Espera un minuto, mientras que estamos haciendo el calendario

Comentarios

Sin comentarios todavía.

Suscribirme

No se han creado etiquetas todavía.

La gestión algorítmica como elemento clave en la gestión del Big Data

La gestión algorítmica como elemento clave en la gestión del Big Data

Algo que tenemos bien claro es que, las plataformas de datos no son “tallas únicas”. Por lo que su empresa, pequeña o grande, necesita complementar las fortalezas de su organización utilizando herramientas más efectivas para satisfacer las necesidades del cliente y analizar los datos.

El Big Data conforma conjuntos de datos que son tan voluminosos y complejos que el software de aplicación de procesamiento de datos tradicional es inadecuado para manejarlos. Los desafíos para el Big Data incluyen la captura de datos, la búsqueda, el almacenamiento de datos, el análisis de datos, el intercambio, la visualización, la transferencia, la consulta, la actualización y la privacidad de la información.

Si bien los algoritmos y modelos matemáticos son similares, las interfaces de usuario de las herramientas de análisis tradicionales y las utilizadas para Big Data son completamente diferentes; las herramientas tradicionales de análisis de salud se han vuelto muy fáciles de usar y son además transparentes y de confianza. Las herramientas de análisis del Big Data, por otro lado, son extremadamente complejas, intensivas en programación y requieren la aplicación de una variedad de habilidades.

Por otro lado, alimentados por una gran cantidad de datos sobre experiencias pasadas, los algoritmos pueden predecir el desarrollo futuro, si el futuro es similar al pasado. Si la dinámica de sistemas del futuro cambia (si no es un proceso estacionario), el pasado puede decir poco sobre el futuro. Para hacer predicciones en entornos cambiantes sería necesario tener una comprensión profunda de la dinámica de los sistemas, que requiere de teoría.

Como respuesta a esta crítica, se ha sugerido combinar enfoques de Big Data con simulaciones por ordenador, como Modelos Basados en Agentes (ABM, por sus siglas en inglés) y sistemas complejos. Los modelos basados en agentes son cada vez mejores para predecir el resultado de las complejidades sociales de escenarios futuros, incluso desconocidos, a través de simulaciones por computadora que se basan en una colección de algoritmos mutuamente interdependientes. Además, el uso de métodos multivariados que exploran la estructura latente de los datos, como el análisis factorial y el análisis de conglomerados, han demostrado ser útiles como enfoques analíticos que van mucho más allá de los enfoques bivariados (tablas cruzadas).

Las nuevas corrientes de datos, estructuradas y no estructuradas, ya están en cascada en el ámbito de la salud desde los dispositivos fitness, la genética y la genómica; así como la investigación en redes sociales y otras fuentes. Pero relativamente poco de estos datos pueden ser capturados, almacenados y organizados para que puedan ser manipulados por computadoras y analizados en busca de información útil. Las aplicaciones de salud en particular necesitan formas más eficientes de combinar y convertir variedades de datos, incluida la automatización de la conversión de datos estructurados a no estructurados.

Valora este artículo del blog:
1
El BigData revoluciona el Market Access en el sect...
Pharma Industry 4.0, la digitalización del sector ...
 

Comentarios

No hay comentarios por el momento. Se el primero en enviar un comentario.
¿Ya està registrado? Ingresa Aquí
Invitado
Domingo, 17 Noviembre 2019

Imagen Captcha

Menú Principal

Las cookies nos permiten ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso que hacemos de las cookies.