RHS. Revista. Humanismo. Soc. 11(1), e9/1-17, ene.- jun. 2023 / ISSNe 2339-4196
Artículo de reflexión derivado de investigación
RHS. Revista. Humanismo. Soc. 11(1), e9/1-17, ene.- jun. 2023 / ISSNe 2339-4196
Artículo de reflexión derivado de investigación
Big Data y áreas de oportunidad para la proyección del Sistema Inteligente de Transporte en Bogotá, Colombia
Big Data and Areas of Opportunity for the Projection of the Intelligent Transportation System in Bogotá, Colombia
Nancy Edith Ochoa Guevara1
nancy.ochoa@uniremington.edu.co
https://orcid.org/0000-0002-4533-4990
Sandra Patricia Ochoa Guevara2
https://orcid.org/0000-0001-6089-1229
Pedro Adolfo Garzón Martínez3
https://orcid.org/0000-0002-4753-4558
https://doi.org/10.22209/rhs.v11n1a09
Recibido: enero 25 de 2023.
Aceptado: mayo 8 de 2023.
Para citar: Ochoa Guevara, N. E., Ochoa Guevara, S. P., & Garzón Martínez, P. A. (2023). Big Data y áreas de oportunidad para la proyección del Sistema Inteligente de Transporte en Bogotá, Colombia. RHS-Revista Humanismo y Sociedad, 11(1), 1-17. https://doi.org/10.22209/rhs.v11n1a07
Resumen
Hoy en día, en las grandes ciudades de Colombia, en especial en Bogotá, y debido al crecimiento de su población (9,3 millones con la llegada de inmigrantes), se exige una demanda de aporte a la proyección de sistemas inteligentes de transporte públicos y privados como un logro de la política de movilidad de la administración de la Bogotá Humana. De ahí surge el interrogante: ¿cuál es el desafío y las áreas de oportunidad de adaptar un Big Data en la proyección de un Sistema Inteligente de Transporte para todos los ciudadanos en Bogotá? A partir de esta pregunta, se propone determinar los aportes que el Big Data ofrece como centro de acopio en la proyección de un sistema inteligente para la ciudad. La indagación se plantea desde un enfoque cualitativo y un estudio descriptivo.
Se incluye la revisión de algunos estudios realizados mediante las técnicas del Big Data y del análisis de datos de contenido de la estructura organizada de estos por la Secretaría Distrital de Movilidad en Bogotá. Los resultados permiten orientar los aportes del Big Data después de analizar la estructura de indicadores que ofrecen estos el conjunto de datos. A partir de estos, se encuentran brechas y vacíos preocupantes para el Sistema Inteligente de Transporte que se espera en el futuro para Bogotá.
Palabras clave: analítica de datos, brechas de datos, indicadores, tecnología, volumen de datos, metodología.
Abstract
Today, the large cities of Colombia – especially Bogotá, due to the growth of its population (9.3 million with the arrival of immigrants) – demand the projection of intelligent public and private transport systems, as an achievement of the mobility policy of the Bogota Humana administration. Hence, this question arises: What are the challenges and areas of opportunity of adapting Big Data to project an Intelligent Transportation System for all citizens in Bogotá? Based on this question, our aim is to determine the contributions that Big Data offers as a collection center for the projection of an intelligent system for the city. Our research was proposed with a qualitative approach and a descriptive study.
The review of some studies developed using Big Data techniques and content data analysis of their organized structure by the District Mobility Secretariat in Bogotá was included. The results allow guiding the contributions of Big Data after analyzing the structure of indicators offered by the data set. From these, we found gaps and voids that are concerning for the Intelligent Transportation System that is expected in the future for Bogotá.
Keywords: Data analytics, Data gaps, Indicators, Technology, Data volume, Methodology.
Introducción
Los Intelligent Transport Systems [its] tienen como propósito el control del tránsito y el transporte; revisan, analizan, evalúan y proponen soluciones para la congestión vehicular, la accidentalidad y la contaminación ambiental, entre otros. Estos sistemas le apuntan a una gestión eficiente, sostenible y sustentable de la infraestructura vial, en especial en las grandes ciudades.
