Σχολή Θετικών Επιςτημών. Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συςτημάτων. Big Data Analytics for Safe Shipping.

Transcript

1 Σχολή Θετικών Επιςτημών Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συςτημάτων Big Data Analytics for Safe Shipping Κονδφλησ Ιωάννησ Επιβλζπων: Μαραγκουδάκησ Μανώλησ, Επίκουροσ Καθηγητήσ Σάμοσ

2 ΕΤΧΑΡΙΣΙΕ... Θα ικελα να ευχαριςτιςω τον επιβλζποντα κακθγθτι τθσ μεταπτυχιακι διατριβισ μου κο Μαραγκουδάκθ Εμμανουιλ για τθν κακοδιγθςι του ςε κάκε φάςθ τθσ υλοποίθςισ τθσ. Ζνα μεγάλο ευχαριςτϊ ςτθν οικογζνειά μου, για τθ ςυμπαράςταςι τουσ τόςα χρόνια αλλά και για τθν παροχι των απαραίτθτων εφοδίων, υλικϊν και θκικϊν, προκειμζνου να φτάςω μζχρι εδϊ που ζφταςα. 2

3 Περύληψη Σα τελευταία χρόνια τα big data ζχουν γίνει κάτι το αξιοςθμείωτο ςτισ επιχειριςεισ, τθν επιςτιμθ των υπολογιςτϊν, των ςπουδϊν ςτον τομζα των πλθροφοριϊν, των πλθροφοριακϊν ςυςτθμάτων, των ςτατιςτικϊν και πολλϊν άλλων πεδίων. Κακϊσ θ τεχνολογία ςυνεχίηει να εξελίςεται δθμιουργείται ςυνεχϊσ μια διαρκϊσ αυξανόμενθ ποςότθτα δεδομζνων. Η ανάπτυξθ αυτι δεν διαφοροποιείται μεταξφ ατόμων και επιχειριςεων, ςτον ιδιωτικό ι ςτο δθμόςιο τομζα, εκπαιδευτικϊν ιδρυμάτων και εμπορικϊν οντοτιτων. Είναι ζνα φαινόμενο κακολικό και ωσ εκ τοφτου χριηει περαιτζρω μελζτθσ. Παρόλα αυτά είναι δφςκολο να δουλζψει κανείσ με τα big data και κυρίωσ χρθςιμοποιϊντασ τα πλζον ςχεςιακά ςυςτιματα βάςεων δεδομζνων, ςτατιςτικϊν και οπτικοποίθςθσ, από τθ ςτιγμι που για τθν επεξεργαςία τουσ χρειάηονται μαηικά παράλλθλα λογιςμικά, τα οποία τρζχουν ςε δεκάδεσ, εκατοντάδεσ ι ακόμα και χιλιάδεσ διακομιςτζσ. Προκειμζνου τα δεδομζνα αυτά να απλοποιθκοφν αλλά κυρίωσ να μειωκεί αιςκθτά ο όγκοσ τουσ, χρθςιμοποιοφνται τα big data analytics. Με τθ χριςθ των ςωςτϊν πλατφορμϊν ανάλυςθσ των big data οι επιχειριςεισ μποροφν να αυξιςουν τισ πωλιςεισ τουσ, τθν αποτελεςματικότθτά τουσ, να βελτιϊςουν τισ λειτουργίεσ τουσ, να εξυπθρετιςουν τουσ πελάτεσ αλλά και να διαχειριςτοφν τον κίνδυνο. Με τον όρο big data analytics ουςιαςτικά αναφζρεται κανείσ ςτθν διαδικαςία ςυλλογισ, οργάνωςθσ και ανάλυςθσ των big data, προκειμζνου να ανακαλυφκοφν πρότυπα αλλά και άλλεσ χριςιμεσ πλθροφορίεσ. Οι αναλυτικζσ αυτζσ μποροφν να τεκμθριωκοφν με κάποια εργαλεία λογιςμικοφ, όπωσ οι προγνωςτικζσ αναλυτικζσ και θ εξόρυξθ δεδομζνων. Η παροφςα μεταπτυχιακι εργαςία ςτοχεφει ςτθν ανάλυςθ των μαηικϊν δεδομζνων από τισ καλάςςιεσ μεταφορζσ και μετεωρολογικοφσ ςτακμοφσ, τθν εφρεςθ επικίνδυνων διαδρομων και να κατάταξθ των ηωνϊν ανάλογα με το επίπεδο κινδφνου. Ουςιαςτικά θ εργαςία ςτοχεφει ςτθν ανάλυςθ όλθσ τθσ ογκϊδουσ πλθροφορίασ, θ οποία ςχετίηεται με τον 3

4 τφπο του πλοίου και τθν αςφαλι πλεφςθ του, τθν μζςθ ταχφτθτά του, τθν χρονικι ςτιγμι τθν οποία πζραςε εκείνο από ζνα ςυγκεκριμζνο ςθμείο, το λιμάνι προοριςμοφ του, τθ χϊρα προζλευςισ του, αλλά και άλλεσ πλθροφορίεσ. Απόρροια τοφτου είναι ο εντοπιςμόσ των περιοχϊν του Αιγαίου και τμιματοσ τθσ Μεςογείου, οι οποίεσ παρουςιάηουν υψθλό επίπεδο κινδφνου για τθν πικανότθτα καλάςςιου ατυχιματοσ. Ο κίνδυνοσ των ατυχθμάτων των πλοίων, ζχει ωσ αντίκτυπο τθν καταςτροφι του περιβάλλοντοσ, τθν απειλι τθσ αςφάλειασ και τθσ προςταςίασ κατά τθ διάρκεια τθσ πλεφςθσ, αλλά και τθν οικονομία των ναυτιλιακϊν εταιριϊν, είτε εκείνεσ καταςκευάηουν πλοία μεταφοράσ προςωπικοφ, πετρελαιοφόρα, κρουαηιερόπλοια, αλλά και άλλου τφπου πλοίων. Ωσ μελζτθ περίπτωςθσ για αυτι τθ διαδικτυακι εφαρμογι αναλυτικϊν για αςφαλι πλοιγθςθ επιλζχκθκε ο χάρτθσ τθσ Μεςογείου κάλαςςασ, αλλά κυρίωσ μελετάται το Αιγαίο πζλαγοσ. Επιπλζον παρουςιάηονται οι ςθμαντικότερεσ διαδικτυακζσ εφαρμογζσ ςτο χϊρο τθσ αςφαλισ πλοιγθςθσ και πλεφςθσ ςτα πελάγθ και ςτουσ ωκεανοφσ και αναλφονται πλατφόρμεσ για τθν αςφαλι πλοιγθςθ των πλοίων ςτθ κάλαςςα, βαςιςμζνεσ ςε παγκόςμιεσ τεκμθριωμζνεσ μελζτεσ. Σζλοσ αναλφεται θ διαδικτυακι εφαρμογι, θ οποία υλοποιικθκε ςτα πλαίςια αυτισ τθσ εργαςίασ, παρατίκενται τα ςυμπεράςματα από τθ ςυγκεκριμζνθ πλατφόρμα, αλλά και από τθ χριςθ των αναλυτικϊν ςτθν περίπτωςθ φπαρξθσ μεγάλου όγκου δεδομζνων και προτείνονται μελλοντικζσ επεκτάςεισ. 4

5 Abstract In recent years big data have been something remarkable in business, computer science, studies of intelligence, information systems, statistics and many other fields. As technology continues to constantly evolve, an ever-growing amount of data has been created. This development does not differentiate between people and businesses in the private or public sector, educational institutions and commercial entities. It is a universal phenomenon and therefore requires further study. However, it is difficult for some people to work with big data and mainly using the most relational database systems, statistics and visualization, since for their processing they need massively parallel software, which runs to tens, hundreds or even thousands of servers. In order this data to be simplified but mainly to significantly be reduced their volume, it s rather better to be used big data analytics. By using the right platforms for analyzing big data, companies can increase their sales effectiveness, improve their operations in the field of customer service and risk management. As big data analytics is defined the process of collecting, organizing and analyzing big data, in order to discover patterns and other useful information. The details can be substantiated with a number of software tools, such as predictive analytics and data mining. This thesis aims at analyzing massive data from marine transportations and weather stations and finds dangerous routes and classifies areas according to their level of risk. More specific, this thesis aims to analyze all of the voluminous information which is related to the type of ship and safe navigation, the average speed, the time that a ship passed a certain point, the destination port, country of origin, but also other information. As result is the identification of areas in the Aegean and part of the Mediteranean Sea which show a high level risk of maritime accidents. The risk of accidents involving ships, have the effect of destroying the environment, threat the security and safety 5

6 during the cruise, but also the economy of the maritime companies, that construct ships for carrying personnel, oil tankers, cruise ships, and other type ships. As a case study for this detailed online application for safe shipping is been chosen the map of the Mediterranean Sea, but mainly we studied the map of the Aegean Sea. In this paper are presented the most important web applications in the field of safe shipping and sailing in the oceans and are being analyzed platforms for safe navigation of ships at sea, based on factual global studies. Finally the web application, which was been implemented, is presented and analyzed and finally are being stated not only the conclusions of this platform, but also are proposed future extensions by the use of analysis in the cases of large volume of data. 6

7 Περιεχόμενα ΕΤΧΑΡΙΣΙΕ... 2 Περίλθψθ... 3 Abstract... 5 Κεφάλαιο 1: Η νζα πραγματικότθτα των δεδομζνων Σι είναι τα big data analytics Big Data Κεφάλαιο 2: Χαρακτθριςτικά των big data Ο όγκοσ των δεδομζνων ωσ ζνα κακοριςτικό χαρακτθριςτικό των big data Η ποικιλία των δεδομζνων ωσ ζνα κακοριςτικό χαρακτθριςτικό των big data Η ταχφτθτα ροισ των δεδομζνων ωσ ζνα κακοριςτικό χαρακτθριςτικό των big data Κεφάλαιο 3: Advanced analytics Κεφάλαιο 4: Big Data Analytics NoSQL Databases Apache Hadoop Radoop MapReduce Κεφάλαιο 5: Σεχνικζσ, τεχνολογίεσ και οφζλθ ςε διαφορετικοφσ τομείσ Σεχνικζσ Data mining Crowdsourcing Machine learning Text analytics Σεχνολογίεσ EDW's Προϊόντα οπτικοποίθςθσ (visualization products) Οφζλθ ςε διαφορετικοφσ τομείσ Κεφάλαιο 6: Προκλιςεισ και εμπόδια Ιδιωτικότθτα Αςφάλεια Πνευματικά δικαιϊματα Ανκρϊπινο κεφάλαιο Κεφάλαιο 7: Σα big data ςτισ βιομθχανίεσ μεταφορϊν Σεχνικι λειτουργία και ςυντιρθςθ

