Dane w systemach przemysłowych

W poprzednich artykułach wskazano, że bazy danych stanowią fundament systemów przemysłowych, oraz że ich skuteczność zależy od właściwego dopasowania do charakteru danych i procesów.  

Kolejnym krokiem w rozwoju takich systemów jest wykorzystanie danych nie tylko do monitoringu czy analizy, ale do tworzenia cyfrowych reprezentacji rzeczywistości oraz wspierania procesów decyzyjnych. 

W tym kontekście istotne jest rozróżnienie pomiędzy pojęciami Digital Shadow oraz Digital Twin, które często są używane zamiennie, mimo że opisują różne poziomy dojrzałości systemów opartych na danych. 

Digital Shadow a Digital Twin – kluczowe rozróżnienie

W praktyce przemysłowej cyfrowe odwzorowanie systemu może przyjmować różne formy, w zależności od stopnia integracji danych oraz możliwości ich wykorzystania. 

Digital Shadow odnosi się do sytuacji, w której dane z fizycznego systemu są odwzorowywane w świecie cyfrowym, ale bez aktywnego wpływu na jego działanie. Oznacza to, że: 

  • dane przepływają z systemu fizycznego do systemu cyfrowego, 
  • możliwa jest analiza i wizualizacja stanu systemu, 
  • brak jest mechanizmu sprzężenia zwrotnego wpływającego na proces. 

Jest to podejście charakterystyczne dla systemów monitoringu i raportowania, gdzie celem jest zrozumienie stanu oraz historii procesów. 

Z kolei Digital Twin stanowi bardziej zaawansowaną formę integracji, w której występuje dwukierunkowa relacja pomiędzy systemem fizycznym a jego odwzorowaniem cyfrowym. W tym przypadku: 

  • dane są nie tylko analizowane, ale również wykorzystywane do modelowania zachowania systemu, 
  • możliwe jest symulowanie scenariuszy oraz przewidywanie zdarzeń, 
  • system cyfrowy może wpływać na decyzje operacyjne lub bezpośrednio na sterowanie. 

W praktyce oznacza to przejście od obserwacji do aktywnego wspierania lub optymalizacji procesów. 

Rola warstwy danych w obu podejściach   

Niezależnie od poziomu zaawansowania – zarówno Digital Shadow, jak i Digital Twin opierają się na tej samej podstawie: spójnej i dobrze zaprojektowanej architekturze danych. 

Warstwa danych odpowiada za: 

  • integrację informacji z czujników, systemów automatyki oraz systemów nadrzędnych, 
  • zapewnienie ich aktualności i dostępności, 
  • przechowywanie historii niezbędnej do analizy i modelowania. 

Różnica polega nie na samych danych, lecz na sposobie ich wykorzystania. W przypadku Digital Shadow dane służą głównie do obserwacji i analizy, natomiast w Digital Twin stanowią podstawę do budowy modeli i  autonomicznego podejmowania decyzji. 

Rozróżnienie to nie ma wyłącznie charakteru koncepcyjnego, lecz zostało również ujęte w standardach dotyczących cyfrowych bliźniaków, takich jak ISO 23247, które wskazują na różne poziomy integracji pomiędzy systemem fizycznym a jego odwzorowaniem cyfrowym – od jednokierunkowego przepływu danych po sprzężenie zwrotne umożliwiające wpływ na proces

Od monitoringu do wspierania decyzji

Rozwój systemów przemysłowych nie kończy się na budowie cyfrowych reprezentacji. Coraz większe znaczenie zyskują rozwiązania, które wspierają użytkowników w podejmowaniu decyzji na podstawie dostępnych danych. 

grafika przedstawia podział z klasyfikacją rozwiązań cyfrowych od cienia do bliźniaka

W tym kontekście pojawia się koncepcja Digital Advisor, czyli systemu analitycznego stojącego pomiędzy rozwiązaniami Digital Shadow a Digital Twin, który: 

  • przetwarza dane z wielu źródeł, 
  • identyfikuje zależności i wzorce, 
  • proponuje możliwe działania lub rekomendacje. 

Kluczowym elementem tego podejścia jest obecność człowieka w procesie decyzyjnym (tzw. human in the loop). Oznacza to, że system nie podejmuje decyzji autonomicznie jak w przypadku Digital Twin, lecz wspiera operatora lub inżyniera, dostarczając mu rekomendacji i kluczowych informacji do podjęcia decyzji. 

Takie podejście jest szczególnie istotne w środowiskach przemysłowych, gdzie decyzje mają bezpośredni wpływ na bezpieczeństwo, ciągłość działania oraz koszty operacyjne. 

Spójność z podejściem normatywnym i kierunek rozwoju systemów przemysłowych  

Rozwój systemów przemysłowych opartych na danych nie jest przypadkowy ani wyłącznie technologiczny. Odzwierciedla on szersze podejście normatywne, opisane m.in. w standardach dotyczących cyfrowych bliźniaków, takich jak ISO 23247. Wskazują one, że budowa nowoczesnych systemów powinna opierać się na spójnej integracji danych, zdolności do odwzorowania struktury i zachowania systemu oraz możliwości wykorzystania modeli do podejmowania decyzji. 

W praktyce oznacza to, że rozwój takich rozwiązań należy traktować jako proces stopniowy, a nie jednorazowe wdrożenie konkretnej technologii. Systemy przemysłowe dojrzewają wraz z organizacją, a kolejne warstwy funkcjonalne budowane są na bazie już istniejącej infrastruktury danych. 

To podejście znajduje bezpośrednie odzwierciedlenie w obserwowanym kierunku rozwoju systemów: 

  • od systemów monitoringu (Digital Shadow), które umożliwiają obserwację i analizę danych, 
  • przez systemy wspierające decyzje (Digital Advisor), w których dane i predykcje są przekształcane w rekomendacje, 
  • do systemów modelujących i predykcyjnych ze sprzężeniem zwrotnym (Digital Twin), zdolnych do automatycznego podejmowania decyzji i sterowania fizycznym systemem. 

Przejście pomiędzy tymi poziomami nie ma charakteru skokowego. Organizacje rozwijają swoje systemy ewolucyjnie, rozszerzając ich możliwości wraz ze wzrostem dojrzałości danych, modeli oraz procesów operacyjnych. 

W efekcie architektura danych staje się nie tylko elementem infrastruktury, ale długofalowym fundamentem rozwoju systemów wspierających i automatyzujących decyzje w przemyśle.

Podsumowanie

Systemy przemysłowe oparte na danych rozwijają się w kierunku coraz większej integracji oraz wykorzystania informacji w procesach decyzyjnych. Kluczowe znaczenie ma przy tym rozróżnienie pomiędzy poziomami dojrzałości – od Digital Shadow, przez Digital Advisor, aż po systemy typu Digital Twin. 

Niezależnie od etapu rozwoju, fundamentem pozostaje odpowiednio zaprojektowana warstwa danych, która umożliwia integrację, analizę oraz wykorzystanie informacji w praktyce operacyjnej. 

To właśnie ona decyduje o tym, czy dane pozostaną jedynie zapisem zdarzeń, czy staną się realnym narzędziem wspierającym funkcjonowanie nowoczesnego przemysłu.

Rodzaje baz danych w systemach przemysłowych

W poprzednim artykule (Bazy Danych w Przemyśle) wskazano, że baza danych stanowi fundament systemów przemysłowych, umożliwiając integrację, analizę oraz wykorzystanie danych w procesach decyzyjnych. 

W praktyce jednak samo wdrożenie bazy danych nie przesądza o skuteczności całego rozwiązania. Kluczowe znaczenie ma jej właściwy dobór – dostosowany do charakteru danych oraz sposobu ich wykorzystania w systemie. Środowiska przemysłowe generują informacje o bardzo zróżnicowanej strukturze i dynamice, co bezpośrednio wpływa na sposób ich przechowywania i przetwarzania. 

Różnorodność danych jako punkt wyjścia 

Aby właściwie dobrać podejście do przechowywania danych, konieczne jest zrozumienie ich natury. W systemach przemysłowych najczęściej mamy do czynienia z kilkoma podstawowymi kategoriami: 

  • dane pomiarowe (np. temperatura, drgania, ciśnienie), 
  • dane z systemów automatyki (stany, sygnały sterujące, zmienne procesowe), 
  • dane zdarzeniowe (alarmy, awarie, zmiany stanów), 
  • dane strukturalne i konfiguracyjne (opis instalacji, zależności między elementami). 

Każdy z tych typów pełni inną funkcję w systemie. Dane pomiarowe odpowiadają za obserwację rzeczywistości, dane z automatyki za sterowanie, dane zdarzeniowe za rejestrację istotnych momentów, a dane strukturalne za nadanie kontekstu. 

W praktyce oznacza to, że architektura danych musi uwzględniać różne sposoby ich przechowywania i przetwarzania, zamiast próbować ujednolicić wszystko w jednym modelu. 

Podstawowe podejścia do przechowywania danych  

W odpowiedzi na różnorodność danych w systemach przemysłowych stosuje się kilka głównych podejść do ich organizacji: 

  • relacyjne – wykorzystywane tam, gdzie istotna jest spójność danych i jasno zdefiniowane relacje, 
  • czasowe (tzw. timeseries) – stosowane dla danych pomiarowych zapisywanych w sposób ciągły, 
  • zdarzeniowe – skupione na rejestrowaniu i przetwarzaniu zdarzeń w określonej kolejności, 
  • elastyczne – przeznaczone dla danych o zmiennej strukturze. 
grafika przedstawiea rodzaje danych przechowywanych w bazadanych z podzialem na grupy

Każde z tych podejść odpowiada na inne potrzeby. Dane strukturalne wymagają precyzji i kontroli integralności, natomiast dane pomiarowe – wydajności i możliwości pracy na dużych wolumenach. Z kolei dane zdarzeniowe wymagają zachowania kolejności i kontekstu czasowego, a dane o zmiennej strukturze – elastyczności. 

Zastosowanie jednego podejścia do wszystkich typów danych prowadzi zazwyczaj do ograniczeń – albo w zakresie wydajności, albo możliwości analizy. 

Architektura łączona jako podejście praktyczne 

W praktyce nowoczesne systemy przemysłowe opierają się na architekturze łączonej, w której różne podejścia współistnieją i uzupełniają się wzajemnie. 

Oznacza to, że dane nie są przechowywane w jednym miejscu w jednolity sposób, lecz rozdzielane zgodnie ze swoją naturą. Dane pomiarowe trafiają do struktur zoptymalizowanych pod kątem czasu i wolumenu, dane konfiguracyjne do struktur zapewniających spójność, a dane zdarzeniowe do mechanizmów umożliwiających ich analizę w czasie rzeczywistym. 

Takie podejście pozwala nie tylko zwiększyć wydajność systemu, ale również lepiej odwzorować rzeczywistość operacyjną przedsiębiorstwa. Dzięki temu możliwe jest jednoczesne prowadzenie monitoringu, analizy historycznej oraz reakcji na bieżące zdarzenia. 

Znaczenie danych z automatyki przemysłowej 

Szczególną rolę w całej architekturze odgrywają dane pochodzące z systemów automatyki. To one stanowią bezpośrednie odwzorowanie logiki procesów technologicznych oraz sposobu działania urządzeń. 

Same dane pomiarowe pokazują jedynie stan systemu, natomiast dopiero ich zestawienie z danymi sterującymi pozwala odpowiedzieć na pytanie, dlaczego ten stan się zmienił. W praktyce oznacza to konieczność korelacji różnych typów danych oraz ich analizy w kontekście czasu i zależności między elementami systemu. 

