Resultados de búsqueda para ...

Monográfico SMART GRIDS SMART GRIDS Monográfico l gran reto de la evolución en las redes eléctricas es la incorporación masiva de las TIC a sus diseños y operaciones, configurándose como redes inteligentes o Smart Grids. Solo así será posible cumplir con el objetivo 20/20/20 (reducir las emisiones de CO2 un 20% con respecto a 1990, disminuir un 20% el consumo energético y que las fuentes de energía sean renovables en un 20%), con una Europa en el camino del futuro sostenible, con una economía que genere pocas emisiones de carbono y consuma menos energía. Entre los muchos aspectos a considerar en la definición y construcción de las Smart Grids, en este monográfico se incluyen dos importantes: u El de la normalización, permitiendo la interoperabilidad demuchas tecnologías, procesos y agentes. En este sentido, la CE decidió en 2011 proponer un mandato, el M490, a sus organismos de normalización CEN, CENELEC y ETSI, para que identificaran y completaran normas que contribuyesen al desarrollo de las Smart Grids. u Elde los contadores inteligentes,quedará lugar a una interacción importante con los usuarios, que seránparte activadel compromiso20/20/20 de Europa con la energía. E 38marzo 2013 119922 119922 marzo 2013 39 Se denominan Smart Grids o Redes Eléctricas Inteligentes a la nueva generación de redes eléctricas capaces de predecir, de responder inteligentemente y de manera efectiva en costes, a las acciones de todos los usuarios conectados a ellas: productores, consumidores y prosumidores (productores y consumidores a la vez), para ofrecer un sistema de energía eléctrica económicamente eficiente y sostenible, de bajas pérdidas y con altos niveles de calidad, disponibilidad en el suministro y seguridad. El desarrollo de las Smart Grids, ver Figura 1, es esencial en la política europea de energía. Para integrar un gran volumen de generación basada en energías renovables, mantener la seguridad y disponibilidad de las redes de energía eléctrica y acometer los necesarios ahorros de energía, se necesitan redes eléctricas modernas y amplia- S das que hagan uso de todas las tecnologías inteligentes disponibles, básicamente empleando las tecnologías de la información y las comunicaciones, TIC. Pero para permitir que la industria europea asuma la inversión necesaria para desarrollar estas nuevas redes eléctricas inteligentes es un requisito previo e imprescindible que se apliquen y desarrollen los estándares o normas apropiadas de manera rápida y eficaz, al menos en el campo de las Smart Grid, los Contadores Inteligentes (Smart Meters) y los interfaces para la carga de los Vehículos Eléctricos. Y de estas normas son de lo que trata este artículo, de qué objetivos pretenden cubrir, de cómo se están identificando las que son aplicables, de cómo se están desarrollando las nuevas y quienes lo están haciendo. EL MANDATO EUROPEO M/490 SOBRE SMART GRIDS La Comisión Europea constituyó el grupo SGTF (Smart Grids Task Force) a finales de 2009, para consensuar la política y regulación en el desarrollo de las Smart Grids en Europa. También emitió recomendaciones clave relativas a su estandarización, privacidad y seguridad. Basado en estos resultados, en Marzo de 2011 emitió un mandato, M/490, a los Organismos Europeos de Normalización (ESO), concretamente a CEN, CENELEC y ETSI, para la normalización de las Smart Grids [1], y lo hizo con posterioridad a los mandatos relativos a la normalización de los Smart Meters (M/441, 2009) y a los Conectores para la carga de vehículos eléctricos (M/468, 2010) pero requiriendo la Figura 1. Smart Grid. Monográfico SMART GRIDS En este primer artículo del monográfico los autores analizan uno de los aspectos fundamentales para la extensión y generalización de las redes inteligentes de energía: el desarrollo de estándares y normas, que servirán de garantía a las futuras inversiones que deberá desplegar la industria europea en los próximos años. El punto de partida es el mandato M490 en el que instaba a los organismos CEN, CENELEC y ETSI a ponerse manos a la obra e identificaran y completaran