В СО РАН создадут единую информационную систему больших данных
Создание единой системы передачи, хранения и обработки больших объемов данных (Big Data) в Сибирском отделении РАН позволит исследователям организовать полный цикл работы с данными, какими бы большими они ни были. Об этом в интервью «Стимулу» заявил заместитель директора Института вычислительных технологий СО РАН Андрей Юрченко.
«Чтобы понять важность этого проекта, нужно признать: мы системно отстаем в области высокопроизводительных вычислений и высокопроизводительного анализа данных не только от западных коллег, но даже от российского бизнеса, в первую очередь от “Яндекса”, — продолжил Андрей Юрченко. — С учетом набравшего обороты тренда на науку, основанную на интенсивном использовании данных (Data Intensive Science), это непростительно. Накопленный в Сибири потенциал в области вычислительных и информационных технологий не утрачен. И, создавая новую большую систему для работы с данными, мы, с одной стороны, опираемся на имеющийся задел, с другой — на интерес и огромный энтузиазм нашей молодежи к освоению нового и востребованного как в науке, так и в бизнесе направления — анализа больших данных».
Сейчас активно обсуждается программа «Академгородок 2.0», и в рамках этой программы в новосибирском Академгородке планируется создание ряда центров с установками класса мегасайнс. Они неизбежно будут генерировать новые научные данные, а изучаемые в ходе научных экспериментов процессы будут нуждаться в компьютерном моделировании. Это одна из ключевых посылок внесения в программу проекта создания центра высокопроизводительных вычислений, обработки и хранения данных СНЦ ВВОД. Без единой системы передачи, хранения и обработки больших объемов данных просто невозможно будет полностью раскрыть потенциал новых мегасайнс-проектов «Академгородка 2.0».
По словам Андрея Юрченко, основной движущей силой современной науки являются коллективы ученых. Поэтому организация работы с научными данными и становится самостоятельной проблемой: с одними и теми же данными работает множество исследователей, они должны иметь возможность их одинаково увидеть, одинаково понять их состав и происхождение, даже просто одновременно с ними работать. Для этого недостаточно старых инструментов в виде каталогов файлов. Нужна система каталогизации, описания данных, поддержка совместной работы с ними.
«На основе имеющегося опыта мы занимаемся разработкой системы, которая позволит исследователю организовать полный цикл работы с его данными, какими бы большими они ни были — это сбор данных с сенсоров, их описание и организация, обработка, анализ и, конечно, публикация, так как открытые научные данные стали важнейшим научным трендом последних лет. Имея такой инструмент, исследователь сможет меньше времени тратить на организацию работы с данными, и больше — непосредственно на их анализ. При этом в рамках концепции открытых данных он сможет получить доступ к данным других исследователей, отсюда и возможность найти новые закономерности, получить новые знания, а это и есть основная цель науки», — резюмирует Андрей Юрченко.
Большие данные в науке имеют два аспекта. Первый — разработка новых методов анализа таких данных и их организации. Наиболее интересным и перспективным с точки зрения получения новых знаний об окружающем нас мире и человеке становится одновременный анализ результатов множества экспериментов, интеграция в одном исследовании данных разнородных наблюдений. Из известных и понятных примеров можно назвать объединение экологического и социально-экономического мониторинга с мониторингом здоровья и качества жизни. У каждого из этих видов мониторинга есть множество параметров, взаимосвязь которых нужно установить, но есть у них и исходные данные, на основе которых и формируются такие интегральные параметры. Анализируя совместно исходные данные, можно обнаружить скрытые закономерности, которых не увидеть в интегральных характеристиках. А для того, чтобы одновременно работать с такого рода разнородной информацией, нужно решить множество проблем организации этих данных, их гармонизации. И, самое главное, надо разработать новые методы их совместного анализа, для чего придется интегрировать в единые цепочки обработки данных и традиционные методы анализа, и интеллектуальные, такие как машинное обучение и глубокое обучение. Такая работа — один из важнейших вызовов современной Data Science.
Второй аспект — использование и анализ больших данных, получаемых в ходе научных экспериментов. Современное исследовательское оборудование — цифровое, и оно генерирует множество разнородных данных. Чаще всего это данные различных измерений и фиксации физических экспериментов: от простых видеозаписей до «снимков» сканирующих микроскопов, от временных рядов тензодатчиков до секвенированных геномов. Данные разных экспериментов имеют разные объемы, но количество таких «оцифрованных» экспериментов растет с огромной скоростью, и общий объем генерируемых в итоге данных становится слишком большим. Одними из первых с этой лавиной данных столкнулись физики — самым ярким примером является, конечно, Большой адронный коллайдер, сенсоры которого генерируют петабайты данных в ходе только одного эксперимента. Для анализа таких объемов экспериментальных данных, извлечения из них полезной информации, формулировки научных выводов работает огромная распределенная система обработки данных, само создание которой стало большим научно-техническим вызовом для мирового научного сообщества. Теперь к физикам добавились и биологи с их геномными базами, и широкий спектр исследователей от метеорологов до геофизиков, использующих данные дистанционного зондирования Земли. Подтягиваются медики с базами изображений томографических, энцефалографических и других измерительных аппаратов. Все эти данные нужно какое-то время сохранять, организовывать работу с ними. Их компьютерный анализ — это и есть второй вызов больших данных в науке.