Takie podejście umożliwia: 

  • identyfikację przyczyn zdarzeń, 
  • analizę zależności między sterowaniem a stanem urządzeń, 
  • odtworzenie przebiegu procesów technologicznych. 

Bez uwzględnienia tej warstwy niemożliwe jest przejście od prostego monitoringu do rzeczywistego zrozumienia procesów. 

Wyzwania przy doborze odpowiedniego podejścia

Wyzwania przy doborze odpowiedDobór właściwego podejścia do przechowywania danych w systemach przemysłowych jest procesem złożonym i wielowymiarowym. Nie sprowadza się on wyłącznie do decyzji technologicznej, lecz wymaga uwzględnienia specyfiki procesów operacyjnych, charakteru danych oraz sposobu ich wykorzystania w organizacji. 

Jednym z głównych wyzwań jest konieczność pogodzenia sprzecznych wymagań. Z jednej strony system musi efektywnie obsługiwać duże wolumeny danych pomiarowych generowanych w czasie rzeczywistym, z drugiej zapewniać spójność i integralność danych strukturalnych. Dodatkowo pojawia się potrzeba szybkiej reakcji na zdarzenia oraz możliwość prowadzenia analiz historycznych. 

Istotnym problemem jest również integracja danych pochodzących z różnych źródeł. Systemy automatyki, czujniki oraz aplikacje biznesowe z założenia funkcjonują w odrębnych środowiskach, wykorzystując różne modele danych. Ich połączenie wymaga nie tylko odpowiedniej architektury, ale także zrozumienia zależności między danymi oraz ich kontekstu operacyjnego. 

W praktyce na proces decyzyjny wpływają m.in.: 

  • wolumen i częstotliwość generowania danych, 
  • wymagania dotyczące czasu dostępu i przetwarzania, 
  • potrzeba analizy w czasie rzeczywistym oraz historycznej, 
  • stopień złożoności procesów technologicznych, 
  • integracja z istniejącą infrastrukturą systemową. 

Dodatkowym wyzwaniem jest zapewnienie skalowalności rozwiązania. Systemy przemysłowe rozwijają się wraz z organizacją – rośnie liczba urządzeń, punktów pomiarowych oraz zakres analiz. Architektura danych powinna więc umożliwiać stopniową rozbudowę bez konieczności przebudowy całego systemu. 

W efekcie dobór odpowiedniego podejścia wymaga spojrzenia na system jako całość – nie tylko przez pryzmat technologii, ale przede wszystkim przez pryzmat procesów, które ma wspierać. 

Podsumowanie

Dobór odpowiedniego podejścia do przechowywania danych stanowi jeden z kluczowych elementów projektowania systemów przemysłowych. Nie polega on na wyborze jednego rozwiązania, lecz na świadomym połączeniu różnych modeli w spójną architekturę. 

To właśnie taka architektura pozwala efektywnie przetwarzać dane o różnym charakterze, a następnie wykorzystywać je do analizy, optymalizacji i podejmowania decyzji. 

W kolejnym artykule z cyklu przedstawione zostanie, w jaki sposób odpowiednio zaprojektowana warstwa danych umożliwia budowę cyfrowych bliźniaków oraz systemów predykcyjnych w nowoczesnym przemyśle. 

Bazy danych w przemyśle

Współczesny przemysł coraz intensywniej opiera swoje funkcjonowanie na danych pochodzących z rzeczywistych procesów technologicznych. Rozwój systemów IoT (także baz danych), rosnąca liczba czujników oraz potrzeba ciągłego monitorowania infrastruktury sprawiają, że przedsiębiorstwa przetwarzają coraz większe wolumeny informacji. 

Dane te nie mają jednak wartości same w sobie – ich znaczenie ujawnia się dopiero w momencie, gdy mogą zostać uporządkowane, przeanalizowane i wykorzystane do podejmowania decyzji. W tym kontekście kluczową rolę odgrywają bazy danych, które stanowią fundament dla systemów monitoringu, diagnostyki oraz optymalizacji procesów przemysłowych.

Czym jest baza danych w kontekście przemysłowym?

W klasycznym ujęciu baza danych to system umożliwiający przechowywanie, zarządzanie i udostępnianie informacji. W środowisku przemysłowym jej rola jest jednak znacznie szersza. 

Baza danych staje się centralnym elementem infrastruktury systemowej, który: 

  • integruje dane z wielu źródeł (czujniki, systemy SCADA, aplikacje biznesowe), 
  • zapewnia ich spójność i dostępność, 
  • umożliwia analizę w czasie rzeczywistym oraz historycznym, 
  • stanowi podstawę dla systemów predykcyjnych i raportowych. 

W praktyce oznacza to, że baza danych nie jest jedynie „magazynem danych”, ale aktywnym komponentem systemu decyzyjnego. 

Jakie dane są przetwarzane w przemyśle? 

Systemy przemysłowe operują na różnych typach danych, które różnią się charakterem, częstotliwością oraz sposobem wykorzystania. 

1. Dane pomiarowe (sensorowe) 

To najczęściej występujący typ danych: 

  • temperatura, 
  • wilgotność, 
  • drgania, 
  • ciśnienie, 
  • poziom dźwięku i drgań. 

Charakteryzują się wysoką częstotliwością zapisu oraz dużym wolumenem. 

2. Dane z systemów automatyki przemysłowej 

Istotnym źródłem informacji są dane pochodzące bezpośrednio z systemów automatyki, takich jak PLC, SCADA czy DCS. Obejmują one m.in.: 

  • stany wejść i wyjść cyfrowych, 
  • wartości rejestrów i zmiennych procesowych, 
  • sygnały sterujące, 
  • logikę sterowania i sekwencje procesów. 

W przeciwieństwie do surowych danych pomiarowych, dane z automatyki odzwierciedlają rzeczywisty przebieg procesów technologicznych oraz sposób działania systemów sterowania. 

Ich analiza umożliwia: 

  • identyfikację nieefektywności w procesach, 
  • wykrywanie anomalii w pracy urządzeń, 
  • korelację zdarzeń technologicznych z danymi pomiarowymi, 
  • rekonstrukcję przebiegu procesów (tzw. traceability). 

W praktyce oznacza to przejście od prostego monitoringu do pełnego zrozumienia zachowania systemu produkcyjnego. 

3. Dane zdarzeniowe 

Opisują konkretne sytuacje w systemie: 

  • alarmy, 
  • awarie, 
  • przekroczenia progów, 
  • zmiany stanów urządzeń. 

Są kluczowe dla systemów diagnostycznych i reaktywnych. 

4. Dane konfiguracyjne i strukturalne 

Obejmują: 

  • strukturę instalacji, 
  • konfigurację urządzeń, 
  • zależności między komponentami. 

Stanowią podstawę do interpretacji danych pomiarowych. 

5. Dane historyczne 

Wykorzystywane do: 

  • analizy trendów, 
  • raportowania, 
  • budowy modeli predykcyjnych. 

To właśnie na ich podstawie możliwe jest przejście od reakcji do predykcji. 

Dlaczego bazy danych są kluczowe w systemach przemysłowych? 

W środowisku przemysłowym baza danych pełni rolę centralnego elementu integrującego informacje pochodzące zarówno z czujników, jak i systemów automatyki (PLC, SCADA, DCS). To właśnie na tym poziomie możliwe jest połączenie danych pomiarowych z rzeczywistym przebiegiem procesów technologicznych, co stanowi podstawę do ich dalszej analizy. 

Z perspektywy operacyjnej dobrze zaprojektowana baza danych zapewnia: 

  • spójność danych i jedno źródło prawdy dla całej organizacji, 
  • dostępność informacji w czasie rzeczywistym oraz ich odporność na awarie, 
  • skalowalność wraz ze wzrostem liczby urządzeń i wolumenu danych, 
  • możliwość integracji danych z różnych warstw systemu (sensory, automatyka, systemy biznesowe). 

Kluczowe znaczenie ma również możliwość analizy danych, w szczególności w kontekście automatyki przemysłowej. Dopiero korelacja danych pomiarowych z danymi sterującymi pozwala na pełne zrozumienie procesów oraz podejmowanie świadomych decyzji. 

W praktyce umożliwia to: 

  • identyfikację anomalii i nieefektywności w procesach technologicznych, 
  • analizę przyczyn zdarzeń i awarii (root cause analysis), 
  • budowę modeli predykcyjnych wspierających utrzymanie ruchu, 
  • rozwój systemów monitoringu, dashboardów operacyjnych oraz cyfrowych bliźniaków. 

W efekcie baza danych przestaje być jedynie warstwą przechowywania informacji, a staje się fundamentem systemów analitycznych i decyzyjnych w nowoczesnym przemyśle. 

Bazy danych jako fundament cyfrowej transformacji 

Transformacja cyfrowa w przemyśle nie polega wyłącznie na wdrażaniu nowych technologii, ale przede wszystkim na zmianie sposobu podejmowania decyzji – z intuicyjnego na oparty o dane. 

Bazy danych pełnią w tym procesie rolę warstwy fundamentalnej, umożliwiającej: 

  • integrację systemów, 
  • analizę danych w czasie rzeczywistym, 
  • budowę modeli predykcyjnych, 
  • rozwój koncepcji takich jak Industry 4.0 i cyfrowe bliźniaki. 

Podsumowanie

Zanieczyszczenie światłem (artificial light at night) coraz częściej wskazywane jest jako rosnąca presja środowiskowa. EEA w materiałach dotyczących presji W środowisku przemysłowym baza danych nie jest jedynie elementem infrastruktury IT, ale kluczowym komponentem całego systemu operacyjnego organizacji. To właśnie ona umożliwia przekształcenie surowych danych w informacje, a następnie w realną wartość biznesową. 

W kolejnych artykułach z cyklu przyjrzymy się bliżej różnym typom baz danych stosowanych w przemyśle oraz sposobom ich doboru w zależności od konkretnego zastosowania. 

Walka z zanieczyszczeniami

Nowoczesne zarządzanie środowiskiem miejskim opiera się na precyzyjnych pomiarach oraz ich rzetelnej analizie. Zanieczyszczenie powietrza, hałas komunikacyjny, oddziaływania wibracyjne czy rosnący problem zanieczyszczenia światłem to zjawiska mierzalne – a więc podlegające analizie, modelowaniu i optymalizacji. Warunkiem jest jednak właściwa metodologia pomiarowa oraz kompetencje w interpretacji wyników.

Wytyczne WHO Global Air Quality Guidelines (2021) wskazują, że nawet niskie stężenia PM2.5 mają istotny wpływ na zdrowie populacji. Dokument ten rekomenduje roczny poziom PM2.5 na poziomie 5 µg/m³ jako wartość minimalizującą ryzyko zdrowotne [1]. Wytyczne te pozostają aktualnym, globalnym punktem odniesienia w ocenie jakości powietrza. 

W zakresie hałasu środowiskowego obowiązującym dokumentem referencyjnym są Environmental Noise Guidelines for the European Region (2018), które wskazują jednoznacznie na związek między długotrwałą ekspozycją na hałas a zaburzeniami snu oraz zwiększonym ryzykiem chorób układu krążenia [2]. 

Raport Environmental Noise in Europe 2020 pokazuje skalę narażenia mieszkańców UE na hałas komunikacyjny oraz jego konsekwencje zdrowotne [3]. 

Rys.1 Pomiary zanieczyszczeń powietrza

Jakość powietrza – dane europejskie

Monitoring jakości powietrza obejmuje przede wszystkim: 

  • PM2.5 i PM10 
  • NO₂ 
  • O₃ 
  • SO₂ i CO 

EEA w briefingu „Europe’s air quality status 2024” wskazuje, że znaczna część populacji miejskiej UE nadal oddycha powietrzem o stężeniach przekraczających zalecenia WHO [4]. 

