8. Чувахина Л.Г. Последствия санкционной политики в отношении нефтегазового сектора России для экономик США и стран ЕС // Сегодня и завтра российской экономики. - 2022. - №107-108. -С. 37-45.
Сведения об авторах
СТЕФАНОВА НАТАЛЬЯ АЛЕКСАНДРОВНА, к.э.н., доцент кафедры «Цифровая экономика», ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики», г. Самара, Россия
КОРОЛЕВ АНДРЕЙ АНДРЕЕВИЧ, студент кафедры «Цифровая экономика»,ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики», г. Самара, Россия
Information about the authors
STEFANOVA NATALIA ALEXANDROVNA, Ph.D., Associate Professor of the Department «Digital Economy», Povolga State University of Telecommunications and Informatics, Samara, Russia
KOROLEV ANDREY ANDREEVICH, student of «Digital Economy», Povolga State University of Telecommunications and Informatics, Samara, Russia
Научная статья
УДК 004
DOI 10.26118/2782-4586.2024.75.23.011
Исраилова Залина Руслановна
Чеченский государственный университет имени A.A. Кадырова Абдулмукминова Фатима Мурадовна Дагестанский государственный технический университет Абдулмукминова Элиза Мурадовна
Дагестанский государственный технический университет
РАЗВИТИЕ ТЕХНОЛОГИЙ БОЛЬШИХ ДАННЫХ В УСЛОВИЯХ ЦИФРОВЫХ ТРАНСФОРМАЦИЙ
Аннотация. До 2011 года проведением анализа больших данных (Big Data) занимались преимущественно в рамках определенных научных и статистических исследований, но бурных рост масштабов, вплоть до огромных и возникшая в дальнейшем потребность в систематизации дала толчок развитию данного направления и вовлечению в него ведущих мировых вузы, обучающим прикладным инженерным и IT-специальностям. В современных условиях большие данные необходимы, чтобы провести анализ всех наиболее значимых факторов и принять верное решение, что в современных условиях важно как для крупных отраслевых компаний, так и для государственных органов власти. В статье исследуется сущность большихданных, доказывается актуальность их использования в условиях цифровизации всех сфер жизни общества. Определено, что характеристиками для больших данных на сегодняшний день являются физический объем, скорость роста данных, необходимость их быстрой обработки, возможность обработки данных различных типов, надежность, жизнеспособность, ценность, вариативность и визуализация. Охарактеризованы основные принципы работы с Big Data: горизонтальная масштабируемость, отказоустойчивость, loL данных. Определено, что основными источниками Big Data являются корпоративная информация, данные с различных измерительных приборов, потоки сообщений из сети Интернет. Исследовано, что большие данные используются в следующих сферах: информационные технологии, промышленность, сельское хозяйство, энергетика, банковские и финансовые услуги, медицина и здравоохранение, торговля, маркетинг, эксплуатация и обслуживание сложного оборудования, логистика, туризм, телекоммуникации, жилищно-коммунальное хозяйство, электронное правительство, образование, научные исследования и другие.
Ключевые слова: Big Data, большие данные, данные, информация, знания, источник данных, цифровизация, инновации.
Israilova Zalina Ruslanovna
Kadyrov Chechen State University Abdulmukminova Fatima Muratovna
Dagestan State Technical University Abdulmukminova Eliza Muradovna
Dagestan State Technical University
THE DEVELOPMENT OF BIG DATA TECHNOLOGIES IN THE CONTEXT OF DIGITAL TRANSFORMATIONS
Abstract. The article examines the essence of big data, proves the relevance of their use in the context of digitalization of all spheres of society. It is determined that the characteristics for big data today are the physical volume, the rate of data growth, the need for rapid processing, the ability to process data of various types, reliability, viability, value, variability and visualization. The basic principles of working with Big Data are described: horizontal scalability, fault tolerance, data loL. It is determined that the main sources of Big Data are corporate information, data from various measuring devices, and message streams from the Internet. It has been studied that big data is used in the following areas: information technology, industry, agriculture, energy, banking and financial services, medicine and healthcare, trade, marketing, operation and maintenance of complex equipment, logistics, tourism, telecommunications, housing and communal services, e-government, education, scientific research and others.
