La tecnologia sta facendo enormi passi avanti e, con essa, anche tutta quella massa di informazioni ormai indispensabili alla nostra società.
Tuttavia, il volume dei dati è così grande che, per poterlo sfruttare appieno, deve essere organizzato e analizzato. Questa è una delle funzioni principali di ciò che è noto come Big Data, una specie di sfera di cristallo del XXI secolo. Per esempio, Big Data permette di prevedere la risposta ad un trattamento medico, il funzionamento di un edificio intelligente e persino il comportamento del Sole.
Modelli previsionali su più variabili
Ricercatori del gruppo di ricerca KIDS, del Dipartimento di Informatica e Analisi Numerica dell’Università di Cordoba (Spagna), sono riusciti a migliorare i modelli previsionali su più variabili contemporaneamente, riducendo la dimensione dei dati necessari per la previsione. Un esempio è la previsione di diversi parametri relativi alla qualità del suolo sulla base di variabili come le colture piantate, la lavorazione del terreno e l’uso di pesticidi.
Di fatto, quando si tratta di lavorare con grande volume di dati, esistono due soluzioni. O si aumentano le prestazioni dei computer, cosa molto costosa, o si riduce la quantità di informazioni necessarie per il modello previsionale.
I modelli previsionali funzionano per un certo numero di variabili e con esempi che vengono inseriti nel sistema per ottenere risultati il più affidabili possibili. L’idea di base dei ricercatori spagnoli è stata quella di ridurre il numero di esempi, eliminando quelli che sono ridondanti o che non forniscono alcuna informazione utile per la creazione di un modello predittivo.
Previsioni affidabili, ma con meno dati
Alla prova concreta dei fatti, la nuova tecnica è stata in grado, analizzando 18 grandi database, di ridurre la quantità di informazioni in ingresso dell’80%, senza influire sulla qualità della previsione. Naturalmente, ciò significa risparmiare energia e denaro, poiché è richiesta una potenza di calcolo inferiore. Ma significa anche risparmiare tempo, qualcosa di estremamente interessante per le applicazioni che funzionano in tempo reale.
Questi sistemi, che prevedono simultaneamente più variabili, anche correlate tra loro, sono noti come modelli di regressione multi-output. Con il passare del tempo, stanno guadagnando una notevole importanza per le molte applicazioni che possono comprendere, a partire da quelle relative all’assistenza sanitaria, alla qualità dell’acqua, ai sistemi di raffreddamento per gli edifici e agli studi ambientali.
Il lavoro svolto dai ricercatori è stato pubblicato su Integrated Computer-Aided Engineering.
METALLIRARI.COM © SOME RIGHTS RESERVED