Z kolei publikacja „Harm to human health from air pollution in Europe: burden of disease 2024” aktualizuje dane dotyczące obciążenia chorobami i przedwczesnych zgonów związanych z ekspozycją na zanieczyszczenia [5]. 

W praktyce eksperckiej kluczowe znaczenie ma nie tylko sam odczyt wartości, lecz również: 

  • kalibracja i okresowa weryfikacja czujników, 
  • walidacja danych pomiarowych, 
  • analiza sezonowości i korelacji z ruchem drogowym oraz warunkami meteorologicznymi, 
  • modelowanie rozprzestrzeniania się zanieczyszczeń. 

Dopiero połączenie danych pomiarowych z analizą przestrzenną i statystyczną pozwala projektować skuteczne działania ograniczające emisję. 

W Polsce podstawowym dokumentem referencyjnym jest Roczna ocena jakości powietrza w strefach w Polsce za rok 2024, opublikowana przez Główny Inspektorat Ochrony Środowiska [6]. 

Raport ten obejmuje: 

  • klasyfikację 46 stref, 
  • informacje o przekroczeniach norm PM10, PM2.5, NO₂ i benzo(a)pirenu, 
  • ocenę zgodności z wymaganiami UE, 
  • analizę trendów. 

Dokument ten stanowi podstawę do opracowywania programów ochrony powietrza oraz działań naprawczych na poziomie regionalnym i lokalnym. 

Rys. 2 Pomiary zanieczyszczeń hałasem oraz światłem 

Hałas środowiskowy

W akustyce środowiskowej stosuje się wskaźniki: 

  • LAeq – równoważny poziom dźwięku, 
  • Lden – wskaźnik dobowy, 
  • Ln – poziom hałasu nocnego. 

Raport EEA Environmental Noise in Europe 2020 wskazuje, że hałas drogowy pozostaje dominującym źródłem ekspozycji w miastach europejskich [3]. 

Zgodnie z Dyrektywą 2002/49/WE [7] dane te stanowią podstawę do tworzenia strategicznych map hałasu w państwach członkowskich UE. Jednak samo sporządzenie mapy nie jest celem – kluczowe jest jej wykorzystanie w projektowaniu infrastruktury, planowaniu ruchu czy ocenie oddziaływania inwestycji. 

W praktyce eksperckiej analiza obejmuje m.in.: 

  • identyfikację dominujących źródeł emisji, 
  • modelowanie propagacji dźwięku, 
  • symulację wariantów ograniczania hałasu, 
  • ocenę skuteczności środków technicznych (np. ekranów akustycznych lub zmian organizacji ruchu). 

Zanieczyszczenie światłem

Zanieczyszczenie światłem (artificial light at night) coraz częściej wskazywane jest jako rosnąca presja środowiskowa. EEA w materiałach dotyczących presji na ekosystemy wskazuje na wpływ sztucznego światła na bioróżnorodność oraz funkcjonowanie organizmów [8]. 

Z perspektywy miejskiej oznacza to potrzebę: 

  • pomiarów luminancji i natężenia oświetlenia, 
  • analizy widma światła, 
  • projektowania oświetlenia zgodnie z zasadą minimalizacji emisji zbędnego światła. 

Lokalne działania – przykład Małopolski i Krakowa

Program Ochrony Powietrza dla województwa małopolskiego oraz uchwała antysmogowa dla Krakowa stanowią przykład systemowego podejścia do redukcji emisji. 

Jednocześnie Kraków przymierza się do kolejnych działań ukierunkowanych na ograniczanie różnych presji środowiskowych, z którymi mieszkańcy mają kontakt na co dzień — nie tylko w obszarze jakości powietrza, ale również m.in. hałasu czy organizacji ruchu. 

To przykład, w którym regulacje, monitoring i raportowanie tworzą spójny system zarządzania środowiskiem. 

Publikacje eksperckie i rozwój wiedzy

W odpowiedzi na rosnące wymagania regulacyjne oraz technologiczne BFirst.Tech rozwija opracowania eksperckie i publikacje branżowe, w tym materiały typu Biała Księga. Dokumenty te mają charakter techniczny i koncentrują się na zagadnieniach takich jak:

  • metodyki pomiarowe w akustyce środowiskowej,
  • standaryzacja i walidacja danych pomiarowych,  
  • integracja systemów czujnikowych z analityką i modelowaniem,  
  • praktyczne wykorzystanie przepisów środowiskowych dla inwestycji infrastrukturalnych i przemysłowych.  

Celem publikacji jest uporządkowanie wiedzy w obszarze monitoringu środowiskowego oraz przedstawienie podejścia opartego na danych, analizie i zgodności metodologicznej. Materiały te adresowane są do specjalistów, administracji publicznej, projektantów oraz podmiotów odpowiedzialnych za planowanie i realizację inwestycji.  

Rozwój wiedzy eksperckiej obejmuje również działania edukacyjne. Ostatnio BFirst.Tech prowadziło szkolenie z zakresu walki z zanieczyszczeniem hałasem w siedzibie UN Global Compact Network Poland w Warszawie. Spotkanie koncentrowało się na: 

  • interpretacji wskaźników akustycznych,  
  • praktycznych aspektach sporządzania map hałasu,  
  • metodach ograniczania emisji w projektach miejskich i przemysłowych,  
  • roli danych środowiskowych w realizacji celów ESG.  

Jednocześnie BFirst.Tech implementuje autorską stację pomiarową zintegrowaną z Ekosystemem BFirst.Tech, umożliwiając zbieranie, monitorowanie, walidację oraz analizę danych w jednym środowisku operacyjnym. 

Zakres pomiarów oraz szczegóły zostaną przedstawione w kolejnym artykule poświęconym systemowi oraz jego zastosowaniom miejskim. 

Podsumowanie

Zanieczyszczenia miejskie wymagają podejścia opartego na: 

  • precyzyjnych pomiarach, 
  • spójnych wskaźnikach, 
  • analizie danych, 
  • praktycznym wykorzystaniu wyników w planowaniu i inwestycjach. 

Raporty WHO [1][2], EEA [3][4][5] oraz GIOŚ [6] pokazują, że zarówno jakość powietrza, jak i hałas środowiskowy pozostają istotnymi czynnikami ryzyka zdrowotnego w Europie i w Polsce. 

Eksperckie podejście, łączące monitoring, modelowanie i interpretację danych, stanowi fundament odpowiedzialnego zarządzania środowiskiem miejskim. 

Źródła

[1] WHO (2021), WHO Global Air Quality Guidelines 
https://www.who.int/publications/i/item/9789240034228 

[2] WHO Regional Office for Europe (2018), Environmental Noise Guidelines for the European Region 
https://www.who.int/europe/publications/i/item/9789289053563 

[3] EEA (2020), Environmental Noise in Europe 2020 
https://www.eea.europa.eu/publications/environmental-noise-in-europe 

[4] EEA (2024), Europe’s air quality status 2024 
https://www.eea.europa.eu/en/analysis/publications/europes-air-quality-status-2024 

[5] EEA (2024), Harm to human health from air pollution in Europe: burden of disease 2024 
https://www.eea.europa.eu/en/analysis/publications/harm-to-human-health-from-air-pollution-2024 

[6] GIOŚ (2025), Roczna ocena jakości powietrza w strefach w Polsce za rok 2024 
https://powietrze.gios.gov.pl/pjp/content/show/50015113 

[7] Dyrektywa 2002/49/WE 
https://eur-lex.europa.eu/legal-content/PL/ALL/?uri=celex%3A32002L0049 

[8] EEA, Zero pollution – ecosystem pressures (light pollution context) 
https://www.eea.europa.eu/en/analysis/publications/zero-pollution/ecosystems/signals/biodiversity-signals

Smart City

Wraz z wzrastającą urbanizacją na świecie oraz coraz ważniejszymi społecznie problemami takimi jak zanieczyszczenie powietrza, zaśmiecanie miast, walka ze zmianami klimatycznymi czy zbyt duże poleganie na transporcie samochodowym pojawia się potrzeba efektywniejszego zarządzania miastami. W osiągnięciu tego celu mogą zostać wykorzystane nowoczesne technologie. Idea inteligentnych miast (ang. Smart Cities) polega na wykorzystaniu technologii komunikacyjnych w celu stworzenia bardziej interaktywnej i wydajnej infrastruktury miejskiej, a także podniesienia świadomości mieszkańców na temat jej działania [1]. Smart City stanowi więc szeroki zakres rozwiązań, które w połączeniu poprawiają życie mieszkańców i pomagają w walce z problemami dzisiejszego świata. W poniższym artykule przedstawimy niektóre z rozwiązań Smart City. Omówiona zostanie rola zbierania danych w Smart City, technologie Smart City dla transportu, inteligentnego zarządzania energią, a także dla walki z zanieczyszczeniami środowiskowymi i hałasowymi. 

Zbieranie i analiza danych w Smart City 

Podstawową rolę w funkcjonowaniu Smart City jest zbieranie danych za pomocą wszelakich narzędzi pomiarowych, takich jak sensory, czujniki i kamery. Zbieranie rzeczywistych i aktualnych danych na temat działania miasta jest kluczowe dla odpowiedniego funkcjonowania rozwiązań Smart City, ponieważ ich analiza pozwala na podejmowanie decyzji w czasie rzeczywistym, znacząco redukując zużycie zasobów, nie pogarszając przy tym standardu życia mieszkańców [2]. Odpowiedne zbieranie i analiza ogromu danych potrzebnych do prawidłowego działania systemów Smart City jest ogromnym wyzwaniem. 

BFirst.Tech specjalizuje się w implementacji technologii IoT, dostarczając zaawansowane rozwiązania w zakresie inteligentnego monitoringu, analizy danych i optymalizacji infrastruktury miejskiej. Jako członek United Nations Global Compact Network Poland i współtwórca Rekomendacji dla miast Rady Biznesowej przy World Urban Forum 11, firma aktywnie wspiera rozwój zrównoważonych technologii, koncentrując się na innowacyjnych systemach diagnostyki, akustyki środowiskowej i inżynierii danych.  

Smart City w transporcie 

Jednym z głównych obszarów wykorzystania rozwiązań Smart City jest transport. Współczesne miasta są w stanie zbierać zdecydowanie więcej danych na temat transportu przy zastosowaniu inteligentnych narzędzi w pojazdach transportu publicznego, w ważnych miejscach na drogach, takich jak skrzyżowania, czy też za pomocą monitoringu publicznego.  

Zgromadzone w ten sposób dane mogą zostać następnie odpowiednio przetworzone i użyte do poprawy wydajności systemu transportowego miasta.  Zebrane informacje mogą być użyte do wyświetlania informacji na temat rozkładu jazdy i obecnej pozycji pojazdów transportu publicznego z przewidywanym czasem dojazdu do przystanku, sprawiając, że transport zbiorowy staje się bardzo atrakcyjną alternatywą dla samochodu. 

Rys. 1. Wykorzystanie Smart City w Transporcie. Źródło: https://www.digi.com/blog/post/introduction-to-smart-transportation-benefits

Dane spływające na bieżąco do systemów zarządzania ruchem pozwalają na optymalizację ruchu miejskiego w czasie rzeczywistym, co pozwoli na zwiększenie bezpieczeństwa i zmniejszenie emisji spalin. Systemy inteligentnego parkowania wykorzystują dane na temat miejsc parkingowych, monitorując je i informując kierowców o ich dostępności oraz umożliwiają pobranie płatności za parkowanie, poprawiając komfort kierowców, a także zmniejszając zanieczyszczenia poprzez skrócenie czasu wykorzystanego na znalezienie miejsca parkingowego [3]. 

