Loading

Alison's New App is now available on iOS and Android! Download Now

Module 1: Introduzione a Emerging Technologies

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Management Information System Prof. Saini Das Vinod Gupta School of Management Indian Institute of Technology, Kharagpur Module - 09 Emerging Technologies Big Data e altre Emergenti Technologies - 45 Big Data e altre Emerging Technologies Hello all, welcome to the, you know, last session in Emerging Technologies! (Riferirsi Slide Time: 00.45) Così, nelle sessioni precedenti, avevamo discusso di varie tecnologie emergenti disponibili nel mondo dei sistemi informativi. Allora, avevamo discusso del cloud computing, internet delle cose. Oggi ci concentreremo di più su 'Big Data' e qualche altra importatissima 'Emerging Technologies' che vediamo nel mondo che ci circonda. Allora, per cominciare con lasciarci parlare, quali sono i big data? Devi aver sentito molto parlare di questo termine, sai all'interno di quotazioni big data.
Allora, cosa rappresentano i big data? Dunque, i big data spicca per enormi volumi di dati, prodotti sia dagli esseri umani che dalle macchine ad un tasso molto elevato e con varietà massiccia. Il che significa che ci sono tre elementi essenziali e se quei tre essenziali o si possono dire tre proprietà essenziali e solo quando un dataset si riunisce, quelle tre proprietà essenziali potete considerare che i dati impostati come un big data set.
Quindi, la prima proprietà è il volume dei dati, il che significa che il volume dei dati è estremamente elevato. La seconda rappresenta la velocità con cui i flussi di dati o la velocità con cui i dati sono disponibili, che sono di nuovo molto elevati e il terzo si riferisce alla varietà di dati. Quindi, il dataset che abbiamo o il dataset in questione ha molto varietà, il che significa che comprende semi strutturati non strutturati nonché dati strutturati. Allora, quali sono questi diversi tipi di dati in termini di struttura?
Cosa sono i dati strutturati? Cosa sono i dati non strutturati e così via? Ne parleremo presto. Prima di questo, si conoscono gli abilitatori chiave per la crescita dei big data. Perché prima, sai forse 10 anni indietro avevamo un data set, ma non potevamo definirci che i dati impostati come big data, perché così? Perché in quei giorni, forse 20 anni indietro o 15 anni indietro o anche 10 anni indietro la capacità di archiviazione non era così enorme come oggi. Inoltre, la potenza di elaborazione non era sufficiente e anche la disponibilità dei dati.
Così, i dati sono stati raccolti in continuazione, ma la disponibilità dei dati non era tanto quanto oggi. Quindi, perché nel contesto di oggi se si indossa un bracciale intelligente da polso, si produrrebbero enormi quantità di dati ogni secondo, giusto. Negozio dipartimentale come un Big Bazaar, starebbe producendo enormi quantità di dati transazionali ogni giorno.
Quindi, se consideriamo la disponibilità dei dati, è diventata enorme e l'arrivo di internet delle cose, di cui avevamo discusso nelle precedenti lezioni ha facilitato la raccolta dei dati in gran parte. Quindi, a causa di IoT enorme quantità di dati è disponibile oggi. Pertanto, gli abilitatori chiave per la crescita dei big data nel contesto odierno sono in aumento delle capacità di stoccaggio, aumento della potenza di elaborazione e disponibilità dei dati.
(Riferirsi Slide Time: 03.42) Così, avevamo accennato che ci sono tre caratteristiche primarie che un dataset dovrebbe possedere per essere qualificato come big data. Ma, infatti oggi non ci sono solo tre ne abbiamo quattro. Quindi, discutiamo di quelli. Il primo V stand per volume di dati così big ha un volume enorme. Ad esempio, si producono annualmente circa 40.000 exabyte di dati e un esabyte è di 10 alla potenza 18 bytes.
Quindi, quel gran volume di dati enorme di dati; 40.000 exabyte di dati che vengono prodotti annualmente. Fonti di enormi volumi di dati, perché oggi i dati sono raccolti da più fonti e quelle fonti di dati hanno la capacità di generare enormi volumi di dati. Così, ad esempio, post, immagini, video condivisi sui social media, sensori collegati ai dispositivi IoT come abbiamo appena accennato, transazioni online per il settore bancario e del commercio.