Keywords: Big Data, big data, data, information, knowledge, data source, digitalization, innovation.
Цифровизация сегодня охватывает все сферы человеческой деятельности: от промышленности, банковского дела, сельскохозяйственного производства, торговли до образования, науки, непроизводственной сферы. Цифровизация экономики, развитие информационного общества способствует росту спроса на информационные продукты и услуги. Сегодня информация является важным и стратегическим активом, влияющим на управление предприятиями и эффективность их функционирования.
Последние тенденции в работе с большими данными обещают нам светлое будущее. Мы уже видим, как Google и Facebook используют большие данные для анализа поведения потребителей и предоставления более качественных услуг. В ближайшие годы, внедряя облачные, квантовые вычисления и другие технологии, все больше и больше компаний смогут использовать большие данные на благо своего бизнеса [1]. Доступность больших данных позволяет получить широкий спектр информации об объекте и окружающей среде. Появляется возможность выстроить замкнутый компьютеризированный цикл планирования и управления. Выход больших данных на рынок IT продуктов позволяет кардинально обновить технологию и практику подготовки и обоснования важных решений. Новаятехнология решений построена в виде компьютера, с решающей ролью data driven, что позволяет избавиться от серватизма и субъективизма в управлении. Решения для руководства компании принимаются в результате анализа и обработки множества различных релевантных данных (например, о процессах продаж, потребительском поведении, о деятельности подразделений компании и т.д.)
В последние годы появилось достаточное количество отечественных ученых, исследующих технологию Big Data. В частности, Балабанов О.С. в работе [2] рассматривает основные направления, задачи и виды результатов углубленного анализа больших (компьютеризированных) данных и показывает практическую значимость больших данных и большой аналитики как основы для создания новых компьютерных технологий планирования и управления в бизнесе.
Задорнова Р. в [3] уточняет условия возникновения, сущность и особенности Big Data
как вида данных, возникших в результате развития компьютерных технологий. Анализ технологий работы с большими данными и 1оТ, а также поиск оптимального решения данной задачи был проведен в работе Тимо и Шина Ю.А. [6]. Существенное увеличение темпов сбора и накопления Big Data в различных сферах общественной деятельности актуализирует дальнейшие исследования.
Эффективное использование Big Data возможно только при условии понимания возможностей и тенденций развития данной технологии, что признает цель исследования.
Характерной чертой современной «оцифрованной» жизни является появление Big Data — «больших данных», которые сейчас привлекают все больше внимания и становятся предметом изучения все более широкого круга исследователей — от аналитиков данных до экономистов, социологов, маркетологов, врачей и т.д. Однако большой объем — это лишь одна из особенностей феномена Big Data, который, с одной стороны, воплотил компьютерные и информационные тренды последних десятилетий; с другой стороны, она способна влиять и реально трансформировать существующие идеи и практики и модели поведения как индивидов, так и сложных организационных структур, которые вырабатывались в течение длительного периода времени [3].
Пятый основополагающий принцип официальной статистики касается доступа к данным, утверждая, что данные для статистических целей могут быть взяты из всех видов источников, будь то статистические обзоры или административные досье. Статистические органы должны выбирать свои источники, исходя из соображений качества, оперативности, стоимости и нагрузки на респондентов. Этот принцип можно интерпретировать как включающий в себя доступ к «большим» данным [4].
Big Data - это устоявшаяся область технологий, которая, несмотря на относительно недавнее повсеместное распространение, широко распространена во многихсферахбизнеса и играет значительную роль в развитии компании. Эта сфера включает в себя обработку большого объема информации, которую трудно обработать традиционными методами [5]. Большое количество IT ученых высказывают мнение, что пик Big Data, начавшийся несколько лет назад, пройден и интерес специалистов к этой области значительно снизился. Они объясняют это тем, что технологии решения этих задач развиваются быстрее, чем области применения.