Rozwiązania Smart City pomagają również rozwiązać tzw. problem pierwszego i ostatniego kilometra – pierwszy i ostatni fragment podróży w mieście, przeważnie będący zdecydowanie krótszy od samego przejazdu komunikacją miejską, mogący jednocześnie zajmować podobną ilość czasu. Systemy Smart City mogą pozwolić na połączenie sieci komunikacji miejskiej z wykorzystaniem lekkich środków transportu krótkodystansowego, takimi jak rowery lub hulajnogi elektryczne. Odpowiednio umieszczone huby takiego transportu w połączeniu z łatwością korzystania mogą znacząco ułatwić podróżowanie w mieście, a nawet zachęcić część kierowców do korzystania z transportu publicznego [4]. 

Inteligentne zarządzanie energią 

Wraz z coraz większym zapotrzebowaniem na energię elektryczną, wynikającym między innymi z potrzeby jak największej dekarbonizacji gospodarki, coraz większy nacisk kładzie się nie tylko na zwiększenie produkcji energii ze źródeł odnawialnych, ale także na jej efektywniejsze wykorzystywanie. Zastosowanie inteligentnych rozwiązań zarządzania energią prowadzi do mniejszego zużycia energii, a co za tym idzie mniejszej jej produkcji, co może mieć duży wpływ na ochronę środowiska. 

Rys. 2. Zielona energia w mieście. Źródło: https://leadersinternational.org/sme4smartcities-insights/revolutionising-urban-life-how-smart-technologies-and-sustainable-energy-are-creating-the-cities-of-the-future/ 

Wśród systemów Smart City wspierających lepsze zarządzanie należy wymienić inteligentne sieci przesyłowe monitorujące dystrybucję i konsumpcję energii, wydajne systemy przechowywania tanio wyprodukowanej energii w szczytowych momentach produkcji, a także inteligentne czujniki będące w stanie regulować wykorzystywanie oświetlenia w zależności od ilości światła naturalnego. Te wszystkie rozwiązania w połączeniu ze sobą umożliwiają również stworzenie programów optymalizujących, kiedy wykorzystywana jest energia, używając jej głównie w okresach najniższych kosztów jej produkcji, co znajduje zastosowanie między innymi w ładowaniu pojazdów elektrycznych [5]. 

Oprócz wymienionych sposobów efektywniejszego wykorzystania energii elektrycznej, na mniejsze zużycie energii wpływać może również rozwój techniczny i nowe regulacje dotyczące budowy i remontów budynków, tak aby wykorzystywały jak najmniej energii. Dokonać tego można między innymi poprzez używanie efektywnych i ekologicznych materiałów, projektowanie budynków w sposób minimalizujący utratę ciepła przy jednoczesnym jak największym dostępie do światła naturalnego, czy też poprzez użycie inteligentnych systemów optymalizujących zużycie ogrzewania i oświetlenia. 

Efektywne zarządzanie energią jest jednym z kluczowych aspektów transformacji energetycznej i walki z postępującymi zmianami klimatycznymi. Przemiana miast w miasta inteligentne będzie wymagała dużych nakładów energii elektrycznej, która musi być wydajnie produkowana, aby przyczynić się do lepszej ochrony środowiska [6]. 

BFirst.Tech zostało członkiem Rady Biznesowej przy PRECOP29, która opracowała “Białą Księgę” zawierającą polskie spojrzenie na kwestie klimatyczne, w tym także zarządzenie energią przed Konferencją Narodów Zjednoczonych w sprawie zmian klimatu 2024. BFirst.Tech oferuje kompleksowe rozwiązania monitoringu, diagnostyki i zarządzania dużymi ilościami danych, także tymi dotyczącymi energii. Aby dowiedzieć się więcej, poznaj nasze rozwiązania w poniższym linku

Smart City w walce z zanieczyszczeniami i hałasem 

Jednym z największych problemów z jakimi zmagają się współczesne miasta jest zanieczyszczenie powietrza, wynikające z wielu czynników, takich jak spalanie paliw stałych w piecach czy planowanie przestrzenne miast. Wysokie poziomy zanieczyszczenia wpływają na zdrowie mieszkańców miast, zmniejszając ich produktywność, zajmując surowce służby zdrowia i zmniejszając atrakcyjność dla biznesu i turystów. 

Aby efektywnie walczyć z zanieczyszczeniem powietrza, konieczne jest posiadanie dokładnych informacji na temat ich poziomu i rozkładu przestrzennego dostarczanych przez dużą liczbę czujników na przestrzeni miasta.  Zebrane w ten sposób informacje pomagają w odpowiednim podejmowaniu decyzji na temat działań mających za zadanie poprawę stanu powietrza. Dodatkowo, odpowiednio zaprezentowane mieszkańcom informacje na temat stanu powietrza mogą wzmocnić świadomość społeczną na temat problemu i zwiększyć presję na znalezienie odpowiednich rozwiązań w walce z zanieczyszczeniami [7]. 

Oprócz zanieczyszczeń powietrza coraz częściej mówi się również o problemie hałasu miejskiego. Korki, remonty, budowy nowych budynków i inne źródła hałasu w miastach mogą niekiedy stanowić poważne zagrożenie dla zdrowia ludzkiego [8], pogarszając dodatkowo poziomy koncentracji i skupienia, obniżając standard życia mieszkańców. 

Rys. 3. Źródła hałasu dla mieszkańców miast. Źródło: https://www.hseblog.com/noise-pollution/ 

W walce z tym problemem mogą zostać użyte inteligentne czujniki, które są w stanie oszacować nie tylko poziom zarejestrowanego hałasu, ale także źródło jego pochodzenia. Dane te mogą zostać następnie przetworzone i użyte przez ekspertów w celu przygotowania planu zniwelowania poziomów hałasu, poprawiając tym samym życie mieszkańców [9]. 

BFirst.Tech jest firmą posiadającą wieloletnie doświadczenie eksperckie w implementacji rozwiązań mających na celu walkę z zanieczyszczeniami hałasem. BFirst.Tech oferuje nowoczesne i zaawansowane podejście w dziedzinie redukcji hałasu, wpisujące się w potrzeby nie tylko inteligentnych miast, ale także nowoczesnego przemysłu. Poznaj nasze produkty i rozwiązania pod poniższym linkiem

Podsumowanie

Smart City wykorzystują współczesne zawansowane techniki pozyskiwania, przetwarzania i przechowywania danych. Dzięki ich wykorzystaniu, nasze miasta zyskują nowe narzędzia i techniki w walce z coraz bardziej palącymi problemami współczesnego świata. Technologie te mogą pomóc nie tylko z wymienionymi w artykule problemami związanymi z transportem zbiorowym, zanieczyszczeniami powietrza, hałasem i zarządzaniem energią, ale także z wieloma innymi, wśród których można wymienić lepszą prewencję i zarządzanie kryzysowe, bezpieczeństwo publiczne czy zarządzanie odpadami. To, które miasta najlepiej je wykorzystają, może być kluczowym czynnikiem w ich dalszym rozwoju i kluczem do lepszego zaspokojenia potrzeb swoich mieszkańców. 

Bibliografia

[1] https://uclg-digitalcities.org/en/smart-cities-study/2012-edition/ 

[2] https://www.oecd.org/en/publications/smart-city-data-governance_e57ce301-en.html 

[3] https://www.teraz-srodowisko.pl/aktualnosci/przyszlosc-transport-smart-city-forum-11962.html 

[4] https://smartride.pl/przyszlosc-transportu-w-smart-city-komfort-podrozy-i-czyste-powietrze/ 

[5] https://energy-floors.com/10-smart-city-energy-solutions-kinetic-floors/ 

[6] https://www.teraz-srodowisko.pl/aktualnosci/inteligentne-technologie-zarzadzanie-energia-miasta-efektywnosc-energetyczna-13055.html 

[7] https://www.innovationnewsnetwork.com/the-development-of-the-smart-city-waste-management-and-air-quality-monitoring/39990/ 

[8] https://pmc.ncbi.nlm.nih.gov/articles/PMC6878772/ 

[9] https://newsroom.axis.com/blog/noise-pollution-smart-cities 

Efekt technologicznych złudzeń na postrzeganie rzeczywistości przez ludzi

Rozpoczęta w latach 90. XX wieku komputeryzacja wprowadziła ludzkość w epokę, w której praca i codzienne obcowanie z technologią jest powszechne i naturalne. Sztuczna Inteligencja odpowiada na nasze pytania, a Internet postrzegany jest jako nieskończone źródło informacji. Choć można pomyśleć, że rozwój technologii pomaga nam w zrozumieniu otaczającego świata, istnieją zjawiska pokazujące, jak często nasze intuicje zawodzą. Technologie, na pierwszy rzut oka proste i oczywiste, potrafią skrywać paradoksy i złudzenia, których dostrzeżenie, jak i zrozumienie, może być trudniejsze niż się wydaje. Artykuł ten przybliży trzy ciekawe zjawiska: efekt Elizy, paradoks Moraveca oraz efekt Streisand. Każde z nich pokazuje, w jaki sposób technologia może zmieniać naszą percepcję rzeczywistości, wpływając na to jak widzimy maszyny, dane i informacje. Poznanie tych zjawisk pozwoli spojrzeć z innej strony na rozwój technologii oraz pomoże bardziej świadomie z niej korzystać. 

Efekt Elizy

W latach 60-tych XX wieku Joseph Weizenbaum w Massachusetts Institute of Technology napisał program ELIZA [1]. Program ten był jednym z pierwszych chatbotów – w naturalny sposób naśladował zwykłą konwersację. Mimo prostoty algorytmu, który na podstawie wprowadzanych słów kluczowych tworzył odpowiedzi działając zgodnie z ustalonymi z góry schematami, wielu użytkowników programu zgłaszało, iż odnoszą wrażenie, że Eliza naprawdę ich rozumie. Dzięki sprytnemu doborowi odpowiedzi, użytkownicy potrafili być mocno zaangażowani w rozmowę, zadowoleni faktem, iż rozmówca rozumie i słucha. Sam twórca był zaskoczony, jak bardzo ludzie byli przekonani, że Eliza jest człowiekiem, nie maszyną.  

Właśnie od tego chatbota wziął swoją nazwę efekt Elizy – zjawisko skłonności do przypisywania przez człowieka maszynom, programom (w tym Sztucznej Inteligencji) zdolności do rozumienia, empatii i inteligencji, czyli ich antropomorfizacji [2]. Wśród przykładów tego zjawiska można wymienić wyświetlanie komunikatów “witaj” czy “dziękuję” przez bankomaty i kasy samoobsługowe, które są predefiniowanymi tekstami do wyświetlenia, a nie wyrazem wdzięczności maszyny; czy komunikacja z asystentami głosowymi – dziękowanie im, mówienie “ona” o asystencie Alexa, która mimo używania żeńskiego głosu w dalszym ciągu pozostaje bezpłciowym algorytmem. Podstaw tego efektu można doszukiwać się w naszej naturze – to co ludzkie wydaje się znajome, bliższe, mniej straszne, co widać chociażby w sposobie przedstawiania dawnych bóstw i porównywaniu ich do ludzi i zwierząt, przypisywaniu im zjawisk pogodowych czy żywiołów [3].  