las normas que permitirán un avance alineado de las tecnologías implicadas en las Smart Grids. Los lectores podrán conocer el punto en el que se encuentra este proceso y los organismos más importantes concernidos en él. La Normalización en las Smart Grids Carmen Martín Marino Jefe de Electrotecnia y TIC. Dirección de Normalización. AENOR Cayetano Lluch Mesquida Vicedecano del COIT coordinación entre ellos. En el Consejo Europeo de febrero de 2012 se requirió que los trabajos para definir la arquitectura de referencia y un conjunto de estándares esenciales para las Smart Grids estuvieran finalizados a fin de año. El objetivo del mandato M/490 es desarrollar o actualizar un conjunto consistente de estándares dentro de un marco común europeo, integrando una variedad de tecnologías de la información y las comunicaciones en la arquitectura de las redes eléctricas, desarrollando procesos y servicios asociados que permitan la interoperabilidad, y facilitando o permitiendo la implementación en Europa de los servicios y funcionalidades definidas por el SGTF con flexibilidad suficiente para acometer futuros desarrollos. Quedan fuera del mandato la automatización de los hogares, electrodomésticos, edificios e industria, si bien sus interfaces con la Smart Grid deben ser considerados dentro del mismo. Los seis servicios de alto nivel que ha definido el SGTF son: u Facilitar la integración en las redes eléctricas de usuarios con nuevos requisitos. u Incrementar la eficiencia en las operaciones diarias. u Asegurar la disponibilidad, el control y la calidad de suministro u Facilitar una mejor planificación de las inversiones futuras. u Mejorar el funcionamiento del mercado y el servicio al consumidor. u Facilitar y promover un mayor y más fuerte involucramiento de los consumidores en el uso y gestión de su energía. En el marco de esta estandarización, se espera que CEN, CENELEC y ETSI faciliten al menos la información siguiente: 1. Una arquitectura de referencia, que represente funcionalmente los flujos de datos de información entre los dominios principales y que integre todas las muchas arquitecturas de sistemas y subsistemas que los componen. 2. Un conjunto consistente de estándares, que soporten el intercambio de información, en forma de protocolos de comunicación y modelos de datos, y la integración de todos los usuarios en la operación del sistema eléctrico. 3. Un proceso y un conjunto de herramientas colaborativas para una estandarización continuada y sostenible que facilite la interacción de todos los agentes, mejore la arquitectura de referencia y el conjunto de estándares, y los adapte a nuevos requisitos. En lo que atañe a los Organismos Europeos de Normalización (ESO), entre junio 2010 y marzo 2011 CEN/CENELEC/ETSI constituyó un JWG “Standards for Smart Grids” con el objetivo de elaborar un informe estratégico sobe los requisitos de normalización para implementar la visión europea de las Smart Grids, especialmente teniendo en cuenta las iniciativas del SGTF. Por ello, a mediados de 2011 los Organismos Europeos de Normalización respondieron al mandato con un informe inicial sobre la normalización de las Smart Grids [2], identificando para cada uno de los temas específicos: generación, transmisión, contadores, industria, hogar y edificios, aplicaciones de demanda y respuesta; un modelo conceptual, un primer conjunto de los estándares existentes, las carencias y una serie de recomendaciones sobre el trabajo a realizar para cumplir con los objetivos del mandato. Así, dentro de la visión europea de las Smart Grids, los estándares constituyen herramientas ideales para lograr determinados objetivos como: interoperabilidad, modelos de datos armonizados, conjunto consistente de protocolos de intercambio de comunicación y de información, seguridad de suministro mejorada en el contexto de la infraestructura crítica, seguridad, privacidad y protección de datos robusta, y una adecuada seguridad de los nuevos productos y sistemas. Monográfico SMART GRIDS 40marzo 2013 119922 Dentro de la visión europea de las Smart Grids, los estándares