NPL переходит на получение информации о IoT и Big Data
На одном конце шкалы находятся датчики, возможно, медицинские медицинские датчики, которые являются четко определенными объектами и явно важны. На другом конце шкалы (вы можете утверждать) есть комментарии в социальных сетях, но даже это может быть важно.
Руководитель исследовательской науки NPL Майк Олдхэм рассказывает Electronic Weekly: «Есть британские МСП, анализирующие твиты в социальных сетях для принятия бизнес-решений, например, отображение твитов в транспортной сети Великобритании и решение проблем, прежде чем собственные инструменты транспортной компании в некоторых случаях».
С все большим количеством машинного обучения, просеивающего данные для принятия решений или даже принятия решений, как уверенность в качестве данных поддерживается на протяжении всего жизненного цикла данных, спрашивает Олдхэм. Это цикл, который он обобщает как «собирать, связывать, понимать» с компрессией в списке, если множество данных должно проходить через узкую трубу.
Есть ли ощущение того, что является важными данными, а что нет?
Защита качества
«Если у вас есть данные об ошибках в интеллектуальной сети, вы не хотите, чтобы полуавтономная машина закрывала сетку», - говорит Олдхэм.
Что касается твитов и ситуации с транспортом, «я не уверен, что NPL должен быть задействован, если навигационные данные немного ошибочны, и вы опаздываете время от времени, но для медицинского диагноза вам понадобится золотой стандарт. Важность данных - это жизнь, безопасность и финансовый риск ».
По словам менеджера по стратегии NPL Sundeep Bhandari, со своими аналогами метрологических институтов в США и Германии - NIST и PTB - NPL только что начали проект по установлению некоторых стандартов качества данных. Он также работает с Брунелским университетом, некоторыми китайскими организациями и Институтом Тьюринга различными способами в аналогичных целях.
Часть исследований включала в себя организации, в том числе телекоммуникационные фирмы, энергетические фирмы, медицинские работники, Би-би-си и столичную полицию, о том, что им нужно, из показателей качества данных. «Поговорив с ними, мы постараемся отделить то, что нужно NPL для промышленности», - говорит Бхандари.
Одна из известных потребностей состоит в том, чтобы количественно измерить измерения, сделанные во время медицинских диагнозов, основанных на проверке, чтобы позволить методам «больших данных» извлекать новые знания из миллионов сканирований и удалять изменчивость от отдельных диагнозов.
Определение стандартов
«В настоящий момент медицинский диагноз - это тесные рабочие отношения между клиницистом и машиной, которую они используют», - говорит ученый-ученый Олдем. «Мы работаем над стандартизацией этого, поэтому любой врач может работать с результатами любой машины. Часть процесса решает, какие метаданные вы должны собрать ».
Одним из конкретных проектов по качеству медицинских данных при NPL является попытка улучшить измерения, производимые МРТ-сканерами с соблюдением «скорости перфузии миокарда» - скорость крови, а следовательно, и кислорода, поступает в сердечную ткань.
Сканирование производится с течением времени, а затем после обработки клиницистом, который выбирает объекты, представляющие интерес в ходе сканирования, позволяя машине извлекать временную кривую поведения контрастного агента. Эта кривая управляется против математической модели для оценки скорости перфузии.
Проблема в том, что МРТ-сканирование в значительной степени является качественным инструментом, не поддающимся абсолютному измерению. Лучший способ измерения перфузии - это ПЭТ-сканирование, но для этого требуется инъекция радиоактивного материала.
«ПЭТ является наиболее количественным, но у человека может быть только столько сканирований ПЭТ в одной жизни», - говорит ученый NPL по научным исследованиям Nadia Smith Electronics Weekly. «Если мы сможем выявить МРТ, чтобы быть более количественным, это было бы намного лучше для диагностики».
И именно это NPL будет пытаться в рамках трехлетнего европейского проекта наряду со своими сверстниками во Франции и Германии (LNE и PTB), King's College London и финской больницей.
Shutterstock