Quindi, le aziende di commercio di cui parlavamo parlavano solo di dire una D Mart o conosci qualsiasi negozio dipartimentale o dici una società di e-commerce come Amazon, che produce enormi quantità di dati transazionali ogni giorno. Ricerca scientifica e esperimenti. Ricerche scientifiche e ricerche e esperimenti come l'analisi meteorologica, produce di nuovo enormi quantità di dati.
Osservazioni astronomiche così enormi quantità di dati; così, tutti questi sono solo alcuni esempi. Potrebbero esserci molti altri esempi di fonti di dati che producono enormi volumi di dati.
Quindi, il volume dei dati è la prima proprietà essenziale del dataset, che deve essere soddisfatto per essere per il dataset da qualificare come big data.
(Riferimento Slide Time: 05.43) Quindi, muoviti. La seconda V delle 4 Vs è la velocità, per velocità che intendiamo la velocità con cui vengono prodotti i dati. Quindi, per un dataset da qualificare come big data; il tasso a cui viene prodotto o accumulato dovrebbe essere molto elevato. Facciamo qualche esempio, i video di YouTube. Quindi, se YouTube video è considerato una fonte di dati YouTube 300 ore di video vengono caricati ogni minuto, si può immaginare? Quindi, 300 ore di video YouTube vengono caricate ogni minuto.
Si tratta di circa 1,6 terabyte di dati al minuto che sono di nuovo enormi. Dispositivi IoT, un motore a getto produce circa 300 gigabyte di dati al minuto. Quindi, anche 300 gigabyte di dati sono molto enormi. Email, ci sono circa 180, quindi questo è un dato di fatto che ci sono stati circa 187 milioni di email generate al minuto a livello mondiale 187 milioni di email al minuto e siamo stanchi di scrivere solo una mail. Quindi, ci sono stati circa 187 milioni di email generate al minuto a livello mondiale. Quindi, questa è di nuovo enorme quantità di dati.
Ora, social media, di nuovo un, si sa, una delle fonti primarie dei big data; quindi, ci sono stati più di 455.000 tweet generati al minuto. Così, Twitter, un social media molto diffuso ha generato circa 455.000 tweet al minuto, che è di nuovo enorme; 15 milioni di messaggi di testo sono stati inviati ogni minuto; 15 milioni.
Quindi, possiamo solo immaginare perché abbiamo forse inviato 2 minuti, 3 testi al minuto, ma qui 15 milioni di messaggi di testo sono stati inviati ogni minuto e questo è tutto di questi perno ai dati del 2014.
Oggi, forse il volume o la velocità è diventato molto di più. Così, Facebook ha registrato 4 milioni di posti al minuto nel 2014. Così, 4 milioni di post così tutti di questi si sa puntare verso il fatto che le fonti di dati producono dati ad un ritmo molto rapido, il ritmo di produzione dei dati o la disponibilità dei dati è immenso. Quindi, YouTube video 300 ore di video ogni minuto; quindi, potete immaginare la velocità con cui vengono prodotti i video. Email: la velocità con cui vengono generati i dati delle email.
Social media, anche tu sai che ti darò un altro esempio, le conversazioni telefoniche. Quindi le conversazioni telefoniche formano un esempio molto importante di dati che hanno una velocità enorme. Quindi, immagina la velocità con cui parliamo. Quindi, stiamo generando enormi quantità di dati ogni minuto o ogni secondo. Quindi, tutti questi you know set sono generati ad un ritmo molto rapido. Pertanto, la velocità dei dati qui è molto alta, quindi possiamo considerare che questo tipo di dati riguarda una delle caratteristiche dei big data.
Così, passando, dopo il "volume" e la "velocità", parleremo della terza V di big data che è la terza proprietà di big data che è "varietà" di dati.
(Riferimento Slide Time: 09.18) Quindi, per varietà di dati, intendiamo i dati possono essere strutturati, semi strutturati o addirittura non strutturati. Allora, cosa intendiamo per queste tre categorie di dati? Quando diciamo che i dati sono strutturati? Quando considereremo i dati non strutturati e quando lo considereremmo semi strutturato?