constituyen herramientas ideales para lograr determinados objetivos como: interoperabilidad, modelos de datos armonizados, conjunto consistente de protocolos de intercambio de comunicación y de información, seguridad de suministro mejorada en el contexto de la infraestructura crítica, seguridad, privacidad y protección de datos robusta y una adecuada seguridad de los nuevos productos y sistemas.” “ SMART GRIDS Monográfico 119922 marzo 2013 41 Este primer informe proporciona una visión general de las normas existentes, las actividades actuales, los campos de actuación y la cooperación internacional necesaria en este campo. El informe también identifica los pasos a seguir y propone recomendaciones relativas a las prioridades de normalización. Smart Grid Coordination Group SG-CG A partir de este primer Informe, los Organismos Europeos de Normalización constituyeron en septiembre de 2011 el Smart Grid Coordination Group, SG-CG, para coordinar estas actividades de normalización. El SG-CG no elabora normas, ya que estas se desarrollan en los comités y subcomités específicos de cada uno de los Organismos Europeos de Normalización: CEN-CENELEC-ETSI. Los objetivos principales son: u Proponer una estructura de respuesta final al M/490 por parte de los ESOs u Mantener y actualizar el informe elaborado por el JWG u Constituirse como una plataforma de discusión sobre las cuestiones de normalización futuras en el ámbito de la SG u Establecer alianzas con otros grupos que estén trabajando en este ámbito (UIT-T, …) Foro de Coordinación Nacional Smart Grids, FCSG En abril del 2012 AENOR, Asociación Española de Normalización y Certificación, constituyó el Foro de Coordinación Smart Grids, FCSG, con el objeto de seguir los diferentes informes de normalización horizontales en curso a nivel europeo e internacional, además de ser foro de debate y puesta en común de los trabajos y de establecer posiciones nacionales cuando corresponda. NORMALIZACIÓN DE LAS SMART GRIDS Como se ha indicado, el SG-CG es el grupo de seguimiento de los trabajos de normalización que se llevan a cabo en CEN/CENELEC/ETSI, y lo hace en base a cuatro áreas de actividad, correspondientes a cuatro grupos de trabajo: Arquitectura de Referencia, Proceso Sostenible, Primer Conjunto de Estándares y Seguridad. En la Figura 2 se muestran los entregables de estos grupos de trabajo. A continuación se describe brevemente la actividad de coordinación y seguimiento de la normalización en cada una de éstas áreas. Grupo de trabajo sobre Arquitectura de Referencia (WG RA) Su objetivo final es producir un Informe técnico cuyo contenido principal incluye: El Modelo Conceptual Europeo y el Modelo de Arquitectura, SGAM (Smart Grids Architecture Model). El Modelo Conceptual Europeo es una evolución del modelo conceptual norteamericano del NIST [3] que tiene en cuenta algunas particularidades del contexto europeo. La principal diferencia, ver Figura 3, es la necesidad de definir un mayor nivel de descentralización para poder incorporar la generación de energía distribuída, DER, Figura 2. Entregables del SG-CG. Figura 3. Extensión del modelo NIST. debido básicamente a la incorporación de energías renovables. Ello da lugar a un modelo conceptual que requiere un nuevo dominio, DER, con nuevos casos de uso, nuevos estándares y una nueva posible regulación. El Modelo de Arquitectura de Smart Grid, SGAM (Smart Grids Architecture Model) es un modelo, ver Figura 4, en cinco capas que permite una representación de todos los casos de interoperabilidad, de una manera tecnológicamente neutral, de las redes eléctricas actuales y las futuras Smart Grids. Este modelo se puede utilizar para plasmar los casos de uso y como éstos se soportan por estándares. Las cinco capas representan los objetivos de negocio y los procesos, funciones, intercambio de información y modelos de datos, protocolos de comunicaciones y los componentes. Monográfico SMART GRIDS 42marzo 2013 119922 Figura 4. Modelo de Arquitectura, SGAM. Figura 5. Redes de comunicaciones Por su volumen e importancia, la capa de comunicaciones se desarrolla en