8 Κεφάλαιο 8: Ενεργειακι Απόδοςθ, Περιβαλλοντικζσ Επιδόςεισ & Επιδόςεισ Αςφαλείασ Κεφάλαιο 9: Διαχείριςθ και παρακολοφκθςθ των ατυχθμάτων και των περιβαλλοντικϊν κινδφνων από τθν κίνθςθ των πλοίων Κεφάλαιο 10: χετικά ζργα υπό ζρευνα SPEEDD REVEAL AMINESS PRONTO Κεφάλαιο 11: Πλατφόρμεσ SAFESEANET TRACECA MARITIME SAFETY & SECURITY SAFEMED LRIT Cooperative Data Centre Mara study for Hong Kong GAS model Analysis and Simulation of Istanbul Strait Marine Traffic Management Strategies Analysis of navigational safety by means of simulation studies in the Marine Traffic Engineering Centre in Szczecin Analysis of the marine traffic safety in the Gulf of Finland Κεφάλαιο 12: AIS (Automatic Identification System) Κεφάλαιο 13: Η ςθμαςία των ναυτικϊν χαρτϊν Εκδόςεισ χαρτϊν Κφρια ςτοιχεία του ναυτικοφ χάρτθ Σαξινόμθςθ ναυτικϊν χαρτϊν Παρεχόμενεσ πλθροφορίεσ ναυτικοφ χάρτθ Ενθμζρωςθ ναυτικοφ χάρτθ Κεφάλαιο 14: Τδρογραφία Κεφάλαιο 15: Σεχνολογίεσ και τεχνικζσ οι οποίεσ χρθςιμοποιικθκαν PostgreSQL PHP Google Maps Google Maps API Κεφάλαιο 16: Παρουςίαςθ εφαρμογισ Κεφάλαιο 17: υμπεράςματα και μελλοντικζσ επεκτάςεισ υμπεράςματα

9 17.2 Μελλοντικζσ επεκτάςεισ Βιβλιογραφία Παράρτθμα κϊδικα Κϊδικασ Τλοποίθςθσ index.php chart.php Map.javascript

10 Κεφϊλαιο 1: Η νϋα πραγματικότητα των δεδομϋνων Από τθν αρχι του χρόνου, θ ανκρϊπινθ δραςτθριότθτα ζχει δθμιουργιςει δεδομζνα και θ ιδζα ότι θ ποςότθτα των δεδομζνων αυξάνεται ραγδαία δεν είναι κάτι νζο. Επιπλζον θ χριςθ δεδομζνων και ςτατιςτικϊν προκειμζνου να αποκτθκοφν γνϊςεισ. είναι ζνα φαινόμενο το οποίο εκτείνεται πίςω ςχεδόν 400 χρόνια. Παρ'όλα αυτά, τα τελευταία 10 χρόνια περίπου δφο μεγάλοι παράγοντεσ ζχουν αλλάξει ριηικά: θ διακεςιμότθτα και θ χρθςτικότθτα. Είμαςτε ςτθν μζςθ μια ζκρθξθσ διακζςιμων δεδομζνων και θ ικανότθτα να αποκθκεφονται, να ςυνδυάηονται και να αναλφονται τα δεδομζνα αυτά είναι πλζον ςτθν διακεςιμότθτα του κακενόσ. ε ςυνδυαςμό αυτοί οι δφο παράγοντεσ παρζχουν ατελείωτεσ δυνατότθτεσ ςτθν δθμιουργία αξιϊν με το να παράγεται εφαρμόςιμθ γνϊςθ από τα δεδομζνα αυτά. Τπάρχουν πολλά προγράμματα οδιγθςθσ ςχετικά με τθν αφξθςθ του όγκου των δεδομζνων. Η τιμι των αιςκθτιρων μειϊνεται ταχφτατα και ωσ εκ τοφτου θ ποςότθτα των ςυςκευϊν και του εξοπλιςμοφ, τα οποία μποροφν να εντοπίςουν και να ςυνδεκοφν ςε περιβαλλοντικοφσ παράγοντεσ, ζχει αυξθκεί δραματικά. Ζνα από τα κφρια προγράμματα οδιγθςθσ για τθν ανάπτυξθ αυτι είναι θ ςυμπερίλθψθ των ψθφιακϊν φωτογραφικϊν μθχανϊν, των δεκτϊν GPS, των αιςκθτιρων κίνθςθσ, κ.α, μζςα ςτθν αγορά των κινθτϊν τθλεφϊνων. Επιπλζον, τόςο οι άνκρωποι όςο και οι ςυςκευζσ είναι ολοζνα και πιο δικτυωμζνοι και ςυνδεδεμζνοι, ζτςι ϊςτε να είναι εφικτό να ςυγκεντρωκοφν ςφνολα δεδομζνων για ςυςτιματα ςε χρόνο και χϊρο. 10

11 Η ανάπτυξθ των τεχνολογιϊν Web 2.0 και θ ζκρθξθ των social media ζχει παράξει δεδομζνα υπεράνω των ανκρϊπινων αλλθλεπιδράςεων, ενδιαφερόντων, και ςυναιςκθμάτων. Άλλθ μια ςθμαντικι τάςθ είναι ότι τα δθμόςια ιδρφματα, κυβερνιςεισ και ιδιωτικζσ εταιρείεσ δθμιουργοφν ςφνολα δεδομζνων, application programming interfaces (API) και αποτελζςματα μοντελοποίθςθσ διακζςιμα δωρεάν ςτο διαδίκτυο. Κάνοντασ αυτά τα ςφνολα "δθμόςιων δεδομζνων" διακζςιμα δωρεάν, ο κακζνασ μπορεί να καινοτομιςει με το να τα παρουςιάςει με εντελϊσ νζουσ τρόπουσ ι να τα ςυνδυάςει με άλλα δεδομζνα. Κάποια παραδείγματα τζτοιων "δθμόςιων δεδομζνων" είναι τα δεδομζνα χαρτϊν από τθν Google και οι μετεωρολογικζσ προβλζψεισ από το Νορβθγικό Μετεωρολογικό Ινςτιτοφτο. Αλλά με το να υπάρχουν απλά δεδομζνα δεν είναι αρκετό. Η ικανότθτα αποκικευςθσ και επεξεργαςίασ των δεδομζνων είναι το ίδιο ςθμαντικι όςο και τα δεδομζνα τα ίδια. Η πτϊςθ των τιμϊν όςον αφορά τθν επεξεργαςτικι ιςχφ και τον αποκθκευτικό χϊρο ζχουν ωσ αποτζλεςμα θ απαραίτθτθ υπολογιςτικι δφναμθ να γίνεται προςιτι ακόμθ περιςςότερο. Επιπρόςκετα οι μεγάλεσ καινοτομίεσ ςτον τομζα του λογιςμικοφ, των αλγορίκμων και των ςτατιςτικϊν μεκόδων ζχουν αναπτυχκεί είτε εφαρμοςτεί ςαν ελεφκερο λογιςμικό. Αυτοί οι δφο παράγοντεσ ζχουν μειϊςει ςθμαντικά το υλικό κόςτοσ τθσ ανάλυςθσ των δεδομζνων και ζχουν δθμιουργιςει αποτελεςματικά τα απαραίτθτα εργαλεία διακζςιμα ςε οποιονδιποτε με τισ απαραίτθτεσ δεξιότθτεσ και κζλθςθ για να τα αναπτφξει. 11

12 1.1 Τι είναι τα big data analytics αν big data analytics ορίηονται οι προθγμζνεσ τεχνικζσ ανάλυςθσ, οι οποίεσ λειτουργοφν ςε μεγάλα ςφνολα δεδομζνων. Ωσ εκ τοφτου, ουςιαςτικά ςθμαίνουν δφο πράγματα: big data και analytics, κακϊσ αυτά τα δφο ςτοιχεία ςυνεργάηονται προκειμζνου να δθμιουργιςουν μια από τισ βακφτερεσ τάςεισ ςτθν BI (Business Intelligence) ςιμερα. Σα big data analytics όχι μόνο βοθκοφν ςτο να κατανοιςει κανείσ τθν πλθροφορία που περιζχεται μζςα ςτα δεδομζνα, αλλά επίςθσ ςυμβάλλει ςτθν αναγνϊριςθ των δεδομζνων τα οποία είναι πολφ ςθμαντικά για τισ επιχειριςεισ αλλά και για τισ μελλοντικζσ αποφάςεισ τουσ. Σα big data analytics ουςιαςτικά βαςίηονται ςτθν γνϊςθ που προζρχεται από τθν ανάλυςθ των δεδομζνων. Οι επιχειριςεισ ψάχνουν ολοζνα και περιςςότερο να βροφν βακφτερθ γνϊςθ ςτα δεδομζνα τουσ. Με τισ ςωςτζσ πλατφόρμεσ big data analytics μια επιχείρθςθ μπορεί να αυξιςει τθν αποδοτικότθτα, να βελτιϊςει τισ λειτουργίεσ τθσ, τθν εξυπθρζτθςθ των πελατϊν τθσ και τθ διαχείριςθ κινδφνου. 12

13 1.2 Big Data Σα big data είναι ζνασ όροσ, ο οποίοσ καλφπτει οποιαδιποτε ςυλλογι ςυνόλων δεδομζνων τόςο μεγάλα και πολφπλοκα, ζτςι ϊςτε κακίςταται δφςκολθ θ επεξεργαςία τουσ χρθςιμοποιϊντασ παραδοςιακζσ εφαρμογζσ επεξεργαςίασ δεδομζνων. Οι προκλιςεισ περιλαμβάνουν τθν ανάλυςθ, τθ ςφλλθψθ, τθν επιμζλεια, τθν ανταλλαγι, τθν αποκικευςθ, τθ μεταφορά, τθν απεικόνιςθ και τισ παραβιάςεισ τθσ ιδιωτικισ ηωισ. Η τάςθ για μεγαλφτερα ςφνολα δεδομζνων οφείλεται ςτισ πρόςκετεσ πλθροφορίεσ οι οποίεσ προζρχονται από τθν ανάλυςθ ενόσ μεγάλου ςυνόλου ςχετικϊν δεδομζνων, ςε ςφγκριςθ με το διαχωριςμό μικρότερων ςυνόλων με το ίδιο ςυνολικό μζγεκοσ δεδομζνων. Οι περιςςότεροι οριςμοί των big data εςτιάηουν ςτο μζγεκοσ των δεδομζνων κατά τθν αποκικευςθ. Ζχει μεγάλθ ςθμαςία το μζγεκοσ, αλλά υπάρχουν και άλλα χαρακτθριςτικά των big data, ςυγκεκριμζνα θ ποικιλία των δεδομζνων κακϊσ και θ ταχφτθτά τουσ. Σα τρια V των big data (volume, variety, velocity) ι αλλιϊσ όγκοσ, ποικιλία και ταχφτθτα αποτελοφν ζνα πλιρθ οριςμό και καταρίπτουν το μφκο ότι τα big data ζχουν ςχζςθ μόνο με τον όγκο των δεδομζνων. Επιπρόςκετα, κάκε ζνα από τα τρία V ζχει τισ δικζσ του διακλαδϊςεισ για τισ αναλυτικζσ. Τα τρία V των big data 13