Takie spoufalanie się z – nieraz bardzo skomplikowanymi – technologiami pozwala na przełamanie obaw przed nowościami, zachęca do interakcji i buduje przywiązanie do używanego produktu. Jednocześnie efekt ten może powodować przecenienie zdolności danego algorytmu (ze względu na założenie, że maszyna wie i rozumie więcej niż w rzeczywistości), nadmierną ufność w otrzymywane informacje, czy niezdrowe do granic traktowanie tworu jak ludzkiej istoty, np. przez traktowanie chatbota jak terapeuty czy zawieranie ślubów z AI [4]. 

Paradoks Moraveca

Kolejne interesujące zjawisko wzięło swoją nazwę od nazwiska kanadyjskiego naukowca, Hansa Moraveca, autora prac w dziedzinie technologii, futurologii i transhumanizmu. We współpracy z Rodney’em Brooksem oraz Marvinem Minskym w 1988 roku sformułował stwierdzenie: „Stosunkowo łatwo sprawić, żeby komputery przejawiały umiejętności dorosłego człowieka w testach na inteligencję albo w grze w warcaby, ale jest trudne albo wręcz niemożliwe zaprogramowanie im umiejętności rocznego dziecka w percepcji i mobilności” [5]. Oznacza ono, że zadania uważane za trudne, wymagające wiedzy, inteligencji i logicznego myślenia, są stosunkowo proste do rozwiązania z wykorzystaniem Sztucznej Inteligencji, natomiast te czynności, które uważamy za proste i naturalne – chodzenie, rozpoznawanie twarzy i przedmiotów czy koordynacja ruchowa – są bardzo problematyczne i trudne do zaimplementowania w maszynach.  

Naukowcy doszukują się wyjaśnienia tego paradoksu w procesie ewolucji człowieka. Zdolności motoryczne człowieka rozwijały się przez miliony lat, były niezbędne do przetrwania oraz powoli, lecz ciągle poprawiane za sprawą selekcji naturalnej. Ludzki mózg miał dużo czasu na przyswojenie i zaadaptowanie się do czynności takich jak chwytanie narzędzi, rozpoznawanie twarzy i emocji, chodzenie czy koordynacja ruchowa, dlatego są one zautomatyzowane na głębokim poziomie, wykonujemy je bez świadomego wysiłku. Z kolei abstrakcyjne myślenie, matematyka, logika to zdolności stosunkowo nowe, nie zakorzenione tak głęboko i wymagające świadomego wysiłku intelektualnego. Z racji tego, że te zdolności nie są zakorzenione w ludziach tak głęboko, łatwiej jest zastosować w ich przypadku inżynierię wsteczną i zaimplementować je w postaci programu. Ponadto komputery są najbardziej skuteczne w odwzorowywaniu procesów logicznych, schematycznych, z określonymi krokami. Z tych powodów mamy już programy wybitne, w porównaniu do ludzi, jeśli chodzi o złożone obliczenia, szachy, symulacje, jednak, jeśli chodzi o mobilność, koordynację, rozpoznawanie obiektów i twarzy, czy inne “podstawowe” czynności, które uznajemy za naturalne i proste już dla kilkuletniego dziecka – tutaj rozwój następuje bardzo powoli. Dopiero od niedawna ilość danych i technologia pozwala na stopniowy rozwój w tym obszarze, co pokazuje chociażby przykład firmy Boston Dynamics, zajmującej się robotyką [6].

Efekt Streisand

Kolejne zjawisko, na którym się skupimy to efekt Streisand. Głosi ono, iż im bardziej staramy się usunąć bądź ocenzurować jakąś informację w Internecie, tym większy zyskuje ona rozgłos i zainteresowanie. Efekt ten zawdzięcza swoją nazwę Barbrze Streisand i sytuacji z 2003 roku, gdy fotograf Kenneth Adelman wykonywał zdjęcia wybrzeża Kalifornii, w celu udokumentowania postępującej erozji [7]. Fotografie te zostały upublicznione na stronie poświęconej tematowi erozji wybrzeża. Zbiegiem okoliczności na jednym ze zdjęć widoczna była rezydencja Barbry Streisand. Pozwała ona fotografa za naruszenie prywatności, żądając odszkodowania i usunięcia fotografii, gdyż nie chciała, by ktokolwiek ją zobaczył. Sytuacja potoczyła się jednak całkiem nie po jej myśli – przegrała proces sądowy i musiała zwrócić fotografowi koszty, zaś fotografia nie tylko nie została usunięta, lecz zyskała jeszcze większy rozgłos i o wiele więcej wyświetleń niż przed całym zamieszaniem.  

Efekt ten można tłumaczyć na kilka sposobów, opierających się w głównej mierze na ludzkiej psychologii, roli mediów społecznościowych oraz ogólnym mechanizmom obiegu informacji w sieci. Ludzie bardzo niechętnie znoszą wszelkie ograniczenia narzucone na ich wolność, również w zakresie dostępu do informacji. Często w sytuacjach wymuszonej cenzury ludzie celowo działają na przekór – chcą zdobyć jak najwięcej wiadomości na temat “zakazanej” informacji, chętnie się nią dzielą i udostępniają dalej. Podobnie działa mechanika “zakazanego owocu” – przez próbę ukrycia informacja wydaje się jeszcze ciekawsza i bardziej intrygująca, mimo że bez owej próby wiadomość prawdopodobnie przeszłaby bez echa. W dzisiejszych czasach, z racji łatwości dostępu do informacji i mnogości różnych mediów, wiadomości są powszechne i szybko mogą stać się viralem, przyciągając ogromne ilości odbiorców. Internet również zmienił nieco odbiór różnych treści. Fakt, iż każdy użytkownik może treść zapisać, udostępnić, w teorii uniemożliwia usunięcie czegoś z sieci, gdy już raz tam trafiło. Dodając do tego fakt, jak szybko media wychwytują i nagłaśniają przypadki cenzury, staje się dość oczywiste, dlaczego próba ukrycia czy zamaskowania czegoś kończy się zazwyczaj odwrotnym skutkiem. 

Istnieje wiele przykładów efektu Streisand. W 2013 roku po występie na Super Bowl zespół do spraw wizerunku wokalistki Beyonce uznał jedno ze zdjęć za szczególnie niekorzystne i podjął próby usunięcia go z sieci. Efekt był dokładnie przeciwny, fotografia stała się dużo bardziej rozchwytywana niż pierwotnie, zaczęła służyć również jako szablon do internetowych memów. Nie brak też przypadków ze świata technologii. W 2007 roku jeden z użytkowników internetowego serwisu Digg ujawnił, iż system ochrony praw autorskich Advanced Access Content System (AACS) używany w odtwarzaczach HD DVD może być złamany ciągiem znanym jako 09 F9. Przedstawiciele przemysłu wykorzystującego to zabezpieczenie zażądali usunięcia wpisu na Digg i grozili konsekwencjami prawnymi. W efekcie w Internecie rozgorzały wielkie dyskusje, a informacja o kodzie (który przez chwilę był nazywany “najbardziej znanym numerem w Internecie”) mocno się rozprzestrzeniła i była powielana w postaci filmów, nadruków na koszulkach czy nawet piosenek [8]. 

Podsumowanie

Omówione w artykule zjawiska pokazują, że chociaż technologie, takie jak Sztuczna Inteligencja i Internet są potężnymi narzędziami, to mogą zniekształcać ludzką percepcję i tworzyć mylne wrażenia. Łatwo jest wpaść w rozmaite pułapki związane z technologią, dlatego świadomość wspomnianych zjawisk jest ważna, gdyż pozwala na bardziej krytyczne podejście do interakcji z technologią i informacją, lepsze wykorzystanie ich potencjału oraz zdrowe i rozsądne korzystanie z nich.

Bibliografia

[1] https://web.stanford.edu/class/cs124/p36-weizenabaum.pdf 

[2] https://modelthinkers.com/mental-model/eliza-effect 

[3] https://builtin.com/artificial-intelligence/eliza-effect 

[4] https://www.humanprotocol.org/blog/what-is-the-eliza-effect-or-the-art-of-falling-in-love-with-an-ai  

[5] https://www.researchgate.net/publication/286355147_Moravec%27s_Paradox_Consideration_in_the_Context_of_Two_Brain_Hemisphere_Functions  

[6] https://www.scienceabc.com/innovation/what-is-moravecs-paradox-definition.html  

[7] https://www.forbes.com/2007/05/10/streisand-digg-web-tech-cx_ag_0511streisand.html  

[8] https://web.archive.org/web/20081211105021/http://www.nytimes.com/2007/05/03/technology/03code.html 

ESG

W obliczu zmian klimatycznych, rosnącej świadomości społecznej i konieczności etycznego zarządzania, pojawia się potrzeba wyznaczania nowych standardów funkcjonowania przedsiębiorstw. ESG – czyli Environmental, Social and Governance – to działania realizowane przez firmę przez pryzmat ich wpływu na środowisko (E), społeczeństwo (S) oraz ład korporacyjny (G). Celem tej inicjatywny jest promowanie zrównoważonego rozwoju oraz odpowiedzialności społecznej w szeroko pojętej działalności gospodarczej. Zgodnie z powyższym założeniem, firmy dążą do osiągnięcia równowagi pomiędzy generowaniem zysków, a dbałością o środowisko naturalne. Obowiązek raportowania przez firmy działań z obszaru ESG będzie stopniowo rozszerzany, w zależności od wielkości danego podmiotu i specyfiki jego działalności. Począwszy od 2024 roku obowiązkiem tym objęte zostały firmy zatrudniające powyżej 250 osób a do końca 2027 roku obejmie również małe i średnie przedsiębiorstwa, które zatrudniają powyżej 10 osób. Celem niniejszego artykułu jest pokazanie, że znaczenie zrównoważonego rozwoju wciąż rośnie, a zagadnienia związane z ESG stają się kluczowym obszarem zainteresowania w biznesie [1].

Wskaźniki ESG 

Wspomniane powyżej trzy obszary ESG – czyli środowisko, społeczeństwo oraz ład korporacyjny – stanowią nieodłączny element, konieczny do uwzględnienia przez przedsiębiorstwa, którym zależy na wizerunku organizacji odpowiedzialnej społecznie. Efektywne zarządzanie każdym z tych obszarów poprzez podejmowanie przez firmy konkretnych działań z nimi związanych, stanowi klucz do osiągnięcia tego celu. Podstawowym działaniem, które należy podjąć jest monitoring, który pozwala na zachowanie świadomości intensywności wpływu wywieranego na poszczególne obszary. 

  1. Środowisko 

Aby skutecznie monitorować wpływ na przyrodę, pod uwagę należy wziąć obszary takie jak: 

  • emisja gazów cieplarnianych,
  • zużycie energii, 
  • ślad węglowy, 
  • produkcja niebezpiecznych odpadów, 
  • emisja zanieczyszczeń (w postaci substancji lub hałasu) do otoczenia, 
  • emisja substancji do środowiska wodnego. 
  1. Społeczeństwo 

Aby skutecznie monitorować relacje z pracownikami, klientami, inwestorami oraz lokalną społecznością, pod uwagę należy brać obszary takie jak: 

  • wspieranie różnorodności, 
  • minimalizowanie dysproporcji, 
  • dbanie o work-life balance, 
  • przestrzeganie praw pracowniczych, 
  • zapewnianie bezpieczeństwa pracownikom. 
  1. Ład korporacyjny 

Aby skutecznie monitorować sposób działania zarządu, pod uwagę należy brać obszary takie jak: 

  • przejrzystość podatkowa, 
  • przeciwdziałanie korupcji, 
  • struktura zarządu, 
  • wynagrodzenia zarządu oraz pracowników, 
  • respektowanie praw akcjonariuszy [2]. 
Rys. 1. Grafika przedstawiająca wskaźniki ESG
Źródło: https://www.iberdrola.com/about-us/esg-responsible-management

Wpływ ESG na działalność przedsiębiorstw 

Kwestie związane z ESG mają znaczący wpływ na działania podejmowane przez firmy oraz ich strategie. Prowadzenie biznesu w sposób zrównoważony oraz świadomy to obecnie konieczność, aby utrzymywać wiodącą pozycję na rynku. Wdrożenie strategii ESG niesie ze sobą dla firmy szereg cennych wartości, które przedstawione zostały poniżej. 