un documento aparte, Anexo K. En él se identifican las diversas redes de comunicaciones que aplican a la capa de componentes, ver Figura 5, a las que se aplican diversas tecnologías: IEEE, IPv6, GSM, MPLS, SONET, etc. y protocolos normalizados: Internet, PLC, acceso inalámbrico, etc. Después se relacionan los casos de uso y los requisitos de comunicaciones, p.ej. la función de respuesta a la demanda requiere un escaso volumen de datos y una latencia de segundos, pero una alta disponibilidad, seguridad y prioridad. Luego describe los perfiles de comunicaciones y, finalmente, las arquitecturas para cada red de comunicaciones de la Figura 5. Importante destacar la matriz de aplicación de las diversas tecnología y protocolos normalizados, que se muestra en la Figura 6. Grupo de trabajo sobre Procesos Sostenibles (WG SP) El grupo de trabajo sobre Procesos Sostenibles elabora la definición de los casos de uso y los requisitos técnicos de las aplicaciones en las Smart Grid. Recoge los casos de uso de la experiencia de los múltiples agentes que intervienen en la operación de las redes eléctricas. En este sentido, ya se han recogido más de 450 casos de uso. Para ello, el grupo elabora las plantillas, una lista de actores (se han identificado mas de 100), una descripción del proceso y está poniendo en marcha un repositorio para guardarlos. Grupo de trabajo Primer Conjunto de Estándares (WG FSS) El grupo de trabajo sobre el Primer Conjunto de Estándares, FSS, identifica las carencias (gaps) en los estándares actuales (en el primer análisis de 2011 se recogieron 32 carencias) por medio de los Casos de Uso, las prioriza y envía a los Comités de Normalización para definir un primer conjunto de estándares aplicable a las Smart Grids. Grupo de trabajo en Seguridad (WG SGIS) La seguridad es un requisito básico del Mandato M/490 y este grupo define y aplica los requisitos de seguridad a todas las áreas de normalización. Actualmente trabaja en la adaptación a las Smart Grids de los estándares genéricos ISO/IEC 27001 y 27002, en la IEC 62351 y en la NISTIR-7628. Por otra parte, analiza todos los estándares aplicables a las Smart Grid y revisa e incorpora los requisitos y procedimientos de seguridad.3 Referencias: [1] Final report of the CEN/CENELEC/ETSI Joint Working Group on Standards for Smart Grids. [2]NIST Framework and Roadmap for Smart Grid Interoperability Standards. National Institute of Standards and Technology. U.S. Department of Commerce. [3]M/490 Smart Grid Mandate. Standardization Mandate to European Standardisation Organisations (ESOs) to support European Smart Grid deployment. SMART GRIDS Monográfico 119922 marzo 2013 43 Figura 6. Matriz de aplicación de tecnologías a redes de comunicaciones

REDES DE TELECOMUNICACIONES PARA LAS SMART GRIDS El Modelo de Arquitectura de Smart Grid, SGAM (Smart Grids Architecture Model) [1], que se muestra en la figura 4 de la página 42, permite una representación basada en cinco capas de todos los casos de interoperabilidad de las redes eléctricas actuales y las futuras Smart Grids y de una manera tecnológicamente neutral. Este modelo se puede utilizar para plasmar los casos de uso y como estos se soportan por normas. Las cinco capas representan los objetivos de negocio y sus procesos, funciones, intercambio de información y modelos de datos, protocolos de comunicaciones y los componentes: u Capa de negocio. Representa la visión de negocio de una Smart Grid y puede utilizarse para describir mercados, regulación, políticas, modelos de negocio, productos y servicios, agentes, etc. u Capa de funciones. Describe funciones y servicios y sus interrelaciones, de manera independiente para agentes (actores), implementaciones, sistemas y componentes. u Capa de Información. Describe la información que está siendo utilizada y que es intercambiada entre funciones, servicios y componentes. Contiene objetos y modelos de datos que luego van a ser transferidos por las capa de comunicaciones. P.ej. CIM (Common Information Model). u Capa de comunicaciones. Describe los protocolos de comunicaciones y los mecanismos