الوسم: علم البيانات

تستخدم المدن الذكية التقنيات المتطورة والابتكارات الحديثة، وتدمج البنية التحتية المادية مع تكنولوجيا المعلومات والاتصالات ICT وموارد المعرفة. يهدف ذلك إلى تعزيز التقدّم الاقتصادي، وتحسين نوعية حياة الأفراد، وضمان الاستدامة. فتعتمد المدن الذكية على مجموعة من الأدوات والتقنيات لكي تحقق أهدافها الأساسية، وتتصدى لمختلف التحديات التي تواجهها في نفس الوقت كالنمو السكاني والتلوث والازدحام. فما أمثلة تقنيات المدن الذكية؟

تقنيات المدن الذكية

تعد تقنيات المدن الذكية مصطلحًا واسعًا يشمل مجموعةً متنوعةً من التقنيات والاستراتيجيات القائمة على البيانات. تهدف المدن الذكية إلى تحسين نوعية حياة المواطنين، وجعل العمليات الحضرية أكثر كفاءة.[1] تسعى تقنيات المدن الذكية إلى تحقيق التكامل بين البنى التحتية المتقدّمة والتقنيات الحديثة لزيادة “ذكاء” المدن. قد يكون مصطلح “ذكاء” المدن غريب بعض الشيء لكنه المقصود ومرتبط بالذكاء الاصطناعي وهذا ما سنراه.

تضم هذه التقنيات العديد من الأنظمة والابتكارات مثل البرمجيات التطبيقية، ونظام تحديد المواقع GPS، وسلسلة الكتل Blockchain. عمومًا ينبغي على المدن الذكية ربط هذه النظم والأدوات ببعضها، وجمع عملها ونتائجها، لتوفير خدمات فعّالة للمواطنين. وهذا هو المقصود بـ “ذكاء المدن”.[2]

1. تكنولوجيا المعلومات والاتصالات ICT

تشمل تكنولوجيا المعلومات والاتصالات ICT أي جهاز اتصال أو تطبيق يعمل على جمع المعلومات ومعالجتها وتخزينها واسترجاعها ونشرها. بما في ذلك الراديو، والتلفاز، والهاتف المحمول، والبرمجيات، وأنظمة الاتصالات القائمة على الأقمار الصناعية، وغيرها الكثير. تساهم تكنولوجيا المعلومات والاتصالات في تطوير العديد من المجالات كالتعليم، والرعاية الصحية، والأعمال التجارية، وتعتبر أساس النمو والتنمية. [3]

تطبق المدن الذكية ICT في مجال الحوكمة الإلكترونية. حيث يمكن للمواطنين استعمال الانترنت للوصول إلى خدمات حكومية أو خدمات القطّاع الخاص. مما يقلل الحاجة للذهاب إلى المكاتب والفروع، فيخفف الازدحام في الدوائر الحكومية، ويسهل تنفيذ الأعمال على المواطنين. على سبيل المثال؛ استعمال ICT لتجديد رخصة القيادة وتسجيل الأعمال التجارية.[4]

2. المستشعرات

المستشعرات هي أجهزة تكشف وتستجيب وتقيس المؤثرات الفيزيائية مثل الضوء، والصوت، ودرجة الحرارة، والضغط، والحركة. وتحوِّل البيانات إلى إشارات يمكن قراءتها من قبل مراقب أو أداة، وتعتمد المدن الذكية عليها عادةً لجمع البيانات. تعمل المستشعرات في مراقبة حركة المرور، ومستوى الضوضاء، والحالة الفيزيائية للطرق والجسور والمباني، وذلك من أجل الكشف عن الأعطال في الوقت المناسب ومعالجتها.

تضم أجهزة الاستشعار العديد من الأنواع ومنها المستشعرات الحرارية التي تقيس درجات الحرارة، وتستعمل عادةً في أجهزة إنذار الحرائق. وكذلك المستشعرات اللاسلكية التي تستطيع التواصل لاسلكيًا مع أجهزة أخرى مثل الهواتف الذكية وأجهزة الحاسوب ويشاع استخدامها في انترنت الأشياء.[5][6] تكشف أجهزة استشعار إشغال المباني عن وجود أو عدم وجود أشخاص في غرفة أو مبنى ما، وتستعمل غالبًا في أنظمة التشغيل الآلي التي تتحكم في الإضاءة وأنظمة التدفئة والتكييف والتهوية. وتكشف المستشعرات الموجودة في الكاميرات أيضًا عن الحركة في المباني وتستعمل لأغراض أمنية.[7]

3. البيانات الضخمة Big data

تشير البيانات الضخمة إلى مجموعات البيانات الكبيرة أو المعقدة التي لا نستطيع التعامل معها بواسطة البرمجيات التقليدية. وتتسم البيانات الضخمة ب3 قيم:

• الحجم، تولد التجارة الإلكترونية ووسائل التواصل الاجتماعي كميات كبيرة من البيانات.
• التنوع، تتخذ البيانات العديد من الأشكال المختلفة مثل البيانات المنظمة في قواعد البيانات التقليدية، والبيانات غير المنظمة من المستشعرات ووسائل التواصل الاجتماعي كالصور والمستندات ومقاطع الفيديو.
• السرعة، تتولد بيانات جديدة بوتيرة سريعة. [8]

تعتمد المدن على البيانات الضخمة وتربطها مع تقنيات المدن الذكية الأخرى التي تجمع وتعالج وتحلل هذه البيانات. وذلك من أجل اتخاذ القرارات ووضع الخطط المستقبلية بشكل أفضل. [9]

4. تحليل البيانات Data analytics

يقصد بتحليل البيانات عملية فحص مجموعات ضخمة ومعقدة من البيانات. بهدف الكشف عن الأنماط الخفية، والعلاقات المتبادلة، وتوجه السوق، وتفضيلات العملاء، وغيرها من المعلومات التجارية المفيدة. [10] يرتكز تحليل البيانات على اتباع الأساليب الإحصائية والحسابية لدراسة البيانات واستخلاص النتائج المستخدمة لاتخاذ القرارات الحاسمة.[11]

يقسم تحليل البيانات إلى عدّة فئات رئيسية. ومنها:

• التحليلات الوصفية، تركز على تلخيص وتصور ما حدث في الماضي. وتستخدم لتحديد الاتجاهات والأنماط والعلاقات.
• التحليلات التشخيصية، تهدف إلى تحديد أسباب حدوث الأنماط المعينة، وتساعد في معرفة الأسباب الجذرية للمشاكل، أو لفهم العوامل المساهمة في النجاح.
• التحليلات التنبؤية، تعتمد التحليلات التنبؤية على النماذج الإحصائية للتنبؤ بما سيحدث في المستقبل. تتنبأ هذه التحليلات بالطلبات، وتحدد المخاطر، أو تتخذ قرارات بشأن الاستثمارات المستقبلية.
• التحليلات الإرشادية، تحدد هذه التحليلات أفضل مسار للعمل لتحقيق النتائج المرجوة. [12]

يعتبر تحليل البيانات من أبرز تقنيات المدن الذكية، فمن خلال فهم الماضي والحاضر بوسعنا إنشاء مستقبل أفضل. ويتداخل كذلك في عدّة سياقات مثل الذكاء الاصطناعي. ,تُعرَّف الشبكات العصبية الاصطناعية ANNs على أنها نوع من خوارزميات تعلم الآلة المعتمدة على تحليل البيانات. إذ استُمد تصميم الشبكات العصبية من بنية الدماغ البشري. ويمكن تدريبها للتعرف على الأنماط في مجموعات البيانات، ويستفاد منها في تطبيقات كثيرة مثل التنبؤ بشدة الحوادث.[11]

5. الذكاء الاصطناعي AI

يختلف تعريف الذكاء الاصطناعي تبعًا لمجال الدراسة. لكن عمومًا هو فرع من أفرع الحاسوب يهتم ببناء آلات ذكية قادرة على أداء المهام التي تتطلب عادةً الذكاء البشري مثل اتخاذ القرار، وترجمة اللغات، والتعرف على الكلام. [13] تعرِّف المدن الذكية الذكاء الاصطناعي على أنه الذكاء الذي يظهره كيان اصطناعي بحيث يكون قادرًا على إدراك محيطه ويتخذ إجراءات تقلل من التدخل البشري، وتحقق أهدافه بنجاح في نفس الوقت.