14 Κεφϊλαιο 2: Χαρακτηριςτικϊ των big data Ο όγκοσ των δεδομϋνων ωσ ϋνα καθοριςτικό χαρακτηριςτικό των big data Σα big data ςυνεπάγονται τεράςτιεσ ποςότθτεσ δεδομζνων. Σα δεδομζνα αυτά ςυνικιηαν να είναι δεδομζνα τα οποία είχαν δθμιουργθκεί από τουσ εργαηόμενουσ. Πλζον που τα δεδομζνα παράγονται από μθχανζσ, δίκτυα και τθν ανκρϊπινθ αλλθλεπίδραςθ ςε ςυςτιματα, όπωσ τα social media, ο όγκοσ των δεδομζνων, ο οποίοσ πρζπει να αναλυκεί είναι τεράςτιοσ. Ζτςι λοιπόν απευκφνεται ςε ζκκλθςθ για επεκτάςιμθ αποκικευςθ και κατανεμθμζνθ προςζγγιςθ επερωτθμάτων. Πολλζσ εταιρίεσ ζχουν ιδθ μεγάλεσ ποςότθτεσ αρχειοκετθμζνων δεδομζνων, τισ περιςςότερεσ φορζσ ςε μορφι αρχείων καταγραφισ, αλλά όχι και τθν ικανότθτα να τα επεξεργαςτοφν. Είναι προφανζσ λοιπόν ότι ο όγκοσ δεδομζνων είναι το κφριο χαρακτθριςτικό των big data. Κρίνοντασ από αυτό, οι περιςςότεροι άνκρωποι ορίηουν τα big data ςε terabytes, μερικζσ φορζσ και petabytes. Ακόμθ τα big data μποροφν να ποςοτικοποιθκοφν μετρϊντασ αρχεία, ςυναλλαγζσ, πίνακεσ, είτε αρχεία. Κάποιοι οργανιςμοί το βρίςκουν περιςςότερο χριςιμο να ποςοτικοποιιςουν τα big data και από άποψθ χρόνου. Η ποικιλύα των δεδομϋνων ωσ ϋνα καθοριςτικό χαρακτηριςτικό των big data Ζνα από τα πράγματα που κάνουν τα big data πραγματικά μεγάλα είναι ότι προζρχονται από μια μεγαλφτερθ ποικιλία πθγϊν. Πολλζσ από αυτζσ προζρχονται από το διαδίκτυο, ςυμπεριλαμβάνοντασ logs, clickstreams και social media. ίγουρα οι οργανιςμοί χρθςτϊν ςυλλζγουν δεδομζνα εδϊ και χρόνια. Όμωσ για τουσ περιςςότερουσ οργανιςμοφσ αυτό είναι ζνα είδοσ ςυςςϊρευςθσ. Ζχουν παρατθρθκεί παρόμοια ανεκμετάλλευτα big data, τα οποία ςυλλζχκθκαν και ςυςςωρεφτθκαν όπωσ τα δεδομζνα RFID από εφαρμογζσ ςχετικζσ με τθν ανεφοδιαςτικι αλυςίδα, δεδομζνα κειμζνου από εφαρμογζσ τθλεφωνικϊν κζντρων, δεδομζνα θμιδομθμζνα από διάφορεσ διαδικαςίεσ business-to-business και γεωχωρικά δεδομζνα ςτθν διαχείριςθ υλικοφ. Αυτό το οποίο άλλαξε ζκτοτε είναι το γεγονόσ ότι πολφ περιςςότεροι χριςτεσ αναλφουν πλζον big data αντί απλϊσ να τα ςυςςωρεφουν. 14

15 Οι ελάχιςτοι οργανιςμοί οι οποίοι αναλφουν αυτά τα δεδομζνα πλζον, το κάνουν με ζνα περιςςότερο πολφπλοκο και εξελιγμζνο επίπεδο. Σα big data δεν είναι ζνα νζο φαινόμενο, αλλά θ αποτελεςματικι και αναλυτικι μόχλευςθ των big data είναι. Σο πρόςφατο "χτφπθμα" των πθγϊν αυτϊν για τισ αναλυτικζσ ςθμαίνει ότι τα λεγόμενα δομθμζνα δεδομζνα (structured data), ςυνοδεφονται πλζον και από δεδομζνα χωρίσ δομι (κείμενο και γλϊςςα των ανκρϊπων) αλλά και θμιδομθμζνα δεδομζνα (XML, RSS feeds). Τπάρχουν επίςθσ δεδομζνα τα οποία είναι δφςκολο να κατθγοριοποιθκοφν, τα οποία προζρχονται από ιχο, βίντεο και άλλεσ ςυςκευζσ. Ζτςι μαηί με τα big data, θ ποικιλία είναι το ίδιο μεγάλθ όπωσ και ο όγκοσ. Επιπλζον θ ποικιλία και ο όγκοσ τείνουν να τροφοδοτοφν το ζνα το άλλο. Η ταχύτητα ροόσ των δεδομϋνων ωσ ϋνα καθοριςτικό χαρακτηριςτικό των big data Σα big data μποροφν να περιγραφοφν και από τθν ταχφτθτά τουσ. Η ταχφτθτα των δεδομζνων είναι το τρίτο V από τα άλλα δφο κακοριςτικά χαρακτθριςτικά των big data. Η ταχφτθτα των δεδομζνων ςχετίηεται τόςο με τθ ςυχνότθτα όςο και με των ταχφτθτα. Με άλλα λόγια θ ταχφτθτα των δεδομζνων ςχετίηεται με το πόςο τα ςυχνά δεδομζνα παράγονται από μια εφαρμογι. Όμωσ μπορεί να ςχετίηεται και με τθν ταχφτθτα τθσ παράδοςθσ δεδομζνων ςε ζνα αναλυτικό ςφνολο δεδομζνων, μόλισ τα δεδομζνα αυτά παραχκοφν. Για παράδειγμα, τα δεδομζνα ςυνεχοφσ ροισ είναι μια ακραία περίπτωςθ όπου θ παραγωγι και θ παράδοςθ των δεδομζνων είναι ςυνεχόμενθ. Η ανάλυςθ των εν λόγω δεδομζνων μπορεί επίςθσ να είναι ςυνεχισ. Η ταχφτθτα των big data αςχολείται με το ρυκμό ροισ των δεδομζνων από πθγζσ όπωσ οι επιχειρθματικζσ διαδικαςίεσ, τα μθχανιματα, τα δίκτυα και τισ ανκρϊπινεσ αλλθλεπιδράςεισ με διάφορεσ τεχνολογίεσ, όπωσ οι κινθτζσ ςυςκευζσ. Η ροι των δεδομζνων είναι τεράςτια και ςυνεχισ. Αυτά τα δεδομζνα πραγματικοφ χρόνου μποροφν να βοθκιςουν τουσ ερευνθτζσ και τισ επιχειριςεισ να λάβουν πολφτιμεσ αποφάςεισ, οι οποίεσ παρζχουν ςτρατθγικά αλλά και ανταγωνιςτικά πλεονεκτιματα. 15

16 Κεφϊλαιο 3: Advanced analytics Οι προθγμζνεσ αναλυτικζσ (advanced analytics) είναι μια ομαδοποίθςθ των αναλυτικϊν τεχνικϊν που χρθςιμοποιοφνται για τθν πρόβλεψθ μελλοντικϊν αποτελεςμάτων. Οι προθγμζνεσ αναλυτικζσ μποροφν να περιλάβουν: Αναλυτικζσ πρόβλεψθσ (predictive analytics) Εξομοίωςθ (Simulation) Βελτιςτοποίθςθ (Optimization) Οι προθγμζνεσ αναλυτικζσ βαςίηονται ςε μακθματικζσ αρχζσ και ξεκίνθςαν ωσ περιγραφικά ςτατιςτικά ςτοιχεία, τα οποία ουςιαςτικά χρθςιμοποιοφνται προκειμζνου να ςυνοψίςουν και να μετριςουν τα παρελκοντικά γεγονότα, ςχετικά με το τι ζχει ςυμβεί ςτο παρελκόν, το οποίο μασ είναι χριςιμο, με ζναν διορκωτικό κυρίωσ τρόπο. Οι προθγμζνεσ αναλυτικζσ μασ επιτρζπουν να προβλζψουμε πικανά μελλοντικά αποτελζςματα, να επωφελθκοφμε από αυτά και να ρυκμίςουμε το παρόν προκειμζνου να επθρεάςουμε το μζλλον. Η παραδοςιακι τεχνικι για τθν καταςκευι ενόσ μοντζλου πρόβλεψθσ βαςίηεται περιςςότερο ςε μια δοκιμι υπόκεςθσ (hypothesis testing), παρά ςε μια ςτατιςτικι προςζγγιςθ. Η εξόρυξθ δεδομζνων είναι μια τεχνικι για τθ δθμιουργία μοντζλων πρόβλεψθσ, όπου τα δεδομζνα ζπειτα από εξζταςι τουσ χρθςιμοποιοφνται για να κακορίςουν ποιό μοντζλο πρόβλεψθσ "ταιριάηει" ςτα δεδομζνα. Για παράδειγμα, εαν τα δεδομζνα δείχνουν οπτικά γραμμικά, τότε ςτθν περίπτωςθ αυτι μπορεί να εφαρμοςτεί μια τεχνικι γραμμικισ παλινδρόμθςθσ (liniar regression). Ωςτόςο εαν κζλουμε να παραςτιςουμε τα δεδομζνα λογαρικμικά, τότε κα πρζπει να εφαρμοςτεί μια τεχνικι λογιςτικισ παλινδρόμθςθσ. 16

17 Κεφϊλαιο 4: Big Data Analytics Big data analytics είναι θ διαδικαςία εξζταςθσ μεγάλθσ ποςότθτασ δεδομζνων από μια ποικιλία τφπων (big data), ζτςι ϊςτε να αποκαλυφκοφν κρυμμζνα μοτίβα, άγνωςτεσ ςυςχετίςεισ και άλλεσ χριςιμεσ πλθροφορίεσ, οι οποίεσ μποροφν να χρθςιμοποιθκοφν προκειμζνου να λθφκοφν καλφτερεσ αποφάςεισ [34]. Ο όροσ big data εφαρμόηεται ςε ςφνολα δεδομζνων, των οποίων το μζγεκοσ ι το είδοσ είναι πζρα από τθν ικανότθτα ςφλλθψθσ, διαχείριςθσ και επεξεργαςίασ δεδομζνων βάςεων δεδομζνων. των παραδοςιακϊν ςχεςιακϊν Σα big data προζρχονται από αιςκθτιρεσ, ςυςκευζσ, video/audio, δίκτυα, αρχεία καταγραφισ, εφαρμογζσ ςυναλλαγϊν, web και social media [37]. Ο πρωταρχικόσ ςτόχοσ των big data analytics είναι να βοθκιςουν τισ επιχειριςεισ να λάβουν καλφτερεσ επιχειρθματικζσ αποφάςεισ επιτρζποντασ ζτςι ςτουσ επιςτιμονεσ αλλά και ςε άλλουσ χριςτεσ να αναλφςουν τεράςτιεσ ποςότθτεσ δεδομζνων που αφοροφν ςυναλλαγζσ, αλλά και άλλεσ μορφζσ δεδομζνων, οι οποίεσ ίςωσ παραμζνουν ανεκμετάλλευτεσ από τα ςυμβατικά προγράμματα ευφυΐασ [36]. Σα big data analytics μποροφν να πραγματοποιθκοφν με τα εργαλεία λογιςμικοφ που χρθςιμοποιοφνται ςυνικωσ ωσ μζροσ των προθγμζνων αναλυτικϊν, όπωσ τα predictive analytics, data mining (εξόρυξθ δεδομζνων), text mining (εξόρυξθ κειμζνου), πρόβλεψθ αλλά και βελτιςτοποίθςθ δεδομζνων [35]. 17