Según Molina y Espitia (2016), este objetivo se logra con el apoyo de herramientas de última generación enmarcadas en la industria 4.0 y la aplicación de la inteligencia artificial con datos estructurados y no estructurados, extraídos desde los dispositivos y procesados en esquemas de computación en la nube, internet de las cosas (IoT) y algoritmos de aprendizaje desde el Big Data. Esto representa un gran aporte de las tecnologías de la información y la comunicación [tic] para las grandes ciudades del mundo (Zanoon et al., 2017).
Por tanto, el Big Data, como mencionan Arango et al. (2015), se aprovecha en gran parte de los dispositivos y periféricos electrónicos que se encuentran dentro y fuera de la ciudad de Bogotá. Gracias a estas conexiones, detecta datos que aportan a las predicciones en tiempo real, al ser procesados y analizados para identificar y visualizar una situación específica.
Según Cacho-Elizondo y Lázaro (2018), la transformación digital “se trata del proceso de modificar a una organización usando herramientas innovadoras, así como adoptar tecnología de punta y, al mismo tiempo, cambiar radicalmente la cultura corporativa con el propósito de adoptar nuevos modelos de operación y de negocio” (Rincón-García, p. 33).
De ahí que, la empresa Moovit (2022) revela las últimas tendencias de transporte a partir de las búsquedas realizadas por los usuarios. Allí Rincón-García et al. (2020), ofrece una radiografía de cómo se mueven las personas en las ciudades grandes del mundo. En este caso se filtra la ciudad de Bogotá en Colombia y se enuncian los siguientes resultados con una estadística a enero del 2022.
El promedio de tiempo que dedica la gente a desplazarse en trasporte público es de 67 minutos. El 64 % de estos usuarios se toman un promedio superior de 2 horas al día en sus desplazamientos. La media de tiempo que una persona espera en una estación de trasporte público es de 21 minutos, mientas que el 56 % excede este lapso. Sin embargo, el 47 % de los usuarios de trasporte en la capital viajan más de 12 km un una sola dirección y la distancia media que una persona camina desde su última parada a su destino es de 1,09 Km, y el 43 % camina más de 1 Km para llegar a su destino.
Por lo tanto, para Kitzmann et al. (2022) esa información, por sus propiedades, demanda de técnicas de recolección, almacenamiento, gestión e interpretación para que se logren crear modelos con márgenes de error muy bajos. Este conjunto de habilidades entre hombre, datos y máquina se conoce como análisis de datos. Su naturaleza es describir la “Administración”, es decir, la política institucional para poder extraer, unificar y estandarizar la información de distintas fuentes, fortaleciendo la toma de decisiones desde la técnica de la predicción. Todo esto no sería posible sin intervención humana, recolección de distintas fuentes de datos como pueden ser radiografías, sensores, tablas de datos, videos de plataformas como Facebook, etc. o de cualquier otra fuente; así como la ayuda de tecnologías desarrolladas en programas (software) y herramientas (hardware) que dan forma, crean y transforman nuevos datos desde su estructura y no estructura bajo la técnica del Big Data (Suat-Rojas, 2021).
De acuerdo con Vásquez (2021), los sistemas de transporte se deben adaptar de acuerdo con la dinámica y globalización de la economía, infraestructura y, sobre todo, con el crecimiento poblacional. La innovación constante e integración de todo tipo de ciencias y tecnologías, como el Internet of Things (IoT) (internet de las cosas), darán paso a infraestructuras más robustas, interconectadas e inteligentes donde los datos de sensores, drones, cámaras, vehículos, actores (entidades u organizaciones) y sistemas de posicionamiento Global-GPS brindarán un análisis más sofisticado de la información que permitirá un mejor desempeño de los Intelligent Transport Systems.
El análisis y gestión de datos en los sistemas de trasporte trae consigo ventajas que suponen mejorías en aspectos cotidianos como el hecho de poder hacer pagos electrónicos al instante en peajes, sin intervención de un operador y sin efectivo; reconocimiento facial en seguridad vial; reducción en la tasa de accidentalidad o en consumo de combustible usando sensores de medición para ver aspectos como velocidad, alteraciones en las rutas, tiempos de salida, llegada a estaciones. Todo esto permite la supervisión, administración y seguimiento sobre los protagonistas viales, lo que optimiza las rutas la productividad, competitividad de todo el sector, y brinda una mejoría en la experiencia e información hacia el usuario (Cheng, et al., 2015).
