Loading

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

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

    +

Sistema de Informações de Gestão Prof. Saini Das Vinod Gupta School of Management Indian Institute of Technology, Kharagpur Module-09 Emerging Technologies Big Data e outras Emerging Technologies Lecture-45 Big Data e outras Tecnologias Emergentes Olá tudo, bem-vindo ao, você sabe, última sessão em Tecnologias Emergentes! (Consulte O Slide Time: 00:45) Então, nas sessões anteriores, nós tínhamos discutido sobre várias tecnologias emergentes que estão disponíveis no mundo dos sistemas de informação. Então, tínhamos discutido computação em nuvem, internet das coisas. Hoje, estaremos focando mais no 'Big Data' e em algumas outras muito importantes 'Tecnologias Emergentes' que vemos no mundo ao nosso redor. Então, para começar, vamos falar sobre, quais são os grandes dados? Você já deve ter ouvido muito sobre esse termo, você sabe dentro de citações grandes dados.
Então, o que os big data representam? Por isso, big data significa enormes volumes de dados, produzidos tanto por humanos quanto por máquinas a uma taxa altíssima e com grande variedade. O que significa que há três elementos essenciais e se aqueles três essenciais ou você pode dizer três propriedades essenciais e somente quando um conjunto de dados se reúne, essas três propriedades essenciais você pode considerar que dados configuram como um grande conjunto de dados.
Então, a primeira propriedade é o volume de dados, o que significa que o volume de dados é extremamente alto. A segunda representa a taxa em que os dados fluem ou a taxa em que os dados estão disponíveis, o que é novamente muito elevado e o terceiro refere-se à variedade de dados. Então, o conjunto de dados que temos ou o conjunto de dados em questão tem muita variedade, o que significa que compreende semi-estruturada não estruturada, bem como dados estruturados. Então, quais são esses diferentes tipos de dados em termos de estrutura?
O que são dados estruturados? O que são dados não estruturados e assim por diante? Estaremos discutindo em breve. Antes disso, você conhece os principais capacitadores para o crescimento de big data. Porque antes, você sabe talvez 10 anos de volta nós tínhamos um conjunto de dados, mas não poderíamos termo que dados configuram como big data, por que então? Porque nesses dias, talvez 20 anos de volta ou 15 anos de volta ou até mesmo 10 anos de volta a capacidade de armazenamento não fosse tão enorme como é hoje. Além disso, o poder de processamento não era suficiente e também a disponibilidade de dados.
Então, dados foram coletados o tempo todo, mas a disponibilidade de dados não foi tão grande quanto hoje. Então, porque no contexto de hoje se você está usando uma banda de pulso inteligente de pulso, você estaria produzindo enormes quantidades de dados a cada segundo, certo. Loja departamental como um Big Bazaar, estaria produzindo enorme quantidade de dados transacionais todos os dias.
Então, se considerarmos a disponibilidade de dados, ela se tornou enorme e a chegada de internet das coisas, que nós tínhamos discutido nas palestras anteriores facilitou a coleta de dados em grande medida. Por isso, por causa da IoT enorme quantidade de dados está disponível hoje. Por isso, os principais capacitadores para o crescimento de big data no contexto de hoje são o aumento das capacidades de armazenamento, o aumento do poder de processamento e a disponibilidade de dados.
(Consulte O Slide Time: 03:42) Então, nós tínhamos mencionado que existem três características primárias que um conjunto de dados deve possuir para ser qualificado como big data. Mas, na verdade hoje não há apenas três temos quatro. Então, vamos discutir esses. A primeira V banca para volume de dados so big data tem volume enorme. Por exemplo, cerca de 40.000 exabytes de dados estão sendo produzidos anualmente e um exabyte é de 10 para a potência 18 bytes.
Então, esse grande volume de dados enorme volume de dados; 40.000 exabytes de dados sendo produzidos anualmente. Fontes de enormes volumes de dados, porque hoje os dados são coletados a partir de múltiplas fontes e essas fontes de dados têm a capacidade de gerar enormes volumes de dados. Assim, por exemplo, posts, imagens, vídeos compartilhados nas redes sociais, sensores acoplados a dispositivos IoT como acabamos de mencionar, transações online para a banca e o comércio eletrônico.