18 Επιπρόςκετα οι μεγάλεσ αποκικεσ δεδομζνων μπορεί να μθν είναι ςε κζςθ να ανταπεξζλκουν ςτισ απαιτιςεισ που κζτει θ επεξεργαςία μεγάλων δεδομζνων. Ωσ αποτζλεςμα ζχει προκφψει μια νζα κατθγορία τεχνολογίασ μεγάλων δεδομζνων (big data) και χρθςιμοποιείται ςε πολλά περιβάλλοντα με big data analytics. Οι τεχνολογίεσ που ςυνδζονται με big data analytics περιλαμβάνουν βάςεισ δεδομζνων NoSQL, Hadoop, Radoop και MapReduce. Αναλυτικότερα: 4.1 NoSQL Databases Μια βάςθ δεδομζνων NoSQL είτε Not Only SQL παρζχει ζνα μθχανιςμό για αποκικευςθ και ανάςυρςθ δεδομζνων, τα οποία ζχουν μοντελοποιθκεί για λόγουσ άλλουσ εκτόσ από τισ ςχζςεισ πινάκων που χρθςιμοποιοφνται ςτισ ςχεςιακζσ βάςεισ δεδομζνων [40], [41]. Χαρακτθριςτικά αυτισ τθσ απλότθτασ περιλαμβάνουν τθν απλότθτα ςτον ςχεδιαςμό, οριηόντια κλιμάκωςθ και καλφτερο ζλεγχο ζναντι τθσ διακεςιμότθτασ. Η δομι των δεδομζνων διαφζρει από το ςφςτθμα διαχείριςθσ των ςχεςιακϊν βάςεων δεδομζνων και ωσ εκ τοφτου κάποιεσ λειτουργίεσ είναι γρθγορότερεσ ςτθν NoSQL και κάποιεσ ςτο ςφςτθμα διαχείριςθσ ςχεςιακϊν βάςεων δεδομζνων. Οι NoSQL βάςεισ δεδομζνων χρθςιμοποιοφνται ολοζνα και περιςςότερο ςτα big data και ςε εφαρμογζσ ιςτοφ πραγματικοφ χρόνου. Επίςθσ λζγονται Not Only SQL για να δϊςουν ζμφαςθ ςτο γεγονόσ ότι μποροφν να υποςτθρίξουν γλϊςςεσ εξζταςθσ SQL. 4.2 Apache Hadoop To Apache Hadoop είναι ζνα πλαίςιο λογιςμικοφ ανοικτοφ κϊδικα για αποκικευςθ και επεξεργαςία μεγάλθσ κλίμακασ ςυνόλων δεδομζνων ςε ςυςτάδεσ [42], [43]. Σο πλαίςιο αυτό διακρίνεται από τισ παρακάτω ενότθτεσ: Hadoop Common: περιζχει βιβλιοκικεσ και βοθκθτικά προγράμματα τα οποία χρειάηονται από άλλεσ ενότθτεσ Hadoop. 18

19 Hadoop Distributed File System: είναι ζνα κατανεμθμζνο ςφςτθμα φακζλων, το οποίο αποκθκεφει δεδομζνα ςε εμπορικά μθχανιματα, παρζχοντασ πολφ ςυγκεντρωτικό εφροσ ηϊνθσ ςε κάκε ςυςτάδα. Hadoop YARN: είναι μια πλατφόρμα διαχείριςθσ πόρων υπεφκυνθ για τθ διαχείριςθ πόρων ςε ςυςτάδεσ. Επίςθσ χρθςιμοποιεί τουσ πόρουσ για προγραμματιςμζνεσ εφαρμογζσ χρθςτϊν. Hadoop MapReduce: είναι ζνα προγραμματιςτικό μοντζλο για μεγάλθσ κλίμακασ επεξεργαςία δεδομζνων. Σο Hadoop μπορεί να ςυνεργαςτεί με όλουσ τουσ τφπουσ δεδομζνων τα οποία ανικουν ςε ανόμοια ςυςτιματα: δομθμζνα, αδόμθτα, αρχεία ςφνδεςθσ, φωτογραφίεσ, αρχεία ιχου, καταγραφζσ επικοινωνιϊν, , κακϊσ και άλλουσ τφπουσ αρχείων. 4.3 Radoop Η Radoop είναι μια μεγάλθ εταιρία ανάλυςθσ δεδομζνων, θ οποία παρζχει εργαλεία για τθν ανάλυςθ μεγάλων ςυνόλων δεδομζνων [44], [45]. Σο πακζτο Radoop επιτρζπει ακόμθ και ςε ανκρϊπουσ με μθ τεχνικζσ γνϊςεισ να ζχουν πρόςβαςθ, να αναλφουν και να απεικονίηουν τα big data, αλλά και επίςθσ να παρζχουν δζςμεσ ενεργειϊν και προθγμζνεσ προγνωςτικζσ για τουσ εμπειρογνϊμονεσ. Είναι ενςωματωμζνο ςτο RapidMiner, το πιο δθμοφιλζσ εργαλείο εξόρυξθσ δεδομζνων και ωκεί τουσ υπολογιςμοφσ ςε μια ςυςτάδα Hadoop. 4.4 MapReduce Σο MapReduce είναι ζνα προγραμματιςτικό μοντζλο και μια ςχετικι εφαρμογι για τθν επεξεργαςία και τθν παραγωγι μεγάλων ςυνόλων δεδομζνων με ζνα παράλλθλο, κατανεμθμζνο αλγόρικμο ςε μια ςυςτάδα [46], [47]. Ο χριςτθσ κακορίηει μια λειτουργία χάρτθ, θ οποία επεξεργάηεται ζνα ηεφγοσ κλειδιοφ-τιμισ προκειμζνου να δθμιουργιςει ζνα 19

20 ςφνολο από ενδιάμεςα ηεφγθ κλειδιϊν-τιμϊν και μια μειωμζνθ λειτουργία, θ οποία ςυγχωνεφει όλεσ τισ ενδιάμεςεσ τιμζσ, οι οποίεσ ςχετίηονται με το ίδιο ενδιάμεςο κλειδί. Ζνα πρόγραμμα MapReduce αποτελείται από μια διαδικαςία χάρτθ Map(), θ οποία εκτελεί φιλτράριςμα και διαλογι και μια διαδικαςία Reduce(), θ οποία εκτελεί μια λειτουργία περίλθψθσ. Σο ςφςτθμα MapReduce «ενορχθςτρϊνει» τθν επεξεργαςία επιςτρατεφοντασ τουσ κατανεμθμζνουσ διακομιςτζσ, τρζχοντασ τα διάφορα αιτιματα παράλλθλα, διαχειρίηοντασ όλεσ τισ επικοινωνίεσ και τισ μεταφορζσ δεδομζνων μεταξφ των διαφόρων τμθμάτων του ςυςτιματοσ και επιβλζποντασ τον πλεοναςμό των δεδομζνων και τθν ανοχι ςε ςφάλματα. Αυτζσ οι τεχνολογίεσ ςχθματίηουν τον πυρινα ενοσ πλαιςίου ανοιχτοφ κϊδικα, ο οποίοσ υποςτθρίηει τθν επεξεργαςία μεγάλου όγκου δεδομζνων μεταξφ ομαδοποιθμζνων ςυςτθμάτων (cluster systems). Χρθςιμοποιϊντασ εργαλεία big data αλλά και λογιςμικό, δίνεται θ δυνατότθτα ςε οργανιςμοφσ να επεξεργαςτοφν ζνα μεγάλο όγκο δεδομζνων, τα οποία ζχουν ςυλλεχκεί προκειμζνου να κακορίςουν ποιά δεδομζνα είναι ςχετικά και μποροφν να αναλυκοφν ζτςι ϊςτε να λθφκοφν καλφτερεσ αποφάςεισ μακροπρόκεςμα. Σα πλεονεκτιματα τθσ ανάλυςθσ των big data επιτρζπουν ςτουσ ερευνθτζσ να αποκωδικοποιοφν το ανκρϊπινο DNA μζςα ςε λίγα λεπτά, να προβλζπουν που ςχεδιάηουν να επιτεκοφν τρομοκράτεσ, να κακορίηουν ποιό γονίδιο είναι πικανότερο να ευκφνεται για οριςμζνεσ αςκζνειεσ, αλλά και ςε ποιζσ διαφθμίςεισ είναι πικανότερο να ανταποκρικοφν οι χριςτεσ του facebook [37]. 20

21 Κεφϊλαιο 5: Σεχνικϋσ, τεχνολογύεσ και οφϋλη ςε διαφορετικούσ τομεύσ Δεδομζνου ότι τα big data δεν είναι δεδομζνα μόνο μεγάλα, αλλά και ποικίλα και ραγδαίωσ αναπτυςςόμενα, ζχουν χρειαςτεί πολλζσ τεχνολογίεσ και αναλυτικζσ τεχνικζσ προκειμζνου να γίνει εφικτι ι εξόρυξθ ςχετικϊν πλθροφοριϊν. Αυτζσ είναι: 5.1 Τεχνικέσ Data mining Η εξόρυξθ δεδομζνων είναι μια τεχνικι, θ οποία ςυνδυάηει μεκόδουσ από ςτατιςτικζσ και machine learning με διαχείριςθ βάςεων δεδομζνων, προκειμζνου να εντοπίςτουν μοτίβα ςε μεγάλα ςφνολα δεδομζνων. Crowdsourcing Η τεχνικι αυτι ςυλλζγει δεδομζνα από μια μεγάλθ ομάδα ανκρϊπων, μζςω μιασ ανοιχτισ κλιςθσ. Η τεχνικι αυτι χρθςιμοποιείται περιςςότερο για ςυλλογι δεδομζνων παρά για ανάλυςθ. Machine learning Παραδοςιακά οι υπολογιςτζσ καταλαβαίνουν μόνο αυτά τα οποία τουσ λζει ο χριςτθσ, αλλά ςτθν μάκθςθ μθχανισ (machine learning) μια υποειδικότθτα τθσ επιςτιμθσ των υπολογιςτϊν, προςπακοφμε να επεξεργαςτοφμε αλγόρικμουσ οι οποίοι επιτρζπουν ςτουσ υπολογιςτζσ να εξελίςςονται με βάςθ τα εμπειρικά δεδομζνα. Μια ςθμαντικι εςτίαςθ τθσ ζρευνασ πάνω ςτθν μθχανικι μάκθςθ είναι αυτόματα ο υπολογιςτισ να μακαίνει να αναγνωρίηει πολφπλοκα μοτίβα και να παίρνει ζξυπνεσ αποφάςεισ με βάςθ τα δεδομζνα, τα οποία διακζτει. Text analytics Ζνασ μεγάλοσ αρικμόσ δεδομζνων που παράγονται είναι ςε μορφι κειμζνου. s, αναηθτιςεισ ςτο διαδίκτυο, περιεχόμενο ιςτοςελίδων, εταιρικά ζγγραφα, αλλά και άλλα δεδομζνα είναι βαςιςμζνα ςε μεγάλο βακμό ςε κείμενα και μποροφν να είναι καλζσ πθγζσ πλθροφορίασ. Η ανάλυςθ κειμζνου μπορεί να χρθςιμοποιθκεί ζτςι ϊςτε να εξάγουμε πλθροφορίεσ από μια μεγάλθ ποςότθτα δεδομζνων, τα οποία αφοροφν κείμενο. Σο φαινόμενο αυτό μπορεί να χρθςιμοποιθκεί ϊςτε να μοντελοποιθκοφν κζματα, να απαντθκοφν ερωτιςεισ, αλλά και άλλοι ςτόχοι. 21