يعمل الذكاء الاصطناعي مع تقنيات المدن الذكية الأخرى في المنزل الذكي لكي يطوّر حياة السكان. على سبيل المثال؛ يقوم بأتمتة المهام كالتحكم بالإضاءة، ودرجات الحرارة. إضافةً إلى ذلك، يدمج الذكاء الاصطناعي نظام التعرف على الوجه في نموذج المنزل الذكي. يساعد ذلك في تحديد إذا ما كان الشخص الموجود في المنزل مقيمًا أو شخصًا غير معروف. من ثم يرسل نظام الإخطار الآلي -الذي يستخدم نظام تلغرام بوت- إشعار إلى صاحب المنزل في حالة دخول شخص مجهول إلى المنزل. كما يوفر التطبيق خيارات إضافية للمستخدم من أجل اتخاذ مزيد من الإجراءات الوقائية كإبلاغ الشرطة مثلًا أو إغلاق الأبواب. [14]

6. تعلم الآلة Machine Learning

يعد تعلم الآلة مجالًا سريع النمو، يتقاطع مع علوم الحاسوب والإحصاء، وهو فرع من فروع الذكاء الاصطناعي يركز على تمكين أجهزة الحاسوب من تحسين أدائها تلقائيًا من خلال الخبرة. يحدث ذلك عادةً عن طريق دراسة وبناء خوارزميات التعلم المعتمدة على تحليل البيانات، وبناء نماذج لتمثيل العلاقات بين البيانات المدخلة والمخرجات المطلوبة.[15]

يستعمل تعلم الآلة بطرق مختلفة لتعزيز تطبيقات المدن الذكية، على سبيل المثال؛ يساعد في تحقيق الأمن السيبراني. حيث يتزايد خطر التهديدات الإلكترونية مع نمو شبكات المدن الذكية، ويكشف تعلم الآلة عن تهديدات الأمن السيبراني ويمكن أن يحدد الشذوذ ويمنع الهجمات الإلكترونية بفاعلية في الوقت المناسب. مما يحافظ على أجهزة انترنت الأشياء والبنية التحتية آمنة. [16]

7. انترنت الأشياء IoT

يعد انترنت الأشياء IoT من أهم تقنيات المدن الذكية، والركيزة الأساسية لمجالاتها ال8 الذكية، وهي: الحوكمة، والرعاية الصحية، والبيئة، والاقتصاد، والصناعة، والتنقل، المعيشة والبنية التحتية، والطاقة. ,يشير IoT إلى شبكة عملاقة تربط الأشياء والأشخاص بالانترنت وببعضها البعض وتسمح بجمع وتبادل ومعالجة البيانات. يهدف عمومًا إلى تحديد المواقع، والتتبع، والمراقبة، والتعرف الذكي، والإدارة، إضافةً إلى ربط الأجهزة الذكية ببعضها مثل المستشعرات.[17]

تطور تقنيات المدن الذكية

تحقق المدن الاستفادة القصوى من التقنيات الذكية عندما يتكامل عملها. ويتنامى اليوم تطوير تقنيات المدن الذكية بسرعة مذهلة، فالأدوات المذكورة سابقًا ليست إلا جزءًا من الكثير من التقنيات. وستؤثر بشكل جذري على أسلوب حياتنا ومدننا في المستقبل. وتعد هذه التقنيات والأدوات حصيلة تقدّم البشرية. فمن مدينة أوروك السومرية أول مدينة في العالم المبنية باللبن إلى المدن الذكية اليوم، ومن التطبيق الذي تقرأ منه هذه المقالة إلى الروبوت الذي يجري العمليات الجراحية، يمكنك تخيل حجم هذا التطور.

المصادر

1. Semanticsholar
2. IGI global
3. ResearchGate
4. semanticscholar
5. ResearchGate
6. semanticsholar
7. MDPI
8. SAGE
9. Cornell University
10. semanticsholar
11. ResearchGate
12. National Library of medicine
13. IJCMAS
14. IEEE
15. MDPI
16. National library of medicine
17. ResearchGate

قديمًا، كنا عندما نذهب إلى المستشفى لاستشارة طبية أو المتابعة بسبب مرضٍ ما، من الممكن ألا يتذكرك طبيبك الخاص بسبب كثرة ما يرى من عدد المرضى يوميًا بدون وجود تقارير طبية خاصة بهم. ثم تطور الأمر إلى دفتر خاص بكل مريض ولكنه ملئ بالتحديات للحصول على معلومة عن المريض. ولكن الاّن بضغطة زر واحدة تحصل على كل المعلومات التي تريدها عن أي مريض في لحظة واحدة. قد يكون هذا ملخص التعامل الطبي مع المرضى منذ بداية الطب إلى العصر الحالي، مما فتح أمامنا مجالات متعددة وخاصة مع توافر بيانات سهلة الوصول لكل مريض أصبح لدينا أحد أهم العلوم في العصور القادمة وهو علم البيانات الإكلينيكية. وسنبدأ في هذا المقال مقدمة في علم البيانات الإكلينيكة.

أولًا: ما هو علم البيانات؟ هو علم يجمع بين 3 علوم متفرقة: علم الكمبيوتر، وعلم الإحصاء، وخبرة في مجال متخصص. ويوجد تقارير حديثة تضيف إليهم علمًا رابعًا وهو علم الاجتماع والتواصل.

أما علم البيانات الإكلينيكية والي سنتحدث عنه باستفاضة في هذا المقال فهو استخدام البيانات التي تم تجميعها من قِبل مقدمي الرعابة الصحية لخلق معارف جديدة وتطوير الاهتمام بالمرضى مستقبلًا باستخدام البرمجة والإحصاء.

ويوجد عدد من العلوم القريبة في تعاريفها وتطبيقها من علم البيانات الإكلينيكية وعلى سبيل المثال، علم البيانات البيولوجية وتتضمن تجميع البيانات الجينية الخاصة بكل مريض لتتبع وجود أو تطور مرض ما بداخله. وعلى الجانب الأخر علم بيانات الرعاية الصحية وهو يركز بشكل أكبر على تسيير أعمال المؤسسة الصحية من الناحية الإدارية والمالية أكثر من الاهتمام بالمريض. وأخيرًا علم البيانات الصحية الذي يهتم بتجميع البيانات الإكلينيكية وغير الإكلينيكية مثل اللياقة البدنية وتتبع النوم وصفاء الذهن والبيانات الاخرى التي تركز على الصحة. [1]

قوانين البيانات الإكلينيكة

في سنة 1966م، أقر الكونجرس الأمريكي قانون لحماية بيانات المرضى وتوجيه استخدامها فقط في الأبحاث العلمية من أجل تطوير الخطط العلاجية والدفع والتأمينات، ووقعه الرئيس بيل كلينتون. ويتلخص هذا القانون في استخدام أقل قدر ممكن من البيانات للحصول على أعلى استفادة علميًا وعمليًا.

وأشهر انواع قواعد البيانات هما:

• قاعدة البيانات المحدودة وتنص على استخدام المعلومات لأهداف محددة فقط بغرض حماية البيانات، مع عدم التعريف بالأشخاص وتقديم تقارير، بالإضافة إلى التأكد من أن جميع المستخدمين يتبعون القوانين. حيث يُحذف عدد من المُعرفات بالأشخاص تصل إلى 16 مُعرف مثل الإسم والعنوان ورقم التأمين الاجتماعي وهكذا.