Como objetivos en la analítica de datos, la técnica del Big Data y los its en el planeta logran caracterizar el desarrollo social que se ve reflejado en la calidad de vida de los usuarios del sistema, la seguridad en las vías, los peatones, la eficiencia y mejora en el trasporte público por carreteras, la reducción en problemas de salud de los conductores y peatones.
La importancia de esta investigación radica en dilucidar cuál es el desafío y las áreas de oportunidad de adaptar un Big Data en la proyección de un Sistema Inteligente de Transporte para todos los ciudadanos en Bogotá.
De allí que el objetivo es identificar el desafío y las oportunidades en la proyección de un its en Colombia, en especial en la ciudad de Bogotá, por medio de la búsqueda de estudios y proyectos sobre los its para las grandes ciudades; de igual forma con el análisis de la estructura de contenido de siete grupos de datos al azar extraídas de la Secretaría Distrital de Movilidad en Bogotá.
Se parte de algunos modelos y métodos utilizados desde la tecnología de última generación en algunos países guía para el its de Bogotá, resaltando áreas primordiales que se cubrirán y aportarán de forma exitosa en la proyección del its. De igual forma, el análisis de los datos arroja indicadores preocupantes al revisar su estructura desde el contenido, que resulta vacía y redundante, con falta de integridad y bastantes valores en cero (0).
Marco conceptual
Impacto en el sector transporte
Los volúmenes incrementales de acuerdo con Bbvaapimarket.com (2020) en la compra de carros, motos y el uso de medios de trasporte como taxis, carros particulares, públicos, tráfico pesado, obras en vía, cierre de carriles y demás, son los factores más notorios en de la administración del tráfico. Por eso, en la adopción de nuevas tecnologías, soluciones y planes de mejora, se encuentra el uso compartido de medios de trasporte, la gestión y regulación de medios de trasporte público privado, el uso de bicicletas para desplazamientos de trayectos medianos e integración de soluciones como el “último kilómetro”, el cual permite a ciudadanos tomar en préstamo bicicletas para desplazarse en trayectos cortos y medios, que puedan adaptarse, cambiar y reducir en embotellamiento del tráfico en algunos sectores críticos en la ciudad.
En la Figura 1 se presentan algunos tipos de movilidad como la bicicleta, el transporte masivo llamado Transmilenio; el porcentaje de viajes realizados por estrato, el tipo de género o sexo y el motivo del viaje, como compras, estudio y regreso a casa, indicadores relevantes en la ciudad de Bogotá.
Figura 1. Algunos indicadores de movilidad en Bogotá
Fuente: Secretaría Distrital de Movilidad (2019).
Elementos para iniciar una transformación digital
Según Chowdhury et al. (2017), se pueden considerar como elementos relevantes en la iniciativa de la transformación digital los que se visualizan en la Tabla 1. Entre ellos están la concientización, los consumidores exigentes, el modelo de negocio, la plataforma digital, el internet de las cosas, el Big Data y la tecnología digital.
Tabla 1. Elementos para iniciar una transformación digital
|
Elementos |
Proceder |
|
Concientización |
Sensibiliza a empresarios, consumidores y Gobierno. |
|
Consumidores exigentes |
Empiezan a vivir en un entorno tecnológico, bajo una transformación digital |
|
Modelo de negocio |
Migra sus procesos de negocio centralizados a un modelo global y flexible |
|
Plataforma digital |
La nueva dinámica social y económica debe ser atendida por las instituciones, requiere de una transformación que entienda el nuevo lenguaje de los consumidores |
|
Internet de las cosas |
El intercambio de la información entre dispositivos es una de las principales áreas que hay que trabajar para mantener una comunicación constante y en tiempo real. Esto permitirá satisfacer las nuevas exigencias de los consumidores actuales |
|
Big Data |
El volumen “masivo” de los datos debe ser explotado al máximo para identificar las situaciones actuales reales |
|
Legalización de la tecnología abierta y divisas digitales |
Aplicación de sistemas y políticas de seguridad que salvaguarden los intereses de los empresarios y consumidores |
Fuente: Chowdhury et al., (2017).