22 5.2 Τεχνολογίεσ Όπωσ και με τισ αναλυτικζσ τεχνικζσ, υπάρχουν αρκετά προϊόντα λογιςμικοφ και διακζςιμεσ τεχνολογίεσ προκειμζνου να διευκολυνκοφν τα big data analytics. Μερικά από αυτά είναι τα παρακάτω: EDW's Ή αλλιϊσ Enterprise Data Warehouses, είναι βάςεισ δεδομζνων, οι οποίεσ χρθςιμοποιοφνται ςτθν ανάλυςθ των δεδομζνων. Οριςμζνα ιδρφματα διαχειρίηονται τα δικά τουσ αναλυτικά ςτοιχεία ςτθν ίδια τθν EDW ενϊ άλλοι χρθςιμοποιοφν μια ξεχωριςτι πλατφόρμα, θ οποία βοθκά τθν κατανομι των δεδομζνων ςτον server. Προώόντα οπτικοπούηςησ (visualization products) Μια από τισ δυςκολίεσ με τα big data analytics είναι να βρεκοφν τρόποι να αναπαραςτακοφν οπτικά τα αποτελζςματα. Πολλά νζα προϊόντα οπτικοποίθςθσ ςτοχεφουν να εκπλθρϊςουν αυτι τθν ανάγκθ, επινοϊντασ μεκόδουσ για τθν αναπαράςταςθ ςθμείων δεδομζνων, τα οποία αρικμοφν μζχρι και εκατομμφρια. 5.3 Οφέλη ςε διαφορετικούσ τομείσ Σομζασ τθσ υγείασ Δθμόςιοσ τομζασ Επιςτιμθ και τεχνολογία Σριτοβάκμια Εκπαίδευςθ Ιδιωτικόσ τομζασ 22

23 Κεφϊλαιο 6: Προκλόςεισ και εμπόδια 6.1 Ιδιωτικότητα Πολλά από τα big data περιζχουν προςωπικζσ πλθροφορίεσ ςχετικά με πελάτεσ, αςκενείσ και άλλου τφπου χριςτεσ. Οι άνκρωποι ανθςυχοφν ςχετικά με το πωσ χρθςιμοποιείται θ πλθροφορία, θ οποία ςχετίηεται με εκείνουσ και ειδικά πωσ χρθςιμοποιείται για να τουσ επθρεάςει. Πολλοί άνκρωποι αιςκάνονται άβολα με πλθροφορίεσ όπωσ θ κατάςταςθ τθσ υγείασ τουσ, είτε με τθν τρζχουςα κζςθ τουσ να γίνεται γνωςτι ςε τρίτουσ, ζςτω και αν εκείνοι λαμβάνουν όφελοσ από τθν παροχι τζτοιων πλθροφοριϊν. 6.2 Αςφάλεια υνδεδεμζνθ ςτενά με τθν ιδιωτικότθτα είναι και θ αςφάλεια. Εφόςον οι εταιρίεσ ζχουν ςτθν διάκεςι τουσ τεράςτιεσ ποςότθτεσ δεδομζνων ςχετικζσ με τουσ πελάτεσ τουσ, πρζπει να ζχουν επίςθσ και τθν ικανότθτα για να διαςφαλίςουν ότι οι πλθροφορίεσ αυτζσ είναι αςφαλείσ. 6.3 Πνευματικά δικαιώματα χετικά με το κεφάλαιο πνευματικά δικαιϊματα, παράγωνται τα παρακάτω ερωτιματα: ποιόσ κατζχει τα δικαιϊματα; Εκείνοσ ο οποίοσ δθμιοφργθςε τα δεδομζνα; Οι άνκρωποι ςτουσ οποίουσ αναφζρονται τα δεδομζνα; Ποιόσ ζχει τα πνευματικά δικαιϊματα ςτα ςφνολα δεδομζνων; Σι αποτελεί "δίκαιθ χριςθ"; Ποιοί είναι οι υπόλογοι για τισ ανακρίβειεσ, οι οποίεσ οδθγοφν ςε ςυνζπειεσ; 6.4 Ανθρώπινο κεφάλαιο Όταν ςκεφτόμαςτε τουσ πόρουσ οι οποίοι απαιτοφνται για τουσ big data analytics είναι εφκολο να υποκζςουμε ότι επειδι θ αποκθκευτικι ικανότθτα του υπολογιςτι και οι επεξεργαςτικζσ ικανότθτεσ ςυνεχίηουν να μεγαλϊνουν και να μειϊνεται το κόςτοσ τουσ, υπάρχουν όλα εκείνα τα οποία χρειάηονται για να εκτελεςτοφν προθγμζνεσ αναλυτικζσ ςε τεράςτια ςφνολα δεδομζνων. Επειδι όμωσ αυτό είναι ζνα νζο πεδίο δεν υπάρχουν αρκετοί επαγγελματίεσ εξειδικευμζνοι ςτισ κατάλλθλεσ τεχνικζσ, ζτςι ϊςτε να αντιμετωπίςουν τθν τρζχουςα ηιτθςθ. 23

24 Κεφϊλαιο 7: Σα big data ςτισ βιομηχανύεσ μεταφορών Μερικζσ από τισ τρζχουςεσ αλλαγζσ ςτισ βιομθχανίεσ μεταφορϊν φαίνεται να προωκοφνται από τθν πραγματικότθτα των νζων δεδομζνων και τθν αυξθμζνθ ςυνεκτικότθτα των πλοίων και των φορζων τθσ ναυτιλιακισ βιομθχανίασ (περιςςότεροι δορυφόροι και μειωμζνεσ τιμζσ διακζςιμεσ 24/7 ςε μια ςφνδεςθ πλοίου-ξθράσ). Κοιτάηοντασ πιο προςεκτικά, μποροφν να βρεκοφν ίχνθ τθσ πραγματικότθτασ των νζων δεδομζνων μζςα ςτισ ακόλουκουσ κφριουσ τομείσ τθσ βιομθχανίασ των πλοίων: Σεχνικι λειτουργία και ςυντιρθςθ Ενεργειακι απόδοςθ (κόςτοσ και περιβάλλον) Απόδοςθ ςτθν αςφάλεια Διαχείριςθ και παρακολοφκθςθ των ατυχθμάτων και των περιβαλλοντικϊν κινδφνων από τθν κίνθςθ των πλοίων Εμπορικι λειτουργία (ωσ μζροσ τθσ λογιςτικισ αλυςίδασ) Αυτοματοποίθςθ των λειτουργιϊν του πλοίου (μακροπρόκεςμα) Σεχνικό λειτουργύα και ςυντόρηςη Η αναδυόμενθ ςυνεκτικότθτα, θ αυξθμζνθ χριςθ των αιςκθτιρων ςε εξαρτιματα και ςυςτιματα επί του ςκάφουσ και οι βελτιωμζνεσ ικανότθτεσ των big data analytics επιτρζπουν ςτουσ προμθκευτζσ εξαρτθμάτων και ςυςτθμάτων να παρακολουκιςουν τισ ςυνκικεσ από απόςταςθ και να παρζχουν ςυμβουλζσ ςτθν διαχείριςθ του πλοίου ςχετικζσ με τθ λειτουργία των ςυςτθμάτων και τθν προολθπτικι ςυντιρθςθ. Οι προςεγγίςεισ αυτζσ μπορεί τελικά να ζχουν αποτζλεςμα τθν εκμίςκωςθ ςε εξοπλιςμό και ςυςτιματα είτε τθν δυνατότθτα ςυνδρομισ ςε ςυγκεκριμζνεσ λειτουργίεσ, οι οποίεσ εκτελοφνται από το ςφςτθμα και τα ςυςτατικά του, όπωσ ςυμβαίνει ςτον τομζα των αερομεταφορϊν, ςτθν παραγωγι χερςαίασ θλεκτρικισ ενζργειασ και ςτισ αυτοκινθτοβιομθχανίεσ. τα τρζχοντα παραδείγματα περιλαμβάνονται: Σο Electronic Power Design, το οποίο παρζχει θλεκτρικι αλλά και diesel τεχνολογία κινθτιρα για πρόωςθ για μερικά από τα πιο εξελιγμζνα ςκάφθ τφπου DP3 ςτον κόςμο. 24

25 Σο ςφςτθμα Rolls Royce Hemos, ζνα ςφςτθμα το οποίο βαςίηεται ςτο ςφςτθμα το οποίο ζχουν ςτον τομζα των αερομεταφορϊν, για τθν αποςτολι δεδομζνων από αιςκθτιρεσ ςε κζντρα χερςαίων υπθρεςιϊν, όπου οι ειδικοί των ςυςτθμάτων δθμιουργοφν εκκζςεισ περιουςιακϊν ςτοιχείων για τουσ πελάτεσ. Η υπθρεςία παρακολοφκθςθσ τθσ κατάςταςθσ πρόωςθσ Wärtsilä (Wärtsilä s Propulsion Condition Monitoring Service), θ οποία επιτρζπει τθν ανίχνευςθ των απαιτιςεων ςυντιρθςθσ, 2-6 μινεσ νωρίτερα. Όπωσ και με το παράδειγμα τθσ Taleris, οι ανεξάρτθτεσ ευφυείσ επιχειριςεισ παροχισ υπθρεςιϊν για τθν βιομθχανία τθσ αεροπορίασ, υπάρχουν ιδθ παραδείγματα και ςτον ναυτιλιακό τομζα. Ζνα παράδειγμα είναι θ Engineering Software Reliability Group (ESRG) με ζδρα τισ Η.Π.Α, θ οποία ζχει καταςκευάςει μια εμπορικι αναλυτικι πλατφόρμα cross-silo για τα πλοία, τθν OstiaEdge Monitoring Suite για αναλυτικζσ πραγματικοφ χρόνου. Σο αποτζλεςμα αυτό προιλκε από μια ςθμαντικι ςυνεργαςία με το ναυτικό των Η.Π.Α, λαμβάνοντασ και αναλφοντασ ζτςι περιςςότερα από 5000 ςθμεία δεδομζνων για περιςςότερα από 120 πλοία. Η ςουίτα τησ OstiaEdge για αναλυτικεσ πραγματικοφ χρόνου 25