Por isso, e empresas de comércio nós estávamos falando apenas de dizer um D Mart ou você conhece qualquer loja departamental ou dizer uma empresa de e-commerce como a Amazon, que produz enorme quantidade de dados transacionais todos os dias. Pesquisa científica e experimentos. Pesquisas científicas e pesquisas e experimentos como a análise do clima, produz novamente enorme quantidade de dados.
Observações astronômicas so enormes quantidades imensas de dados; assim, todos estes são apenas alguns exemplos. Poderia haver muitos outros exemplos de fontes de dados que produzem enormes volumes de dados.
Assim, volume de dados é a primeira propriedade essencial do conjunto de dados, que tem de ser atendida para poder ser para que o conjunto de dados seja qualificado como big data.
(Consulte O Tempo De Deslizamento: 05:43) Então, seguindo em frente. O segundo V dos 4 Vs é velocidade, por velocidade o que significamos a taxa em que os dados são produzidos. Então, para um conjunto de dados ser qualificado como big data; a taxa em que ela é produzida ou acumulada deve ser muito alta. Vejamos alguns exemplos, vídeos do YouTube. Então, se o vídeo do YouTube é considerado como uma fonte de dados YouTube 300 horas de vídeo são carregados a cada minuto, você pode imaginar? Por isso, 300 horas de vídeos do YouTube são carregados a cada minuto.
Trata-se de cerca de 1,6 terabytes de dados por minuto que é novamente enorme. Os dispositivos IoT, um motor a jato produz cerca de 300 gigabytes de dados por minuto. Então, 300 gigabytes de dados também são muito enormes. Emails, há cerca de 180, portanto, este é um fato que havia em torno de 187 milhões de e-mails gerados por minuto no mundo inteiro 187 milhões de e-mails por minuto e estamos cansados escrevendo redigimos apenas um e-mail. Então, havia cerca de 187 milhões de e-mails gerados por minuto no mundo todo. Então, isso é enorme-quantidade enorme de dados novamente.
Agora, mídias sociais, novamente um, você sabe, uma das fontes primárias de big data; assim, houve mais de 455.000 tweets gerados por minuto. Por isso, o Twitter, uma mídia social muito popular gerou cerca de 455.000 tweets por minuto, o que é novamente muito enorme; 15 milhões de mensagens de texto foram enviadas a cada minuto; 15 milhões.
Então, só podemos imaginar porque talvez tenhamos enviado 2, 3 textos por minuto, mas aqui 15 milhões de mensagens de texto foram enviadas a cada minuto e esta é toda essa percortina a dados em 2014.
Hoje, possivelmente o volume ou a velocidade se tornou muito mais. Por isso, o Facebook registrou 4 milhões de posts por minuto em 2014. Então, 4 milhões de post so que todos estes que você sabe apontam para o fato de que as fontes de dados produzem dados a uma taxa muito rápida, o ritmo de produção de dados ou disponibilidade de dados é imenso. Por isso, vídeos do YouTube 300 horas de vídeo a cada minuto; assim, você pode imaginar a taxa em que os vídeos estão sendo produzidos. Emails: a taxa na qual os dados de e-mail estão sendo gerados.
Mídias sociais, também você sabe que eu vou dar mais um exemplo, conversas telefônicas. Por isso, conversas telefônicas formam um exemplo muito importante de dados terem uma velocidade enorme. Então, imagina a velocidade em que a gente fala. Então, estamos gerando enorme quantidade de dados a cada minuto ou a cada segundo. Então, todos estes que você conhece conjuntos de dados são gerados a uma taxa muito rápida. Por isso, a velocidade dos dados aqui é muito alta, por isso podemos considerar que esse tipo de dados pertence a ter uma das características de big data.
Então, seguindo em frente, após 'volume' e 'velocity ', falaremos sobre o terceiro V de big data que é a terceira propriedade de big data que é' variedade ' de dados.