  • Większa lojalność klientów 

Firmy, które aktywnie angażują się w kwestie środowiskowe, społeczne i korporacyjne, budują więź zaufania z klientami. Lojalność klientów wzrasta, ponieważ konsumenci chętniej wspierają firmy, które podejmują działania na rzecz dobra społecznego i ochrony środowiska. 

  • Poprawa wizerunku publicznego 

Działania zgodne z zasadami ESG budują pozytywny wizerunek firmy w społecznościach lokalnych, wśród klientów, inwestorów oraz partnerów biznesowych. Firma, która dba o środowisko naturalne, wspiera lokalne społeczności i stosuje wysokie standardy etyczne, jest postrzegana jako odpowiedzialny podmiot oraz wiarygodny partner, który troszczy się w równej mierze o dobro społeczne jak i środowiskowe. 

  • Stabilna pozycja na rynku 

Firmy, które skutecznie wdrażają strategie ESG, mogą cieszyć się stabilniejszą pozycją na rynku. Poprzez uwzględnianie czynników środowiskowych, społecznych i korporacyjnych w swojej działalności, firma minimalizuje ryzyko wystąpienia kryzysów reputacyjnych, co przekłada się na stabilność operacyjną i długoterminowy rozwój [3]. 

Innowacyjne technologie a realizacja Celów Zrównoważonego Rozwoju 

Technologie takie jak Sztuczna Inteligencja, Big Data czy Blockchain to skuteczne narzędzia umożliwiające monitorowanie i zrozumienie wpływu organizacji na społeczeństwo i środowisko naturalne. Sztuczna Inteligencja, wykorzystywana w analizie danych, umożliwia identyfikację potrzeb konsumentów, co pozwala firmom lepiej ich zrozumieć i wcześniej zaplanować konieczne do podjęcia działania. Analiza Big Data, z kolei, umożliwia przetwarzanie i analizę bardzo dużych zbiorów danych, co umożliwia podejmowanie bardziej „celowanych” decyzji biznesowych opartych na nieoczywistych informacjach zawartych w tych danych. Technologia Blockchain zapewnia natomiast bezpieczeństwo i niezmienność danych, co jest kluczowe w zapewnieniu transparentności w procesach biznesowych. Dzięki zastosowaniu wspomnianych technologii przedsiębiorstwa mogą opracowywać efektywne strategie zrównoważonego rozwoju, wykorzystując przy tym możliwość cyfryzacji oraz automatyzacji procesów biznesowych. W rezultacie, przedsiębiorstwa mogą tworzyć modele biznesowe, które nie tylko generują zyski, ale także są społecznie odpowiedzialne i przyjazne dla środowiska. Dążenie do wykorzystania zaawansowanych technologii w obszarze ESG staje się nie tylko trendem, ale także koniecznością dla firm pragnących być liderami w zrównoważonym rozwoju [3, 4].

ESG w BFirst.Tech 

BFirst.Tech uważa zrównoważony rozwój za jeden z najistotniejszych elementów strategii firmy. Dzięki wielu innowacyjnym, autorskim oraz przyjaznym środowisku produktom jesteśmy w stanie zaspokajać potrzeby naszych klientów. Drugą dekadę BFirst.Tech wyznacza standardy dla rozwiązań w obszarze redukcji zanieczyszczenia hałasem w środowisku pracy oraz w aglomeracjach miejskich, generowaniu, agregowaniu i dostarczaniu informacji zarządczej (w tym danych dla raportowania niefinansowego ESG), czy monitorowaniu i analizie informacji o stanie infrastruktury przemysłowej przedsiębiorstw.  Będąc świadomymi zachodzących zmian klimatycznych, to właśnie działania na rzecz środowiska są dla nas szczególnie ważne, dlatego też podczas budowania strategii firmy to na nich skupiamy szczególną uwagę.  

Podsumowanie 

ESG stanowi kluczowy element budowania długoterminowej wartości przedsiębiorstw we współczesnym biznesie. Wdrożenie skutecznej strategii ESG pozwala firmom pozytywnie wpływać na ochronę środowiska, relacje z interesariuszami oraz sposób zarządzania wewnątrz organizacji. Niesie za sobą także wiele cennych wartości dla firmy, takich jak trwalsza relacja z klientami, wzrost reputacji firmy, czy też wzmocnienie jej pozycji w branży. Zatem, dzięki wdrożeniu ESG przedsiębiorstwo może się stać niezbędnym elementem otoczenia pozytywnie wpływającym na jakość życia społeczności.

Bibliografia

[1] O ESG – Polskie stowarzyszenie ESG

[2] ESG co to jest? Kogo dotyczy i jaki ma wpływ na przedsiębiorstwo? (sterrn.pl) 

[3] Zrozumieć ESG: Definicja, Znaczenie i Wpływ na Biznes (boringowl.io) 

[4] ESG, Blockchain, and AI – Oh My! | Barnes & Thornburg (btlaw.com) 

Efekt Proteusza – jak awatar wpływa na odbiorcę

Relacja człowieka z technologią jest jednym z obiektów zainteresowania filozofii od pewnego czasu. Na przestrzeni lat powstało wiele teorii, które próbowałyby wytłumaczyć wzajemny wpływ człowieka na technologię i technologii na człowieka, czy całe społeczeństwa. Choć spory deterministów (twierdzących, że to technologia kształtuje człowieka) oraz konstruktywistów (twierdzących, że to człowiek kształtuje technologię) prawdopodobnie nigdy nie zostaną rozstrzygnięte, w tym artykule opisano efekt Proteusza, który może być bliższy jednemu z wymienionych nurtów. 

Czym jest efekt Proteusza? 

Efekt Proteusza jest zjawiskiem, które jako pierwsi opisali Yee oraz Bailenson w 2007 roku. Został on tak nazwany ze względu na mit o bogu Proteuszu, który mógł zmieniać swój wygląd w dowolny sposób. Miał on wykorzystywać swoją moc, aby skrywać swoją wiedzę o wydarzeniach, które miały miejsce oraz o tych, które dopiero miały się stać. Yee i Bailenson zauważyli, że osoby posługujące się wirtualnymi awatarami zmieniają swoje zachowanie na podstawie obserwowanych cech tych postaci, grając nimi w wirtualnym świecie. Para badaczy twierdzi, że gracze wnioskują na podstawie wyglądu i cech awatarów, w jaki sposób powinni dopasować swoje zachowanie oraz ogólne nastawienie, aby sprostać oczekiwaniom, które stawia ich wirtualna reprezentacja. Stwierdzono również, że istnieją podstawy do tego, aby sądzić, iż efekt ten może przedostawać się poza ramy światów cyfrowych i oddziaływać na zachowanie oraz nastawienie osób w świecie rzeczywistym [1].

Efekt Proteusza – przykład występowania

Aby zobrazować na czym polega efekt na realnym przykładzie, posłużę się badaniem, w którym autorzy sprawdzają występowanie efektu Proteusza w trakcie rozgrywania meczy różnymi postaciami w popularnej grze MOBA, Lidze Legend (ang. League of Legends). Uczestnicy rozgrywki są rozdzielani przez grę na dwa zespoły po pięciu graczy, którzy następnie toczą walkę na mapie. Zanim jednak się jej podejmą, każdy z nich musi dokonać wyboru tzw. bohatera (ang. champion). Liga Legend pozwala na rozegranie meczu jednym z ponad 140 bohaterów [2], z których każdy charakteryzuje się innym wyglądem i umiejętnościami. Autorzy tego badania poddali analizie sposób w jaki gracze komunikują się ze sobą, biorąc pod uwagę to, którym bohaterem grają.

Występowanie efektu Proteusza zmierzono wykorzystując czat gry. Na jego podstawie badacze ustanowili wskaźniki takie jak: wokalność („acting more vocal”), zachowania toksyczne („acting more toxic”) i pozytywną lub negatywną wartościowość („valence”). Wartościowość jest formą analizy sentymentu mającą na celu zobrazowanie stanu emocjonalnego gracza. Wyniki analizy potwierdziły występowanie efektu Proteusza, ale nie dla każdego bohatera lub jego typu. Obecność efektu zaobserwowano głównie poprzez wartościowość i toksyczność wypowiedzi. Najważniejszym odkryciem tego badania było dowiedzenie, że sposób komunikacji graczy przez czat rzeczywiście zmieniał się razem z bohaterem, którego wybierali gracze. W zależności od obranej postaci gracz nie wypowiadał się mniej lub więcej, ale mógł być bardziej toksyczny i w gorszym humorze [3].

Efekt Proteusza i jego wykorzystanie

Efekt Proteusza jest fenomenem, który szczególnie zwraca naszą uwagę na relację ludzi z wirtualnymi światami. Dzięki niemu możemy jasno stwierdzić, że w ten, czy inny sposób, technologia wywiera na nas bezpośredni wpływ, nawet zmieniając nasze zachowanie. Niektórzy naukowcy starali się sprawdzić czy można go wykorzystać praktycznie, np. w przypadku wykonywania niektórych zawodów. Zagłębmy się w przeprowadzone przez nich badania.

Wpływ na siłę 

Piątka niemieckich badaczy postawiła hipotezę, według której wykorzystanie odpowiednio dopasowanego awatara sprawi, że osoba sterująca nim będzie wykonywać odpowiednie zadania lepiej, niż gdyby ucieleśniała inną, niewyróżniającą się postać lub siebie samą. W tym przypadku naukowcy zdecydowali się sprawdzić, czy osoba, której wirtualny wygląd sugeruje, że jest silniejsza od badanego, sprawi, że będzie podejmować się większego wysiłku w ćwiczeniach fizycznych. Oprócz śledzenia ruchów badanych ubranych w sprzęt VR, mierzeniu poddano również siłę chwytu.

W trakcie badania uczestnicy byli przydzielani do awatarów zgodnie ze swoją płcią. Badani zostali poddani serii zadań ćwiczeniowych, w których m.in. podnosili ciężarki o różnej ciężkości, czy musieli przez pięć sekund jak najsilniej ściskać dłoń. Zgodnie z rezultatami, autorzy uznają, że badania nie można jednak uznać za reprezentacyjne. W przypadku kobiet nie stwierdzono zwiększonej siły chwytu. U mężczyzn, aczkolwiek, takie wyniki są widoczne. Można zatem cząstkowo wnioskować, że bardziej muskularny awatar może mieć wpływ na siłę mężczyzn [4].

Stymulant kreatywności

W poniższym badaniu sprawdzano, czy awatar jako reprezentacja jednostki w świecie wirtualnym stymuluje kreatywność. W ramach badania organizowano sesje kreatywne, podczas których uczestnicy przeprowadzali burzę mózgów ucieleśniając daną postać. Przed umówieniem sesji badacze wyłonili kilka awatarów, które były postrzegane jako kreatywne i neutralne. Uczestników podzielono na trzy grupy: kontrolną (brainstorming w świecie rzeczywistym), wykorzystującą awatary neutralne oraz wykorzystującą awatary kreatywne, określonych jako wynalazców. Wszystkie grupy odbywały sesje kreatywne w tych samych pomieszczeniach – grupa kontrolna zbierała się wokół okrągłego stołu, a pozostałe korzystały ze sprzętu w tym samym pokoju w oddzielnych kubikach. Następnie w wirtualnej rzeczywistości siadały przy okrągłym stole w odtworzonej przestrzeni. 