• قاعدة البيانات غير المُعرفة للأشخاص: ويتم تنفيذها بطريقتين، الأولى هي حذف 18 مُعرف بالأشخاص للحفاظ على الخصوصية. والطريقة الثانية تتم عن طريق خبراء في المجال يفحصون البيانات بشكل دقيق، ثم يحذفون ما يُعرف بالأشخاص ويحصلون فقط على ما يفيد في عملية تحليل البيانات فقط. [3]

حجم البيانات الإكلينيكية

قدرت منظمة الصحة العالمية حجم البيانات الإكلينيكة في سنة 2013م فقط ب 153 إكسابايت، وفي سنة 2020م ب 2314 إكسابايت. هذه الأرقام ضخمة في العام الواحد ككمية أكبر من البيانات في أي مجال غيره. ووصل حجم الإنفاقات على تحليل البيانات الإكلينيكة إلى 8 مليار دولار سنة 2022، ومن المتوقع أن يصل إلى 50.7 مليار دولار في سنة 2027م ، مما يدل على أهمية المجال وتطوره مستقبلًا. [4]

مثال واقعي على علم البيانات الإكلينيكية

من الأمثلة الكلاسيكية مثلًا ملاحظة تأثير التمارين الرياضية على وظيفة الرئة في المرضى اللذين لديهم مشاكل في الرئة والتنفس. في هذا المثال كل العلامات واضحة وذلك مجرد تحليل للبيانات وملاحظة القياسات.

أما من الأمثلة الحديثة التي يكون فيها علامات ودلائل غير واضحة وعلينا اكتشافها فهي على سبيل المثال، يموت نسبة كبيرة من مرضى مشاكل الكلى بعد فترة قصيرة من الدخول في مرحلة غسيل الكلى، لذا يجب معرفة السبب باستخدام البيانات المتاحة.

تجميع البيانات الإكلينيكية

يتم تجميع البيانات الإكلينيكية عن طريق :

• السجلات الصحية الإلكترونية وهي متاحة فقط داخل نظام المستشفى الإلكتروني، وبها التاريخ المرضي للمريض، والأمراض التي تم تشخيصه بها سابقًا، والأدوية التي استخدمها.
• سجلات المرض اعتمادًا على مرض معين أو حالة معينة. حيث يتم تقييم المرض وانتشاره على سبيل المثال، هيئة صحية مهتمة بمرض السرطان أو القلب وهكذا.
• بيانات الأبحاث الإكلينيكية حيث يتم تجميع هذه البيانات عن طريق تجربة علمية لدواء جديد أو طريقة علاج جديدة أو اختبار جهاز جديد.
• أجهزة حديثة مثل التليفونات الذكية والساعة الرياضية. [3]

عن ماذا نبحث أولًا في البيانات الإكلينيكة؟

• الهدف: محاولة فهم الهدف من هذه البيانات، وما تحاول أن توضحه، والسؤال الذي تجيب عنه.
• عدم التحيز: ينبغي أن تكون كل البيانات المُعرفة للأشخاص المشاركين مجهولة لمن يقوم بعملية تحليل البيانات. بهدف عدم التحيز لنتيجة ما.
• تركيبة البيانات: يجب أن تكون متطابقة لقوانين الصحة العالمية، لكي يتم الاعتبار بها كنتيجة حقيقية.
• اتجاهات البيانات: يجب أن تكون البيانات مُعبرة عن النتيجة. [2]

المجالات الصحية التي تُطبق فيها علم البيانات الإكلينيكية:

• إدارة أعمال منشاّت الصحة العامة.
• الصحة العقلية.
• الصحة العامة.
• اليقظة الدوائية.
• انتشار الأمراض.
• الكشف عن الغش في الأدوية.

مصادر

[1] towards data science

[2] propharma group

[3] springer link

[4] market data forecast

علم الجينوم هو أحد فروع علم الوراثة المتعلق بدراسة الجينوم، أي كامل المادة الوراثية داخل مختلف الكائنات الحية. وتتطابق الجينات بين كل الأفراد بنسبة ٩٩,٩٪ وتختلف في نسبة قليلة تجعل كل شخص فريدًا من نوعه. وجينات البشر تكون أقرب ما يمكن إلى حيوان الشمبانزي. علم البيانات الجينية هو علم يجمع بين البيولوجيا والإحصاء والكمبيوتر من أجل تمكين الباحثين من استخدام التقدم التكنولوجي في الكمبيوتر والإحصاء لاستكشاف المعلومات والوظائف الخاصة بالجينات.

حجم البيانات الجينية

قد تساعد الأبحاث الجينية في وجود من ٢ – ٤٠ إكسابايت من البيانات الجينية في العقد المقبل، وإكسابايت يساوي ١ مليون تيرابايت. وتصل كمية البيانات المتاحة حاليًا سنويا من ٢ – ٤٠ مليار جيجابايت، ويستغلها العلماء أفضل استغلال في الدراسة من أجل صحة الإنسان والأمراض. ولكن من الواجب أن يكون هناك أخلاقيات وقواعد تحكم للحفاظ على خصوصيات الأشخاص؛ حيث كل جين مرتبط بشخص يعبر عن العديد من الأشياء بالنسبة إليه. 

إذا أردت أن تتعلم علم البيانات الجينية، عليك بدراسة قوية في البيولوجيا والكمبيوتر والإحصاء. ولا يشترط أن تكون ملمًا بكل كبيرة وصغيرة في المجالات الثلاثة، ولكن على الأقل أن تكون حاصلًا على دراسة قوية في مجال منها وملمًا بما تحتاج إليه في مجال آخر، وبعدها قد تصل إلى راتب بمعدل ١١٠ ألف دولار سنويًا.

بداية علم البيانات الجينية

بدأ علم البيانات الجينية كمجال بحث ودراسة سنة ١٩٩٠م عن طريق الدمج بين:

• استخلاص التسلسل الجيني من دراسة جينات الكائنات الحية. 
• تحليل البيانات باستخدام الإحصاء والكمبيوتر في تحليل ورسم البيانات الجينية، وتتضمن الحصول على البيانات وتخزينها واستخدام الخوارزميات لتحليل البيانات الجينية للأشخاص. [2]

علم البيانات الجينية يُعتبر من البيانات الضخمة

كل خلية في جسم الإنسان تحتوي على نسختين من الجينات كاملة، يتكون جسم الإنسان من ترليونات الخلايا. البيانات الجينية لشخص واحد من الممكن أن تشكل ٢٠٠ جيجا بايت. وسنحتاج إلى تقريبًا ٤٠ إكسابايت لتخزين التسلسل الجيني عالميًا بحلول عام ٢٠٢٥م،  بما يعادل تقريبًا مليون قرص مدمج. ونظرًا لوجود هذا الكم الهائل من البيانات الجينية اعتبر هذا المجال من مجال البيانات الضخمة. 

كيف يدرس العلماء العلوم البيانات الجينية؟

يخترع العلماء أدوات تسهل دراسة الجينات اعتمادًا على التطور التكنولوجي في الكمبيوتر والإحصاء، من أهم هذه الأدوات:

• أداة « aligners » لتحديد أين تقع كل قطعة من الترتيب الجيني للحمض النووي. 
• أداة « Variant Callers » تتعرف على الأماكن المختلفة في التسلسل الجيني عن باقي التسلسلات الجينية العادية، هذه الاختلافات الجينية تختلف أحجامها فقد تكون حرف واحد من الحمض النووي في ما يعرف ب «single neuclotide polymorphism »، وقد تكون حروف متعددة وتعرف بإسم «Structural Variants». 