Quindi, un grande dato non strutturato costituisce quasi il 80% dei big data e consiste in file indipendenti e non relazionati con altri file. Così, in una delle lezioni precedenti, dove si parlava di database relazionali abbiamo compreso il concetto di relazioni tra i dati.
Quindi, come sono correlati i dati? Con l'aiuto di entità e con l'aiuto della loro cardinalità abbiamo cercato di capire come i dati potessero essere correlati tra loro. Ma dati non strutturati, non ha assolutamente alcun rapporto con tra esso. Quindi, un file di dati che contiene dati non strutturati non è relazionalmente legato ad altri file di dati. Esempi, log da server in modo che tali dati non siano collegati ad altre fonti di dati.
Raccolta di tweet, raccolta di testi. Un video o un post audio sui social di solito non sono correlati, log dei siti di chat. Quindi, tutti questi; tutti questi qui legati a dati non strutturati e dati non strutturati arrivano a conoscere i moduli la porzione principale dei big data intorno quasi al 80% dei big data è costituita da dati non strutturati.
(Riferimento Slide Time: 11.02) Spostamento in avanti, gli altri due conosci tipi di varietà di dati sono saperi che anche i dati possono non essere né strutturati né non strutturati in modo da essere semi strutturati. I dati semi strutturati hanno una struttura intrinseca, corrispondente a una gerarchia o a un grafico. Manca la relazione tra i file.
Quindi, i dati semi strutturati sono spesso mantenuti in linguaggio XML o JSON leggibili sia dagli esseri umani che dai programmi informatici. Quindi, gli stand XML per linguaggi di markup extensible e stand JSON per le lingue JavaScript Object Notation. Quindi, queste lingue sono scritte sotto forma di testi. I dati memorizzati in tali formati sono basati su testo e una delle principali fonti di tali dati è sensori. Quindi, perché sempre più dati vengono generati attraverso sistemi IoT con l'ausilio di sensori.
Quindi, i dati generati dai sensori sono spesso nel formato XML o JSON. Quindi, tali dati sono di solito semi strutturati. Quindi, non c'è alcun rapporto tra i dati, ma i dati potrebbero essere sapori sotto forma di gerarchia o in forma di grafico. Infine, i dati strutturati hanno alcune relazioni tra di loro e sono altamente organizzati. Quindi, per dati strutturati intendiamo, avevamo discusso ancora della precedente lezione che avevamo parlato di te che conosci i rapporti tra i tavoli.
Quindi, quel tipo di dati è assolutamente strutturato. I dati strutturati hanno alcune relazioni tra di loro ed è altamente organizzato. Pertanto, la terza V pertana di big data riguarda la varietà. Quindi, qui abbiamo tre abbiamo già discusso tre Vs di grande volume di dati, velocità e varietà.
(Riferimento Slide Time: 13.07) Ora, passando alla quarta V, la quarta V si riferisce alla veridicità dei dati. Per veracità intendiamo la validità dei dati. Quindi, la validità significa che sai quanto siano rilevanti i tuoi dati. Quindi, un dato che può essere utilizzato per elaborare informazioni preziose è chiamato segnale, il resto è considerato rumore.
Quindi, se vedete qui i dati che possono essere utilizzati per elaborare informazioni preziose si chiama segnale e il resto viene considerato come rumore. I big data spesso hanno un sacco di rumore che viene generato alla fonte. Nomi errati, hashtag o si conoscono indirizzi errati o fuorvianti, letture dati errate dai sensori, che accade tutto il tempo che potrebbe accadere in qualsiasi momento, valori dati mancanti.
Quindi, tutti questi sono considerati come rumori. Non possono essere utilizzati in ulteriori elaborazioni dei dati. Pertanto, sono considerati come rumori, ma i dati che sono rilevanti o validi e che possono essere utilizzati per un'ulteriore lavorazione sono considerati come segnale. Ora, valori elevati per il rapporto segnale di rumore sono sempre preferiti per gli ambienti big data. Quindi, un dato che ha una veracità superiore dovrebbe avere un segnale più alto di rumore, il che significa che il rumore dovrebbe essere il più minimale possibile rispetto ai dati validi.