para el intercambio de información entre componentes. u Capa de componentes. Describe los componentes y su distribución física. Incluye actores, aplicaciones, equipos de potencia, dispositivos de protección y telecontrol, infraestructura de comunicaciones (servidores, routers, etc.), etc. Cada uno de las capas se relacionan a su vez con los dominios (cadena de valor tradicional del negocio eléctrico): generación, transmisión eléctrica, distribución eléctrica, generación distribuida-DER y el cliente; así como con las zonas, donde se reflejan los distintos niveles jerárquicos de la gestión de los sistemas de energía, basado en los conceptos de agregación y separación funcional. La capa 2 de este modelo define las redes de telecomunicaciones aplicables en cada uno de los domi- 44marzo 2013 119922 Redes de Telecomunicación para el desarrollo de las Redes Inteligentes Eléctricas (Smart Grids) Las redes de telecomunicación han jugado siempre un papel importante en la gestión de las redes eléctricas. Así, y prácticamente desde hace más de cien años, se han requerido redes de telecomunicación propias para los sistemas de telecontrol y teleprotección, así como para las comunicaciones fijas y móviles. Dicho papel se ve incrementado notablemente por el desarrollo de las Redes Eléctricas Inteligentes (Smart Grid en terminología anglosajona, SG), donde se integran las actuales redes eléctricas con las funcionalidades que permiten las tecnologías de la información y telecomunicaciones (TIC). El presente artículo describe el uso de las redes de telecomunicación para el desarrollo de las SG, basado en el modelo de la Arquitectura de Smart Grid, SGAM (Smart Grids Architecture Model), desarrollado por el CENCENELEC- ETSI Smart Grid Coordination Group; finalizando con su aplicación práctica en el desarrollo de las SG en Iberdrola. Monográfico SMART GRIDS Pedro Blanco González Jefe Departamento Gestión de Activos. Dirección Sistemas de Control y Telecomunicaciones. Iberdrola Miguel Angel Sánchez Fornié Director de Sistemas de Control y Telecomunicaciones. Iberdrola nios y zonas. La figura 5 de la página 42, muestra las diversas subredes que se crean para cubrir las necesidades de comunicación entre los dominios y las zonas. El desarrollo de estas subredes se realiza en base a numerosas tecnologías y protocolos normalizados, como: IEEE, IPv6, GSM, MPLS, SDH, Internet, PLC, acceso inalámbrico, etc. La Figura 1 muestra de forma más detallada la utilización más frecuente de diversas tecnologías y protocolos en función de las distintas subredes de telecomunicaciones que pueden llegar a conformar la SG. La evolución continua de las telecomunicaciones permite contemplar la tabla anteriormente indicada como una referencia. La práctica demuestra que otras tecnologías/ protocolos, como el satélite, se pueden utilizar para el desarrollo de las SG en subredes no previstas inicialmente. La arquitectura descrita es un modelo muy útil, pudiéndose adaptar al mismo cualquier desarrollo de SG, permitiendo desarrollar y comparar diferentes soluciones. A continuación, a modo de ejemplo de uso, se describe una SG desarrollada en Iberdrola. En este caso se trabaja inicialmente en el dominio de la distribución y, parcialmente, de cliente (contadores); siendo aplicable a las zonas de procesos, campo, subestación, operación y compañía. Se utilizan todas las capas, si bien la capa de negocio se circunscribe al negocio regulado, al ser regulada la distribución en España. Como se puede comprobar posteriormente, se utilizan las siguientes subredes de telecomunicaciones: field Area, DA, inter-substation y wide area. Desde el punto de vista de la tecnología y protocolos, se utilizan gran parte de los recogidos en la Figura 1, incluyendo nuevas soluciones aportadas por los operadores, como son el uso de ADSL gestionado y cablemodem. RED DE TELECOMUNICACIONES PARA LAS SMART GRIDS EN IBERDROLA El impulsor del despliegue de las SG en España es el RD1110/2007 que obliga a las empresas eléctricas a cambiar todo su parque de contadores tradicionales por contadores inteligentes con