W lewej części znajduje się pomieszczenie z okrągłym stołem i krzesłami wokół niego w przestrzeni wirtualnej. W prawej części widnieje pierwowzór w świecie rzeczywistym.
Rysunek 1. Po lewej pomieszczenie z okrągłym stołem i stanowiskami odtworzone w przestrzeni wirtualnej. Po prawej jej pierwowzór w świecie rzeczywistym. [5]

Badacze uniknęli jakiegokolwiek kontaktu badanych z grup awatarowych między sobą, przed oraz po odbyciu się głównej części sesji burzy mózgów; badani nigdy się ze sobą nie spotkali poza eksperymentem. Pierwszym ważnym wynikiem, szczególnie istotnym dla przyszłości zdalnej współpracy, jest fakt, że grupy korzystające z niekreatywnych awatarów osiągały takie same wyniki, jak te które siedziały przy stole w świecie rzeczywistym. Jednakże najważniejszym rezultatem jest dowiedzenie, że osoby, które ucieleśniały awatar wynalazcy odznaczały się konsekwentnie lepszymi wynikami dla każdego ze wskaźników mierzących poziom kreatywności wykorzystywanych w eksperymencie [5].

Pomoc w poprawie komunikacji 

Kolejne badanie zostało przeprowadzone, aby zbadać możliwości szkolenia umiejętności skutecznej komunikacji lekarzy na etapie przedoperacyjnym. Komunikacja z pacjentem może być nieskuteczna m.in. przez to, że lekarze przenoszą zwroty ze środowiska zawodowego. W ramach tego badania wykorzystano dwa doświadczenia w rzeczywistości wirtualnej. W trakcie doświadczenia uczestnicy wcielali się w rolę pacjenta. Na ich podstawie udało się opisać rozwój i wrażenia, które towarzyszyły badanym.

W trakcie eksperymentu uczestnicy przeżywali negatywny lub pozytywny styl komunikacji w sytuacji, w której za niedługo mieliby być poddani operacji. Dzięki przeprowadzonym wywiadom na następnym etapie badawczym wynikło, że uczestnicy uznali istotność znaczenia dobrych umiejętności komunikacyjnych. Ogólnie rzecz biorąc, uczestnicy nauczyli się i dostosowali swój styl komunikacji w późniejszej pracy. Rzeczywistość wirtualna, w której uczestnicy ucieleśniali pacjenta w jednym z dwóch doświadczeń, okazała się skuteczna w zapewnianiu w pełni immersyjnego doświadczenia. Jak twierdzą uczestnicy – czuli się, jakby byli pacjentem. Można zatem dalej wyciągnąć z tego badania, że efekt Proteusza przydaje się również w celach edukacyjnych, poprawy komunikacji i zwiększaniu empatii wobec drugiego człowieka [6].

Podsumowanie

W obliczu nieustannego rozwoju technologii ciągle odkrywamy nowe zjawiska, które mogą następnie kształtować nasze podejście do niej w przyszłości. Efekt Proteusza pokazuje nam, że jej wpływ potrafi być znacznie bardziej bezpośredni niż możemy przypuszczać na co dzień. Choć ten fenomenom jest w dużej mierze nieszkodliwy, wskazuje na to jak dajemy się porwać naszej reprezentacji w świecie wirtualnym. Człowiek już rozpoczął poszukiwanie zastosowania jego właściwości w zróżnicowanych środowiskach – jako mentalne odblokowanie swojej siły, wspomaganie procesów kreatywnych, czy edukacja skutecznej komunikacji. Jednakże, aby móc odpowiedzieć na pytanie, czy efekt Proteusza zadomowi się na dobre w naszej codzienności, musimy jeszcze poczekać. Dodatkowo, warto wiedzieć, iż firma Microsoft rozpoczęła prace nad organizowaniem konferencji międzynarodowych w świecie wirtualnym, z wykorzystaniem awatarów. Z kolei polski startupowiec Gryń – były właściciel firmy Codewise – założył firmę w Londynie, aby skanować ludzi do tego typu przeznaczeń. W BFirst.Tech, dzięki wykorzystaniu jednego z obszarów firmy, czyli Data Architecture & Management (a konkretnie produktu Artificial Intelligence Adaptations) zrealizowany został projekt dla sieci klinik Rehasport, który pozwala na przeprowadzanie operacji w tzw. rzeczywistości rozszerzonej (AR).

Bibliografia

[1] The Proteus Effect: The Effect of Transformed Self‐Representation on Behavior: https://academic.oup.com/hcr/article-abstract/33/3/271/4210718?redirectedFrom=fulltext&login=false 

[2] Liczba na podstawie opisu na stronie: https://www.leagueoflegends.com/en-us/champions/ (dostęp: 23.06.2024) 

[3] Do players communicate differently depending on the champion played? Exploring the Proteus effect in League of Legends: https://www.sciencedirect.com/science/article/abs/pii/S0040162522000889

[4] Flexing Muscles in Virtual Reality: Effects of Avatars’ Muscular Appearance on Physical Performance: https://www.academia.edu/77237473/Flexing_Muscles_in_Virtual_Reality_Effects_of_Avatars_Muscular_Appearance_on_Physical_Performance 

[5] Avatar-mediated creativity: When embodying inventors makes engineers more creative: https://www.sciencedirect.com/science/article/pii/S0747563216301856 

[6] Patient-embodied virtual reality as a learning tool for therapeutic communication skills among anaesthesiologists: A phenomenological study: https://www.sciencedirect.com/science/article/pii/S0738399123001696 

Jezioro Danych – zastosowanie uczenia maszynowego

W erze cyfryzacji rośnie zapotrzebowanie na zaawansowane technologie nie tylko do gromadzenia, ale przede wszystkim analizy danych. Przedsiębiorstwa akumulują coraz większe ilości różnorodnych informacji, które mogą zwiększać ich efektywność i innowacyjność. Produkt Data Engineering oferowany przez firmę BFirst.Tech może odgrywać kluczową rolą w procesie wykorzystywania tych danych dla dobra firmy.  Jest to jedna z najnowocześniejszych technologii do efektywnego zarządzania i przetwarzania informacji. W niniejszym artykule przedstawimy jedną z możliwości oferowanych przez Jezioro Danych.

Data Engineering – najnowsza technologia do zbierania i analizowania informacji 

Inżynieria danych to proces projektowania oraz wdrażania systemów do efektywnego zbierania, przechowywania i przetwarzania obszernych zbiorów danych. Wspiera to akumulację informacji, takich jak analiza ruchu na stronach internetowych, dane z czujników IoT, czy trendy zakupowe konsumentów. Zadaniem inżynierii danych jest zapewnienie, że informacje są zręcznie gromadzone i magazynowane oraz łatwo dostępne i gotowe do analizy. Dane mogą być efektywnie przechowywane w jeziorach, hurtowniach czy składnicach danych, a tak zintegrowane źródła danych mogą służyć do tworzenia analiz lub zasilania silników sztucznej inteligencji. Zapewnia to wszechstronne wykorzystanie zgromadzonych informacji (patrz szczegółowy opis produktu Data Engineering (rys. 1)).

Data Engineering, sustainable data management

rys. 1 – Data Engineering

Jezioro Danych w przechowywaniu zbiorów informacji  

Jezioro Danych pozwala na przechowywanie ogromnych ilości surowych danych w ich pierwotnym, nieprzetworzonym formacie. Dzięki możliwościom, jakie oferuje Data Engineering, Jezioro Danych jest zdolne do przyjmowania i integracji danych z różnorodnych źródeł. Mogą to być dokumenty tekstowe, ale także obrazy, aż po dane pochodzące z czujników IoT. To umożliwia analizę i wykorzystanie złożonych zbiorów informacji w jednym miejscu. Elastyczność Jezior Danych oraz ich zdolność do integracji różnorodnych typów danych sprawiają, że stają się one niezwykle cenne dla organizacji, które stoją przed wyzwaniem zarządzania i analizowania dynamicznie zmieniających się zbiorów danych. W przeciwieństwie do hurtowni danych, Jezioro Danych oferuje większą wszechstronność w obsłudze różnorodnych typów danych. Jest to możliwe dzięki zaawansowanym technikom przetwarzania i zarządzania danymi stosowanym w inżynierii danych. Jednakże, ta wszechstronność rodzi również wyzwania w zakresie przechowywania i zarządzania tymi złożonymi zbiorami danych, wymagając od inżynierów danych ciągłego dostosowywania i innowacyjnych podejść. [1, 2] 

Jezioro Danych a przetwarzanie informacji i wykorzystanie uczenia maszynowego

Rosnąca ilość przechowywanych danych oraz ich różnorodność stanowią wyzwanie w zakresie efektywnego przetwarzania i analizy. Tradycyjne metody często nie nadążają za tą rosnącą złożonością, prowadząc do opóźnień i ograniczeń w dostępie do kluczowych informacji. Uczenie maszynowe, wsparte przez innowacje w dziedzinie inżynierii danych, może znacząco usprawnić te procesy. Wykorzystując obszerne zbiory danych, algorytmy uczenia maszynowego identyfikują wzorce, przewidują wyniki i automatyzują decyzje. Dzięki integracji z Jeziorami Danych (rys. 2), mogą one pracować z różnymi typami danych, od strukturalnych po niestrukturalne, umożliwiając przeprowadzanie bardziej złożonych analiz. Ta wszechstronność pozwala na głębsze zrozumienie i wykorzystanie danych, które byłyby inaczej niedostępne w tradycyjnych systemach.

Zastosowanie uczenia maszynowego w Jeziorach Danych umożliwia głębszą analizę i efektywniejsze przetwarzanie dzięki zaawansowanym narzędziom i strategiom inżynierii danych. Pozwala to organizacjom transformować ogromne ilości surowych danych w użyteczne i wartościowe informacje. Jest to istotne dla zwiększenia ich efektywności operacyjnej i strategicznej. Ponadto, wykorzystanie uczenia maszynowego wspomaga interpretację zgromadzonych danych i przyczynia się do bardziej świadomego podejmowania decyzji biznesowych. W efekcie, firmy mogą dynamiczniej dostosowywać się do rynkowych wymogów i innowacyjnie tworzyć strategie oparte na danych. 

Jezioro danych

rys. 2 – Jezioro Danych

Podstawy uczenia maszynowego oraz kluczowe techniki i ich zastosowania  

Uczenie maszynowe, będące integralną częścią tzw. sztucznej inteligencji, umożliwia systemom informatycznym samodzielne uczenie się i doskonalenie na podstawie danych. W tej dziedzinie wyróżniamy typy uczenia takie jak uczenie nadzorowane, uczenie nienadzorowane i uczenie ze wzmocnieniem. W uczeniu nadzorowanym każdy przykład danych ma przypisaną etykietę lub wynik, który pozwala maszynom na naukę rozpoznawania wzorców i przewidywania. Stosowane jest to m.in. w klasyfikacji obrazów lub prognozowaniu finansowym. Z kolei uczenie nienadzorowane, pracujące na danych bez etykiet, skupia się na znajdowaniu ukrytych wzorców. Jest to użyteczne w zadaniach takich jak grupowanie elementów czy wykrywanie anomalii. Natomiast uczenie ze wzmocnieniem opiera się na systemie nagród i kar, pomagając maszynom optymalizować swoje działania w dynamicznie zmieniających się warunkach, jak np. w grach czy automatyce. [3]

Co jeśli chodzi o algorytmy? Sieci neuronowe są doskonałe do rozpoznawania wzorców skomplikowanych danych – jak obrazy czy dźwięk – i stanowią podstawę wielu zaawansowanych systemów AI. Drzewa decyzyjne są używane do klasyfikacji i analizy predykcyjnej, na przykład w systemach rekomendacji lub prognozowaniu sprzedaży. Każdy z tych algorytmów ma swoje unikalne zastosowania. Może być dostosowany do specyficznych potrzeb zadania lub problemu, co czyni uczenie maszynowe wszechstronnym narzędziem w świecie danych. 