قد تكون هذه التغيرات بدون أخطار، وقد تكون سببًا لمشاكل وراثية نادرة كالسرطان أو أمراض أخرى شائعة. [1]

كيف يدير ويخزن الباحثون هذه الكمية الضخمة من البيانات؟

1. استخدام برامج وأدوات الكمبيوتر والإحصاء. 
2. اعتبار مراكز تحليل البيانات جزءًا أساسيًا من العمل. 
3. دعم مالي كبير من المعاهد العلمية على سبيل المثال « NHGRI – المعهد الوطني لبحوث الجينوم البشري»، والذي بدوره يوفر أكثر من ١٢٥ مليون دولار سنويًا لدعم علم البيانات الجينية.
4. جعل البيانات مفتوحة المصدر في المجتمع العلمي لتسهيل تحليل البيانات وتنظيم أفضل لها. 
5. تقديم سُبل تعاون أفضل بين بعض المراكز الخاصة والتجارية والمعاهد الحكومية على سبيل المثال، المعهد الوطني للصحة بالولايات المتحدة من أجل توفير تخزين واستضافة البيانات بشكل أفضل وتعزيز الخصوصية. 

أخلاقيات مشاركة البيانات الجينية

• معرفة المريض بمشاركة البيانات الجينية الخاصة به وإعطاءه معلومات واضحة عن  مدى درجة الخصوصية. 
• عدم التعريف بالشخص مالك الجينات إلا في حالات الكشف عن المجرمين. 

كيف يتشارك الباحثون البيانات الجينية؟

يقسم العلماء مصادر البيانات الجينية إلى ٣ أنواع:

1. مفتوحة المصدر: وهي النوع الأكثر انتشارًا، وتكون البيانات متاحة للعامة لأهداف بحثية. 
2. تحتاج إلى تسجيل: يستطيع أن يصل إليها الباحثون، ولكن بعد تسجيل معلوماتهم وأعمالهم مع البيانات للموافقة. لذلك هي بين المفتوحه والمغلقة. 
3. مغلقة المصدر: عرض الطلب على لجنة وقد توافق عليه لغرض البحث أو لا توافق، ولكن يظل الباحثون فقط هم الذين لديهم القدرة على الوصول إلى هذه البيانات. [1]

أهم المجالات المرتبطة بعلم البيانات الجينية

يحاول العلماء والباحثون اختراع أدوات تتعرف على الاختلافات في التسلسل الجيني وربطها بالمعلومات الطبية مثل:

• اكتشاف عوامل خطورة لمرضٍ ما. 
• استخدام جديد لدواء معين.
• استخدم الباحثون الذكاء الاصطناعي لتطوير البيانات الجينية للأغراض الإكلينيكية.

فما هو الاختلاف الجيني؟

يمتلك كل شخص ٦ مليار جين ويوجد اختلافات بسيطة بين الأفراد، بعض الاختلافات من الممكن أن تكون عامل خطورة لمرض معين وبعضها يقلل خطر مرضٍ ما وهناك ما ليس لها تأثير. 

وتنقسم هذه الأمراض الجينية  إلى نوعين:

•  نوع مرتبط بتغير جين واحد على سبيل المثال « Cystic Fibrosis – التليف الكيسي » وهو اضطراب وراثي يسبب تلفًا شديدًا في الرئتين والجهاز الهضمي والأعضاء الأخرى في الجسم. ويحدث بسبب اختلاف في الجين الذي يعمل على تشفر بروتين منظم الإيصالية عبر الغشاء في التليف الكيسي (CFTR)

• نوع مرتبط باختلافات جينية كثيرة بالإضافة إلى عوامل بيئية مثل نظام الغذاء والنوم والضغط والتوتر والتدخين. وتصل هذه الاختلافات الجينية مثلًا إلى ٦٠ جين تقريبًا مختلف كما في الأشخاص المصابين بمرض تصلب الشريان التاجي. [3]

«Polygenic Risk Score – درجة مخاطر الاختلافات الجينية المتعددة» 

يفحص العلماء كل الاختلافات الجينية في شخص ما ثم يسجلوا هذه المعلومات على الكمبيوتر، وباستخدام برامج الإحصاء والكمبيوتر المتقدمة يعملون على تقدير هذه الاختلافات إن كانت عامل مؤثر في مرض معين أم لا. 

وجود درجة اختلاف جيني ليس مؤكدًا على وجود مرض معين. فإذا افترضنا أن شخصًا لديه اختلاف جيني ولكنه يبلغ من العمر ٢٢ عامًا ويسير على نظام غذائي وصحي جيد،  وشخصًا آخر يبلغ من العمر ٦٠ عامًا ولا يمتلك نظامًا جيدًا في الغذاء والصحة ولديه اختلاف جيني، سيكون الشخص الثاني أكثر عرضة للمرض. ففي النهاية هي توضح علاقة ما وليست طريقة حسابات مؤكدة. [3]

مصادر

[1] National Human Genome Research Institute
[2] Springer link
[3] NHGRI

تنتشر الأبحاث في الصحف والمجلات عن تطبيقات متعددة لعلم البيانات في إدارة أعمال الشركات والحكومات وغيرها. ولكننا نتجاهل في أحيانٍ كثيرة تطبيقات البيانات في مجالات حديثة وغير متوقعة. فمن الممكن استخدام تقنيات علم البيانات في المساعدة فيما هو أكبر من ذلك على سبيل المثال، العمليات الجراحية إلى حتى تقييم أخطار الانتحار ومحاولة تجنبها. ونتابع معًا في هذا المقال ٤ تطبيقات غير تقليدية لعلم البيانات.

١. التنبؤ بالأداء الدراسي

على الرغم من وجود أبحاث كثيرة عن تأثير عوامل متعددة  على  الأداء الدراسي. أُجريت دراسة حديثة في البرازيل عن العوامل المؤثرة في الأداء الدراسي،  حيث هناك حاجة مُلحة في البرازيل لجعل مجال التعليم في مكانة أفضل. قام الباحثون «Jocye Maia and Joao Sato» بتجربة اعتمادً على البيانات المتاحة في وزارة التعليم باستخدام النماذج غير الخطية للإحصاء عن العوامل الاقتصادية والاجتماعية واتصالها بضعف وقوة الأداء الدراسي. وأثبتت الدراسات التأثير القوي لهذه العوامل. أمل الباحثون من صُناع القرار استخدام نتائج البحث لتطوير ضعف الأداء الدراسي. [1]

٢. تتبع ومراقبة أدوات الجراحة في غرف العمليات

استخدم العلماء هذه التقنية اعتمادً على صور سابقة من عمليات جراحية فيما يعرف ب «surgical data science – علم البيانات في الجراحة ». كان هناك صعوبة سابقًا في تواجد الأدوات في المكان الصحيح وتنقل الأدوات من مكان إلى مكان يرهق العاملين في القطاع الصحي. قام الباحثون في قسم الاختراعات الطبية بمساعدة الكمبيوتر في مركز أبحاث السرطان الألماني في هيدلبرج  باستخدام صور جراحية سابقة وأشكال مصممَة باستخدام التحليل التنبؤي لكي يتأكدوا متى نحتاج هذه الأدوات في مكان ما ومتى نحتاج إلى نقلها لمكان آخر. وكان الهدف من استخدام هذه التقنيات تقديم المساعدة للطبيب. نُشرت هذه البيانات لأول مرة وتحتوي على ٣٠ فيديو من ٣ أنواع جراحات مختلفة مع بيانات حساسة من أجهزة خاصة بغرف العمليات. [2]

٣. تقييم الحالات المرضية من خلال تغريدات تويتر

تزداد قدرة وسائل التواصل الاجتماعي على إلقاء الضوء على بعض الحالات المرضية وإحساس المريض بحالته. يتحدث الناس بشكل أفضل وأكثر إثراءً على وسائل التواصل الاجتماعي من عمل مقابلات معهم. حُللت تغريدات عن كيفية التعايش مع مرض« ADHD – اضطراب فرط الحركة وتشتت الانتباه» بواسطة الباحث (مايكل ثالويل) وزملائه باستخدام «Word Association Thematic Analysis – تحليل موضوعي الكلمات المترابطة ». لقد قام قام الباحثون بتحليل ٨٥٩٨٣ تغريدة مرتبطة ب«ADHD»  وأيضًا ١٣٥٢٤٤٢ تغريدة مرتبطة بحالات مرضية أخرى لعمل مقارنة وتقييم للحالة. ومن النتائج اتضح أن هذه الطريقة أفضل من المقابلة الشخصية لتقييم الحالة الصحية.  [3]

٤. علاج أمراض نادرة

يحاول العلماء استخدام علم البيانات في دراسة الأمراض النادرة ومشاكل الصحة العامة مثل الانتحار. لم تصل حتى الآن هذه التقنيات إلى المقدمة في علم البيانات. ولكن يفترض الباحثون في معهد نافارا لأبحاث السرطان في أسبانيا أنه من الممكن استخدام تعلم الآلة في اكتشاف وتطوير علاجات جديدة لهذه الأمراض. تؤثر الأمراض النادرة على حياة الملايين في العالم، على سبيل المثال، «hepatocellular carcinoma» الذي يعتبر نوع نادر من سرطانات الكبد ويقتل ٦٢٠٠٠ شخص كل سنة. لكن حتى الآن، العلاجات المُخصصَة لهذا المرض غير مؤثرة بدرجة كافية. 

