсорсинга в глубинных районах. Чтобы лучше понять суть этой тенденции, авторы статьи проинтервьюировали 13 поставщиков из США, Индии, Израиля и Китая, развивающих возможности ИТ-аутсорсинга и аутсорсинга бизнес-процессов в удаленных районах, а также представителей семи американских корпоративных заказчиков этих услуг.

В США практика аутсорсинга в сельских районах с дешевой рабочей силой называется деревенским аутсорсингом (rural outsourcing), однако, поскольку слово «деревенский» в разных странах означает разные вещи (а в некоторых культурах даже является бранным), в контексте неамериканских компаний авторы предпочитают говорить о поставщиках услуг аутсорсинга из удаленных регионов (Remote Domestic Location, RDL).

В США деревенским аутсорсингом занимаются небольшие, но быстро растущие предпринимательские компании CrossUSA, Onshore Technology Services и Rural Sourcing, поддерживающие центры оказания услуг ИТ-аутсорсинга и аутсорсинга бизнес-процессов в небольших городах, таких как Эвелет (штат Миннесота, население около 4 тыс. человек) и Мейкон (штат Миссури, население 6 тыс. человек). Крупные провайдеры, такие как IBM и Dell/Perot Systems, основали свои центры оказания услуг в Колумбии (штат Миссури, население 101 тыс. человек) и Твин Фолсе (штат Айдахо, население 40 тыс. человек). Индийские провайдеры HOV Services и Zensar Technologies построили свои центры в городах с населением от 800 тыс. до 20 тыс., израильские провайдеры Matrix и Galil Software функционируют «на периферии» страны, а китайские RDL-провайдеры содержат свои центры обеспечения услуг поодаль от сложившихся технопарков.

У поставщиков услуг аутсорсинга из удаленных регионов этих четырех стран имеются и сходные черты, и различия:

  • все они считают своей главной проблемой подготовку рабочей силы;
  • для поставщиков из США, Израиля и Китая деревенский аутсорсинг присутствует только на внутреннем рынке, индийские же провайдеры продают свои услуги и за пределами своей страны;
  • провайдеры из США, Индии и Израиля считают основным преимуществом низкую текучесть кадров, а для китайских провайдеров текучесть кадров — это постоянная проблема;
  • у некоторых такого рода провайдеров имеется вполне определенная социальная цель: например, целью некоммерческой организации Samasource является обеспечение прожиточного минимума для жителей беднейших стран, а израильские провайдеры нанимают и обучают ранее не работавших людей, например женщин-иудаисток и арабов.

Название последней статьи декабрьского номера — «Выявление динамики городов с использованием приложений спорт-трекинга» (“Discovering City Dynamics through Sports Tracking Applications”), авторами которой являются Лаура Феррари (Laura Ferrariи) и Марко Мамеи (Marco Mamei). Распространение смартфонов способствует генерации беспрецедентных коллекций пространственно-временных данных о большом количестве пользователей. Такие данные могут служить основой для разработки приложений, учитывающих информацию о текущем местоположении пользователей, однако для создания эффективных сервисов требуется еще сопоставление пространственно-временных данных с терминологией и восприятием пользователей. Люди часто называют места своего обитания совсем не так, как это было бы естественно для служб, учитывающих их местоположение. Например, слова «игровая площадка» (playground), «деловой центр» (downtown) или «парк для пробежки» (jogging park) указывают на некоторые места, но их не удастся найти в типичной онлайновой службе карт. Однако принятие во внимание этой «народной географии» позволило бы создать инновационные приложения.

 

Бег трусцой в Барселоне. Наложение цветов показывает изменение плотности в течение суток — красные оттенки соответствуют местности с более высокой плотностью. Видно, что больше всего бегают в центре города, а также на горе Тирибадо, одной из основных достопримечательностей Берселоны
Рис. 3. Бег трусцой в Барселоне. Наложение цветов показывает изменение плотности в течение суток — красные оттенки соответствуют местности с более высокой плотностью. Видно, что больше всего бегают в центре города, а также на горе Тирибадо, одной из основных достопримечательностей Берселоны

Генерируемые пользователями данные об их перемещениях, связанных с занятиями спортом, помогают выявить районы, чаще используемые для данного рода занятий, а также особенности людей, которые являются завсегдатаями этих мест (рис. 3). Данная информация могла бы использоваться в разнообразных приложениях, учитывающих текущее местоположение пользователей и обеспечивающих ответы на запросы типа «Где в городе лучше всего бегать трусцой?», «Когда люди моего возраста предпочитают кататься на велосипедах?» и т. д. Кроме того, поскольку подобные данные описывают способы «использования» города некоторыми людьми, они могут помочь городским планировщикам и местным правительствам ответить на вопросы типа «Хорошо ли спланированы и правильно ли используются велосипедные дорожки?», «Когда люди предпочитают бегать трусцой в данном парке и не мешает ли это проведению общественных мероприятий?».

Для обеспечения улучшенного понимания динамики городов авторы статьи проанализировали набор данных о перемещениях людей в связи с занятиями спортом. Для этой цели они применили к своим данным ядерную оценку плотности распределения (kernel density estimation, KDE), что позволило эффективно анализировать изменения данных во времени и пространстве. Применение KDE позволяет разработать несколько новых приложений — например, можно изучать, каким образом люди используют парки, велосипедные дорожки, выявлять различия в поведении у различных демографических и социальных групп и т. д.

Сергей Кузнецов (kuzloc@ispras.ru).