Bulut Bilişimi'nin Büyük ölçekli Giyimlenebilir Data Storage ve Analiz için Kullanımı
Giyim pistleri ve akıllı gözlemlerden tıbbi biyosensörler için patlama - benzersiz bir ölçekde verileri üretiyor. Tek bir cihaz, kalp hızında ikinci olarak binlerce veri noktası toplayabilir, uyku döngüleri, cilt sıcaklıkları, kan oksijen seviyeleri ve hatta elektrokardiyogramları ölçeklendirmek için yeterli miktarda veri hacmi şaşırtıcı hale gelir.
Kapasite planlamanın katı ve pahalı olduğu geleneksel veri merkezlerinin aksine, bulut platformları, iş yüküne dayanan otomatik olarak genişleyen veya sözleşmeye dayanan talep edilen kaynaklar sunar. Bu elastiklik, enjeksiyon oranlarının promosyonlar veya yeni ürün fırlatmaları sırasında dramatik bir şekilde artabilir ve bulut bilişiminin yakınlaştırılmasında büyük veri araçları, makine öğrenmesi ve gerçek zamanlı işlemenin araştırmacılar, sağlık sağlayıcıları ve ürün takımlarının nasıl kullanabileceğini değiştirir.
Bulut Bilişiminin Hazırlanabilir Data
Altyapısız İstikrar Overhead
Kullanılabilir cihazlar öngörülemez. Kullanıcı kabulünde aniden bir artış, veri toplama frekansı veya aktivitedeki mevsimsel artış (örneğin, Yeni Yıl kararları) veri hacimlerini ilk projeksiyonların ötesinde tutabilir. Cloud platformları, dağıtılan depolama (örneğin, S3 veya Blob Storage) ve otomatik olarak bu kaybı ortadan kaldırabilecek donanımlar nedeniyle otomatik olarak dağıtılabilir.
Maliyet-Effectiveness ve Pay-as-You-Go Models
Yeni başlayanlar ve araştırma takımları için, bir veri merkezi inşa etmenin sermaye maliyeti yasaklayıcıdır. Cloud Computing bunu operasyonel bir maliyet modeline değiştirir: sadece depolama, hesap ve ağ bant genişliği için ödeme yapın. Lifecycle policies can otomatik olarak daha eski veya daha az erişilebilir veriye sahip olabilir (örneğin, AWS Buzul veya Azure Cool Blob), erişilebilirliği korumak için maliyetleri azaltır.
Global Accessability and Cooperation
Kullanılabilir veriler genellikle birden fazla coğrafi bölgede toplanır ve dağıtılmış ekipler tarafından erişilebilir olması gerekir - Boston'da araştırmacılar, Berlin'deki mühendisler, Berlin'deki klinikler, Bulut depolama, düşük ücretli erişim sağlar, erişilebilirlik bölgelerindeki veri çoğaltmaları ve acil durum kurtarma hizmetleri için doğrudan kullanılabilirlik hizmetleri sağlar. Güzel-grained kimlik ve erişim yönetimi (IAM) kuruluşlar, rol, proje veya veri duyarlılığına dayanan izinler vermelerine izin verir.Bu küresel erişilebilirlik ayrıca gerçek zamanlı paniğe ve API'ler de gerçek zamanlı olarak, üçüncü taraf uygulamaları, kullanıcıların kişiselleştirilmiş sağlık içgörülerlerini doğrudan kullanıcıların telefonlara ulaştırabilir.
Güvenlik ve Uyum Cap yükümlülükleri
Kullanılabilir veriler genellikle BİD 2 Tip II, ISO 27001, HIPAA gibi düzenlemeler altında ve transit geçişte şifreleme, ağ güvenlik güvenlik sistemlerindeki diğer mevzuatlarda ve benzer yasalarda, bulut sağlayıcının "güvenlik", SOC 2 Type II, ISO 27001, HIPAA BAA ve FedRAMP gibi düzenlemeler altında muhafaza edilirler.