قارن العلماء ١٢٠٠٠ مركب محتمل وأدوية أخرى جديدة عن طريق تحليل البيانات وسيكون هناك نتائج جيدة في الفترة المقبلة. وفي نفس الموضوع تم عمل دراسة على الانتحار بين عشرات الألاف من الدنماركيين بأخذ النتائج و تحديدها وتقسيمها. أثبتت الدراسات وجود علاقة بين خطر الانتحار ونوع الجنس – ذكر أم أنثى – والصحة العامة والأمراض النفسية الأخرى. [4]

ما زالت المجالات موجودة ومنتشرة وما زال الربط بين المجالات والابتكار والخروج بأفضل نتيجة هو ما سيساعد البشرية في المستقبل.

المصادر:

[1]plos public health
[2]nature
[3]open respiratory
[4]wiley online library

تخيل أن تحدث جريمة في يوم ما ويحضر الشرطي إلى مكان الحادث بصحبة عالم بيانات لمساعدته في الكشف عن الجريمة. أصبح علم البيانات ركيزة أساسية في الكشف عن الجرائم اعتمادً على البيانات السابقة والمحاضر من أقسام الشرطة. نستطيع الاستفادة من علم البيانات في:

• معرفة أنواع الجرائم التي تحدث في مكان ما وتدريب أفراد الشرطة على التعامل معها. وتوعية أفراد المجتمع عن مثل هذه الجرائم والتحذير من القيام بها وأثرها على الفرد والمجتمع. 
• التعرف على اوقات الجرائم من حيث السنوات التي تزيد فيها والعوامل المؤثرة ومحاولة تقليلها والقضاء عليها إلى أقصى درجة ممكنة. وأيضًا الشهور والمواسم من السنة والعوامل المؤثرة. وكذلك الأوقات من اليوم لتوعية الأشخاص بالأوقات الأكثر خطورة وتجهيز أفراد الشرطة وعمل الاستعدادات اللازمة. 
• تحديد أكثر أماكن حدوث الجرائم في المحافظات والمدن وتركيز المجهود الأكبر عليها.
•  التحقيق في جريمة معينة ومعرفة العوامل المرتبطة بها، فمن الممكن العمل على هذه الجريمة بجهود أكبر لمحاولة للقضاء عليها. 
• تدعيم ضحايا الجرائم، وخاصة الدعم النفسي لهم وتقديم اللازم لرفع أسلوب معيشتهم.

تطبيقات هامة لعلم البيانات في الكشف عن الجرائم

التعرف على الوجه

أصبحت تقنية التعرف على الوجه منتشرة في أماكن متعددة من العالم كالصين بشكل شرعي معروف، والولايات المتحدة والمملكة المتحدة بشكل تجريبي غير معروف لدى كل المواطنين. 

استُخدمت في حالات خطف الأطفال حيث فقدت عائلة بريطانية ابنتها ذات عمر ٣ سنوات عام ٢٠٠٣م. وضعت أجهزة الشرطة افتراضات للخاطف حيث من الممكن أن يكون من مدمني جنس الأطفال، فبحثوا على مواقع الجنس المخصصة لجنس الأطفال. يبحث الأشخاص في الولايات المتحدة يوميًا بأعداد كبيرة عن المحتوى الجنس الذي يشمل أطفال ومن خبرة المفتشين أن عدد كبير من الأطفال المفقودين تظهر صورهم على هذه المواقع.

استخدمت الشرطة أداة «Child Exploitation Image Analysis – CHEXIA» التي تم تطويرها من قِبل «The department of homeland security». وتعمل من خلال التعرف على الوجه من خلال بيانات ضخمة لصور أطفال والتعامل مع أدوات الطب الشرعي المتاح. 

طورت أيضًا شركة ميكروسوفت أداة «PhotoDNA» التي تعمل بطريقة مختلفة لكن بنفس هدف التعرف على الوجه. تعمل الأداة عن طريق وضع تعريف لكل صورة ومقارنتها بالصور الأخرى لإيجاد نسخ متشابهة تُمكن المفتشين من إيجاد أصل الصور أو صور متشابهة. تستخدم هذه الأداة أكثر من ٢٠٠ منظمة ضد خطف الأطفال. 

كما اخترعت أيضًا اعتمادً على الأداة السابقة أداة «PhotoDNA for video» التي تعتمد على أخذ لقطات مهمة للوجه من الفيديو وربطها مع قاعدة البيانات للمقارنة والتعرف على الوجه.

تجميع البيانات الضخمة لتتبع نشاط القتل المتسلسل

جمّع «Thomas Hargrove» حالات القتل حيث وصل إلى مئات الألاف من الحالات لكي يرى هل من الممكن أن يكون أحد  المجرمين له علاقة بالقتل المتسلسل. أسس بعدها مشروع يدعى «Murder Accountability Project» الذي يحتوي على بيانات لكل حالات القتل مع بعض أساسيات التحليل. اكتشف بعدها خوارزمية لتجميع حالات القتل المرتبطة بنفس الطريقة أو المكان أوالوقت ونوع الضحية – ذكر أم أنثى – كما ألقى الضوء على حالات القتل غير المحلولة من الممكن أن تكون بصورة ملحوظة أم لا. 

توقعت الخوارزمية وجود قاتل متسلسل في ولاية «Indiana» بالولايات المتحدة الأمريكية، وأخبر توماس هارجروف الشرطة بذلك ولكنها تجاهلته. وبعد ٤ سنوات قبضت الشرطة على هذا المجرم، ولكنه كان قد قتل في هذه الفترة ٦ أشخاص. وأثبتت هذه الخوارزمية دقتها ودورها في قدرتها على مساعدة الشرطة في الكشف عن القتلة المتسلسلين.

تطبيقات إضافية لعلم البيانات في الكشف عن الجرائم

• مشاكل سرقة كروت تحويل الأموال، ومعرفة إذا كان الشخص مالك هذا الكارت أم لا. 
• تحميل الفيديوهات مباشرة وتوقع الجرائم من خلالها. 
• تحليل الأصوات والتعرف على إذا ما كان الشخص لديه قابلية لارتكاب جريمة أم لا. 

عيوب استخدام علم البيانات في الكشف عن الجرائم

• في مايو ٢٠١٩م،  كان لدى المملكة المتحدة في لندن ٦ مليون كاميرا لمراقبة الأشخاص – حوالي ٦٦ مليون شخص – في الشوارع، بمعنى أن الكاميرا الواحدة تراقب ١١ شخص فقط. استخدمت هذه الكاميرات تقنية التعرف على الوجه. صحيح أن بعض التقنيات مثل «PhotoDNA» و«CHEXIA» ساعدوا كثيرًا في إنقاذ أطفال، ولكن الاستخدام بتلك الطريقة يعتبره البعض تعدى على الخصوصية. 
  