Quindi, per gli ambienti big data, i dati dovrebbero avere alta veracità che significa che dovrebbe avere alto segnale di rumore. Così, qui abbiamo discusso i 4 Vs essenziali dei big data, che caratterizzano un dato impostato come grande volume di dati, varietà, veracità e velocità dei dati; quindi le 4 Vs.
(Riferimento Slide Time: 15.07) Ora, muoviti sulla tecnologia dietro i big data; così, i sistemi di gestione di database ordinari o tradizionali che avevamo discusso nel secondo modulo non sono sufficienti per gli ambienti big data. Perché nei big data, i dati relativi a enormi volumi potrebbero esserci di dati strutturati, semi strutturati e anche non strutturati e anche i dati potrebbero avere molti di voi conoscono velocità molto elevate. Pertanto, i database tradizionali, i database relazionali che avevamo discusso non sono in grado di gestire una grande elaborazione dei dati.
Così, diversi big data database vengono utilizzati nel settore come, Hadoop e Mongo DB. Quindi, queste sono infrastrutture molto popolari o tecnologia dietro elaborazione di big data. Ora questi database sono in grado di elaborare massicci volumi di dati attraverso database distribuiti. La loro architettura è molto diversa; abbiamo già accennato a questo che la loro architettura è molto diversa da quella dei database relazionali tradizionali e si sa, la discussione di questo è effettivamente oltre la portata di questo corso.
Perché si tratta di un corso introduttivo, nel sistema informativo di gestione. Quindi, discutere di Hadoop Mongo DB e di altre tecnologie di big data è effettivamente al di là dell'ambito di questo corso, ma se volete saperne di più su questi dovreste prendere un corso nella tecnologia dei big data. Quindi, con questo lasciarci passare ad alcune applicazioni di big data.
(Riferirsi Slide Time: 16.50) Ci sono alcune applicazioni molto importanti, perché i big data con l'arrivo di IoT stanno diventando sempre più e più rilevanti forme di tecnologia da gestire, enormi quantità di set di dati che scorrono con velocità rapida e hanno un'enorme varietà. Facciamo un esempio, una massiccia compagnia aerea statunitense ha utilizzato dati pubblicamente disponibili.
Quindi, lasciate che vi faccia uno sfondo prima di entrare nell'esempio. Si sa, nelle compagnie aeree c'è il concetto di previsione dell'orario stimato di arrivo dei voli e questo viene spesso confrontato con il momento effettivo di arrivo.
Quindi, il tempo di arrivo stimato è molto importante, perché determina di sapere a che ora i passeggeri si imbarcherebbero in volo? Determina anche come sia pronto l'aeroporto a gestire il traffico in quel momento. Ora, quindi, il tempo stimato di arrivo delle compagnie aeree è molto importante e in generale ci dovrebbe essere una deviazione assolutamente minima del tempo di arrivo stimato dal momento effettivo di arrivo, ma quello che succede in caso di lasciarci prendere questo esempio di una grande compagnia aerea statunitense utilizzata che ha usato pubblicamente.
Così, in generale il tempo di arrivo stimato è dato dai piloti, ma i piloti hanno molte altre cose su cui puntare. Così, in generale questa particolare compagnia aerea statunitense ha osservato che vi era una deviazione di circa il 10 minutes o più tra l'orario stimato di arrivo e il momento effettivo di arrivo dei voli.
Quindi, c'è stato un problema lì come si può capire. Così, ora questa particolare compagnia aerea ha utilizzato i big data così un dato disponibile da orari di volo meteorologico e altri fattori che sono dati pubblicamente disponibili. Insieme ad alcuni dati di proprietà la società stessa ha raccolto, anche alimentandosi da una rete di stazioni radar passive che aveva installato nei pressi degli aeroporti per raccogliere dati su ogni aereo del cielo locale, per calcolare gli ETA dei suoi aerei negli aeroporti.
E facendo così ha osservato che gradualmente, da voi sapete raccogliere dati da tutti questi attraverso tutte queste risorse e molte altre. Sono stati in grado di prevedere il tempo di arrivo degli aerei molto più accuratamente. Quindi, allora la deviazione tra il tempo di arrivo stimato dell'ETA e il tempo effettivo di arrivo ridotto gradualmente, che è ciò che è previsto e richiesto.