Входными данными для обработки являются структурированные и неструктурированные данные, чаще всего журналы программ и различные сообщения, которые формируются автоматически. Они считают эти данные мусором, который пригодится в случае некорректной работы программы, выполнения транзакций и т.д. Мы согласны с мнением Ю. А. Тимофеева и С. Д. Гохалева о том, что за этими технологиями будущее, поскольку они помогают составить общую картину глобальных процессов, таких как: перемещение товаров, мониторинг систем с различными типами датчиков и сделать их более эффективными [6].
Большие данные позволяют обработать всю доступную информацию за один раз. Традиционный подход заключается в постепенном анализе небольших «кусков» данных. Информация Big Data анализируется в первозданном виде. Традиционная обработка требует прямого отбора, сортировки и классификации данных. Большие данные — это поиск по всему объему информации и работа с поисковой выдачей.
Традиционный анализ начинается с гипотезы, и только потом она проверяется на основе имеющихся данных. Большим преимуществом Big Data является актуальность, так как анализ происходит в режиме реального времени. При традиционном подходе данные собираются, редактируются, хранятся в течение определенного периода времени, и только после этого берутся на анализ [7].
Расширенныеинструментыаналитики.такиекакпрогнозная аналитика и интеллектуальный анализ данных, помогают извлекать полезные данные из данных и создавать бизнес-аналитику.
Ожидается, что в 2025 году доходы центров обработки данных увеличатся до более чем 58 миллиардов долларов. В подходе к работе с большими данными мы используем машинное обучение, чтобы компьютер сам искал результаты обработанных данных. Например, если
раньше у аналитиков был массив данных о покупках одного пользователя интернет-магазина, им приходилось самим делать предположения.
Например, аналитики решили, что покупатель является поклонником компьютерных игр. Если эта гипотеза подтвердится, на основе этих данных можно сделать прогноз будущих покупок и предложить покупателю скидки на товары данной категории. Но таких гипотез может быть много, и такая работа заняла огромное количество времени. Вместо этого с помощью алгоритмов машинного обучения компьютер сам анализирует и выдает результат из обработанной информации [9].
Big Data создается человеком, который оставляет за собой информационный след. Основными источниками Big Data являются корпоративная информация (архивы, внутренние данные компаний и т.д.), данные с различных измерительных приборов (1оТ, аудио- и видеорегистраторы, умные гаджеты, смартфоны, сотовая связь и т.д.), потоки сообщений из интернета (социальные сообщества, форумы, блоги, сайты, СМИ и т.д.).
Big Data используются сегодня во многих сферах человеческой деятельности: информационныетехнологии, промышленность, сельское хозяйство, энергетика, банковские и финансовые услуги, медицина и здравоохранение, торговля, маркетинг, эксплуатация и обслуживание сложного оборудования, логистика, туризм, телекоммуникации, жилищно-коммунальное хозяйство, электронное правительство, образование, научные исследования и другие. Огромные и динамично растущие объемы накопленных данных позволяют проводить качественный анализ, оценку и прогнозирование практически в любой отрасли.
Современный бизнес понимает, что без собственной стратегии управления ИТ и данными дальнейшее эффективное развитие невозможно. Благодаря аналитике больших данных компании оптимизируют продажи и логистику, лучше изучают потребности клиентов и, как следствие, разрабатывают для них наиболее интересные предложения. Все это способствует росту рентабельности бизнеса. IT-компании, банковский и телекоммуникационный бизнес одними из первых начали использовать Big Data в своей деятельности. В этих сферах аккумулируется наибольшее количество данных: банки — через транзакции, телеком — через геоданные, IT и компании — через истории запросов.