De acuerdo con el contexto anterior, es relevante identificar la relación que existe entre la generación de las últimas tecnologías como es el Big Data, con el desarrollo urbano sostenible en la ciudad de Bogotá. Esto, a partir de la interacción de la mayoría de los dispositivos y la comunicación con infraestructura, procesamiento de grandes cantidades de datos, lo que permite un encaminamiento directo a un its en esta ciudad (Aristizábal, 2016).
El Big Data desde los its
Siguiendo la recomendación de Rocha y Villarreal (2018), se aplica la técnica del Big Data enfocada en tres principios: 1) Análisis de los datos. Tomando aquellos datos relevantes y dejando en una bitácora los que por el momento no aportan para el tema específico; 2) generar valor agregado en los datos seleccionados no redundantes en el principio anterior. Este valor agregado se estipula con una serie de preguntas que, al procesar los datos, se contestan y aportan significativamente al tema de estudio; y por último, 3) el diseño de una prueba piloto para visualizar los resultados obtenidos, logrando su análisis y evaluación y concluir al respecto.
Beneficios del Big Data
En la Tabla 2 se acopian algunas definiciones importantes como apoyo a esta herramienta BD de última generación bajo la industria de 4.0, el cual se caracteriza por su velocidad, variedad y veracidad en el uso y manejo de los datos estructurados y no estructurado al momento de resolver la problemática requerida.
Tabla 2. Algunas definiciones relevantes del Big Data
|
Autores |
Proceder |
|
Aportes |
Sensibiliza a empresarios, consumidores y Gobierno. |
|
Serrano Cobos (2013) |
Big Data es el término que se usa cada vez más para describir la técnica para recopilar y analizar datos “masivos” estructurados y no estructurados para dar soluciones complejas. |
|
Vásquez García (2015) |
Big Data es un conjunto de técnicas informáticas que sirven para almacenar, procesar y gestionar volúmenes de información. Un sistema de Big Data debe ser veloz, tener variedad en los datos que almacena, es decir, ser capaz de guardar tipos de datos de diferentes estructuradas. |
|
Rogelez et al. (2013) |
Big Data es un término que se aplica a un conjunto de datos cuyo tamaño o tipo está más allá de la capacidad de las bases de datos tradicionales para capturar, administrar y procesar datos con baja latencia. De igual forma, presenta algunas características como alto volumen, alta velocidad, alta variabilidad y alta veracidad. |
|
Tabares y Hernández (2014) |
Big Data permite la disponibilidad de grades cantidades de información estructuras y desestructurada en tiempo real, por lo tanto, la dimensión clave de dicha terminología se concentra en el volumen, variedad y velocidad en sus datos. |
En la Figura 2 se visualiza la caracterización del BD desde el modelo de 4V, (volumen, velocidad, valor y veracidad).
Figura 2. Caracterización del Big Data desde el modelo de 4Vs
Fuente: Chaga y Ferraz (2017).
Metodología
Esta investigación tiene un enfoque de perspectiva cualitativa de tipo descriptivo (Picón, 2019), el cual facilita la comprensión e interpretación de los significados, las concepciones, experiencias y prácticas alrededor de un fenómeno identificado, por medio de una inmersión en el entorno real. Esta inmersión se realiza en dos partes: primero, desde los autores con estudios y proyectos del Big Data en los its, consultas en bases de datos seguras y, segundo, por medio del análisis de la estructura de datos recogidos, que permiten identificar el estado de los datos previamente agrupados de acuerdo con una serie de indicadores relacionados con el tema de estudio. Estos elementos permitirán un primer acercamiento para conocer la magnitud, importancia y veracidad que podría ofrecer un Big Data como componente fundamental en el seguimiento y prospectiva de un its para Bogotá, el cual vienen desarrollando desde el año 2015 entes gubernamentales como la Secretaría Distrital de Movilidad [sdm] y la Empresa de Telecomunicaciones de Bogotá [etb], entre otros.