(Consulte O Tempo De Deslizamento: 09:18) Assim, por variedade de dados, entendemos que os dados podem ser estruturados, semi-estruturados ou até mesmo não estruturados. Então, o que queremos dizer com essas três categorias de dados? Quando dizemos que os dados são estruturados? Quando consideraríamos os dados desestruturados e quando consideraríamos que seria semi estruturado?
Assim, um big data não estruturada constitui quase 80 de big data e consiste em arquivos que são independentes e não relangarmente vinculados a outros arquivos. Por isso, em uma das palestras anteriores, em que estávamos falando de bases de dados relacionais entendemos o conceito de relações entre dados.
Então, como os dados estão relacionados? Com a ajuda de entidades e com a ajuda de sua cardinalidade tentamos entender como os dados poderiam estar relacionados entre si. Mas dados não estruturados, não tem absolutamente nenhuma relação com entre ele. Assim, um arquivo de dados que contêm dados não estruturados não são vinculados com relação a outros arquivos de dados. Exemplos, logs de servidores para que tais dados não sejam vinculados a outras fontes de dados.
Coleção de tweets, coleção de textos. Um vídeo ou posts de áudio nas redes sociais eles geralmente não são relacionados, logs de sites de chat. Então, todos estes; todos estes aqui perem dados não estruturados e dados não estruturados vêm você sabe formas o pedaço o grande pedaço de big data em torno de quase 80 de big data é composto por dados não estruturados.
(Consulte O Slide Time: 11:02) Seguindo em frente, os outros dois que você conhece tipos de variedade de dados são que você sabe que dados também podem não ser nem estruturados nem desestruturados para que ele pudesse ser semi estruturado. Os dados semi estruturados têm alguma estrutura inerente, correspondam a uma hierarquia ou a um gráfico. Ele carece de relacionamento entre arquivos.
Por isso, dados semi estruturados são frequentemente mantidos em linguagens XML ou JSON que são legíveis tanto por humanos quanto por programas de computador. Assim, o XML significa linguagem de marcação extensível e arquibancadas JSON para linguagens JavaScript Object Notation. Então, essas línguas são escritas na forma de textos. Os dados armazenados em tais formatos são baseados em texto e uma das principais fontes desses dados são sensores. Então, porque mais e mais dados estão sendo gerados através de sistemas IoT com a ajuda de sensores.
Sendo assim, dados gerados por sensores são frequentemente no formato XML ou JSON. Então, tais dados são geralmente semi estruturados. Então, não há relação entre os dados, mas os dados poderiam ser você saber na forma de uma hierarquia ou em forma de um gráfico. Por fim, dados estruturados têm algumas relações entre eles e eles são altamente organizados. Por isso, por dados estruturados queremos dizer, nós tínhamos discutido novamente sobre na palestra anterior que tínhamos falado sobre você saber dados sendo relações entre tabelas.
Então, esse tipo de dado é absolutamente estruturado. Os dados estruturados têm algumas relações entre eles e são altamente organizados. Por isso, o terceiro V pertém de big data pertence à variedade. Então, aqui temos três nós já discutimos três Vs de grande volume de dados, velocidade e variedade.
(Consulte O Tempo De Deslizamento: 13:07) Agora, seguindo para o quarto V, o quarto V refere-se à veracidade de dados. Por veracidade queremos dizer validade de dados. Então, validade significa que você sabe o quão relevantes são seus dados. Por isso, um dado que pode ser usado para processar por informações valiosas é chamado de sinal, o restante é considerado como ruído.
Por isso, se você ver aqui dados que podem ser usados para processar por informações valiosas é chamado de sinal e o restante é considerado como ruído. Os big data muitas vezes tem muito ruído que é gerado na fonte. Nomes incorretos, hashtags ou você sabe endereços incorretos ou enganosos, leituras de dados incorretas de sensores, que acontecem todo o tempo que poderia acontecer a qualquer hora, faltando valores de dados.
Então, todos estes são considerados como ruído. Eles não podem ser usados em mais processamento de dados. Por isso, eles são considerados como ruído, mas dados que são relevantes ou válidos e podem ser usados para posterior processamento é considerado como sinal. Agora, os altos valores para a proporção de ruído são sempre preferidos para ambientes de big data. Assim, um dado que tem veracidade maior deve ter um sinal maior para a relação de ruído, o que significa que o ruído deve ser o mínimo possível em comparação com dados válidos.