Одним из перспективных направлений для внедрения Big Data является аграрный сектор. По прогнозам ФАО, к 2050 году население планеты увеличится до 9 миллиардов человек. Производство продуктов питания должно увеличиться на 70%, в частности, пшеницы на 40%, мяса на 230%, чтобы накормить человечество в 2050 году. Эту задачу необходимо решать в условиях борьбы с бедностью и голодом, максимально эффективно используя имеющиеся природные ресурсы с учетом изменения климата. Чтобы прокормить такое количество людей, мировое производство продовольствия должно быть увеличено на 70%.
В этих условиях Big Data позволит более эффективно использовать материальные и человеческие ресурсы — информацию, получаемую с датчиков, тракторов с GPS-трекерами, локальных метеоканалов. Комплексный анализ таких данных позволяет оптимизировать внесение семян, удобрений, пестицидов, гербицидов и тем самым повысить эффективность производства. Согласно анализу отчета Boston Consulting Group и сайта AgFunder, среди инвестиционных приоритетов, которые, по мнению представителей ведущих мировых аграрных корпораций и инвестиционных экспертов венчурных компаний, специализирующихся на агротехнологиях, получили значительный импульс и развитие в последние годы.
В первую очередь обращают на себя внимание те, которые связаны с Big Data и их аналитикой; а также безопасность и качество пищевых продуктов; биотехнология; аппаратные средства для оптимизации технологических решений; датчики и средства связи и навигации. При этом информационные технологии анализа и структурирования Big Data в настоящее время сосредоточены по различным направлениям сельскохозяйственного производства. Это системы обслуживания техники для животноводческих ферм, точного внесения удобрений, средств защиты растений, посева культур в растениеводстве. По сути, эта сфера деятельности охватывает каждый из 4 этапов обработки больших объемов данных: фиксацию, сбор, анализ и производство возможных дальнейших действий.
Все это требует эффективного взаимодействия различных систем — технических средств, оснащенных GPS-навигаторами и датчиками, бухгалтерского программного обеспечения. Последний аспект особенно важен. Например, без четкой системы учета и планирования хозяйственной деятельности невозможно объективно оценить эффективность агробизнеса и адаптировать стратегию хозяйственной деятельности предприятия к быстрым изменениям рыночной среды [3].
В России информационные технологии Big Data постепенно распространяются во многих сферах деятельности, в том числе и непосредственно в сельском хозяйстве. Наибольшую нагрузку при их реализации сегодня испытывают технологии точного земледелия, которые позволяют не только повысить урожайность сельскохозяйственных культур, но и значительно снизить непроизводительный расход горюче-смазочных материалов, семян и удобрений.
Точное земледелие - одно из инновационных направлений развития отечественного сельского хозяйства, в основе которого лежит представление о том, что обрабатываемое пространство неоднородно, и каждый отдельный участок поля требует отдельного ухода. За счет этого минимизация затрат основных производственных ресурсов достигается за счет получения необходимой фермеру обновленной информации от использования наземных датчиков, а также спутниковой навигации ГИС при проведении комплекса полевых работ. Ведь, по сути, можно вносить, например, удобрения только в те места, которые требуются в соответствии с агрохимическим состоянием плодородия почвы, семена без значительного перерасхода по рекомендуемой норме высева. Соответственно, это обеспечивает достаточно существенную экономию на каждом гектаре сельскохозяйственных угодий, а в масштабах экономики отражается на росте ее рентабельности.
Глобальная аналитическая компания Gartner, ежегодно публикующая результаты собственных исследований в области цифровых технологий, выделила десять направлений развития сферы данных и аналитики в 2021 году:
1. Умнее, ответственнее, масштабнее искусственный интеллект (ИИ). Более умный, ответственный, масштабируемый искусственный интеллект улучшит алгоритмы обучения, системы интерпретации и сократит время на оценку. Компании начнут предъявлять больше требований к системам искусственного интеллекта, и им нужно будет придумать, как масштабировать технологию.