Przykłady zastosowań uczenia maszynowego 

Zastosowanie uczenia maszynowego w Jeziorach Danych, otwiera szerokie spektrum możliwości, od detekcji anomalii po personalizację ofert i optymalizację łańcuchów dostaw. W sektorze finansowym algorytmy te skutecznie analizują wzorce transakcji, identyfikując nieprawidłowości i potencjalne oszustwa w czasie rzeczywistym, co ma kluczowe znaczenie w zapobieganiu oszustwom finansowym. W handlu detalicznym i marketingu, uczenie maszynowe pozwala na personalizację ofert dla klientów poprzez analizę zachowań zakupowych i preferencji, zwiększając satysfakcję klienta i efektywność sprzedaży. [4] W przemyśle, algorytmy te przyczyniają się do optymalizacji łańcuchów dostaw, analizując dane z różnych źródeł, jak prognozy pogody czy trendy rynkowe, co pomaga w przewidywaniu popytu i zarządzaniu zapasami oraz logistyką [5].

Można je też wykorzystać do wstępnego projektowania czy optymalizacji produktów. Innym, interesującym zastosowaniem uczenia maszynowego w Jeziorach Danych jest analiza obrazów. Algorytmy uczenia maszynowego są w stanie przetwarzać i analizować duże zbiory zdjęć czy obrazów, znajdując zastosowanie w takich dziedzinach jak diagnostyka medyczna, gdzie mogą pomagać w wykrywaniu i klasyfikowaniu zmian chorobowych na obrazach radiologicznych, czy w systemach bezpieczeństwa, gdzie analiza obrazu z kamer może służyć do identyfikacji i śledzenia obiektów lub osób.  

Podsumowanie

Artykuł ten zwraca uwagę na rozwój w obszarze analizy danych, podkreślając jak uczenie maszynowe, Jeziora Danych i inżynieria danych wpływają na sposób w jaki organizacje przetwarzają i wykorzystują informacje. Wprowadzenie tych technologii do biznesu ulepsza istniejące procesy oraz otwiera drogę do nowych możliwości. Data Engineering wprowadza modernizację w przetwarzaniu informacji, która charakteryzuje się większą precyzją, głębszymi wnioskami i bardziej dynamicznym podejmowaniem decyzji. To podkreśla rosnącą wartość inżynierii danych w nowoczesnym świecie biznesu, co jest ważnym czynnikiem w dostosowywaniu się do zmieniających się wymagań rynkowych i tworzeniu strategii opartych na danych. 

Bibliografia

[1] https://bfirst.tech/data-engineering/ 

[2] https://www.netsuite.com/portal/resource/articles/data-warehouse/data-lake.shtml 

[3] https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained 

[4] https://www.tableau.com/learn/articles/machine-learning-examples 

[5]https://neptune.ai/blog/use-cases-algorithms-tools-and-example-implementations-of-machine-learning-in-supply-chain 

Nowe rozwiązania w komputerach stacjonarnych

Współczesny rynek technologiczny prężnie rozwija się w zakresie komputerów stacjonarnych. Firmy technologiczne próbują wyróżniać swoje produkty poprzez wprowadzanie do nich innowacyjnych rozwiązań. W ostatnim czasie duży rozgłos zyskał Mac M1 Ultra.

Nowy komputer od Apple, odznacza się przede wszystkim swoją wielkością i mobilnością. Zaprezentowany na początku marca produkt jest pełnoprawnym desktopem zamkniętym w obudowie o wymiarach 197 x 197 x 95 mm. Porównując to do kart graficznych NVIDIA z serii RTX, np. Gigabyte GeForce RTX 3090 Ti 24GB GDDR6X, gdzie samo GPU ma wymiary 331 x 150 x 70 mm, okazuje się, że otrzymujemy cały komputer o rozmiarach karty graficznej. [4]

Apple M1 Ultra  - przedni panel

Rys. 1 – Apple M1 Ultra  – przedni panel [5]

Różnica w budowie

Rdzenie to fizyczne elementy procesora w których zachodzą procesy i obliczenia, im więcej rdzeni tym szybciej pracować będzie komputer. Proces technologiczny wyrażony w nm oznacza wielkość bramki tranzystora i przekłada się na zapotrzebowanie energii oraz ciepło generowane przez procesor. Zatem im mniejsza wartość jest wyrażona w nm, tym wydajniejszy jest procesor.

Procesor M1 Ultra ma 20 rdzeni i tyle samo wątków, a wykonany jest w technologii 5nm. [4][6] Dla porównania AMD oferuje maksymalnie 16 rdzeni i 32 wątki w technologii 7nm [7] (nowe procesory AMD z serii ZEN4 mają mieć technologię 5nm, jednak na  ten moment nie znamy dokładnej specyfikacji [3]) a Intel 16 rdzeni i 32 wątki w technologii 14nm [8]. Wobec powyższego, w teorii produkt od Apple ma znaczną przewagę nad jednostkami z komputerów stacjonarnych w kwestiach wydajności pojedynczego wątku. [Rys. 2]

Wydajność nowego komputera Apple

Według zapewnień producenta, GPU od Apple miało przewyższać najlepszą, na tamten moment, dostępną kartę graficzną – RTX 3090.

Wykres  wydajności procesora od ilości zużytego prądu

Rys. 2 – Wykres  wydajności procesora od ilości zużytego prądu [9] . Wykres pokazany przez Apple podczas prezentacji nowego produktu

Zintegrowana karta graficzna miała zapewniać lepszą wydajność przy zużyciu ponad 200W mniej mocy. [Rys. 3] Po premierze, użytkownicy sprawdzili jednak szybko zapewnienia producenta i okazało się, że RTX znacznie przewyższa w testach benchmarkowych produkt Apple.

Wykres wydajności karty graficznej od ilości zużytego prądu

Rys. 3 – Wykres wydajności karty graficznej od ilości zużytego prądu [9]. Wykres pokazany przez Apple podczas prezentacji nowego produktu. Porównany z RTX 3090

Problemem jest to, że te benchmarki w większości wykorzystują programy niezoptymalizowane pod Mac OS, przez co produkt Apple nie wykorzystuje całości swojej mocy. W testach wykorzystujących całą moc GPU M1 Ultra wypada bardzo podobnie do swojego dedykowanego rywala. Niestety nie wszystkie aplikacje są napisane pod system operacyjny Apple, co mocno ogranicza zastosowania, w których wykorzystamy pełną moc komputera. [10]

Na poniższym wykresie zostało przedstawione porównanie liczby klatek na sekundę w “Shadow of the Tomb Raider” z 2018 roku. [Rys. 4] Im więcej klatek tym płynniejszy jest obraz. [2]

Liczba klatek na sekundę w grze z serii Tomb Raider

Rys. 4 – Liczba klatek na sekundę w grze z serii Tomb Raider (im więcej tym lepiej). [2]

Pobór energii nowego Mac Studio M1 Ultra w porównaniu do standardowych komputerów stacjonarnych

Pomimo dużej mocy obliczeniowej, nowy produkt Apple jest bardzo energooszczędny. Producent podaje, że jego maksymalny ciągły pobór mocy wynosi 370W. Standardowe PC na współczesnych podzespołach nie schodzą poniżej 500W a rekomendowana moc dla sprzętu z najlepszymi częściami wynosi 1000W [Tab. 1] ( Nvidia GeForce RTX 3090 Ti + AMD R7/9 lub Intel i7/9 ).  

 Intel i5
AMD R5
Intel i7
AMD R7
Intel i9 K
AMD R9
NVIDIA RTX 3090 Ti850W1000W1000W
NVIDIA RTX 3090750W850W850W
NVIDIA RTX 3080 Ti750W850W850W
NVIDIA RTX 3080750W850W850W
NVIDIA RTX 3070 Ti750W850W850W
NVIDIA RTX 3070650W750W750W
Lower graphic cards650W650W650W
Tab. 1 – Tabela rekomendowanej mocy zasilacza zależnie od użytego procesora i karty graficznej. W kolumnach procesory AMD i Intel, w wierszach karty graficzne NVIDIA z serii RTX. [1]

Oznacza to znacznie mniejsze koszty utrzymania takiego komputera. Zakładając, że nasz komputer pracuje 8h dziennie i średni koszt kWh na poziomie 0,77 PLN, otrzymujemy oszczędność na poziomie 1500 zł rocznie. W krajach, które nie są zasilane zieloną energią oznacza to również mniejszą ilość zanieczyszczeń.

Problemy produktu od Apple

Produkty od Apple mają dedykowany software, co oznacza lepszą kompatybilność z hardware i przekłada się na lepszą wydajność, ale oznacza też, że dużo programów nie napisanych pod Mac OS nie jest w stanie całkowicie wykorzystać potencjału M1 Ultra. Produkt nie pozwala na korzystanie z dwóch systemów operacyjnych lub samodzielne zainstalowanie Windowsa/Linuxa. Okazuje się więc, że to co pozwala M1 Ultra osiągnąć tak dobre wyniki w niektórych warunkach, jest też powodem przez który nie jest w stanie konkurować wydajnością w innych programach dla komputerów stacjonarnych. [10]

Podsumowanie

Apple M1 Ultra jest silnym komputerem w małej obudowie. Technologia 5nm zapewnia najlepszą energooszczędność wśród produktów aktualnie dostępnych na rynku. Jednak przez swoją niską kompatybilność i wysoką cenę nie zastąpi standardowych komputerów stacjonarnych. Aby uzyskać maksymalną wydajność potrzebne są programy dedykowane pod system operacyjny Apple. Decydując się na ten komputer trzeba to mieć na myśli. Z tego powodu, pomimo wielu zalet jest to raczej produkt przeznaczony dla profesjonalnych grafików, muzyków lub edytorów wideo.

Bibliografia

[1] https://www.msi.com/blog/we-suggest-80-plus-gold-1000w-and-above-psus-for-nvidia-geforce-rtx-3090-Ti

[2] https://nano.komputronik.pl/n/apple-m1-ultra/

[3] https://www.tomshardware.com/news/amd-zen-4-ryzen-7000-release-date-specifications-pricing-benchmarks-all-we-know-specs

[4] https://www.x-kom.pl/p/730594-nettop-mini-pc-apple-mac-studio-m1-ultra-128gb-2tb-mac-os.html

[5] https://dailyweb.pl/apple-prezentuje-kosmicznie-wydajny-mac-studio-z-nowym-procesorem-m1-ultra/

[6] https://geex.x-kom.pl/wiadomosci/apple-m1-ultra-specyfikacja-wydajnosc/

[7] https://www.amd.com/pl/partner/ryzen-5000-series-desktop

[8] https://www.cpu-monkey.com/en/

[9] https://www.apple.com/pl/newsroom/2022/03/apple-unveils-m1-ultra-the-worlds-most-powerful-chip-for-a-personal-computer/

[10] https://youtu.be/kVZKWjlquAU?t=301