capacidad de telegestión y discriminación horaria, asociados a un sistema de telegestión de los mismos. La sustitución debe estar finalizada en el año 2018. Dicho requisito impone a las empresas eléctricas la necesidad de desarrollar redes de comunicaciones con capacidad para alcanzar millones de contadores y comu- SMART GRIDS Monográfico 119922 marzo 2013 45 Figura 1. Matriz de aplicación de tecnologías a las subredes. nicar a decenas de miles de centros de transformación (CT). Una posible solución para la red de distribución en su tramo final (la escogida por Iberdrola), hasta el contador del usuario consiste en el despliegue de una única red de comunicaciones que integre las necesidades de la telegestión de contadores inteligentes (Smart Meetering) y todos los servicios de telecomunicaciones que se demandan y se puedan demandar en un futuro, creando una SG. En su diseño se han tenido en cuenta, entre otros, los siguientes aspectos fundamentales: u Flexibilidad: permitir integrar futuros servicios, tecnologías y protocolos (IP). u Escalabilidad: capacidad para llegar a millones de conexiones. u Disponibilidad: cumplir con la calidad demandada por los diferentes servicios (QoS). u Seguridad: disponer de las medidas necesarias para evitar que la garantizar la seguridad del suministro eléctrico. u Plug and Play: integrar nuevos que equipos que funcionen automáticamente. u Multiproveedor: disponer de varios suministradores para cada equipo. u Económica: uso de red privada o púbica según requerimientos técnicos y costes. La Figura 2 muestra el esquema de la red de comunicaciones desarrollada. Los contadores se miden desde los CT utilizando Power Line Communication (PLC) de banda estrecha, en banda CENELEC y siguiendo ITU-T G.9904 [2]. El desarrollo de dicha recomendación del ITU-G se ha realizado con el liderazgo de la ingeniería española y la participación de Iberdrola. Los CT conectan con una capa de agregación de acceso, según muestra la Figura 3, mediante el uso de diversas tecnologías, bien privada: PLC de banda ancha (BPL), FO y radio digital, o bien públicas: ADSL, cablemodem y GPRS/UMTS. Por encima de la capa de acceso se dispone una capa troncal, que permite que todos los datos disponibles se comuniquen con los diferentes gestores. Por una parte, se comunican con las aplicaciones de negocio, como Sistema SCADA y sistemas de planificación; y por otra parte se comunican con el sistema de información de puntos de suministro, que es el responsable de relacionarse con los sistema de las empresas comercializadoras enviando datos para la facturación, modificación de altas y bajas, lecturas de contadores, cortes y reconexiones, y reclamaciones. La responsabilidad de relacionarse con los consumidores es de las empresas comercializadoras. Uno de los aspectos más importantes del diseño realizado, tal como muestra la Figura 3, es disponer en cada Monográfico SMART GRIDS 46marzo 2013 119922 Figura 2. Diseño red de telecomunicaciones SG. CT de un Switch que permite incorporar servicios a medida que estos sean necesarios, en base a una red troncal MPLS, dedicando subredes separadas (VPLS) para cada uno de los mismos. Este diseño permite el desarrollo de las SG de forma progresiva, ateniendo a las necesidades actuales y las nuevas que demande el negocio eléctrico. La red desplegada permite caracterizar los CT, tal como muestra la Figura 4, de forma que en los mismos solo se necesite comunicaciones para telegestión de contadores, o CT con telegestión más un nivel básico (medidas de MT/BT, detección de paso de falta direccional y alarmas) o CT supervisado, donde adicionalmente se dispone de telecontrol y automatización. SMART GRIDS Monográfico 119922 marzo 2013 47 Figura 3. Detalle red de telecomunicaciones SG. Figura 4. Caracterización de los CT. En todos los casos, la red de telecomunicaciones trabaja con protocolos estándar y sobre una red troncal IP. El diseño de la red de telecomunicaciones integra de igual forma las necesidades derivadas de la generación distribuida o del vehículo eléctrico. Mención especial requiere el uso de las redes