2. Датасет и аналитика. Целью сбора и анализа данных является использование компонентов существующих решений для обработки данных, аналитики и искусственного интеллекта для быстрого создания гибких и удобных интеллектуальных приложений, которые позволяют руководству устанавливать связь между выявленными сведениями и действиями, которые необходимо выполнить.
3. Структура данных как основа. По мере того, как данные становятся все более сложными, а цифровой бизнес расширяется, структура данных становится архитектурой и рис.
4. От больших данных к малым и широким. Малые и обширные данные, в отличие от больших, могут быть полезны для решения ряда задач компании. Обширные данные с помощью методов «X Analytics» позволяют анализировать и комбинировать множество небольших и разнообразных широких, неструктурированных и структурированных источников данных для улучшения контекстуальной осведомленности и принятия решений.
При работе с небольшими данными можно использовать модели данных, которые требуют меньше данных, но при этом предоставляют полезные аналитические сведения. Поэтому необходимо выбирать аналитические методы, которые позволяют лучше использовать имеющиеся данные, а также обеспечивают более глубокое понимание небольших объемов данных.
5. XOps. Целью XOps (Data, Machine Learning, Model, Platform) является достижение эффективности и экономии за счет масштаба с помощью лучших практик DevOps, а также обеспечение надежности, возможности повторного использования и воспроизводимости при одновременном сокращении дублирования технологий и процессов и обеспечении автоматизации. Эти технологии позволят масштабировать прототипы и печатать гибкий дизайн и интегрировать управляемые системы принятия решений.
6. Разумное принятие решений. Интеллектуальная система принятия решений включает в себя широкий спектр принятия решений, включая традиционную аналитику, искусственный интеллект и сложные адаптивные системные приложения. Интеллектуальные инженерные решения применяются не только к отдельным решениям, но и к цепочке решений, группируя их в бизнес-процессы или сети немедленного принятия решений, что позволяет компаниям быстро получать решения, необходимые для управления бизнес-действиями.
7. Данные и аналитика как основная функция бизнеса. Бизнес-лидеры начинают понимать важность использования данных и аналитики для ускорения цифровых бизнес-инициатив. Вместо того, чтобы быть второстепенным фокусом, дополненным отдельной командой, данные и аналитика превращаются в основную функцию. Данные и аналитика становятся обычным видом деятельности, ориентированным на бизнес-результаты.
8. Графики соединят все. Сегодня графики лежат в основе самых передовых возможностей обработки и аналитики данных, они служат для поиска взаимосвязей между людьми, местами, вещами и событиями в самых разнообразных наборах данных, моделях машинного обучения и искусственного интеллекта.
9. Расширение прав и возможностей потребителей. Традиционно большинство бизнес-пользователей используют предопределенные дашборды и изучают данные, что может привести к неверным выводам и ошибочным решениям и действиям. Тем не менее, Gartner считает, что в будущем эти информационные панели будут заменены автоматизированной, разговорной, мобильной и динамически генерируемой статистикой, адаптированной к потребностям пользователя и доставляемой в точку потребления.
10. Данные и аналитика на периферии. Поддержка данных, аналитики и других технологий также присутствует в средах периферийных вычислений, т.е. за пределами традиционных центров обработки данных и облачных сред, которые близки к активам физического мира и не пересекаются со сферой деятельности ИТ-отделов. Это изменяет или устраняет задержку решений, основанных на данных, и обеспечивает большую ценность в режиме реального времени [5].
Подводя итог, технологии Big Data предполагают работу с огромными объемами информации. Использование Big Data позволит использовать нереальный потенциал для повышения эффективности, разработки новых бизнес-моделей в различных сферах социальной деятельности. Технологии Big Data в развитых странах уже становятся обыденностью, отечественный рынок больших данных и бизнес-аналитики все еще развивается и имеет значительный потенциал в условиях происходящих цифровых трансформаций. Большие данные могут стать одним из драйверов цифровых технологий в информационном обществе.