26 Κεφϊλαιο 8: Ενεργειακό Απόδοςη, Περιβαλλοντικϋσ Επιδόςεισ & Επιδόςεισ Αςφαλεύασ Για ζνα μεγάλο χρονικό διάςτθμα οι πρϊτοι ταξιδιϊτεσ ζχουν δουλζψει ενεργά ζτςι ϊςτε να βελτιϊςουν τθν αποδοτικότθτα των καυςίμων και να μειϊςουν το κόςτοσ. Σο Maersk είναι μια κλαςςικι πλατφόρμα για να ςυμβουλευτεί κανείσ ςτον τομζα αυτό με λφςεισ για τθν ςυλλογι, ανάλυςθ και παρουςίαςθ δεδομζνων από όλα τα πλοία ςτον ςτόλο, ζτςι ϊςτε να πλοθγοφνται ςυνεχϊσ με βελτιωμζνθ απόδοςθ καυςίμων. τθν γενικι αγορά υπάρχουν αρκετζσ μικρότερεσ εξειδικευμζνεσ επιχειριςεισ, οι οποίεσ προςφζρουν λφςεισ για τθν ςτιριξθ των πλοιοκτθτϊν ςε αυτό το κζμα. Κάποια παραδείγματα αποτελοφν οι εταιρίεσ με τισ αντίςτοιχεσ πλατφόρμεσ τουσ, Marorka και SRG group με προςαρμοςμζνεσ λφςεισ και υπθρεςίεσ ςε αυτό τον τομζα. Η αυξθμζνθ διακεςιμότθτα των δεδομζνων κα είναι επωφελισ για εκείνουσ οι οποίοι μποροφν να προςφζρουν ςυμβουλζσ από μια αναλυτικι πλατφόρμα, θ οποία τροφοδοτείται ςυνεχϊσ από δεδομζνα, τα οποία ςυλλζγονται επί των ςκαφϊν από τα υπάρχοντα ςυςτιματα ι από τοποκετθμζνα ςυςτιματα καταγραφισ δεδομζνων. Οι επιδόςεισ αςφάλειασ, ελζγχου και αξιολόγθςθσ υπιρξαν βαςικοί τομείσ των ταξικϊν κοινωνιϊν μζςω του ρόλου τουσ ωσ φορείσ κακοριςμοφ προτφπων, εξουςιοδοτθμζνων οργάνων και ςυμβουλευτικϊν προςφορϊν. Επιπλζον, υπάρχει μια ποικιλία από ςυμπλθρωματικά ςυςτιματα αξιολόγθςθσ όπωσ θ εξζταςθ των ςυςτθμάτων ελζγχου για τον ςτόλο των πετρελαιοφόρων και των διαφόρων προγραμμάτων εκτίμθςθσ κατάςταςθσ. Παραδοςιακά οι προςφορζσ αυτζσ βαςίηονται ςτουσ εμπειρικοφσ και αναλυτικοφσ κανόνεσ και τθσ επεξεργαςίασ ad hoc των διαφορετικϊν ςυνόλων δεδομζνων, αλλά περιςςότερο βαςίηονται ςτισ προςφορζσ βαςιςμζνεσ ςε δεδομζνα για τθν αξιολόγθςθ και τθν παρακολοφκθςθ τθσ αςφάλειασ των πλοίων. Με τθ νζα πραγματικότθτα των δεδομζνων, τα δεδομζνα από ζνα μεγάλο αρικμό πλοίων μποροφν να καταςτοφν διακζςιμα για δραςτθριότθτεσ ςχτικζσ με τθν αξιολόγθςθ τθσ αςφάλειασ ςε ςυνεχι βάςθ. 26

27 Κεφϊλαιο 9: Διαχεύριςη και παρακολούθηςη των ατυχημϊτων και των περιβαλλοντικών κινδύνων από την κύνηςη των πλούων. Οι πιο πολυςφχναςτεσ πλωτζσ οδοί και τα λιμάνια ζχουν ςιμερα κζντρα ελζγχου για τθν παρακολοφκθςθ τθσ κυκλοφορία των πλοίων, ζτςι ϊςτε να διαχειριςτοφν τθν κυκλοφορία ςε πραγματικό χρόνο προκειμζνου να αποφφγουν ςυγκροφςεισ και ατυχιματα. Σζτοιου είδουσ δραςτθριότθτα επρόκειτο να επεκτακεί ζτςι ϊςτε να περιλάβει πιο ςφνκετα μοντζλα κινδφνου, εμπλουτιςμζνα με δεδομζνα από πολλαπλζσ πθγζσ. Σα μοντζλα κινδφνου κα είναι ςε κζςθ να ςυνδυάςουν πλθροφορίεσ πραγματικοφ χρόνου ςχετικά με τθν πορεία, τθν ταχφτθτα, τον καιρό και άλλεσ πλθροφορίεσ, με γεγονότα που αφοροφν τθν αςφαλι κατάςταςθ του πλοίου, του φορτίου και άλλων ςτοιχείων, τα οποία επθρεάηουν τθ πικανότθτα και τισ ςυνζπειεσ των ατυχθμάτων και προςδιορίηουν τισ παράκτιεσ περιοχζσ, οι οποίεσ είναι πιο εκτεκειμζνεσ ςτον κίνδυνο. Οι υπθρεςίεσ αυτζσ κα επεκτακοφν και πζρα από τισ πιο πολυςφχναςτεσ γραμμζσ, όπωσ για παράδειγμα για τισ κζςεισ ζκτακτθσ ανάγκθσ που μπορεί να εκπζμψουν ρυμουλκά και υπθρεςίεσ ανάκτθςθσ πετρελαίου (πλατφόρμεσ). Αυτζσ οι υπθρεςίεσ επρόκειτο να αντικατοπτρίςουν δυναμικά των όγκο, τισ ςυνκικεσ αςφάλειασ, αλλά και τισ καιρικζσ ςυνκικεσ μζςω τθσ παρακολοφκθςισ τουσ αλλά και των προβλζψεων. Σα δεδομζνα παρακολοφκθςθσ των πλοίων εξελίςςονται και χρθςιμοποιοφνται ςαν πλατφόρμα για πολλζσ καινοφργιεσ υπθρεςίεσ. Οι πάροχοι υπθρεςιϊν ςτοχεφουν ςτθν ανάπτυξθ εφαρμογϊν για τθν εφρεςθ πλοίων, ελεφκερεσ για το κοινό, αλλά και για περιςςότερο επαγγελματικζσ υπθρεςίεσ που ζχουν άμεςθ ςχζςθ με τθν ναυτιλιακι βιομθχανία. Σζτοια παραδείγματα εφαρμογϊν μποροφν να περιλαμβάνουν ςυνεχι παρακολοφκθςθ των εκπομπϊν, οι οποίεσ παράγονται από τα πλοία αλλά και παρατιρθςθ ςε πραγματικό χρόνο των ατυχθμάτων και των εκτάκτων κινδφνων (ανάκτθςθ πετρελαίου, ζλειψθ ετοιμότθτασ από τα ρυμουλκά, πιλοτικά προγράμματα). Η παρακολοφκθςθ του κινδφνου λειτουργίασ και πλοιγθςθσ είναι ζνα από τα προβλιματα που αντιμετωπίηονται ςτθν EMSA (European Maritime Safety Agency) με πρωτοβουλία τθσ ΕΕ. Μζςα από τισ προςπάκειεσ τόςο των κυβερνθτικϊν όςο και των εμπορικϊν εταιριϊν όπωσ θ exactearth, το παγκόςμιο δίκτυο δορυφόρων ςφντομα κα καλφπτει όλουσ τουσ 27

28 ωκεανοφσ και τουσ πόλουσ. Η διακεςιμότθτα των δεδομζνων από τον εντοπιςμό των πλοίων μποροφν να αλλάξουν τον τρόπο με τον οποίο παραδίδονται πολλζσ υπθρεςίεσ, ςυμπεριλαμβανομζνθσ τθσ παρακολοφκθςθσ τθσ αςφάλειασ των πλοίων, βαςιηόμενεσ εν μζρει ςτθν γνϊςθ των καιρικϊν ςυνκθκϊν, ςτισ οποίεσ το πλοίο ζχει εκτεκεί οποιαδιποτε ςτιγμι. Βλζπουμε επίςθσ τθν εμφάνιςθ άλλων ςυνακροιςτικϊν δεδομζνων ςχετικά με τον ωκεανό. Τπάρχουν εκατομμφρια αιςκθτιρεσ κατά μικοσ των παράκτιων περιοχϊν, ακόμα και ςε όλουσ τουσ ωκεανοφσ, οι οποίοι ζχουν αναπτυχκεί από ακαδθμαϊκά και ερευνθτικά ιδρφματα, εκνικοφσ φορείσ και εμπορικοφσ οργανιςμοφσ, προκειμζνου να παρακολουκιςουν φαινόμενα, όπωσ θ κερμοκραςία του νεροφ, τα ρεφματα, τα κφματα, οι χθμικζσ ςυνκζςεισ, οι ιχοι, θ κίνθςθ των ψαριϊν αλλά και άλλα φαινόμενα. Ζνα αποτελεςματικό ςφςτημα αυτόματησ αναγνώριςησ μζςω δορυφόρου παρζχει πλήρη ςτοιχεία ςχετικά με όλα τα μεγάλα πλοία ςτον κόςμο ςε ςυνεχή βάςη 28

