Ecco una domanda: cosa fanno le Tesla auto-guidate, i calcoli di Money Road che si auto-regolano scambiandosi i calcoli, le case avide, i mezzi di trasporto che soddisfano i trasporti estremamente veloci dello stesso giorno, e un’informazione aperta che distribuisce le azioni della NYPD a tutti gli effetti?
Per prima cosa, sono segni che la nostra realtà sta cambiando a velocità di rotazione, grazie alla nostra capacità di cogliere ed esaminare un numero sempre maggiore di informazioni in modo sempre più rapido e veloce rispetto al passato.
In ogni caso, nella remota possibilità che guardiate con attenzione, vedrete che ognuna di queste applicazioni richiede un tipo di informazione eccezionale:
I veicoli a guida automatica raccolgono costantemente informazioni su come le condizioni del loro quartiere stanno cambiando intorno a loro.
L’autoscambio di calcoli autogestiti raccoglie incessantemente informazioni sull’evoluzione dei settori di attività.
Le nostre case astute schermano ciò che accade al loro interno per controllare la temperatura, distinguere gli irrompenti e reagire al nostro richiamo (“Alexa, metti un po’ di musica rilassante”).
Il nostro settore della vendita al dettaglio analizza i vantaggi che i loro vantaggi si muovono con una tale esattezza e produttività che il modesto trasporto in giornata è una stravaganza che molti di noi sottovalutano.
La polizia di New York rintraccia i suoi veicoli per consentirci di considerarli sempre più responsabili (ad esempio, per l’esame dei tempi di reazione del 911).
Queste applicazioni dipendono da un tipo di informazione che stima come cambiano le cose dopo un certo tempo. Dove il tempo non è solo una misura, ma un perno essenziale. Si tratta di informazioni sull’organizzazione del tempo e comincia ad assumere un ruolo più importante nella nostra realtà.
Gli ingegneri di programmazione utilizzano fin d’ora progetti che rispecchiano questo. A dire il vero, nel corso degli ultimi mesi le banche dati di pianificazione temporale (TSDB) sono sempre rimaste la classificazione delle banche dati che si è sviluppata più rapidamente:
Che cosa sono i dati relativi all’organizzazione temporale?
Alcuni considerano i “dati di disposizione temporale” come un raggruppamento di informazioni focalizzate, stimando qualcosa di molto simile dopo un certo tempo, messo via nella richiesta di tempo. Questo è valido, tuttavia, inizia a esporre ciò che c’è sotto.
Altri possono pensare ad una progressione di qualità numeriche, ognuna delle quali abbinata ad un timestamp, caratterizzata da un nome e da molte misure nominate (o “etichette”). Questo è forse un approccio per visualizzare le informazioni sulla disposizione temporale, ma non un significato dell’informazione stessa.
Ecco una definizione fondamentale. I sensori di previsione raccolgono informazioni da tre impostazioni: una città, un ranch e un impianto. In questo modello, ognuna di queste fonti invia a intermittenza nuove letture, facendo una progressione delle stime raccolte dopo un certo tempo.
Ecco un altro modello, con informazioni autentiche dalla città di New York, che dimostra le corse in taxi per i primi momenti del 2018. Come dovrebbe essere ovvio, ogni linea è una “stima” raccolta in un determinato momento:
Esistono numerosi tipi diversi di informazioni sull’organizzazione del tempo. Per fare alcuni esempi: DevOps che osserva le informazioni, i flussi delle applicazioni versatili/nelle applicazioni web, le informazioni sulle macchine moderne, le stime logiche.
Questi insiemi di dati condividono essenzialmente 3 cose a tutti gli effetti:
Le informazioni che compaiono sono spesso registrate come un’altra sezione
L’informazione arriva regolarmente in tempo richiesta
Il tempo è un perno essenziale (gli intervalli di tempo possono essere ordinari o imprevedibili)
Alla fine della giornata, le informazioni sull’organizzazione del tempo che rimangono sono per lo più “attaccate per così dire”. Anche se possono avere bisogno di affrontare le informazioni errate in un secondo momento, o di gestire informazioni differite o fuori richiesta, questi sono casi speciali, non lo standard.
Vi chiederete: Come è possibile che questo sia unico in relazione al fatto di avere semplicemente un campo di periodo in un set di dati? Tutto sommato, dipende: come cambia la traccia del vostro dataset? Rinfrescando il passaggio attuale o incorporandone un altro?
Quando raccogliete un’altra perizia per sensor_x, sovrascrivete la vostra perizia passata o fate una nuova perizia in un’altra colonna? Mentre le due strategie vi daranno la condizione attuale del framework, semplicemente componendo il nuovo perusing in una colonna diversa avrete la possibilità di seguire tutte le condizioni del framework dopo un certo tempo.
Fondamentalmente: i set di dati di assetto temporale tengono traccia delle modifiche al quadro generale come Supplementi, non come AGGIORNAMENTI.
Questo atto di registrare ogni singolo cambiamento del quadro di riferimento come un’altra linea distintiva è ciò che rende così incredibile l’informazione sulla disposizione temporale. Ci permette di valutare il cambiamento: analizzare come qualcosa è cambiato prima, vedere come qualcosa sta cambiando nel presente, prevedere come potrebbe cambiare in seguito.
In parole povere, ecco il modo in cui mi piace caratterizzare le informazioni sull’organizzazione del tempo: informazioni che parlano in modo aggregato di come un quadro/processo/condotto cambia dopo un certo tempo.
Si tratta di qualcosa di diverso da un titolo di studio. Basando la nostra definizione su “trasformare”, possiamo cominciare a distinguere gli insiemi di dati dell’organizzazione del tempo che non stiamo raccogliendo oggi, ma che dovremmo raccogliere lungo la linea. A dire il vero, spesso gli individui hanno informazioni sull’organizzazione temporale, ma non le capiscono.
Immaginate di mantenere un’applicazione web. Ogni volta che un cliente si registra, potete semplicemente aggiornare un timestamp “last_login” per quel cliente in una spinta solitaria nella vostra tabella “clienti”. Sia come sia, immaginate uno scenario in cui avete trattato ogni login come un’occasione diversa, e li avete raccolti dopo un certo tempo. A quel punto potreste: tracciare il movimento autentico del login, percepire come l’uso si sta (in/de-)raggrinzendo dopo un certo tempo, inondare i clienti in base alla frequenza con cui arrivano all’applicazione, e questa è solo la punta dell’iceberg.
Questo modello rappresenta un punto chiave: salvaguardando la caratteristica natura temporale delle nostre informazioni, possiamo proteggere dati significativi su come queste informazioni cambiano dopo un certo tempo. Un altro punto: le informazioni sulle occasioni sono anche informazioni sull’organizzazione temporale.
Ovviamente, mettere da parte le informazioni a questi obiettivi accompagna una questione innegabile: si finisce per avere una tonnellata di informazioni, piuttosto veloci. Con l’obiettivo che è il trucco: le informazioni sull’organizzazione del tempo si accumulano rapidamente.
Avere una grande quantità di informazioni crea problemi quando sia la cronaca che la messa in discussione in modo performante, che è la ragione per cui gli individui stanno attualmente andando alle banche dati di organizzazione del tempo.