NPL se mueve para calificar la información de IoT y Big Data
En un extremo de la escala hay sensores, quizás sensores médicos usados en el cuerpo, que son objetos claramente definidos y claramente importantes. En el otro extremo de la escala (puede argumentar) hay comentarios en las redes sociales, pero incluso estos pueden ser importantes.
El jefe de ciencia de datos de NPL Mike Oldham le dice a Electronics Weekly: "Hay pymes del Reino Unido que analizan los tweets de las redes sociales para tomar decisiones comerciales, por ejemplo, mapear los tuits en la red de transporte del Reino Unido y detectar problemas antes de los instrumentos propios de una compañía de transporte".
Con un aprendizaje automático cada vez mayor, el tamizaje de datos para tomar decisiones, o incluso tomar decisiones, ¿cómo se puede mantener la confianza en la calidad de los datos a lo largo del ciclo de vida de los datos, pregunta Oldham. Es un ciclo que resume como "recopilar, conectar, comprender" con comprimir en la lista si una gran cantidad de datos tiene que pasar por una tubería estrecha.
¿Hay alguna idea de qué es información importante y qué no?
Protección de calidad
"Si tiene datos falsos en una red eléctrica inteligente, no quiere que una máquina semiautónoma cierre la red", dice Oldham.
Para los tweets y la situación de transporte, "no estoy seguro de que NPL deba involucrarse si los datos de navegación son un poco erróneos y llega tarde de vez en cuando, pero para el diagnóstico médico necesitará el estándar de oro. La importancia de los datos se trata de vidas, seguridad y riesgo financiero ".
Con sus institutos de metrología de contraparte en los EE. UU. Y Alemania - NIST y PTB - NPL acaba de lanzar un proyecto para establecer algunos estándares de calidad de datos, según el gerente de estrategia de NPL, Sundeep Bhandari. También está trabajando con la Universidad de Brunel, algunas organizaciones con sede en China y el Instituto Turing en varias formas hacia fines similares.
Parte de la investigación ha involucrado a organizaciones que hacen preguntas, incluidas firmas de telecomunicaciones, empresas de energía, proveedores de atención médica, la BBC y la Policía Metropolitana, sobre lo que necesitan de las métricas de calidad de datos. "Después de hablar con ellos, trataremos de determinar qué es lo que NPL debe hacer para la industria", dice Bhandari.
Una necesidad conocida es cuantificar las mediciones realizadas durante los diagnósticos médicos basados en el escaneo, para permitir que las técnicas de "big data" extraigan nuevos conocimientos de millones de escaneos y para eliminar la variabilidad de los diagnósticos individuales.
Decidir normas
"En este momento, el diagnóstico médico es una estrecha relación de trabajo entre un médico y la máquina que utilizan", dice el científico de datos Oldham. "Estamos trabajando para estandarizar esto, por lo que cualquier clínico puede trabajar con los resultados de cualquier máquina. Parte del proceso es decidir qué tipo de metadatos tienes que recopilar ".
Un proyecto específico de calidad de datos médicos en NPL es un intento de mejorar las mediciones realizadas por los escáneres de resonancia magnética observando la "tasa de perfusión miocárdica", la tasa de sangre y, por lo tanto, de oxígeno, se envía al tejido cardíaco.
El escaneo se adquiere a lo largo del tiempo y luego lo procesa un médico que selecciona los objetos de interés dentro del escaneo, lo que permite que la máquina extraiga una curva de tiempo del comportamiento de un agente de contraste. Esta curva se manipula contra un modelo matemático para estimar la tasa de perfusión.
El problema es que una resonancia magnética es en gran medida un instrumento cualitativo, inadecuado para la medición absoluta. La mejor manera de medir la perfusión es con una PET, pero esto necesita una inyección de material radiactivo.
"La PET es la más cuantitativa, pero una persona solo puede tener tantas imágenes PET en una sola vida", dice la científica Nadia Smith a Electronics Weekly. "Si podemos hacer que la resonancia magnética sea más cuantitativa, sería mucho mejor para el diagnóstico".
Y eso es exactamente lo que intentará NPL como parte de un proyecto europeo de tres años junto con sus pares en Francia y Alemania (LNE y PTB), King's College de Londres y un hospital finlandés.
Shutterstock