29 Κεφϊλαιο 10: χετικϊ ϋργα υπό ϋρευνα 10.1 SPEEDD Σο SPEEDD (Scalable ProactivE Event-Driven Decision-making) είναι ζνα ευρωπαϊκό πρόγραμμα που άρχιςε τθν και πρόκειται να λιξει ςτισ ( Research projects). Σο πρόγραμμα αυτό επρόκειτο να αναπτφξει ζνα πρότυπο για τισ ςχζςεισ event-driven και decisionmaking: οι αποφάςεισ κα ενεργοποιοφνται από τθν πρόβλεψθ των γεγονότων, είτε αυτά αντιςτοιχοφν ςε προβλιματα είτε ςε πικανότθτεσ προβλθμάτων, και να υπάρχει αντίδραςθ ςε αυτζσ τισ καταςτάςεισ μόλισ εκείνεσ ςυμβοφν. Οι αποφάςεισ κα είναι ςε πραγματικό χρόνο, με τθν ζννοια ότι κα πρζπει να λαμβάνονται εντόσ ςτενϊν χρονικϊν περικωρίων και απαιτοφν on-the-fly επεξεργαςία των big data, τα οποία αποτελοφν μεγάλεσ ποςότθτεσ δεδομζνων οι οποίεσ προζρχονται από διαφορετικζσ γεωγραφικζσ τοποκεςίεσ και δεδομζνα ςχετικά με το ιςτορικό του πλοίου. Η μεκοδολογία SPEEDD για τισ ςχζςεισ πρόλθψθσ event-based decisionmaking περιλαμβάνει τα ακόλουκα βιματα: Πρϊτον, τα big data ςυλλζγονται ςυνεχϊσ από διάφορουσ τφπουσ αιςκθτιρων και ςυγχωνεφονται προκειμζνου να αναγνωρίςτουν ςε πραγματικό χρόνο γεγονότα ιδιαίτερθσ ςθμαςίασ. Για να είναι δυνατι θ αναγνϊριςθ δευτερολζπτου, το SPEEDD ελαχιςτοποιεί τον όγκο τθσ επικοινωνίασ με το να μεταφζρει όςο το δυνατόν λιγότερα δεδομζνα από το ζνα μζροσ ςτο άλλο. Δεφτερον, τα δεδομζνα, τα οποία αναγνωρίςκθκαν ςυςχετίηονται με ςτοιχεία ςχετικά με το ιςτορικό κάποιωνν πλοίων ζτςι ϊςτε να προβλεφκοφν προβλιματα και ευκαιρίεσ τα οποία μπορεί να λάβουν χϊρα ςτο κοντινό μζλλον. 29

30 Σρίτον, οι προβλζψεισ των γεγονότων μαηί με δεδομζνα τα οποία αναγνωρίςκθκαν χρθςιμοποιοφνται χρόνου. για λιψθ αποφάςεων πραγματικοφ Σζταρτον, τα οπτικά αναλυτικά εργαλεία κζτουν ςε προτεραιότθτα και εξθγοφν πικανζσ προολθπτικζσ ενζργειεσ, επιτρζποντασ ςτουσ χριςτεσ να λάβουν και να εκτελζςουν τθ ςωςτι απόφαςθ. Η τεχνολογία SPEEDD επρόκειτο να δοκιμαςτεί ςε προολθπτικι διαχείρθςθ τθσ κυκλοφορίασ και προολθπτικι διαχείρθςθ απάτθσ ςε πιςτωτικζσ κάρτεσ REVEAL Σο REVEAL (REVEALing hidden concepts in social media) είναι ζνα ευρωπαϊκό πρόγραμμα που άρχιςε τθν και επρόκειτο να τελειϊςει τθν ( Research projects). Ο κόςμοσ των μζςων μαηικισ ενθμζρωςθσ και επικοινωνίασ βιϊνει ςιμερα τεράςτιεσ διαταραχζσ. Από τον επικοινωνιακό μονόδρομο και λζξεων από το ανκρϊπινο ςτόμα, προχϊρθςε ςτα διμερι ι πολυμερι πρότυπα επικοινωνίασ. Δεν μποροφν πλζον να επιλζγονται λίγα και να δροφν ωσ φφλακεσ (πχ οργανιςμοί μζςων μαηικισ ενθμζρωςθσ και ελεγκτζσ των διαφλων επικοινωνίασ), αποφαςίηοντασ ποιόσ ζχει επικοινωνιςει με ποιόν και γιατί. Σα άτομα τϊρα ζχουν τθν ευκαιρία να ζχουν πρόςβαςθ ςε πλθροφορίεσ απευκείασ από τισ πρωταρχικζσ πθγζσ, μζςω ενόσ διαφλου τον οποίο ςυμβολίηουμε ςαν e'-word of mouth', είτε αυτό το οποίο ςυχνά αποκαλοφμε " social media ". Ζνα βαςικό πρόβλθμα ζιναι ότι χρειάηεται πολλι προςπάκεια για να διακρικοφν οι χριςιμεσ πλθροφορίεσ από τον "κόρυβο". Η εφρεςθ ςχετικϊν πλθροφοριϊν είναι ςυχνά κουραςτικι. Σο REVEAL ςτοχεφει ςτθν ανακάλυψθ των εννοιϊν υψθλοφ επιπζδου, οι οποίεσ είναι κρυμμζνεσ μζςα ςτθν πλθροφορία. τα social media δεν υπάρχει μόνο "γυμνό" περιεχόμενο. Τπάρχουν και διαςυνδεδεμζνεσ πθγζσ. Εδϊ κανείσ κα πρζπει να αςχολθκεί με τισ αλλθλεπιδράςεισ μεταξφ τουσ και υπάρχουν πολλοί δείκτεσ ςχετικά με το πλαίςιο μζςω του οποίου χρθςιμοποιείται το περιεχόμενο και λαμβάνουν χϊρα οι αλλθλεπιδράςεισ. Μια βαςικι πρόκλθςθ είναι 30

31 να αποκρυπτογραφθκοφν οι αλλθλεπιδράςεισ των ατόμων ςε μόνιμθ αλλαγι και να γίνει ςε πραγματικό χρόνο AMINESS AMINESS (Analysis of Marine Information for Environmental Safe Shipping) [20], ( Research projects). Ο ςτόχοσ του ζργου AMINESS είναι να ςυμβάλει ςτθν αςφάλεια, τθ διαχείριςθ και τθν παρακολοφκθςθ του καλάςςιου περιβάλλοντοσ και του Αιγαίου πελάγουσ ειδικότερα. Μειϊνοντασ τθν πικανότθτα ατυχθμάτων των πλοίων ςτο Αιγαίο είναι ζνα ςθμαντικό επίτευγμα για τουσ τομείσ τθσ κοινωνίασ, τθσ οικονομίασ, του περιβάλλοντοσ και του πολιτιςμοφ τθσ Ελλάδασ. Οι κακαριςμοί από διαρροι του πετρελαίου μπορεί να κοςτίςουν πάνω από 1 δισ ευρϊ, ενϊ τα ατυχιματα που περιλαμβάνουν υδατοδιαλυτά φορτία μπορεί να ζχουν ςαν αποτζλεςμα αμετάκλθτεσ αλλαγζσ ςτο οικοςφςτθμα ςτο Αιγαίο. Παρά τθν αφξθςθ τθσ κυκλοφορίασ, δεν υπάρχουν πολιτικζσ παρακολοφκθςθσ ςε εκνικό επίπεδο και τα πλοία ακολουκοφν πορείεσ, ςφμφωνα με τθν κρίςθ των χειριςτϊν τουσ. Παρόλα αυτά οι ναυτιλιακζσ εταιρίεσ προκειμζνου να μειϊςουν το οικονομικό τουσ ρίςκο κα επωφελθκοφν άμεςα από ζνα ςφςτθμα, το οποίο μπορεί να μειϊςει τθν πικανότθτα ενόσ ατυχιματοσ με το δικό τουσ πλοίο. Από άποψθ υλοποίθςθσ αναπτφχκθκε μια διαδικτυακι πφλθ, θ οποία παρζχει πρόςβαςθ ςε πλοιοκτιτεσ, ςε φορείσ δθμιουργίασ πολιτικϊν και ςτθν επιςτθμονικι κοινότθτα. Η πφλθ κα χρθςιμοποιθκεί προκειμζνου: Να προτείνει ςτα πλοία τθν περιβαλλοντικι βζλτιςτθ αςφαλι διαδρομι. Να παραδίδει ειδοποιιςεισ ςε πραγματικό χρόνο ςτα πλοία για πικανότθτα ςφγκρουςθσ, δείχνοντασ ςεβαςμό ςε πικανά ανκρϊπινα λάκθ τα οποία επθρεάηουν τθν τροχιά των πλοίων, είτε ςε κινδφνουσ οι οποίοι ςχετίηονται με άλλα πλοία. 31

32 Να υποςτθρίηει τισ ςυςτάςεισ τθσ πολιτικισ, μζςω τθσ ανάλυςθσ των ιςτορικϊν δεδομζνων ςε βραχυπρόκεςμεσ ι μακροπρόκεςμεσ χρονικζσ περιόδουσ, οι οποίεσ ςυςχετίηουν τθν αςφάλεια με τουσ κινδφνουσ. Σο ζργο αυτό κα χρθςιμοποιεί χωροχρονικά δεδομζνα πραγματικοφ χρόνου, ςχετικά με τθν καλάςςια κίνθςθ, τα οποία περιζχουν πλθροφορίεσ για τα παρακάτω: Σθν ταυτότθτα του πλοίου, τθ κζςθ του, τθν ταχφτθτά του κακϊσ και άλλεσ ςχετικζσ πλθροφορίεσ όπωσ το φορτίο του πλοίου, που παρζχεται από τθν IMIS Hellas κακϊσ και μζςω του ςυςτιματοσ AIS (Automatic Identification System) το οποίο καλφπτει αποτελεςματικά όλο το Αιγαίο πζλαγοσ. Σθν on-line πρόγνωςθ του καιροφ και τθσ κάλαςςασ, τα οποία παρζχονται από τθν υπθρεςία DANAOS, όπωσ τα μεγζκθ των κυμμάτων και τθν κατεφκυνςθ του ανζμου. Σισ γεωγραφικζσ πλθροφορίεσ, οι οποίεσ δείχνουν τθν τοποκζτθςθ ςτθ κάλαςςα και ςτθ ςτεριά, τα οποία παρζχονται επίςθσ από τθν υπθρεςία DANAOS. Μζςω τθσ διαδικτυακισ αυτισ πφλθσ, το ζργο ςτοχεφει άμεςα ςτθν μείωςθ του ρίςκου των ατυχθμάτων των πλοίων και κατά ςυνζπεια να ςυμβάλει ςτθν προςταςία τθσ κίνθςθσ των πλοίων ςτο Αιγαίο. Σθν ίδια ςτιγμι θ πφλθ αυτι ςτοχεφει ςτο να φζρει κζρδοσ ςτισ επιχειριςεισ των πλοιοκτθτϊν, κυρίωσ με το να τουσ προτείνει υπθρεςίεσ οι οποίεσ μειϊνουν τον κίνδυνο των ατυχθμάτων ςτθ κάλαςςα. 32