Quindi, e ovviamente, questo particolare dato si riferisce ad un big data perché ha tutte le 3 Vs, dato che i suoi dati di proprietà hanno un volume enorme perché sta raccogliendo dati su ogni aereo del cielo locale.
Quindi, ha un volume enorme, ha molta velocità perché i dati scorrono costantemente in più e più aerei arrivano in ogni giorno ha conosciuto così tanti aeroplani che sbarcano e tanti aerei in realtà decollano, atterrare è più importante in questo contesto. E allo stesso tempo i dati hanno un sacco di varietà anche, perché si utilizzano dati proprietari, si utilizzano dati pubblicamente disponibili e dati da più fonti anche.
Quindi, questo viene dalla stazione radar, questo è dati pubblicamente disponibili e ci potrebbero essere dati che riguardano i piloti, ci potrebbero essere dati sulle caratteristiche degli aerei e così via, utilizzati per prevedere l'ETA. Quindi, con che passeremo al prossimo esempio. Flipkart, che è un gigante del commercio di e molto popolare in India, raccoglie i big data su molti di voi conoscono molte attività quotidiane.
Quindi, facciamo qualche esempio. Visite di pagina del cliente, accessi, comportamento di sfogo del prodotto, rimbalziodelle pagine, acquisti di prodotti etcetera. Quindi, i dati sono raccolti da tutti i comportamenti dei clienti che accadono durante l'intera giornata e questo è enorme, ha un sacco di varietà allo stesso tempo ha anche una grande velocità molto elevata.
Quindi, i dati raccolti in questo tramite di questi vari parametri possono essere effettivamente utilizzati per scoprire il comportamento dei clienti sui siti web, prodotti che sono in generale acquisti e rimbalzi di pagine che significa che sono le pagine presenti sul sito web che non si stanno esibendo bene.
Quindi, quali sono le pagine che in realtà si sa mettere i clienti in modo che rimbalzino dal sito web. Quindi, questi tutti questi potrebbero dare di conoscere buoni puntini all'azienda per migliorare effettivamente certe pagine, per fare stock in determinati prodotti, se i clienti acquistano determinati prodotti e così via. Logistica, così Flipkart raccoglie ancora un sacco di dati sulla logistica.
Così, ad esempio, raccoglie diversi codici pin attraverso i quali i clienti generalmente di prodotti d'ordine. Quindi, se i codici pin sono disponibili Flipkart sarebbe in grado di snellire o ottimizzare il suo calendario di consegna. Precedente, le vendite di Big Billion Day. Quindi, quelli di voi che non sono familiari Big Billion Day in vendita sono una vendita lampo molto apprezzata che accade nel contesto indiano dal gigante del commercio Flipkart.
Così, ogni anno ci sono circa una o due vendite di Big Billion Day in generale ce n' è una. Quindi, quello che Flipkart fa, raccoglie molte informazioni su tutte le sue precedenti vendite di Big Billion Day. Così, che possa usare quell' informazione per rinforzarsi o prepararsi per la prossima vendita di Big Billion Day.
Quindi, ad esempio, quali sono i prodotti che le persone stanno offrendo di più, quali sono i prodotti che vengono venduti più durante ordinando scusa non offrendo più ordini, quali sono i prodotti che vengono acquistati di più durante il breve periodo di tempo che è la vendita lampo.
Quindi, tutti questi potrebbero effettivamente dare tanti puntini a come a quale prodotto dovrebbe essere stoccato e quale non dovrebbe essere. Questi dati sono anche relativi ai big data, perché i dati scorrono ad una velocità molto rapida entro un breve periodo di tempo si sa dire che qualche ora tutte le vendite stanno avvenendo e i dati sono molteplici a tanto di varietà e naturalmente, i dati sono enormi in volume. Ecco, queste sono alcune applicazioni di big data.
Quindi, spostandomi di nuovo mi fai solo sapere che conosci nella sessione su IoT. Vi avevamo fatto sapere, avevamo discusso di smart city smart city usano molte applicazioni di big data per molti di voi sanno arrivare con un gran numero di applicazioni. Così, dal sistema di gestione del traffico alla gestione dell'acqua in una smart city tutto utilizza entrambe queste tecnologie così big data e IoT insieme in combinazione.
