Samochody autonomiczne wzbudziły spore zainteresowanie i debatę w ciągu ostatniego roku. Wiąże się to z potencjalnymi korzyściami, takimi jak bezpieczeństwo i produktywność w dojazdach do pracy. Ale istnieją również potencjalne zagrożenia, takie jak ataki hakerskie, które mogą uzbroić samochody, czy ogromna liczba pracowników, którzy mogliby zostać odsunięci od pracy. Wraz z pojawieniem się na pierwszych stronach gazet firmy Tesla Motors, produkującej samochody technologiczne z trybem „autopilota” w Modelu S, a także bardziej popularnych firm, takich jak Toyota i Nissan, które chcą produkować samochody autonomiczne, dynamika rynku jest widoczna. Zaawansowane systemy wspomagania kierowcy (ADAS) generują jednak ogromne ilości danych, które należy gromadzić i analizować, co stwarza nowe wyzwanie w dziedzinie Big Data.
W przypadku systemów ADAS ludzie lubią myśleć o efektownych rozwiązaniach, takich jak w pełni autonomiczne pojazdy, choć obejmują one znacznie szerszy zakres, taki jak adaptacyjne sterowanie oświetleniem, adaptacyjny tempomat, ostrzeżenia o opuszczeniu pasa ruchu, rozpoznawanie znaków drogowych, automatyczne hamowanie i parkowanie. Według Stowarzyszenia Inżynierów Motoryzacyjnych (SAE) istnieje sześć poziomów automatyzacji (przedstawionych na powyższym wykresie). Kilka firm pracuje nad tymi poziomami, koncentrując się na ostatecznym celu, jakim są samochody autonomiczne. W międzyczasie generują petabajty danych, które muszą być przechowywane i analizowane, aby uzyskać wgląd i przyspieszyć badania i rozwój.
Jak zapewne większość wie, samo dojechanie samochodem do celu nie jest takie proste, jak podłączenie współrzędnych GPS i pozwolenie mu na korzystanie z Map Google. Należą do nich setki czynników, takich jak ruch uliczny, inni kierowcy, pogoda, objazdy, wypadki, przeszkody na drodze (nawet ludzie lub zwierzęta) oraz po prostu błędne wskazania mapy. Ludzki umysł potrafi sobie z tym wszystkim poradzić, a kierowca wkłada w to niewiele wysiłku. Z drugiej strony, systemy ADAS muszą monitorować czujniki, kamery, radary i warunki oświetleniowe. A ponieważ producenci samochodów dążą do podniesienia standardów SAE, muszą oceniać i ulepszać swoje pojazdy, czasami gromadząc dane mierzące miliony przejechanych kilometrów.
Firma Dell EMC badała ten problem i przedstawiła kilka interesujących danych, które dają do myślenia. Na przykład, najnowocześniejszy radar obserwacyjny (FLR) pracujący z prędkością 2,800 MBit/s może potrzebować przechwycić dane z 200 000 mil. Przy prędkości 60 mil na godzinę (96 km/h) to 3,333.3 godziny danych, a przy 2,800 MBit/s (lub 1,260 GB/h) daje to 4.2 PB dla jednego czujnika, podczas gdy niektóre samochody mogą mieć ich nawet kilkanaście. Ponownie, dotyczy to jednego samochodu; firma może mieć całą flotę samochodów testowanych pod kątem kwalifikacji SAE. Dane te nie uwzględniają nawet wymogów regulacyjnych dotyczących przechowywania danych, które mogą trwać latami, a nawet dekadami.
Producenci samochodów i dostawcy systemów ADAS potrzebują dużej, skalowalnej pamięci masowej do przechowywania tych danych. Rozwiązaniem Dell EMC jest duża, skalowalna pamięć NAS, która charakteryzuje się prostotą, dużą pojemnością, efektywnym przechowywaniem danych i wysoką dostępnością. Oczywiście, tak właśnie opisuje się produkt Isilon, a powyższe badania również czynią go atrakcyjniejszym wyborem dla firm, które chcą przechowywać i analizować te dane. Chociaż Isilon nie jest jedyną dostępną opcją, to jest jedną z niewielu, które mogą obsługiwać tak ogromne ilości danych.
Big Data to modne słowo (lub słowa), które w ciągu ostatniego roku było często używane, bez jasnej definicji, co to właściwie jest, a jedynie jako mglista informacja o ogromnym znaczeniu. Określenie tego pojęcia konkretnymi parametrami pozwala lepiej zrozumieć nie tylko istotę Big Data, ale także potencjalne korzyści, jakie można osiągnąć dzięki jego gromadzeniu i wykorzystywaniu.
Amazon