• عنصرية الذكاء الاصطناعي، حيث يوجد تحيز ناحية الرجال البيض ضد السود وذلك بناءً على البيانات المتاحة. إذ أن عدد المسجونين السود في الولايات المتحدة أكثر عددًا من البيض. نضيف إلى ذلك أيضًا أن أغلب صانعي التقنيات الحديثة هذه من ذوي البشرة البيضاء. فتتعرف أيضًا تقنيات التعرف على الوجه على أصحاب البشرة البيضاء بدقة أكبر من تعرفها على أصحاب البشرة السوداء.

ما زال ارتباط علم البيانات بالجرائم في طور النشأة، ولكنه أثبت قوته عند استخدامه في مناحي متعددة. وعلى الجانب الآخر ما زالت هناك بعض أوجه القصور مثل الخصوصية والعنصرية، فلذلك ما زلنا بحاجة إلى الدخول في طور التطوير والاستفادة منه والتخلص من أضراره.

المصادر
big data analytics
towards data science

عندما تضغط على تليفونك المحمول أو ساعتك الذكية أو تبحث من خلال جهاز الكمبيوتر، تذكر أن بياناتك تبدأ رحلة قد تأخذها في جميع أنحاء العالم، وقد تعود لك بشكلٍ آخر. إذ يترك كل شخص في هذا العالم أثر يتحول إلى بيانات لكل ما يفعله، مثل السفر أو الإقامة في أحد الفنادق وحتى الألعاب التي يمارسها. هذه البيانات لا تستطيع التقنيات العادية تحليلها لحجمها الكبير، ويطلق عليها «البيانات الضخمة-The big data». والبيانات الضخمة هي بيانات ديناميكية وكبيرة ومتباينة تُنشأ بواسطة الأشخاص والأدوات والآلات، وتتطلب تقنيات جديدة ومبتكرة وقابلة للتطوير.

عناصر أساسية في البيانات الضخمة

تمتلك البيانات الضخمة ٥ عناصر أساسية مرتبطة بها:

• السرعة: وهي سرعة تدفق البيانات التي تصل إلينا على سبيل المثال، أن كل ٦٠ ثانية يتم تحميل ساعات من اللقطات على يوتيوب الذي ينتج بيانات. فمن الممكن تخيل سرعة تراكم البيانات في الساعة أو اليوم أو الشهر وهكذا.
• الحجم: حيث يزيد حجم البيانات مما يُعيق معالجتها بالطرق العادية. وهذه الزيادة بسبب تعدد مصادر البيانات وأجهزة الاستشعارات عالية الدقة والبنية التحتية القابلة للتطوير. يستخدم الناس في العالم غالبًا كل أنواع الأجهزة من تليفون وكمبيوتر وساعة رقمية. وأصبح حجم البيانات لدينا يصل إلى ٢,٥ كوينتليون بايت يوميًا ما يعادل ١٠ مليون قرص(DVDs).
• التنوع: تتنوع البيانات على شكل صور أو فيديوهات أو أرقام أو تغريدات ومنشورات. حيث يزداد تنوع البيانات بسبب دخول عدد كبير من التكنولوجيا الجديدة للتليفون ووسائل التواصل الاجتماعي والفيديو وغيرها الكثير.
• الصدق: حيث نوعية وأصل البيانات وتطابقها مع الحقائق والوقائع والاكتمال والنزاهة. وتتكلف الشركات مبالغ ومجهودات عالية ويزداد تتبع البيانات وتحري الدقة دائمًا للتأكد من المصداقية. و٨٠٪ من البيانات غير منتظمة، لذلك يجب دائمًا ابتكار طرق لتنظيم وترتيب وتحليل البيانات.
• القيمة: تحويل البيانات إلى قيمة لجلب فوائد طبية واجتماعية، وفوائد للموظف والعميل وتطوير الشخصية.

تاريخ البيانات الضخمة

بالرغم من أن المصطلح حديث، لكن ظهرت كمية ضخمة من البيانات في الستينيات والسبعينات بعد ظهور الكمبيوتر متعدد الأغراض لأول مرة عام ١٩٤٥م بسعة تخزين بيانات ضئيلة للغاية. وفي عام ١٩٧٩م، اخترعت شركة « Oracle – أوراكل» أول نظام بيانات لربط بيانات الجداول ببعضها.

وفي عام ١٩٩٠م، بدأ الكمبيوتر ينتشر في العالم ويتمدد وبدأ من خلاله تجميع كم كبير من البيانات. ثم عام ٢٠٠٥م، أدرك العلماء الحجم الضخم من البيانات، خاصة بعد ظهور وسائل التواصل الاجتماعي وظهور اليوتيوب وغيرهم من المواقع التي تتبع تحركات العملاء داخلها. ظهر في نفس العام (hadoop) وهو مساحة عمل مفتوحة المصدر لتخزين وتحليل البيانات الضخمة. واشتهرت أيضًا (NoSQL) للعمل على البيانات في نفس العام.

شاركت أمازون في السباق حيث أسست (Amazon Web Service) لتخزين البيانات الضخمة وتحليلها عام ٢٠١٠م. وفي عام ٢٠١٤م، ظهرت مساحة العمل الأكثر شهرة حاليًا في عالم البيانات الضخمة وهي (Spark) واكتمل نضوجها في عام ٢٠١٦م. ومع ازدياد التطور، لم يعد الإنسان هو مصدر البيانات الوحيد بل امتد صدور البيانات من الأجهزة، خاصة بعد ظهور إنترنت الأشياء وازدهار الذكاء الاصطناعي وتعلم الآلة.

الفائدة الأساسية للبيانات الضخمة

الحصول على إجابات كاملة بعد امتلاك معلومات أكثر، هذه الإجابات تمنح ثقة أكبر في البيانات وتوفر طريقة مختلفة لإيجاد حلول والتغلب على المشاكل.

أهم استخدامات البيانات الضخمة

• تطوير المنتجات: تستخدم بعض الشركات البيانات للاطلاع على آراء ومطالب العملاء، وعمل نماذج ومقارنات بين توفير الخدمة قديمًا والتحديثات للوصول إلى أفضل نتيجة مثل شركة نيتفليكس.
• التنبؤ بالمخاطر: ملاحظة العوامل التي تؤدي إلى الفشل والسقوط، وعمل دراسات عليها وتحليلها، واستخدام كل الأساليب لتفادي الخسائر.
• الحماية والأمان للمواقع: رفع معدلات الحماية والأمان باستخدام البيانات الضخمة عن طريق التعرف على أشكال معينة أو نماذج معينة، وأي تغيير فيها يتضح أن هناك مشكلة اختراق ويجب حلها فورًا.
• تعلم الآلة: أصبح تعلم الآلة أدق وأكثر إنتاجًا حاليًا، ويعود الفضل في ذلك إلى البيانات الضخمة.
• اتخاذ القرار: تحليل الآراء والنقد من الاستبيانات ووسائل التواصل الاجتماعي، واتخاذ قرار يتناسب مع سوق العمل.
• ابتكار طرق وحلول جديدة وتطوير القرارات والماليات.

خريطة عمل البيانات الضخمة

هناك 3 خطوات رئيسية تعمل بها البيانات الضخمة وهي:

• استخلاص البيانات ونقلها لمكان العمل.
• تنظيم البيانات وتنظيفها وتخزينها.
• تحليل البيانات وإنتاج رسم يعبر عن البيانات ثم إتخاذ القرار.

ما هي التحديات التي تواجه البيانات الضخمة؟

• حجم البيانات كبير جدًا ورغم وجود حلول فالبيانات تتضاعف كل سنتين تقريبًا، قتزداد الحاجة إلى أدوات جديدة.
• تستهلك البيانات الضخمة وقتً كبيرًا في تنظيمها لأن غالبا ما تكون البيانات غير منتظمة. ويستهلك علماء البيانات ٥٠-٨٠٪ من وقتهم في تنظيم وتنظيف البيانات.
• التطور الدائم في الأدوات، فمن الممكن أن تعمل على أداة ما اليوم، وفي اليوم التالي تخرج أداة جديدة أفضل. حيث كان (hadoop) أداة أساسية والآن أصبحت (sparke) أو بالتشارك بينهما.

