Voici une question : que partagent à toutes fins utiles les Teslas autodidactes, les calculs d’échange de Money Road, les maisons de rêve, les arrangements de transport qui satisfont les transports extrêmement rapides le jour même, et une information ouverte distribuant les parts de la police de New York ?

D’une part, ce sont des signes que notre réalité change à une vitesse vertigineuse, en raison de notre capacité à saisir et à examiner un nombre toujours plus important d’informations de manière plus rapide et plus rapide qu’auparavant.

En tout cas, si vous regardez attentivement, vous verrez que chacune de ces demandes nécessite un type d’information exceptionnel :

Les véhicules autosuffisants recueillent constamment des informations sur l’évolution de la situation de leur quartier autour d’eux.

L’échange de calculs d’auto-régulation permet de recueillir sans cesse des informations sur l’évolution des secteurs d’activité.

Nos maisons astucieuses filtrent ce qui se passe à l’intérieur pour contrôler la température, distinguer les intrus et réagir à nos appels (“Alexa, joue de la musique qui détend”).

Notre secteur de la vente au détail examine comment ses avantages évoluent avec une telle précision et une telle productivité que le modeste transport le jour même est une extravagance qu’un grand nombre d’entre nous sous-estiment.

Le NYPD suit ses véhicules pour nous permettre de les considérer comme de plus en plus responsables (par exemple, pour l’examen des temps de réaction au 911).

Ces applications dépendent d’un type d’information qui estime la façon dont les choses changent après un certain temps. Où le temps n’est pas seulement une mesure, mais un pivot essentiel. Il s’agit d’informations sur l’organisation du temps, qui commence à prendre une place plus importante dans notre réalité.

Les ingénieurs programmeurs utilisent désormais des conceptions en miroir. À vrai dire, au cours des derniers mois, les bases de données d’organisation du temps (TSDB) sont restées la classification de bases de données qui s’est développée le plus rapidement :

Qu’est-ce que les données relatives à l’aménagement du temps ?

Certains considèrent les “données d’organisation du temps” comme un regroupement de centres d’information, estimant quelque chose de très similaire après un certain temps, mis de côté dans la demande de temps. C’est valable, mais cela ne fait que commencer à exposer ce qu’il y a en dessous.

D’autres peuvent penser à une progression des qualités numériques, chacune assortie d’un horodatage, caractérisé par un nom et un grand nombre de mesures nommées (ou “étiquettes”). Il s’agit peut-être d’une approche permettant d’afficher des informations sur l’organisation du temps, mais ce n’est pas une signification de l’information elle-même.

Voici une délimitation fondamentale. Les capteurs de vision recueillent des informations à partir de trois environnements : une ville, un ranch et une usine. Dans ce modèle, chacune de ces sources envoie par intermittence de nouveaux relevés, faisant ainsi progresser les estimations recueillies au bout d’un certain temps.

Voici un autre modèle, avec des informations authentiques de la ville de New York, montrant des trajets en taxi pour les premiers instants de 2018. Comme cela devrait être évident, chaque ligne est une “estimation” recueillie à un moment précis :

Il existe de nombreux types d’informations sur l’organisation du temps. Pour donner quelques exemples : Informations d’observation DevOps, flux d’occasion d’applications web polyvalentes, informations sur les machines modernes, estimations logiques.

Ces ensembles de données partagent essentiellement trois choses à toutes fins utiles :

Les informations qui apparaissent sont souvent enregistrées dans une autre section

Les informations arrivent régulièrement à temps.

Le temps est un pivot essentiel (les intervalles de temps peuvent être soit ordinaires, soit imprévisibles)

En fin de compte, les charges restantes en matière d’informations sur l’emploi du temps sont pour la plupart “attachées en quelque sorte”. Bien qu’ils puissent avoir à traiter des informations incorrectes quelque temps plus tard, ou à traiter des informations différées ou hors demande, il s’agit de cas particuliers, et non de la norme.

Vous vous demandez peut-être : en quoi cela est-il unique par rapport au simple fait d’avoir un champ de période dans un ensemble de données ? Tout bien considéré, cela dépend : comment votre ensemble de données suit-il les changements ? En rafraîchissant le passage actuel, ou en y intégrant un autre ?

Lorsque vous rassemblez une autre recherche pour sensor_x, écrasez-vous votre recherche précédente ou faites-vous une nouvelle recherche dans une autre colonne ? Ces deux stratégies vous donneront l’état actuel du cadre, mais il vous suffira de composer le nouvel examen dans une colonne différente pour pouvoir suivre toutes les conditions du cadre après un certain temps.

Fondamentalement, les ensembles de données sur l’organisation du temps permettent de suivre les changements apportés au cadre général en tant que suppléments, et non en tant que mises à jour.

C’est cet acte d’enregistrement de chaque modification du cadre comme une autre ligne distinctive qui rend les informations sur l’organisation du temps si incroyables. Elle nous permet d’évaluer le changement : décomposer comment une chose a changé auparavant, examiner comment une chose change dans le présent, prévoir comment elle pourrait changer plus tard.

En d’autres termes, voici la manière dont j’aime caractériser les informations relatives à l’organisation du temps : des informations qui, de manière agrégée, indiquent comment un cadre/processus/conduite change après un certain temps.

Il s’agit d’autre chose qu’une qualification académique. En fondant notre définition sur le terme “transformer”, nous pouvons commencer à distinguer les ensembles de données d’organisation du temps que nous ne recueillons pas aujourd’hui, mais que nous devrions recueillir plus tard. À vrai dire, il arrive souvent que des personnes disposent d’informations sur l’organisation du temps mais ne les comprennent pas.

Imaginez que vous entretenez une application web. Chaque fois qu’un client se connecte, vous pouvez simplement rafraîchir l’horodatage de son “last_login” dans une poussée solitaire dans votre tableau “clients”. Quoi qu’il en soit, imaginez un scénario dans lequel vous traitez chaque connexion comme une occasion différente, et que vous les récupérez au bout d’un certain temps. À ce stade, vous pourriez : suivre le mouvement des connexions authentiques, percevoir comment l’utilisation (in-/de-)wrinkling après un certain temps, arroser les clients en fonction de la fréquence à laquelle ils accèdent à l’application, et ce n’est que la partie visible de l’iceberg.

Ce modèle représente un point clé : en préservant la nature caractéristique de l’organisation temporelle de nos informations, nous pouvons protéger des données importantes sur la façon dont ces informations changent après un certain temps. Autre point : les informations occasionnelles sont également des informations relatives à l’organisation du temps.

Évidemment, le fait de mettre de côté l’information pour atteindre ces objectifs s’accompagne d’un problème indéniable : on se retrouve avec une tonne d’informations, assez rapidement. Avec le but, c’est l’astuce : les informations sur l’organisation du temps s’accumulent rapidement.

Le fait de disposer d’un grand nombre d’informations pose problème lorsqu’il s’agit à la fois de les consigner et de les interroger de manière performante, raison pour laquelle les individus se tournent actuellement vers les bases de données d’organisation du temps.