Técnicas de recolección y análisis de datos
Se trabaja con un conjunto de datos, las cuales se organizan en línea con las necesidades del estudio, donde reflejan elementos primordiales del transporte público y privado, al igual que el sentir de los usuarios del transporte en Bogotá. La fuente principal de estos datos corresponde al sdm en Bogotá durante el periodo 2016-2019. Es importante resaltar que en esta etapa I de la investigación no se analiza el contenido de los datos y su accionar, sino su estructura, integridad y redundancia de estos, construidos por el sdm.
Procedimiento
Inicialmente, se da una fase exploratoria de búsqueda de información con autores que aportan en la proyección al its en bases de datos seguras y luego se hace una búsqueda de datos libres desde la sdm con el fin de analizar y evaluar su estructura, integridad y redundancia en su contenido.
En segunda instancia, se lleva a cabo la fase de indagación contactando a los coordinadores de las entidades sdm y etb correspondiente al proyecto its, por medio de correos institucionales, con miras a la socialización de la propuesta y generar el interés, que se ve reflejado en la aceptación del consentimiento informado. De igual, forma se exponen elementos y componentes fundamentales que aportan a la propuesta del Big Data para el seguimiento en la proyección del its en Bogotá.
En tercera instancia se hace un diagnóstico desde la zona de estudio para establecer puntos fuertes y débiles de los its. Por último, como cuarta instancia, se visualiza el panorama del contexto con las tic y la aplicación de los principios del Big Data hacia las tendencias de la situación.
Resultados y discusión
Algunos referentes desde el Big Data
Se aporta desde la tecnología, innovación, arquitecturas y algoritmos, entre otros, citando fuentes nacionales e internacionales publicadas durante el periodo 2013 al 2019, como se observa en la Tabla 3. Se resaltan estudios y proyectos realizados con el aporte de las técnicas del Big Data.
Tabla 3. Trazabilidad del uso del Big Data
|
Línea de tiempo |
Aportes |
|
2013-2015 |
Metodologías V2V de vehículo a vehículo (Hafner et al., 2013). D2D de dispositivo a dispositivo o de celular a celular (Chen et al., 2015). VANET para agrupación vehicular (Lv et al., 2015). BD desde la nube. De igual forma, Djahel et al. (2016) con el proyecto MAS basado en una guía para identificar los cambios en el tiempo de movilización en el transporte de los vehículos a distancias cortas y largas. |
|
2016 |
RNA's (Wang et al., 2016); (Cao et al., 2020) y Heurístico (Wu & Tan, 2016); (Gruntzki & Bazza, 2106). |
|
2017 |
Deep Learning para el aprendizaje automático de patrones de tráfico (Zanoon et al., 2017). Uso de dispositivos inteligentes, por ejemplo: tarjetas de pasajeros (Xiao et al., 2017). Empleo de nuevos algoritmos de inteligencia artificial avanzados, como el de identificación de densidad de Kernel (Jin, 2017). |
|
2018 |
Tendencia: usar como principal fuente de formación las redes sociales (Chen et al., 2018). Uso de la nube y la clusterización con Hadoop (Massobrio et al., 2018). |
|
2019 |
Zhu et al. (2019) resaltan el uso de las metodologías adaptativas (se recalibra y ajusta de manera automática) y temporales para la predicción de flujos y eventos vehiculares (Asadi et al., 2019). De igual forma, algoritmos de inteligencia artificial, plataformas de aprendizaje y genéticos combinados con simulación (Tian et al., 2019) |
Hafner et al. (2013) y Lv et al. (2015) parten de un estudio con un enfoque del flujo de tráfico versus Big Data y utilizan en común métodos de predicción de flujo de tráfico basados en aprendizaje profundo, donde se consideran correlaciones espaciales y temporales de manera inherente. Mientras que Djahel et al. (2015) y Wang et al. (2016) se basan en un método arquitectónico de control robótico para el seguimiento continuo a los cruceros en tiempo real de tráfico, desde la predicción en el control y valor de su velocidad, aceleración, frenos y otros.