Assim, para ambientes de big data, os dados devem ter alta veracidade o que significa que ele deve ter alta sinal para a relação ruído. Por isso, aqui discutimos os 4 Vs essenciais de big data, que caracterizam um conjunto de dados como grande volume de dados, variedade, veracidade e velocidade dos dados; direito; portanto, o 4 Vs.
(Consulte Slide Time: 15:07) Agora, movendo-se em tecnologia por trás de big data; assim, os sistemas de gerenciamento de banco de dados ordinários ou tradicionais que tínhamos discutido no segundo módulo não são suficientes para ambientes de big data. Como em big data, os dados pertencem a enormes volumes que ali poderiam ser um dado estruturado, semi estruturado, assim como dados não estruturados e também dados poderiam ter muito você sabe de altíssima velocidade. Por isso, bancos de dados tradicionais, bancos de dados relacionais que tínhamos discutido não são capazes de manipular um grande processamento de dados.
Por isso, vários produtos de banco de dados de big data são usados na indústria como, Hadoop e Mongo DB. Então, essas são infraestrutura muito popular ou tecnologia por trás do processamento de big data. Agora esses bancos de dados são capazes de processar volumes massivos de dados através de bancos de dados distribuídos. Sua arquitetura é muito diferente; já mencionamos isso que sua arquitetura é muito diferente da das bases de dados relacionais tradicionais e você sabe, a discussão disso está realmente além do escopo deste curso.
Porque este é um curso introdutório, em sistema de informação de gestão. Por isso, discutir sobre o Hadoop Mongo DB e outras grandes tecnologias de dados está realmente além do escopo deste curso, mas se você quiser aprender mais sobre estes você deve ocupar um curso em tecnologia de big data. Então, com isso vamos seguir em algumas aplicações de big data.
(Consulte O Slide Time: 16:50) Há certas aplicações muito importantes, pois grandes dados com a chegada de IoT estão se tornando cada vez mais e mais relevante forma de tecnologia para manusear, enormes quantidades de conjuntos de dados que fluem com velocidade rápida e possuem uma enorme variedade. Tomemos um exemplo, uma massiva companhia aérea americana usou dados disponíveis publicamente.
Então, deixe-me dar um pano de fundo antes de ir para o exemplo. Você sabe, em companhias aéreas existe o conceito de prever o tempo estimado de chegada dos voos e isso é frequentemente comparado com o tempo real de chegada.
Então, o tempo estimado de chegada é muito extremamente importante, pois determina que você saiba a que horas os passageiros embarcaria no voo? Ele também determina como o aeroporto está pronto para lidar com o trânsito naquele momento. Agora, o tempo estimado de chegada das companhias aéreas é muito importante e em geral deve haver um desvio absolutamente mínimo do tempo estimado de chegada a partir do tempo real de chegada, mas o que acontece em você sabe em caso de nos deixar levar este exemplo de uma grande companhia aérea americana usada que usou publicamente.
Por isso, em geral o tempo estimado de chegada é dado por pilotos, mas os pilotos têm muitas outras coisas para se concentrar. Por isso, em geral esta particular companhia aérea americana observou que houve um desvio de cerca de 10 minutes ou mais entre o tempo estimado de chegada e o tempo real de chegada dos voos.
Então, havia um problema lá como você pode entender. Então, agora esta companhia aérea em particular usou big data so um dado disponível a partir de planejamentos de voos meteorológicos e outros fatores que são dados publicamente disponíveis. Junto com alguns dados proprietários a própria empresa coletou, inclusive se alimenta de uma rede de estações de radar passiva que tinha instalado perto dos aeroportos para colher dados sobre cada avião no céu local, para calcular as ETAs de seus aerofaritos nos aeroportos.
