Analizy dużych zbiorów danych to domena nie tylko korporacyjnego biznesu. Metod i narzędzi z zakresu data science używają w codziennej pracy specjaliści z branży sportowej, innowatorzy, którzy rozwijają gry komputerowe czy naukowcy badający kosmos, mózg lub świat w mikroskali.

Firma SAS przedstawia polskich ekspertów, którzy na co dzień szukają nowych zastosowań dla zaawansowanej analityki. Oto pięć przykładów data science made in Poland.

1. Paweł Chmielowski jest analitykiem sportowym, który prowadzi firmę Analityka Polska. Współpracuje z klubami piłkarskimi, którym pomaga w szukaniu nowych zawodników oraz w modelowaniu zespołów. Korzysta z danych gromadzonych w bazach InStat i Wyscout i przetwarza informacje w oprogramowaniu statystycznym. Rekordy pochodzą np. z automatycznego video trackingu, dodatkowo w kamizelkach graczy są czujniki rejestrujące poruszanie się piłkarzy po boisku. Video tracking pozwala określić, jak poszczególne formacje graczy powinny lepiej ustawiać się, aby przeciwnicy mieli mniej swobody. Z tego typu rozwiązań analitycznych korzystają FC Barcelona, FC Midtjylland czy Lech Poznań.

2. Maciej Skorko to psycholog z Polskiej Akademii Nauk i współzałożyciel firmy esportsLAB, która specjalizuje się w wykorzystywaniu analityki w e-sporcie. Jak podkreśla Skorko, paradoksalnie w tej nowoczesnej dziedzinie nadal często trenerzy podsumowują rozgrywki i wyciągają z nich wnioski w sposób tradycyjny, czyli odtwarzają zapis rywalizacji i notują błędy. Tymczasem esportsLAB opracowało rozwiązanie computer vision for games, które umożliwia analizę zawartości ekranu pod kątem detali rozgrywki. W ten sposób e-sportowcy mogą dowiedzieć się, kiedy i jak podejmowali decyzje oraz działania – i ocenić je rozwojowo. Technologia pozwala szczegółowo określać cechy temperamentu, szybkość reakcji, spostrzegawczość w odniesieniu do peryferiów pola widzenia i poziom aktywności fizycznej. Dzięki pozyskaniu danych o parametrach układu nerwowego można oszacować e sportowy talent zawodnika.

3. Fizyk kwantowy, współtwórca firmy Quantum Flytrap, Piotr Migdał, jest zaangażowany w projekt, który ma umożliwić szerszy dostęp do technologii kwantowych. Dziś użycie tego rodzaju superwydajnych komputerów przez biznes jest trudne, bo wymaga połączenia wielu kompetencji, w związku z czym firmy często nie mogą sprawdzić, czy dane rozwiązanie przyniosłoby dobre efekty. Piotr Migdał zamierza opracować uproszczone, graficzne interfejsy użytkownika, które pozwalają tworzyć algorytmy kwantowe osobom bez specjalistycznej wiedzy z zakresu fizyki kwantowej i programowania. Interfejs ma być intuicyjny, dostępny za pośrednictwem przeglądarki, bez instalowania aplikacji. W ten sposób przedsiębiorcy i naukowcy łatwo przetestują technologię kwantową. Fizyk z Quantum Flytrap podkreśla, że chodzi o “obniżenie progu wejścia” dla firm, które w analityce chcą użyć zaawansowanych maszyn.

4. Technologie data science są także niezbędne w pracy astrofizyka z Polskiej Akademii Nauk, profesora Macieja Bilickiego. Naukowiec korzysta z danych zbieranych przez teleskopy. Są one pogrupowane w katalogach, które zawierają zdjęcia i pomiary widma. Właśnie spektrum elektromagnetyczne stanowi dla astrofizyków główne źródło informacji o kosmosie. Jak opowiada Maciej Bilicki, w uproszczeniu efekt pracy kosmologa przetwarzającego dane sprowadza się do tabel, które składają się z miliardów wierszy.

Jeden wiersz zawiera dane o jednej galaktyce, a kolumny grupują właściwości galaktyk. Kilkadziesiąt lat temu astrofizycy przeglądali zdjęcia kosmosu, dziś analizują zbiory big data przy wsparciu sztucznej inteligencji. SI jest pomocna np. w wyodrębnianiu cech galaktyk na potrzeby tworzonych modeli.

5. Biotechnolożka i bioinformatyczka z Sano – Centre for Computational Personalised Medicine, dr inż. Karolina L. Tkaczuk, zajmuje się medycyną obliczeniową. Również tutaj do najważniejszych technologii należą sztuczna inteligencja i uczenie maszynowe. Badaczka uczestniczy w projekcie analizy graficznej mózgu, który koncentruje się na chorobach neurodegeneracyjnych. Chodzi np. o Parkinsona i Alzheimera. Naukowcy próbują dowiedzieć się, co wywołuje te choroby. Analizowanie danych z użyciem zaawansowanych metod komputerowych, takich jak machine learning, ma prowadzić do wyszukiwania połączeń pomiędzy procesami chemicznymi w mózgu. W przyszłości dzięki tym pracom lekarze będą mogli szybciej określić, czy u pacjenta rozwija się któraś z chorób układu nerwowego.

SAS jest liderem w zakresie analityki i AI. Dzięki innowacyjnemu oprogramowaniu i profesjonalnym usługom pomaga firmom na całym świecie zamieniać dane w wiedzę.

Subscribe
Powiadom o
guest
0 komentarzy
Inline Feedbacks
View all comments