Hafner et al. (2013) y Lv et al. (2015) parten de un estudio con un enfoque del flujo de tráfico versus Big Data y utilizan en común métodos de predicción de flujo de tráfico basados en aprendizaje profundo, donde se consideran correlaciones espaciales y temporales de manera inherente. Mientras que Djahel et al. (2015) y Wang et al. (2016) se basan en un método arquitectónico de control robótico para el seguimiento continuo a los cruceros en tiempo
real de tráfico, desde la predicción en el control y valor de su velocidad, aceleración, frenos y otros.
De igual forma, en un estudio de las ciudades inteligentes Wu y Tan (2016), Xiao et al. (2107) y Jin (2017) promocionan una urbanización sostenible, proponen un marco jerárquico de control y gestión para fusión de tecnología centralizada top-Down y distribuida, basada en humanos bottom-up, para hacer que las infraestructuras urbanas sean inteligentes y seguras. Reconoce el origen de los datos, prioridad, vivacidad y calidad y pone a disposición para análisis posterior, es posible implementar computación en la nube para facilitar minería de datos y análisis predictivo.
Por último, Chen et al. (2018), Tian et al. (2019) y Zhu et al. (2019) parten del uso de las técnicas de detección de vehículos para sistemas anticolisión. Estos autores plantean un diseño de sistemas inteligentes, con una cuidadosa selección de sensores y detección para lo cual se requieren algoritmos. Aquí, proporcionamos discusión, críticas y perspectiva sobre sensores, detección de vehículos, seguimiento, sistemas de detección de motocicletas y detección nocturna de vehículos.
Estado de las estructuras de DATAS
En la Figura 3 se inicia con siete grupos de datos analizados desde su contenido en estructura, integridad y redundancia como posibles componentes de aporte a la proyección del its para Bogotá. Se parte de datos globales, indicadores de demanda accidental, comportamiento de la carga urbana, caracterización sobre el uso del transporte privado, datos de sentimientos como la percepción de calidad de los servicios, cubrimientos y aspectos del transporte público colectivo.
Figura 3. Datos estructurados como aporte al Big Data
Fuente: Autores.
En la Tabla 4 se aprecia el análisis realizado del contenido de los datos descritos en la tabla anterior.
Tabla 4. Estado del contenido de las siete datas
|
DATAS |
Total Registro |
Total variables |
Estado del contenido |
||
|
Redundancia |
Integridad |
Vacío (null) |
|||
|
1 |
143 122 |
33 |
45 % |
3 % |
84 % |
|
2 |
24 831 |
70 |
28 % |
5 % |
71 % |
|
3 |
185 125 |
27 |
25 % |
2 % |
89 % |
|
4 |
25 123 |
44 |
3 % |
4 % |
56 % |
|
5 |
24 123 |
20 |
18 % |
15 % |
34 % |
|
6 |
12 456 |
45 |
21 % |
12 % |
43 % |
|
7 |
14 672 |
84 |
15 % |
16 % |
52 % |
Fuente: Open Data – sdm (2019).
Llama la atención en este grupo de datos tomados al azar, el estado de su contenido desde la redundancia, integridad y nulidad en los datos. De ahí la importancia de validar de manera significativa los datos libres que se encuentren en internet, desde su confiabilidad durante el proceso de predicción para la toma de decisiones. Examinando los datos recabados a lo largo de la investigación, sale a la luz las innumerables oportunidades y desafíos para la propuesta de un Big Data que apoye la proyección del its en Bogotá. Además, se identifican debilidades del sistema al mejorar la gobernabilidad en el procesamiento efectivo de datos, aplicación de la inteligencia artificial, la analítica de datos y otras áreas del conocimiento.
Se debe mejorar solo lo que se puede medir
Se parte desde el principio del valor agregado medible al lograr tres grandes retos para impactar al sector público con las técnicas del Big Data: 1) políticas desde la ética; 2) gobernanza en el uso y manejo de los datos y 3) capacitar a los directivos, colaboradores y todos los actores del contexto.
Uso y protección de datos personales
Al analizar el conjunto de datos de la sdm, se visualiza un riesgo primordial como es la privacidad de los datos. Como afirma Villalobos (2020), es un derecho de los sujetos en la sociedad el de no ser observado y en especial, respetar su privacidad. Partiendo de la gran cantidad de dispositivos digitales que se encuentran en el entorno y segundo a segundo producen millones de datos no autorizados para ser divulgados, datos que son esenciales en la técnica del Big Data y la ia. Por tanto, es fundamental utilizar mecanismos donde las personas no se sientan observadas y se cumpla la normativa y regulación en la protección de datos en cada país.