E ao fazer isso observou que aos poucos, por você sabe coletar dados de todos esses através de todos esses recursos e muitos mais. Eles foram capazes de prever o tempo de chegada dos aerofaros com muito mais precisão. Então, então, o desvio entre o ETA estimou tempo de chegada e o tempo real de chegada gradualmente reduzido, que é o que é esperado e exigido.
Então, e é claro, esse dado específico pertence a um big data porque ele tem todos os 3 Vs, já que seus dados de propriedades tem volume enorme porque está coletando dados sobre cada avião no céu local.
Então, ele tem volume enorme, tem muita velocidade porque os dados estão constantemente fluindo em cada dia mais e mais aeroartesanais estão chegando todos os dias tem você já sabe tantos aviões de pouso e tantos aeroartesanato realmente decolando, pousada é mais importante nesse contexto. E ao mesmo tempo os dados têm muita variedade também, porque você está usando dados proprietários, você está usando dados publicamente disponíveis e dados de várias fontes também.
Então, isso é da estação de radar, isso é dados publicamente disponíveis e pode haver dados relativos a você saber sobre pilotos, pode haver dados sobre características de aeronaves e assim por diante, que são usados para prever o ETA. Por isso, com isso vamos seguir para o próximo exemplo. A flipkart, que é uma gigante de comércio e comércio muito popular na Índia, coleciona big data sobre muitos de vocês conhecem muitas atividades diariamente.
Então, vamos levar alguns exemplos. Visitas de página do cliente, logins, comportamento de navegação de produtos, pula-pula de páginas, compras de produtos etc. Então, os dados são coletados de todo o comportamento do cliente que acontece durante o dia inteiro e isso é enorme, tem muita variedade ao mesmo tempo que tem muita alta velocidade muito alta também.
Por isso, dados coletados neste meio por meio desses vários parâmetros podem ser realmente utilizados para descobrir sobre o comportamento dos clientes em sites, produtos que eles estão em geral de compras e bounce off pages o que significa que quais são as páginas no website que não estão se apresentando bem.
Então, quais são as páginas que na verdade você sabe colocar de fora os clientes para que eles estejam saltando do site. Então, estes todos estes poderiam dar a conhecer bons ponteiros para a empresa para realmente melhorar certas páginas, para estocar em determinados produtos, se os clientes estão a comprar determinados produtos e assim por diante. Logística, portanto, a Flipkart coleta novamente muitos dados sobre logística.
Assim, por exemplo, ele coleta diferentes códigos de pinos através dos quais os clientes geralmente de produtos de encomenda. Assim, se os códigos pin estiverem disponíveis Flipkart seria capaz de agilizar ou otimizar seu cronograma de entrega. Anterior, vendas do Big Billion Day. Por isso, quem não é familiar do Big Billion Day sale é uma venda flash muito popular que acontece no contexto indiano pela gigante do comércio Flipkart.
Por isso, todos os anos há em torno de uma ou duas vendas do Big Billion Day em geral há uma. Então, o que o Flipkart faz é, coleciona muitas informações sobre todas as suas vendas anteriores do Big Billion Day. Então, que ela possa usar essa informação para se fortalecer ou se preparar para a próxima venda do Big Billion Day.
Por isso, por exemplo, quais são os produtos que as pessoas estão oferecendo mais, quais são os produtos que estão sendo vendidos mais durante estão a pedir desculpa não oferecer encomenda mais, que são os produtos que estão sendo comprados mais durante o tempo curto que é o flash sale.
Então, todos estes poderiam realmente dar muitos ponteiros em como qual produto deve ser estocado e o que não deve ser. Esses dados também são perdizes a big data, porque os dados estão fluindo a uma velocidade muito rápida dentro de um curto período de tempo você sabe dizer que algumas horas todas as vendas estão acontecendo e os dados pertencem a vários a muitos tem muita variedade e é claro, dados são enormes em volume. Então, essas são certas aplicações de big data.
Então, seguir em frente novamente deixe-me só você sabe que sabe na sessão sobre IoT. Nós tinhamos que você sabia, nós tínhamos discutido sobre cidades inteligentes smart cities usar muitas aplicações de big data para muitos você sabe que vem com um grande número de aplicativos. Por isso, do sistema de gestão de tráfego para a gestão da água em uma cidade inteligente tudo utiliza tanto essas tecnologias como big data e IoT juntos em combinação.