كيف يمكننا عمليًا الاستفادة من البيانات الضخمة؟

• تخطيط أهداف في عالم الأعمال وازدياد جذب العملاء والتفاعل معهم.
• استخدام مهارات تحليل البيانات الضخمة وتقويتها في التدريب والتوظيف.
• مشاركة المعلومات والبيانات عبر العالم وإنشاء مواقع مفتوحة المصدر – بشرط الحفاظ على الخصوصية – لاكتشاف واختراع طرق وأساليب جديدة.
• تقوية الخصوصية والأمان.
• تطوير مجالات تعلم الآلة والذكاء الاصطناعي.

ازداد حجم البيانات بشكل لم نعد نستطيع التعامل معه بالطرق العادية لذلك أصبح علماء البيانات مطالبين بأدوات جديدة للتعامل مع الكمية الضخمة من البيانات، وتحقيق أقصى استفادة منها في مجالات متعددة.

المصادر:

towards datascience
oracle

البيانات المُصنَعة أم بيانات البشر؟

خصوصية البيانات

ارتبطت البيانات بالبشر دائمًا. إذا أردت البيانات يجب أن تبحث عن أشخاص لتحصل منهم على بياناتهم. لكن مؤخرًا أصبح التعامل مع البيانات يسوده صعوبات وشروط وعواقب وخيمة لأسباب تتعلق بالخصوصية، بالإضافة إلى الخوف من اختراق بعض البيانات الشخصية للأفراد. ظهرت القوانين التي تنظم بيانات الأفراد، وخاصة بيانات المرضى. ومن أهم هذه القوانين هو (نظام حماية معلومات المرضى الأمريكي HIPPA) عام ١٩٩٦م، ويُحدّث باستمرار. وال HIPPA هو قانون يهتم بحفظ وحماية المعلومات الخاصة، وخاصة بعد استحداث الملف الإلكتروني للمرضى. لم تكن المشكلة فقط في الخصوصية والقوانين، لكنها تعلقت أيضًا بالوقت اللازم لتجميع هذه البيانات، والتكلفة العالية. حيث تصل تكلفة بعض أبحاث السرطان إلى ٢,٧٧ مليار دولار، وهي تكلفة لا تشمل البحث وتعويض أولئك الأشخاص الذين نحصل منهم على البيانات. لذلك كانت الحاجة عاجلة إلى إيجاد طريقة أخرى للعمل على البيانات. فظهر تصنيع بيانات تُماثل البيانات الحقيقية وغير مرتبطة بأشخاص حقيقيين. فأيهما أفضل، البيانات المُصنعَة أم بيانات البشر؟

ما هي البيانات المُصنَعة؟

هي بيانات بديلة ومُصنعَة لمحاكاة بيانات العالم الحقيقية ولحماية خصوصيات الأفراد. وتستبدل البيانات المصنعة تلك البيانات الحقيقية التي تحتوي على معلومات شخصية. تُستخدم البيانات المصنعة للتأكد من دقة البيانات وتناسبها أثناء تطوير البرمجيات. ونصل في النهاية إلى بيانات صناعية تتشابه خصائصها مع البيانات الحقيقية.

تجميع بيانات من مليون شخص، يتيح لنا فرصة الحصول على قدر لا نهائي من المعلومات باستخدام تقنيات ولوغاريتمات وأجهزة حديثة. بل نصل إلى مرحلة عدم الاحتياج إلى بيانات حقيقية.

تاريخ البيانات المُصنَعة

في عام ٢٠١٣، تحديدًا في جامعة (MIT)، استطاع العالم (Veeramacheni) وفريقه عمل أول بيانات مُصنعَة تُماثل البيانات الحقيقية. جاء ذلك بسبب حاجتهم إلى عمل دراسات على طلاب يتعلمون على منصة (edx).

ولكن بسبب خصوصية بيانات طلابهم، اضطروا إلى تصنيع هذه البيانات. وقد نجحت التجربة بالفعل. بدايةً، كانت النتائج تماثل ٧٠٪ من نتائج العمل على بيانات حقيقية واستمرت في التطور. واستطاع الفريق عرض نتائجه في مؤتمرات عالمية عام ٢٠١٦م، ومن بعدها أصبح استخدام البيانات الصناعية حقيقة. وفي عام ٢٠١٩م، توصل طالب دكتوراة يُدعى (lei xu) إلى خوارزمية جديدة لتصنيع البيانات. 

استخدامات البيانات المُصنَعة

بدأت تنتشر البيانات المُصنَعة في عدد من المجالات منها على سبيل المثال، بعض النماذج لتطوير الشخصية، والماليات، والبنوك، بالإضافة إلى تعلم الآلة. لكن ازداد الاهتمام بالبيانات المُصنَعة في مجالات الصحة والأبحاث الإكلينيكية للحفاظ على خصوصية الأفراد وسهولة الوصول للمعلومات وتوفير الوقت. 

أشهر منصة صحية في مجال البيانات المُصنَعة

منصة (synthea) وهي منصة مفتوحة المصدر بها بيانات مرضى يصل التاريخ المرضي لهم إلى ١٠ سنوات، والبيانات الموجودة بها تماثل البيانات الحقيقية. وتُستخدم هذه المنصة في تخليق أو تصنيع كمية ضخمة من بيانات ذات جودة عالية في مواقع متعددة من العالم، عن طريق استخدام عدد من الأدوات البرمجية.

نستطيع من خلالها التعديل على البيانات، فمثلًا، إذا أردت عمل أبحاث عن السرطان يمكنك الدخول على المنصة، وتعطي أمر للحصول على بيانات ١٠٠ مريض، وتختار المرض الذي تدور حوله الدراسة وهو السرطان وبعض الأمراض المرتبطة به والمؤثرة، ومواقع أولئك المرضى في العالم. ستمدك المنصة بالبيانات المطلوبة عبر صناعتها وهي ليست بيانات مرضى حقيقيين.

ما زالت بعض أوجه القصور تواجه المنصة، لكن يتم حلها باستمرار من خلال فريق برمجي يعمل على التطوير الدائم. ومؤخرًا، بدأت بعض شركات الأدوية في عمل الأبحاث الإكلينيكية باستخدام البيانات المُصنَعة. على سبيل المثال، بدأ العمل في مجال الأورام لما فيه من صعوبات لإجراء الدراسات على البيانات الحقيقية بسبب التكلفة والوقت اللازم لتجميعها. ولكن باستخدام البيانات المصنعة قل الوقت اللازم للوصول إلى نتيجة، مما قد يقلل التكاليف وأسعار العلاجات الناتجة.

أصبح للبيانات المُصنَعة دور كبير في الأبحاث الإكلينيكية على أمراض الجهاز الهضمي أيضًا. إذ وجد العلماء أننا نستطيع الحصول على بيانات نموذجية تساعد على الوصول إلى نتائج جيدة. ويتجه العالم إلى استغلال البيانات بالشكل الأمثل، ولكن تطرأ معوقات عديدة في استخدام البيانات الحقيقة التي تنتمي إلى البشر. مما اضطر العلماء بعدها إلى البحث عن طريقة أخرى وهي البيانات المُصنَعة. وهي الآن في مرحلة التطور وتعطي نتائج مماثلة للبيانات الحقيقية.

المصادر

PHARMATIMES
MIT
MEDIUM

من يضع شروط استخدام البيانات؟

تتصارع الشركات على بياناتك دون شروط

تتصارع العديد من الشركات على بياناتك، ويتوقع الكثيرون أن سعر البيانات سيصبح مقاربًا لسعر البترول في الأعوام القليلة القادمة. وتبذل العديد من الشركات الجهود للحصول على بياناتك رغمًا عنك أو اعتمادًا على حاجتك إليها للدخول إلى أحد مواقعها على الإنترنت.