Plan de acción desde el aporte del Big Data
Se recomienda partir de un centro especial de alto volumen de datos, con tecnología de software y hardware adecuada, segura y protegida contra todo tipo de riesgo, en especial del ataque de los hackers. En la Tabla 5 se muestran algunos requisitos desde su arquitectura, operatividad, fiabilidad e inversión, que garanticen en gran parte la versatilidad y flexibilidad del Big Data propuesto. Estos elementos se conocen como clasificación tier llamada capa o nivel, siendo un tipo de certificación que pretende avalar el desempeño y la confiabilidad de las infraestructuras de los Data Centers. Está dividida en cuatro categorías: tier i, tier ii, tier iii y tier iv. En cada nivel va midiendo la usabilidad y accesibilidad, al igual que la operatividad, versatilidad, tolerancia a falla, y algo fundamental: la facilidad para la recuperación de desastres naturales (Piguave, 2022).
Tabla 5. Apropiación de las categorías tier para el centro de Big Data propuesto
|
Línea de tiempo |
Aportes |
|
TER I |
El nivel inicial posee componentes no redundantes y una única vía, también no redundante para la distribución de energía. De esta forma, las fallas en los componentes como servidores, dispositivos de telecomunicaciones, sistemas de almacenamientos o equipos de enfriamiento pueden impactar de forma negativa en los sistemas. |
|
TER II |
En esta categoría, ciertos elementos que componen el sistema son redundantes. Los servidores pueden encontrarse conectados a un sistema de alimentación interrumpida (UPS), donde existe la posibilidad que la infraestructura sea paralizada por determinados eventos, tanto planificados como aquellos que ocurren por fuerza mayor. |
|
TER III |
Puede considerarse un servicio de almacenamiento interrumpido. Cuenta con componentes redundantes y dos fuentes de energía, una activa y otra alterna. A pesar de estas cualidades, los periodos de mantenimiento pueden generar algunas breves interrupciones, que serán atendidas gracias a la línea de energía secundaria mitigando el riesgo. |
|
TER IV |
Es la categoría más elevada en cuanto a la confiabilidad. Incorpora múltiples fuentes de energías redundantes y un sistema de refrigeración sofisticados. A su vez, debido a sus diversas fuentes de energía, es posible realizar labores de manteamiento sin presentar interrupciones y está preparado para siniestros como: terremotos, incendios y fallos eléctricos. |
Por tanto, la predicción de estos datos tiende a ser proporcional más el doble y es allí cuando es necesario reevaluar periódicamente la adquisición periódica de la actualización de los equipos hasta lograr la categoría aceptable según la distribución propuesta en la Tabla 5 (Massobrio et al., 2018).
Carga de datos
Este proceso se realiza en un “bajo tiempo” debido al requerimiento de un “mejor tiempo” de respuesta a la operación solicitada. Es aquí cuando es primordial pensar que al “expandirse el sistema” en su proyección, no requiere actualizarse por completo debido a la eficiencia en tiempo y costos, sino actualizar los componentes necesarios para irse acoplando a esta dinámica futurista.
Ubicación del centro de datos - Big Data
El sitio seleccionado debe cumplir con los requisitos ambientales pertinentes, bloqueo a intrusos o desconocidos en el sistema, creación de un sistema de credenciales protegido, contar con personal experto y autorizado en el sistema, en especial de ciberseguridad, redes y conectividad.
Técnicas desde el Big Data propuesto
La aplicación de estas técnicas requiere de personal altamente calificado en procesos de analítica de datos, ciencia de datos, machine learning e ia (Aristizábal, 2016), debido a que los requerimientos obligan, en la mayoría de los casos, a la interacción con algoritmos especializados y herramientas para obtener y transmitir los resultados esperados, no sin antes revisar y analizar cuidadosamente los “complementarios”; es decir, evaluar que la relación de valores de variables, prioridades y categorías sean las adecuadas para una predicción cercana a la realidad. Es por ello que debe existir una comunicación permanente y continua entre todos los integrantes del equipo de trabajo de acuerdo con sus funciones y responsabilidades.