públicas de telecomunicaciones para el desarrollo de las SG. Los servicios de telecomunicaciones para las SG tienen en numerosas ocasiones requisitos muy exigentes en cuanto a retardos, priorización de tráfico, alimentaciones garantizadas, disponibilidad, tiempos de reparación, así como el cumplimiento de condiciones ambientales y de compatibilidad electromagnética. En general, las redes de telecomunicaciones de los operadores públicos no han sido diseñadas para cumplir con dichos requisitos, por lo cual se necesita de un diálogo y compromiso de los operadores para que diseñen los servicios bajo los requisitos anteriormente indicados. Si esta situación no se da, será muy difícil utilizar las redes de los operadores en el desarrollo de las SG, obligando a las empresas eléctricas a tener que desarrollar sus propias redes de telecomunicaciones sin aprovechar las economías de escala que las redes públicas permiten. El SGAM es una herramienta muy útil para modelar y desarrollar las SG, pudiéndose utilizar en numerosos escenarios, según las necesidades, modelos de negocio y situación regulatoria, por las empresas eléctricas. Esta situación se ha demostrado en el ejemplo de uso descrito, permitiendo desarrollar una SG y su red de telecomunicaciones asociada, y que da cobertura en la actualidad a más de un millón de contadores y cinco mil CT.3 Referencias [1] CEN/CENELEC/ETSI Joint Working Group on Standards for Smart Grids. [2] ITU-T G.9904. Narrowband orthogonal frequency division multiplexing power line communication transceivers for PRIME networks. Monográfico SMART GRIDS 48marzo 2013 119922 En general, las redes de telecomunicaciones de los operadores públicos no han sido diseñadas para cumplir con dichos requisitos, por lo cual se necesita de un diálogo y compromiso “ de los operadores”

119922 marzo 2013 49 on muchos los beneficios que se esperan de las redes inteligentes, pero todos ellos están basados en disponer de una información detallada de la red que nos permita analizarla, tomar decisiones, preferiblemente de forma automática, para optimizar todas las operaciones y características de la red, y actuar en consecuencia. Por tanto, la base de las redes inteligentes está en unas redes automatizadas, que permitan la operación a distancia, y unas infraestructuras de comunicaciones que permitan recibir toda la información detallada de la red. Por supuesto, también serán necesarios unos nodos inteligentes, que podrán ser centralizados o distribuidos, donde se reciba la información, se procese, y se generen las órdenes de operación de la red. De esta forma, una primera función de las redes inteligentes sería poder gestionar la generación distribuida y renovable, y la gestión activa de la demanda. En el primer caso el principal inconveniente es S Monográfico SMART GRIDS Las redes inteligentes (“smart grids”) están de moda. En todos los ámbitos y foros se consideran un elemento fundamental para conseguir los objetivos de ahorro y eficiencia energética marcados por la Comisión Europea. Y como base para el despliegue de las redes inteligentes están las Infraestructuras Avanzadas de Medida (Advanced Metering Infrastructure, AMI). En el presente artículo se analizan los distintos elementos de las AMI, con especial atención en el elemento principal, el contador inteligente, y qué servicios futuros se pueden soportar desde las AMI. SMART METERING: Una infraestructura base para las redes inteligentes Manuel J. de Tellechea Suarez Decano Territorial de la Demarcación de Andalucía Occidental y Ceuta, COITAOC. Trabaja en el proyecto de Telegestión de Endesa encontrarse conectada de forma dispersa en la red, y ser en muchos casos, poco predecible (energías renovables). La información puntual y detallada proporcionada por las redes inteligentes permitiría gestionar debidamente estos generadores. En el caso de la gestión activa de la demanda, se podrían controlar en tiempo real (o casi real) los puntos de demanda para conseguir un perfil de generación más uniforme en el tiempo. Por otra parte, una segunda función de las redes inteligentes será