Bulutta Veri Depolama ve Yönetimi
Kullanılabilir Data Boruları için Mimari Tahminler
Kullanılabilir veriler, mesaj kuyrukları kullanarak işlemden gelen sağlam bir bulut mimarisine sahip değildir (örneğin, Google Pub/Sub, Azure Event Hubs).Demek için veri toplanabilir veya sürekli olarak depolanır. - sağlam bir bulut mimarisi (örneğin, JSON, CSV veya yasal olmayan)
Data Lake vs. Data Depo
Kullanılabilir veri analizi için, bir veri gölü mimarisi genellikle tercih edilir çünkü Apache Spark, Presto veya AWS gibi yapılandırılmış sensör okumaları, önceden şema tanımları olmayan gölün içinden doğrudan sorguya izin verir. ancak yüksek performanslı panjurlar ve etkileşimli BI (S3, GCS, ADLS) malzemeli bir veri deposu için yapılan bir veri deposudur.
Data Lifecycle Management
Raw giyilebilir veriler zamanla değer kaybediyor. Tipik bir yaşam döngüsü, yakın zamanda veriye uygun olarak otomatikleştirilebilir veya sabit müdahale için 30 gün boyunca sabit bir depolama için 1 yıl boyunca sıcak depolamada veri toplama ve uygulama sırasında daha fazla tasarruf sağlar. Cloud platformları bu kravatı otomatikleştirebilir, manuel müdahale olmadan maliyetleri azaltır. Ek olarak, veri deduplication ve sıkıştırma teknikleri (örneğin, Parkt veya ORC gibi sütun formatları) daha fazla.
Metadata ve Kataloğu
Milyonlarca cihaz seansı ve çeşitli sensör türleri ile doğru verileri bulmak bir meydan okuma haline gelir. Cloud-native data katalogları (AWS Glue, Azure Data Catalog, Google Data Catalog) otomatik olarak tarama ve etiketleme veri kümeleri, şema sürümlerini ve çizgileme için gereklidir. Bu, araştırma ve uyumluluk denetimleri için uygunsuzluk için gereklidir.
Bulut Analizi ve İçgörüleri Bulutta
Gerçek Zaman İşleme ve Akışkan Analytics
Birçok giyilebilir uygulama anında geri bildirim gerektirir. Örneğin, bir kalp hızı, inrial fibrillation'in saniyeler içinde kullanıcıyı uyarması gerekir. Cloud streaming services (e.g., AWS Kinesis Analytics, Google Dataflow, Azure Analytics) veri akışı, gerçek zamanlı olarak, bulut işlem hesaplarının otomatik ölçeklendirilmesi ve eşlemeleri ile mümkündür.
Makine Öğrenme ve Tahmin edici Modeller
Kullanım için doğru modeller, çok sayıda etiketli örnek gerektirir - hangi bulut platformları Google Cloud AI Platform'da TensorFlow gibi dağıtılmış eğitim çerçevelerini kullanarak verimli bir şekilde dağıtılır, AWS SageMaker veya Azure Machine Learning. Preemptible GPU örnekleri, non-kritik olmayan eğitim işleri için daha düşük maliyetle ortaya koyar.
Büyük Veri Analytics ve Desen Keşif
Gerçek zamanlı uyarıların ötesinde, nüfus düzeyindeki analizler daha geniş desenler açar. Örneğin, bir ilaç şirketi, yeni bir ilaçın nasıl uyku mimarisini etkilediğini tanımlamak için milyonlarca gece uykusunu analiz edebilir. Bu, veri alanındaki karmaşık SQL veya Spark işlerini çalıştırmayı gerektirir. Cloud data depoları büyük paralel işlem (MPP) mimarileri, tabloau, Looker veya Power BI gibi görselleştirme araçları, doğrudan bulut veri platformuna bağlanabilir.