(Riferimento Slide Time: 24:11) Ora, abbiamo discusso molto sui big data che si stanno muovendo verso la tecnologia successiva, la tecnologia emergente, ovviamente molto promettente e ha molte potenzialità nelle future catene di blocco. Quindi, le catene di blocco sono artefatti software che consentono la creazione di widget pubblici che sono un record di transazioni, mantenuto su una rete di clienti ampiamente distribuita.
Quindi, ci sono una rete ampiamente distribuita di clienti e i widget pubblici sono distribuiti questi sono record di transazioni, su queste rete ampiamente diffuse di clienti. Una volta un libro mastro, quindi una catena di blocchi ha molto conosciuto alcune caratteristiche molto importanti, che lo rendono molto utile per numerose applicazioni.
Quindi, una volta effettuata una voce ledger, non può essere manomessa e diventa una voce permanente e le voci nel libro mastro sono visibili a tutte le parti collaboranti. Quindi, queste proprietà lo rendono molto utile per essere utilizzato nelle applicazioni bancarie, in cui si dice che si sta dando un prestito e si sta dando un prestito e si conosce una nota di quella transazione è disponibile su ogni sistema che fa parte della rete.
Quindi, si mantiene su ogni libro mastro, che fa parte della rete. Quindi, non si può manomettere, quindi non si può più tardi tornare indietro e negare di prendere il prestito e le voci sono visibili a tutti i partiti collaboranti. Quindi, ovviamente, non c'è nessuna questione di diniego, non c'è dubbio di tornare indietro e tutti sono una festa ad essa.
I dati della catena di blocco vengono mantenuti su voci distribuite che sono sicure e non possono essere hackerate. Le catene di blocco forniscono una prova di autenticità in quanto solo le parti verificate e legittime possono rendere le voci ledger.
(Riferimento Slide Time: 26:14) Quindi, spostandoci, vediamo alcune applicazioni di catene di blocco in business. Le catene di blocco sono utilizzate per gestire la supply chain, quindi hanno un'applicazione enorme nelle catene di fornitura soprattutto nelle catene di fornitura globali. Quindi, con una supply chain abilitata a catena di blocco un client può sapere esattamente quando una particolare spedizione è stata effettuata da un fornitore globale.
Perché se sei un'azienda che si occupa di più fornitori globali, potrebbe essere molto difficile per te tenere traccia di sapere quando il fornitore ha spedito un determinato prodotto o parte, le condizioni su cui i prodotti le parti sono state effettivamente immagazzinate e trasferite e quando arriveranno?
Quindi, ma con catena di blocco, dal momento che una voce ledger viene fatta in ogni fase e che la voce ledger è disponibile per tutte le parti in rete. Un cliente può facilmente sapere quando una particolare spedizione è stata fatta da un fornitore globale, le condizioni in cui sono state immagazzinate e trasferite e esattamente quando arriveranno.
Quindi, le catene di blocco hanno un ruolo molto importante nelle catene di approvvigionamento. Le catene di blocco possono essere utilizzate dalle banche, che possono impostare la catena di blocchi prestando i ledgers per il prestito di denaro ai clienti e anche registrando i pagamenti attraverso il sistema, ne abbiamo già discusso. Ora, le catene di blocco hanno anche un'enorme applicazione o potenziale nella distribuzione di opere artistiche come canzoni o libri direttamente da cantautori o autori ad acquirenti, senza il coinvolgimento di alcun intermediario.
Quindi, il lavoro artistico può essere direttamente lo sai che, sai se ci sono intermediari coinvolti nella rete di distribuzione c'è molta asimmetria informativa e ci sono certi problemi ad esso associati, certi altri problemi. Così, al fine di eliminare quelle catene di blocco possono effettivamente liberarsi degli intermediari in tra e i libri o le canzoni possono essere direttamente a conoscenza distribuita dai cantautori o dagli acquirenti o dagli autori agli acquirenti, senza il coinvolgimento di alcun intermediario.
Quindi, queste sono solo poche applicazioni di catene di blocco che abbiamo discusso. Ci sono ovviamente molte altre applicazioni di catene di blocco in business. Ora, passiamo all'ultima ma molto importante tecnologia emersa nel mondo di voi conosce i sistemi informativi, la realtà virtuale e naturalmente, insieme alla realtà aumentata.