Список источников
1. Абдулкадыров A.C., Ефимова Д.В. Институциональное и научно-технологическое обеспечение инновационного развития нефтегазового сектора экономики России // Экономика и предпринимательство. - 2015, - №6 ч.1 (59-1). - С.187-191.
2. Алиева М. Л., Мисирли Р. Р. Преимущества и проблемы управления данными Big Data// Journal of Monetary Economics and Management. - 2023. - № 1.- C.8-14
3. Алмырзаева А.К., Костюк В.И., Неврединов A.P. Роль bigdata в современном обществе //Экономика и предпринимательство. 2017. № 9-3 (86-3). С. 580-582.
4. Гапон М.Н. Цифровизация в России: контекстуальные особенности//Актуальные вопросы современной экономики. 2022,- №11. С.578-586
5. Григорьева М., Голосова М., Рябинкин Е., Климентов А. Экзабайтное хранилище научных данных//Открытые системы. СУБД. 2015. №4.
6. Звягин Л.С. Цифровые тренды в анализе данных и мягких измерениях как концептуальная основа развития прикладных наук// Мягкие измерения и вычисления. 2020. Т. 37. № 12. С. 45-62.
7. Осипенко А.Л. Новые технологии получения и анализа оперативно-розыскной информации: правовые проблемы и перспективы внедрения // Вестник Воронежского института МВД России. 2015. № 2. С. 13—19.
8. Платонова С.И. Большие данные: создание вызовов и возможностей в социальных науках//Манускрипт. 2020. Том 13. Выпуск 4.
9. Савельев А.И. Проблемы применения законодательства о персональных данных в эпоху «больших данных» (big data) // Право. 2015. № 1. С. 43—66.
10. Соколова A.C. Влияние технологий анализа «больших данных» (big data) на законодательство о персональных данных// Юриспруденция 2.0: новый взгляд на право: матер, межвуз. науч.-практ. конф. с междунар. участием. М.: РУДН, 2017. С. 282-285.
11. Черняк Л. Большие Данные — новая теория и практика // Открытые системы. СУБД. 2011. № 10. С. 18-25.
12. Черняк Л. Свежий взгляд на Большие Данные // Открытые системы. СУБД. 2013. № 7. С. 48-51.
13. Ючинсон К.С. Большие данные и законодательство о конкуренции // Право. 2017. № 1. С. 216-245.
Сведения об авторах
ИСРАИЛОВА ЗАЛИНА РУСЛАНОВНА, к.э.н., доцент кафедры «Учет, анализ и аудит в цифровой экономике», Чеченский государственный университет имени A.A. Кадырова, г.Грозный, Россия
АБДУЛМУКМИНОВА ФАТИМА МУРАДОВНА, студентка 5 курса факультета компьютерных технологий и энергетики специальности "Информационная безопасность автоматизированных систем", ФГБОУ ВО "Дагестанский государственный технический университет", г.Махачкала, Россия
АБДУЛМУКМИНОВА ЭЛИЗА МУРАДОВНА, студентка 2 курса факультета компьютер-ныхтехнологий, вычислительной техники и энергетики специальности "Информационная безопасность автоматизированных систем", ФГБОУ ВО "Дагестанский государственный технический университет", г.Махачкала, Россия
Information about the authors
ISRAILOVA ZALINA RUSLANOVNA, Ph.D. in Economics, Associate Professor of the Department of Accounting, Analysis and Audit in the Digital Economy, Kadyrov Chechen State University, Grozny, Russia
ABDULMUKMINOVA F ATI MA MURATOVNA, 5th year student of the Faculty of Computer Technology and Energy, specialty "Information security of automated systems", Dagestan State Technical University, Makhachkala, Russia
ABDULMUKMINOVA ELIZA MURADOVNA, 2nd year student of the Faculty of Computer Technology, Computer Engineering and Energy, specialty "Information security of automated systems", Dagestan State Technical University, Makhachkala, Russia