(Consulte O Slide Time: 24:11) Agora, temos discutido muito sobre big data movendo-se para a próxima tecnologia, tecnologia emergente, é claro, que é muito-muito promissora e tem muito potencial nas futuras cadeias de blocos. Por isso, as cadeias de blocos são artefatos de software que permitem a criação de livros-públicos que são um registro de transações, mantido em rede amplamente distribuída de clientes.
Então, há rede amplamente distribuída de clientes e os livros-públicos são distribuídos estes são registros de transações, sobre essas redes amplamente distribuídas de clientes. Uma vez um ledger, então uma cadeia de blocos tem muito você sabe certas características muito importantes, que o tornam muito útil para grande número de aplicações.
Assim, uma vez feita uma entrada contávida, ela não pode ser adulterada e torna-se uma entrada permanente e as entradas no ledger são visíveis para todos os partidos colaborantes. Então, essas propriedades o tornam muito útil para serem usados em aplicativos bancários, paradeiro diz que você está dando um empréstimo e eles estão dando um empréstimo e você sabe que uma nota dessa transação está disponível em todo sistema que faz parte da rede.
Então, ele é mantido em cada livro-razão, isso faz parte da rede. Então, você não pode adulterar isso, então você não pode mais tarde voltar atrás e negar tomar o empréstimo e as entradas são visíveis para todas as partes colaboradoras. Então, é claro que não há dúvida de negação, não há questão de voltar atrás e todo mundo é uma festa para isso.
Os dados da cadeia de blocos são mantidos em entradas distribuídas que são seguras e não podem ser hackeadas. As cadeias de blocos fornecem uma prova de autenticidade na que apenas partes verificadas e legítimas podem fazer as entradas de ledger.
(Consulte O Tempo De Deslizamento: 26:14) Então, seguindo em frente, vejamos algumas aplicações de cadeias de blocos em negócios. As cadeias de blocos são usadas para gerenciar a cadeia de suprimentos, por isso elas têm uma aplicação enorme em cadeias de suprimentos especialmente em cadeias de suprimentos globais. Assim, com uma cadeia de suprimentos ativada uma cadeia de suprimentos um cliente pode saber exatamente quando um determinado carregamento foi feito por um fornecedor global.
Porque se você é uma empresa que lida com múltiplos fornecedores globais, pode ser muito difícil você acompanhar você sabe quando o fornecedor embarcou um determinado produto ou parte, as condições em que os produtos as peças foram realmente armazenadas e transferidas e quando elas chegarão?
Assim, mas com cadeia de blocos, uma vez que uma entrada contáfica é feita em todos os palcos e essa entrada de ledger está disponível para todas as partes da rede. Um cliente pode facilmente saber quando um determinado carregamento foi feito por um fornecedor global, as condições sob as quais eles foram armazenados e transferidos e exatamente quando eles chegarão.
Por isso, as cadeias de blocos têm um papel muito importante nas cadeias de suprimentos. As cadeias de blocos podem ser usadas pelos bancos, que podem configurar a cadeia de blocos emprestados ledgers para emprestar dinheiro aos clientes e também registrando pagamentos através do sistema, nós já discutimos isso. Agora, as cadeias de blocos também têm uma enorme aplicação ou potencial em distribuição de obras artísticas como músicas ou livros diretamente de compositores ou autores para compradores, sem o envolvimento de qualquer intermediário.
Por isso, o trabalho artístico pode ser diretamente você sabe que, você sabe se há intermediários envolvidos na rede de distribuição eles há muita assimetria de informação e há certos problemas associados a ele, certos outros problemas. Por isso, para eliminar essas cadeias de blocos podem realmente se livrar de intermediários entre e os livros ou as músicas podem ser diretamente você sabe distribuído dos compositores ou dos compradores ou dos autores para os compradores, sem o envolvimento de qualquer intermediário.