33 10.4 PRONTO Σο PRONTO (Event Recognition for Intelligent Resource Managament) είναι ζνα ευρωπαϊκό πρόγραμμα που τελείωςε τον Μάρτιο του 2012 ( Research projects). Η πλατφόρμα PRONTO τονίηει τον ρόλο τθσ αναγνϊριςθσ των γεγονότων ςτθν ζξυπνθ διαχείριςθ των πόρων [17]. Σο ζργο αυτό προτείνει μια μεκοδολογία για τθ ςφντθξθ των δεδομζνων από διαφορετικζσ πθγζσ, αναλφοντάσ τα προκειμζνου να εξάγει χριςιμεσ πλθροφορίεσ ςε μορφι γεγονότων. Η γνϊςθ, θ οποία παράγεται ςαν αποτζλεςμα κα χρθςιμοποιθκεί για τθ λιψθ αποφάςεων μζςω μια υπθρεςίασ για τθν ζξυπνθ διαχείριςθ των πόρων (IRM), φιλικι προσ το χριςτθ, θ οποία περιλαμβάνει μια διεπαφι ψθφιακοφ χάρτθ (MAP). Η πλατφόρμα αυτι προςφζρει υποςτιριξθ ςε πραγματικό χρόνο τθσ γνϊςθσ για φορείσ λιψθσ αποφάςεων ςε τομείσ, οι οποίοι χαρακτθρίηονται από μεγάλο όγκο δεδομζνων ςε διάφορεσ μορφζσ και από πολλζσ πθγζσ. Σο ζργο αυτό ειςάγει μια εξαιρετικά ςυνεργατικι προςζγγιςθ για τθν ζξυπνθ διαχείριςθ των πόρων ςυνδυάηοντασ τισ περιοχζσ ζρευνασ τθσ άντλθςθσ των πλθροφοριϊν από δεδομζνα, τα οποία προζρχονται από αιςκθτιρεσ, πλθροφορίεσ που ζχουν αντλθκεί από ιχο και κείμενο και τθν αναγνϊριςθ ςυμβάντων. Η προςζγγιςθ αυτι είναι εφαρμόςιμθ ςε ζνα ευρφ φάςμα τομζων, όπου απαιτείται θ διαχείριςθ των πόρων και θ τεχνολογία PRONTO κα δοκιμαςτεί ςε δφο πεδία ςχετικά με τθ διαχείριςθ των πόρων: Επιχειριςεισ διάςωςθσ ςε περιπτϊςεισ ζκτακτθσ ανάγκθσ. Διαχείριςθ των μεταφορϊν ςτθν πόλθ. 33

34 Κεφϊλαιο 11: Πλατφόρμεσ ε ζνα κόςμο όπου πάνω από το 40% του πλθκυςμοφ ηει ςε απόςταςθ 100 χιλιομζτρων από τθν ακτι και όπου θ παραδοςιακζσ και αςφμετρεσ απειλζσ ςτισ φυςικζσ και κυβερνθτικζσ υποδομζσ ςυνεχίηουν να αυξάνονται κάκε χρόνο, οι χϊρεσ ςυνειδθτοποιοφν όλο και περιςςότερο από τα κενά τα οποία υπάρχουν ςτθν ικανότθτά τουσ να επιτυγχάνουν επίμονθ παρακολοφκθςθ και ςυνεχι επίγνωςθ των καλάςςιων περιοχϊν τουσ. Η επίμονθ επιτιρθςθ είναι ζνα βαςικό ςυςτατικό ςε ζνα παγκόςμιο ςφςτθμα για τθν διαςφάλιςθ τθσ Επίγνωςθσ του Ναυτιλιακοφ Σομζα (Maritime Domain Awareness). Ωσ επίγνωςθ του ναυτιλιακοφ τομζα ορίηεται θ κατανόθςθ τθσ κατάςταςθσ των δραςτθριοτιτων, οι οποίεσ επθρρεάηουν τθν αςφάλεια ςτθν κάλαςςα, τθν οικονομία ι το περιβάλλον. Η MDA περιλαμβάνει ζνα ςφςτθμα ανκρϊπων, διαδικαςιϊν και τεχνολογικϊν εργαλείων, τα οποία ανακαλφπτουν, αιςκάνονται, αναλφουν και αντιδροφν ςε γεγονότα και εκτελοφν φυςικι και εικονικι άμυνα ςτα ςφνορα τθσ χϊρασ. Περιλαμβάνει τθ δζςμευςθ και τθν αποκικευςθ τθσ γνϊςθσ του τομζα, θ οποία ζχει λθφκεί μαηί με τισ ενζργειεσ, τισ επιπτϊςεισ και τα αποτελζςματα για τθν χριςθ ςτο ςχεδιαςμό των μελλοντικϊν δραςτθριοτιτων επιτιρθςθσ SAFESEANET Οριςμόσ Σο SAFESEANET είναι μια Ευρωπαϊκι πλατφόρμα για τθν ανταλλαγι ναυτιλιακϊν δεδομζνων μεταξφ των ναυτιλιακϊν αρχϊν και των κρατϊν μελϊν [23]. Είναι μια λφςθ δικτφου/διαδικτφου βαςιςμζνθ ςτθν ζννοια των κατανεμθμζνων βάςεων δεδομζνων. Η πρόλθψθ των ατυχθμάτων ςτθν κάλαςςα και θ καλάςςια ρφπανςθ αποτελοφν βαςικζσ ςυνιςτϊςεσ των πολιτικϊν μεταφοράσ τθσ Ε.Ε. Από το 1993, θ επιτροπι ζχει ξεκινιςει πάνω από 15 προτάςεισ οδθγιϊν ι κανονιςμϊν, οι οποίεσ αφοροφν τθν αςφάλεια των επιβατϊν των πλοίων, τθν πρόλθψθ τθσ ρφπανςθσ, του ελζγχου από τον κρατικό 34

35 λιμζνα, τισ απαιτιςεισ προσ τουσ ναυτικοφσ και άλλεσ προτάςεισ. Η εφαρμογι των κανόνων αυτϊν περιλαμβάνει τθν ςυλλογι και τθ διάδοςθ των καλάςςιων δεδομζνων, τα οποία υποςτθρίηει θ SAFESEANET. Στόχοι Κφριοσ ςτόχοσ του SAFESEANET είναι να βοθκιςει ςτθν ςυλλογι, διάδοςθ και εναρμόνιςθ τθσ ανταλλαγισ ναυτιλιακϊν δεδομζνων. Αυτό επιτυγχάνεται με τθ δθμιουργία ενόσ πανευρωπαϊκοφ ναυτιλιακοφ δικτφου τθλεματικισ για τθ ςυλλογι, τθ διάδοςθ και τθν εναρμονιςμζνθ ανταλλαγι ναυτιλιακισ πλθροφορίασ. Σο διαδίκτυο βοθκά ςτθν επικοινωνία μεταξφ των αρχϊν ςε τοπικό-περιφερειακό επίπεδο και τισ κεντρικζσ αρχζσ ςυμβάλλοντασ ζτςι ςτθν πρόλθψθ των ατυχθμάτων ςτθ κάλαςςα και κατ' επζκταςθ τθ καλάςςια ρφπανςθ. Ζτςι θ εφαρμογι τθσ νομοκεςίασ τθσ ναυτιλιακισ αςφάλειασ τθσ Ε.Ε κα γίνει περιςςότερο αποτελεςματικι. Διάδοςη ναυτιλιακήσ πληροφορίασ ςτην πλατφόρμα SAFESEANET Πωσ λειτουργεί Σο δίκτυο SAFESEANET περιλαμβάνει πολλζσ ναυτιλιακζσ αρχζσ ςε όλθ τθν Ευρϊπθ, θ κακεμία με το δικό τθσ υπόβακρο πλθροφορικισ και ςτόχουσ [22]. Αυτό οδθγεί ςε ποικίλεσ μορφζσ δεδομζνων, οι οποίεσ διανζμονται ςε διαφορετικά ςυςτιματα ςε όλθ τθν Ευρϊπθ. 35

36 υνεπϊσ το δίκτυο αυτό ζχει εφαρμόςει ζνα φςτθμα Κεντρικϊν Δεικτϊν, το οποίο αποκθκεφει μόνο αναφορζσ ςε τοποκεςίεσ των δεδομζνων και όχι ςτα δεδομζνα τα ίδια. Λειτουργεί ωσ ζνα κομβικό ςθμείο για κάκε επικοινωνία μεταξφ εκείνων, οι οποίοι αιτοφνται δεδομζνα και εκείνων οι οποίοι παρζχουν δεδομζνα, κάτι ςαν ζνα τθλεφωνικό κζντρο. Ο κεντρικόσ δείκτθσ χρειάηεται να γνωρίηει τι πλθροφορίεσ κατζχει το κακζνα από τα δεδομζνα, τα οποία παρζχονται. Οι παροχείσ δεδομζνων, οι οποίοι είναι ςυνδεδεμζνοι ςτο δίκτυο SAFESEANET ςτζλνουν πλθροφορίεσ μζςω ενόσ μθχανιςμοφ κοινοποίθςθσ. Ο πάροχοσ δεδομζνων, κατά τθ λιψθ ερωτθμάτων από τον αιτοφντα δεδομζνων, ο οποίοσ δρομολογικθκε μζςω του κεντρικοφ δείκτθ ανακτά τα δεδομζνα από τθν τοπικι βάςθ δεδομζνων. Με τον τρόπο αυτό ο κεντρικόσ δείκτθσ ενεργεί ωσ το μοναδικό ςθμείο επαφισ. Σο SAFESEANET ζχει αναπτφξει ζνα κοινότυπο ςφςτθμα παρακολοφκθςθσ τθσ κυκλοφορίασ των πλοίων και ενθμζρωςθσ και ενςωματϊνει τισ απαιτιςεισ τθσ ανταλλαγισ δεδομζνων από άλλεσ κοινοτικζσ οδθγίεσ, όπωσ εκείνεσ οι οποίεσ αφοροφν: Λιμενικζσ εγκαταςτάςεισ παραλαβισ των αποβλιτων των πλοίων. Επικεωριςεισ ςτουσ κρατικοφσ λιμζνεσ τθσ Ε.Ε. Σο SAFESEANET καλφπτει τα κράτθ μζλθ τθσ Ε.Ε ςυν τθν Ιςλανδία και τθ Νορβθγία και περιλαμβάνουν μια ςειρά από διαφορετικζσ αρχζσ κάκε χϊρασ, τόςο ςε τοπικό όςο και ςε κεντρικό επίπεδο. Σο ςφςτθμα χρθςιμοποιεί νζεσ τεχνολογίεσ πλθροφορικισ και είναι αρκετά ευζλικτο για να αντιμετωπίςει τισ πικανζσ μελλοντικζσ τεχνολογικζσ εξελίξεισ κακϊσ και νζεσ κατθγορίεσ χρθςτϊν. Επιτεφγματα Σο SAFESEANET ζχει κάνει αρκετά τεχνικά επιτεφγματα κατά τθ διάρκεια των αναπτυξιακϊν τθσ φάςεων. Σο 1995, θ Γενικι Διεφκυνςθ Μεταφορϊν και Ενζργειασ τθσ Ευρωπαϊκισ Επιτροπισ, ςφςτθςε ζνα πιλοτικό πρόγραμμα - Μνθμόνιο Κατανόθςθσ του Hazmat - για τθν ανταλλαγι των δεδομζνων μεταξφ των πζντε ναυτικϊν αρχϊν για τα επικίνδυνα και ρυπογόνα εμπορεφματα. Εν όψει τθσ εφαρμογισ τθσ οδθγίασ για τθ κζςπιςθ κοινοτικοφ ςυςτιματοσ παρακολοφκθςθσ τθσ κυκλοφορίασ των πλοίων και του ςυςτιματοσ πλθροφοριϊν, το 36