تطلب منك الشركات معلومات قد تكون عادية على سبيل المثال، مثل الإسم والعمر والدراسة. لكن تستطيع الشركات أن تحوّل بعض بياناتك لتعرف عنك الكثير مثل تصرفاتك ومشاعرك ورغباتك لتستغلها في بعض الأسواق والخدمات، بالرغم من أنك لم تسمح للشركة بعمل هذه الدراسات. وتأخذ منك بعض الشركات معلومات أكثر خصوصية وأكثر حساسية مثل الإصابة بأمراض جنسية أو وجود طفرات جينية. قبولك للحصول على هذه البيانات أم لا، يتوقف على رغباتك وخصوصياتك وقرارك أنت فقط غالبًا.

يومك عبارة عن بياناتك

تستيقظ من النوم ذات يوم أقل سعادة، فمن الممكن أن تكتب على صفحتك الخاصة ما تشعر به، بعدها ستجد إعلانات عن أماكن ترفيه عن النفس. تذهب إلى العمل في الصباح، وتشتكي من صعوبة المواصلات العامة، وتتحدث مع صديقُ لك أنك تفكر في شراء سيارة، بعدها بقليل ستجد إعلانات عن سيارات. قبل العمل تمر بمقهى لتشرب كوبًا من القهوة، وبعد أن تنهي ذلك ستجد أحد العاملين يطلب منك أن تكمل استبيان لتعزيز وتقوية خدماتهم، بعدها ستجد المقهى على تواصل معك دائمًا. بعد نهاية عملك قد تذهب إلى أحد المطاعم لتناول الغذاء سيحدث معك ما حدث في المقهى تقريبًا. بالإضافة إلى الأماكن الاستثنائية التي تذهب إليها كالمستشفى والنادي وشركات الخدمات وغيرها من الأماكن التي ستعمل على تجميع بياناتك. لقد وصلنا إلى عصر تمتاز فيه البيانات بالأهمية التي قد تجعل كل العاملين في مكانٍ ما يساهمون فيها. 

التخوّف من استخدام البيانات الخاصة

ظهر اعتراض واضح لأول مرة عام ١٩٤٠م، عندما اعترضت العديد من الدول على الحكومة النازية في استخدام بيانات بعض الأشخاص لأبحاث طبية. هؤلاء الأشخاص كانوا قد قُبض عليهم كأسرى من عدد من الدول. بدأت بعض المعاهد الوراثية في أمريكا وغرب أوروبا باستخدام بيانات المواطنين بشكل مبالَغ فيه. كما سهّلت من وصول الحكومات إلى تلك البيانات، فاعترض المواطنون وقتها ولم يوافقوا على وصول الحكومة إلى هذه البيانات.

اشتدت الاعتراضات بقوة في القرن الحالي بسبب ازدياد استخدام البيانات، وفتح الباب على مصراعيه لأن تصبح الشركات مالكة لهذه المعلومات. فقامت بعض الشركات بعمل منظومة توافق بين العملاء أصحاب البيانات والشركة. هذه المنظومة تشمل شروط لأصحاب البيانات يتم الاتفاق عليها مسبقًا.

فماذا تستفيد المؤسسات من بناء نظام عمل بيانات بناءً على شروط أصحاب البيانات؟

1. وجود علاقة وثيقة متبادلة بين المؤسسات وأصحاب البيانات.
2. الوصول لقرار أفضل لأنه معتمد على بيانات موثوقة دائمًا.
3. تقليل مخاطر الوقوع في مشاكل قانونية.
4. الشفافية.
5. ازدياد التعاون المشترك.

فما هي شروط استخدام البيانات التي توفرت عند بعض الشركات، وبعض المقترحات الإضافية؟

1. معرفة عامة عن المشروع:
   • يجب معرفة اسم المشروع الذي تُجمّع البيانات من أجله ووصف كامل له، وهل يتم تجميع هذه البيانات لهذه المؤسسة أم لمؤسسة أخرى؟
   •  من حق صاحب البيانات أيضًا معرفة إن كان سيتوجب عليه إعطاء معلومات شخصية أو حساسة؟
2. كيفية تحديد النتائج:
   •  هل هناك أي قصور، على سبيل المثال، هل يحدث انحياز في تجميع البيانات وتحليلها وجودة البيانات؟
   • هل الأشخاص العاملين في فريق التحليل قد يعملون على التأثير على نتيجة البيانات؟ 
3. مشاركة البيانات مع الآخرين:
   • يجب أن يكون صاحب البيانات على معرفة بإمكانية مشاركة المؤسسة لهذه البيانات مع مؤسسة أخرى. 
   • هل سيتم نشر البيانات وتسهيل وصول منظمات معينة لها دون الموافقة؟
4. القواعد والقوانين الأخلاقية: وهي السياسات والتنظيم وكيفية استخدام البيانات، وتطبيق معايير حقوق الإنسان الدولية. 
5. الشكل القانوني:
   • كل البيانات المستخدمَة في المشروع تُشترى أم تُجمٌع من أفراد؟
   • هل تُجمّع لهذا المشروع فقط أم معه مشاريع أخرى؟
   • هل كل التصاريح للبدء في المشروع مجهزة دون مشاكل؟
6. سبب استخدام البيانات:
   •  الهدف الرئيسي من تجميع البيانات.
   • نظام العمل المناسب، ويندرج تحت أي مجال؟
   • التأثير على المجتمع، وهل يُقدّم أثر إيجابي؟
   • النتائج النهائية ستكون جديدة أم لا؟
7. الهدف النهائي مما يترتب عليه حماس المشاركة والمساعدة في إيجاد عدد أكبر من المشاركين.
8. معرفة الأثر الإيجابي:
   •  معرفة الأفراد أو المنظمات التي ستتأثر بالمشروع. 
   • كيفية قياس هذا التأثير وكيفية زيادته؟
9. الأثر السلبي:
   • الأفراد أو المنظمات الذين سيتأثروا بالمشروع. 
   • هل سيكون هناك ضرر أو أذى لأي شخص؟
   • ما هي حدود استخدام البيانات؟
10. تقليل الأثر السلبي للبيانات:
    1. كيفية تقليل خطر استخدام البيانات؟
    2. كيفية الحفاظ على البيانات الشخصية والحساسة؟
    3. معرفة الاستفادة التي تعود على المؤسسة. 
11. التواصل والتفاعل الجيد مع أصحاب البيانات، ومعرفة إذا كان هناك حقوق لأصحاب البيانات لعمل أي تعديل. 
12. الانفتاح والشفافية:
    •  معرفة حق أصحاب البيانات في قول الآراء وتقبل النقد. 
    • معرفة هل سيتم نشر طرق العمل على هذه البيانات بمنتهى الشفافية؟
13. يحتاج أصحاب البيانات إلى تدريبات ومعلومات عن البيانات عمومًا:
    • لمعرفة كيفية إيصال البيانات التي لديهم.
    • معرفة إن كانت الأفكار والمعتقدات ستغير نتائج تحليل البيانات أم لا؟
14. معرفة المسئول عن كل هذه البيانات، ومعرفة طرق نشر البيانات.

إذن، من يضع شروط استخدام البيانات؟

دائمًا ما يكون الحديث عن البيانات شائكًا، وتحاول الشركات والمؤسسات الضخمة الحصول عليها مهما كان الثمن. ويعتقد العلماء أن يزداد ذلك مع الوقت. لذلك كانت الحاجة مُلحة دائمًا لوضع شروط وقوانين لاستخدام البيانات. ومن المهم أن تدرك الشركات أن إعطاء الأشخاص لبياناتهم ليس سماح باستخدامها في كل مشروع، ولكن لا بد من الحصول على موافقة.

المصادر:

dataethics
opendatainstitue
adweek