Federated Learning and Privacy-Preserving Analytics
Çünkü giyilebilir veriler son derece hassastır, tek bir bulut havuzunda merkezileştirilmesi gizlilik endişelerini arttırır. Gelişen bir uygulama cihazlar üzerinde doğrudan eğitilir (veya kenar sunucularına) ve sadece model güncellemeleri - ham veriler değil - bulut için gönderilir. Bulut platformları bu paradigmayı kullanarak gizlilik endişelerini arttırır:0)TensorFlow Federated) ve hizmetler TELFLT:2 olarakNINWT:3)
Meydanlar ve düşünceler
Data Privacy and Düzenleyici Compliance
Bulut kabul edilebilir veriler için en büyük engel güven. Kullanıcılar ABD sağlık verileri için depolanan veri merkezleriyle rahatsız edilebilir. Organizasyonlar güçlü gizlilik kontrollerini uygulamalıdır: veri anonimleştirme (farklı mahremiyet), piyonizasyon ve kullanıcı güvensizliği nedeniyle herhangi bir ihlal ABD'de HIPAA (45 CFR 164) uygunluk belgesi ve denetim kartı sunar, GDPR (Madde 9 ve 35) Avrupa kullanıcıları için, ve Kaliforniya Tüketici Gizlilik Yasası, bulut sağlayıcıları ile ilgili dikkatli bir sözleşme gerektirir.
Data Transfer Maliyetleri ve Latency
Bulut giriş ücretleri veya internet omurgalarını aşmalı. Ek olarak, ağ gecikmeli uygulamaları (örneğin, gerçek zamanlı şeker izleme) için kabul edilemez hale getirebilir.
Satışor Lock-in Riskleri
Tek bir bulut sağlayıcısının özel hizmetleri (örneğin, Kinesis Data Firehose + DynamoDB + SageMaker) ile derin entegrasyonlar, daha sonra çok bulut stratejilerine geçebilmeleri için zorlaşmalıdır. ancak, PostgreSQL, Kubernetes) ve araç-agnostic veri formatları (Parquet, euro) bu riski hafifletebilir, portability tam olarak tamamlanmamalıdır. Organizasyonlar veri boru hatlarıyla veri boru hatları tasarlayabilir ve daha sonra çok bulut stratejileri göz önünde bulundurmalıdır.
Future Trendleri
Edge-Cloud Continuum
Sonraki evrim kenar cihazları ve bulut analizi arasında sorunsuz bir şekilde entegrasyon. Tüm ham verileri buluta göndermek yerine, akıllı giyilebilirler giderek daha fazla mikro kontrol modellerine (örneğin, küçük ML modellerine) ve sadece akustik summaries veya bayraklı olayları buluta gönderirler ve cevap süreleri azaltırlar. Cloud platformları artık doğrudan mikrokontrolörlere dağıtarak şarj eder (örneğin, TensorFlow Micro, Azure IoT Edge).
AI-Powered Personalization at Scale
Modeller daha sofistike, bulut tabanlı AI'lar hiper-kişiselleştirilmiş müdahaleler sağlayacaktır. Bulut ve kenarda en yüksek olan bulut hizmeti düşünün - ancak nüfus sağlığının iyileştirilmesi için potansiyel çok büyük egzersiz rutinleri veya ilaç uygulama programları tavsiye eder.Bu, bulut ve kenarda gerçek zamanlı olarak uyarıları gerektirir - ancak nüfus sağlığının iyileştirilmesi için potansiyel çok büyük.
Data Integrity için Blockchain
Klinik araştırmalar ve düzenleyici belgelerde, giyilebilir verilerin bütünlüğü sorunun ötesinde olmalıdır. Blockchain veya dağıtılmış teknoloji, erişilen verileri ve zamanlarını gösteren imkansız denetim izlerini sağlayabilir. Bazı bulut sağlayıcıları, tam zamanlı veri boru hatları oluşturmak için entegre edilebilir veri boru hatları sunar.
Standartlaştırma ve Interoperability
Bugün, her giyilebilir üretici, özel veri formatlarını ve API'leri kullanır. Standartlaştırma eksikliği bulut entegrasyonunu ve çapraz analizleri karmaşıklaştırır. HL7 FHIR (sağlık verileri için) ve Open Wearables Initiative, bu standartları destekleyen bulut platformlarını azaltmaktadır.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Bulut bilişimi artık bir seçenek değil, ancak daha önce imkansız olan bulut analizleri için bir zorunluluktur. Ancak, başarı dikkatli bir mimari, güçlü yönetim ve mahremiyete ve uyumluluka devam etmek için gerekli olan büyük veri akışlarını işlemek için gerekli olan ölçeklendirme ve AI, yetişkinliğe kadar, gerçek zamanlı sağlık uyarılarına ve buluta yönelik ortaklıktan yalnızca derinleşen sağlık uyarılarına devam eder.