En los últimos años, ha habido muchos rumores en torno al término «big data» y, la mayoría de las veces, el término se ha utilizado de forma poco estricta en los medios de comunicación. El aumento en la cantidad de datos creados, recopilados y almacenados en la última década ha sido astronómico.
En 2000, solo el 25 por ciento de toda la información almacenada en el mundo era digital, mientras que el 98 por ciento es digital en la actualidad. Hoy en día, se generan más de 30.000 gigabytes de datos por segundo. Esto ha creado enormes conjuntos de datos. Extraer valor de estos enormes conjuntos de datos es clave para mejorar la toma de decisiones y la eficiencia, independientemente del campo.
¿Qué son los macrodatos? En términos simples, los macrodatos están más allá de la capacidad de almacenamiento y el poder de procesamiento de una máquina o computadora común. Según la National Science Foundation, los macrodatos son conjuntos de datos grandes, diversos, complejos, longitudinales y / o distribuidos generados a partir de instrumentos, sensores, transacciones de Internet, correo electrónico, video, secuencias de clics y / o todos los demás medios digitales.
La definición más común de big data en la industria es que son activos de información de gran volumen, alta velocidad y gran variedad que exigen formas rentables e innovadoras de procesamiento de información para una mejor comprensión y toma de decisiones.
En su mayoría, la industria ve los macrodatos en forma de tres V (volumen, velocidad y variedad) y una A (análisis). Algunos otros agregan otra V (veracidad) a la lista de V. El volumen generalmente se refiere a grandes conjuntos de datos, mientras que la velocidad se refiere a la velocidad a la que se generan los datos (procesamiento de datos en tiempo real).
Finalmente, la variedad se refiere a los diversos tipos y fuentes de datos. Por ejemplo, una variedad de formularios de datos generados podrían estar estructurados (archivos XML), semiestructurados (correos electrónicos) y / o no estructurados (archivos de video). En el contexto de la agricultura, los macrodatos a menudo se confunden con la agricultura de precisión.
El Consejo Nacional de Investigación se refiere a la agricultura de precisión como una estrategia de gestión que utiliza tecnologías de la información para traer datos de múltiples fuentes para influir en las decisiones asociadas con la producción de cultivos. Algunos economistas agrícolas afirman que la principal diferencia entre la agricultura de precisión y los macrodatos radica en el hecho de que la agricultura de precisión implica la recopilación de datos a menudo concentrados en un área o campo específico distribuidos en el tiempo y el espacio.
Además, la analítica no es una práctica habitual en la agricultura de precisión. En general, la práctica habitual en la agricultura de precisión es comparar gráficamente los mapas de campo e identificar las áreas clave deficientes en nutrientes o de menor rendimiento en el campo. Sin embargo, debido a que la agricultura de precisión proporciona una entrada para big data para análisis, podríamos considerar la agricultura de precisión y el big data complementarios entre sí. Varias aplicaciones de aprendizaje automático y big data en la agricultura incluyen información sobre semillas de cultivos / productos básicos que se venden en una temporada,
Imágenes por satélite de Google, detección de plagas y / o enfermedades mediante imágenes de satélite, uso de drones, predicciones de la oferta y demanda de productos básicos y suministros de agua para evaluar sequías o inundaciones.
De estas, una de las aplicaciones interesantes es el uso de imágenes de hojas recolectadas a través de drones para la predicción / detección de enfermedades con herramientas como TensorFlow. La capacidad de administrar y utilizar de manera eficaz los conjuntos de datos masivos asociados con big data es un gran desafío.
Los análisis necesarios para combinar datos y utilizar algoritmos necesarios para obtener conocimientos requerirán conocimientos especializados. Determinar la propiedad, la privacidad y la seguridad de los datos son otros desafíos. Los investigadores deberán adquirir las habilidades para almacenar y acceder a grandes cantidades de datos para el modelado y análisis de datos.