Então, essas são apenas poucas aplicações de cadeias de blocos que discutimos. Há claro, muitas outras aplicações de cadeias de blocos nos negócios. Agora, vamos seguir para a última, mas muito importante tecnologia emergente no mundo de vocês conhecem sistemas de informação, realidade virtual e claro, junto com ela realidade aumentada.
(Consulte O Slide Time: 28:32) Então, uma realidade virtual é um computador gerado simulação de um mundo alternativo ou realidade. Então, essas são tecnologias de imersão, usando as quais o cliente estaria imerso em um mundo diferente por completo. É usado em filmes 3D a maioria de vocês deve ter assistido a certos filmes de 3D e videogames. Um ambiente virtual completamente imersivo, ele ajuda a criar simulações, que são semelhantes ao mundo real e imergam o espectador usando computadores e dispositivos sensoriais como, headsets como você vê aqui e luvas.
A realidade virtual é 75% virtual e apenas 25 real. Então, aqui você vê que sabe que essa pessoa tem usado a realidade virtual através de um headgear e está imersa em um mundo diferente por completo. Então, há muitos exemplos de sua aplicação no mundo real. A empresa de automóveis Ford usa a realidade virtual para projetar veículos.
Wherein, o designer é exposto a um mundo virtual através de VR, paradeiro ele pode realmente descobrir que você sabe no mundo virtual sem realmente seres sem realmente sentar em um carro seria capaz de descobrir a distância entre o painel e a direção e seria capaz de planejar adequadamente no veículo da vida real. Outro exemplo está nos estudantes de centro médico da NYU usando óculos 3D são capazes de dissecar um cadáver virtual projetado em uma tela.
Então, é outra aplicação muito interessante e de nota digna de VR. O VR tem muitas outras aplicações, mas gostaríamos de discutir você sabe que apenas alguns aqui você pode atender você conhece mais estudos sobre VR para entender seu papel no mundo de hoje.
(Consulte O Slide Time: 30:30) Agora, chegando ao último você conhece a tecnologia emergente, que é um desvio de VR é realidade aumentada ou AR. A realidade aumentada é uma mistura perfeita do mundo digital e dos elementos físicos para criar um ambiente artificial, o sistema aumenta a cena real do mundo. Então, ao contrário do VR que é 75% virtual e apenas 25 real. O AR é 25% virtual e 75 real. Então, o componente real está muito mais no contexto da realidade aumentada.
Mas, ainda assim, ambas são muito muito você conhecer ferramentas importantes, em todas as aplicações que vão desde o comércio e o comércio até o mundo de vocês conhecem a medicina em todos os lugares VR e AR têm um papel a desempenhar. Então, aqui vemos a artista virtual Sephora, a Sephora é uma renomada que você conhece gigante de cosméticos. Por isso, a Sephora tem esse aplicativo de artista virtual, usando qual usa realidade aumentada através da qual um cliente pode realmente ver como um determinado tom de um cosmético olha para ele ou ela.
Então, ele usa realidade aumentada aqui. Cirurgia guiada por imagem muito importante aplicação de AR, onde as imagens obtidas a partir de ultrassom MRI ou tomografias de CT são sobrepostas ao paciente na sala de cirurgia. Por isso, novamente uma aplicação muito útil da AR. A Ikea, que é uma você conhece muito renomado varejista de móveis. Então, Ikea assim por exemplo, aqui vemos que usando a realidade aumentada você pode ver como uma determinada peça de mobiliário olha em um canto da sua casa.
Assim, você pode sobrepor a peça de mobiliário em seu, você sabe, nas configurações de suas casas e ver, como ela olha usando um aplicativo de realidade aumentada. Então, essas são duas tecnologias muito interessantes que têm um grande potencial no futuro mas acabamos de tentar apresentá-lo a essas duas tecnologias nesta palestra em particular.
(Consulte O Slide Time: 32:48) Então, aqui chegamos ao final de nossa sessão sobre 'Tecnologias Emergentes' e aqui discutimos desde computação em nuvem até internet das coisas a big data, cadeias de blocos, AR e VR, que são todas as tecnologias emergentes, que desempenham um papel muito importante no mundo do sistema de informação e que realmente transformaram o mundo do sistema de informação hoje.
Obrigado, vejo você por aí!