Aportes en áreas de oportunidad
Los aportes obtenidos en este estudio parten de un área de oportunidad desde la instrumentación de lugares o sitios de embotellamiento de tráfico, por medio de métodos y acciones al analizar datos “masivos” desde la sdm en intervalos de años con datos estructurados tomados con los mismos transportistas, lo cual ofrece la facilidad para predecir bajo la técnica del Big Data sobre el seguimiento en el tráfico (Asadi y Regan, 2019). Al lograr establecer algoritmos de aprendizaje en un modelo especifico como apoyo a estos mismos para la reprogramación en tiempo real de su partida y llegada para evitar algún riesgo en el camino (Ríos, 2020).
No cabe duda de que el Big Data, en palabras de Barba (2018), ha venido a revolucionar la manera de vivir de las personas, aprovechando al máximo otras herramientas de última generación como es el IoT, así como el uso y manejo de celulares inteligentes, como otros elementos fundamentales como Arduino y Raspberry (Djahel et al., 2015). Son dispositivos fáciles de instalar, actualizar y programar con algoritmos de aprendizaje específicos en tiempos muy cortos, produciendo datos que continuamente alimentarán las predicciones del Big Data propuesto.
En la etapa ii de esta investigación se espera presentar el grupo de datos desde los principios del Big Data, y generar predicciones que aporten a la proyección del its con datos estructurados y no estructurados desde la inteligenciar artificial, con el uso de herramientas como Python, R, Power Bi y otras.
Conclusiones
El desafío de un Big Data en Bogotá, bajo un centro de acopio, es un proceso bastante complejo. Es responsabilidad de los entes gubernamentales sdm, etb, la academia y otros, contribuir de forma positiva y proactiva a la propuesta de un its que controle el transporte público y privado en una ciudad que día tras día crece, no solo en su población sino en la necesidad de contar con servicios oportunos, seguros y confiables.
De igual forma, el procesamiento electrónico de los datos en tiempo real en el transporte público y privado por medio de tecnologías de última generación como el Big Data, Machine Learning y la ia ha potenciado las aplicaciones y recursos de los its. No puede dejarse de lado la importancia de la seguridad y protección de este its, no solo en cuanto al resguardo de su integridad sino su operatividad, versatilidad y flexibilidad en las etapas de recuperación, reiniciación y puesta en marcha, para evitar que ocasionen vulnerabilidades en el sistema.
Los aportes obtenidos en esta etapa I del estudio, no solo parten desde la literatura con proyectos de inicio, avance y terminados en Latinoamérica, Norteamérica, Europa y Asia, ilustrando tecnologías, modelos, métodos, técnicas y procedimientos que fortalecen los a its en las ciudades grandes, sino del análisis de la estructura y esquema que presenta el contenido del grupo de datos recolectados en la ciudad de Bogotá.
Este contenido señala indicadores como: datos globales, demanda accidental, comportamiento de la carga urbana, caracterización sobre el uso del transporte privado, la percepción de calidad del servicios, cubrimientos y aspectos del transporte público colectivo entre otros, generados por los mismos transportistas por medio de sus dispositivos y periféricos electrónicos, visualizando con gran preocupación que todas presentan un alto porcentaje de errores en su contenido revisando desde la redundancia, integridad y nulidad.
Recomendaciones
Es importante revisar el sitio web o la ruta que se selecciona para descargar “datos libres”, la cual debe ser confiable y segura, de lo contrario no se garantiza el uso y manejo de estos datos.
Evitar “datos libres” que se encuentran en repositorios desconocidos o llegan en la nube. El desconocer su procedencia, afectaría la predicción y tendencias en una situación real.
Los datos libres de la ciudad de Bogotá son limitados y lo más preocupante es que la gran mayoría de estos datos no reflejan la situación actual que se tiene en la ciudad, es decir, no hay dinámicos en estos. De ahí, la importancia de evaluar primero la calidad de los datos que se recogen para lograr determinar que tan relevante son para dar veracidad al inicio de una investigación.
Referencias