(Riferimento Slide Time: 28:32) Quindi, una realtà virtuale è una simulazione generata da computer di un mondo alternativo o della realtà. Quindi, si tratta di tecnologie di immersione, utilizzando le quali il cliente sarebbe immerso in un mondo diverso. Viene utilizzato in 3D film la maggior parte di voi deve aver guardato certi film 3D e videogiochi. Un ambiente virtuale completamente immersivo, aiuta a creare simulazioni, che sono simili al mondo reale e immergono il visore usando computer e dispositivi sensoriali come, cuffie come vedete qui e guanti.
La realtà virtuale è 75% virtuale e solo 25% reale. Allora, qui si vede che questa persona ha usato la realtà virtuale attraverso un copricapo ed è immersa in un mondo diverso del tutto. Quindi, ci sono molti esempi della sua applicazione nel mondo reale. Ford motor company utilizza la realtà virtuale per progettare veicoli.
Wherein, il progettista è esposto ad un mondo virtuale attraverso VR, in cui può effettivamente scoprire di conoscere nel mondo virtuale senza realmente stare seduti in un'auto sarebbe in grado di capire la distanza tra il cruscotto e lo sterzo e sarebbe in grado di programmare di conseguenza nel veicolo di vita reale. Un altro esempio è agli studenti del centro medico NYU che indossano occhiali 3D sono in grado di dissezionare un cadavere virtuale proiettato su uno schermo.
Quindi, è un'altra applicazione molto interessante e degna di nota di VR. VR ha molte altre applicazioni, ma vorremmo discutere di sapere solo pochi qui potete riprendervi di conoscere ulteriori studi su VR per capire il suo ruolo nel mondo di oggi.
(Riferirsi Slide Time: 30:30) Ora, arrivando all'ultima volta che si conosce la tecnologia emergente, che è un deviato di VR è la realtà aumentata o AR. La realtà aumentata è una miscela perfetta del mondo digitale e gli elementi fisici per creare un ambiente artificiale, il sistema amplia la vera scena mondiale. Quindi, contrariamente a VR che è 75% virtuale e solo 25% reale. AR è 25% virtuale e 75% reale. Quindi, la componente reale è molto più nel contesto della realtà aumentata.
Ma ciononostante entrambi sono molto sapienti strumenti importanti, in tutte le applicazioni che spaziano dal commercio al mondo di te conosci la medicina ovunque VR e AR hanno un ruolo da svolgere. Così, qui vediamo Sephora virtual artist, Sephora è una molto rinomata che conosci il gigante dei cosmetici. Così, Sephora ha questa applicazione di artista virtuale, utilizzando la quale utilizza la realtà aumentata attraverso la quale un cliente può effettivamente vedere come una particolare sfumatura di un cosmetico guarda a lui o a lei.
Quindi, utilizza la realtà aumentata qui. Chirurgia guidata dell'immagine molto importante applicazione di AR, dove le immagini ottenute da ecografie MRI o TAC sono sovrapposte al paziente in sala operatoria. Quindi, ancora una utilissima applicazione di AR. Ikea, che è un rivenditore di mobili molto rinomato. Così, Ikea così per esempio, qui vediamo che usando la realtà aumentata si può vedere come un particolare pezzo di arredo guarda in un angolo della vostra casa.
Così, puoi sovrapporre il pezzo di arredo al tuo, sai, nelle impostazioni delle tue case e vedere, come sembra usare un'applicazione di realtà aumentata. Ecco, queste sono due tecnologie molto interessanti che hanno molte potenzialità in futuro ma abbiamo appena cercato di presentarvi queste due tecnologie in questa particolare lezione.
(Riferirsi Slide Time: 32:48) Così, qui arriviamo al termine della nostra sessione su 'Emerging Technologies' e qui abbiamo discusso dal cloud computing a internet delle cose ai big data, block chain, AR e VR, che sono tutte tecnologie emergenti, che svolgono un ruolo molto importante nel mondo dell'informazione e hanno trasformato oggi il mondo del sistema informativo.
Grazie, ci vediamo in giro!