la recogida de información para mejora a medio y largo plazo de la eficiencia de la red. El estudio y análisis estadístico de esta información permitirá una planificación más eficiente de las redes y de su operación, así como de la planificación de la generación. Por último, aunque no menos importante, el conocimiento de la información de consumo de forma detallada por los consumidores permitirá tomar acciones de ahorro de energía, con el consiguiente ahorro económico, y beneficios para el medio ambiente, por el menor consumo de combustibles (para la generación de energía eléctrica) así como menores emisiones de CO2. LAS AMI COMO INFRAESTRUCTURA BASE DE LAS REDES INTELIGENTES Las redes de distribución de energía eléctrica necesitan un contador de energía en cada punto de suministro para poder contabilizar el consumo de los clientes y, por tanto, facturar las cantidades correspondientes por los servicios recibidos. Los contadores tradicionales, desprovistos de comunicaciones, hacían muy complejo y costoso cualquier operación sobre ellos, por lo que casi la única operación que se realizaba de forma periódica era su lectura, para fines de facturación. En España las empresas distribuidoras leen todos los contadores de todos sus clientes domésticos (unos 24 millones en total) cada dos meses, lo que implica una logística muy compleja y costosa. De hecho, en ocasiones encontrarnos en las facturas de energía eléctrica valores de consumo “estimados” ante la imposibilidad de haber podido realizar la lectura. Por ello, la posibilidad de instalar contadores capaces de incorporar comunicaciones desde cada punto de suministro hasta un sistema central resultaba una idea tremendamente atractiva para dotar a las redes eléctricas de una infraestructura básica de comunicaciones. Así, desde la Comisión Europea, y después desde los distintos gobiernos nacionales, se ha regulado en Europa la obligatoriedad de sustituir los contadores domésticos (suministros de Monográfico SMART GRIDS 50marzo 2013 119922 menos de 15kw) en un determinado plazo y, de paso, incorporando una serie de funciones básicas para la futura implantación de las redes inteligentes. En todos los foros europeos de eficiencia energética se confía en que la posibilidad de disponer de información detallada del consumo permitirá a los usuarios tomar medidas de ahorro, que ayudarán a Europa a alcanzar las metas de eficiencia marcadas. Sin embargo, para que esto sea posible, es fundamental que los consumidores se conviertan en actores. En España esta obligación se recoge en el RD 1110/2007 y las órdenes que lo complementan donde se establece la obligatoriedad de sustituir todos los contadores domésticos por contadores inteligentes antes del final 2018. Las principales empresas distribuidoras españolas están ya desplegando sus respectivos sistemas de telegestión, siendo pioneros en Europa en este tipo de proyectos. ELEMENTOS DE UNA AMI Los elementos básicos de una AMI son el contador inteligente, el sistema central del sistema de telegestión y los sistemas de comunicaciones. La responsabilidad del despliegue de estos sistemas es de las empresas distribuidoras de energía eléctrica, responsables de la medida de los contadores, si bien, la propiedad del contador puede ser de dicha compañía o del usuario. Por ello cada compañía dispondrá de un sistema de telegestión al que se conectarán todos los contadores de sus clientes, que en el caso de las grandes distribuidoras, son varios millones de unidades. Para gestionar estas comunicaciones es útil la utilización de concentradores de comunicaciones que gestionan las comunicaciones con varios cientos de contadores y reportan hacia el sistema central. Dichos concentradores pueden realizar de forma autónoma numerosas operaciones descargando así de éstas al sistema central, que únicamente tiene que encargarse de enviar las tareas a los concentradores y recibir de ellos el resultado de las mismas. El hecho de que los contadores estén instalados en los extremos de las redes eléctricas de distribución hace que el principal medio de comunicación considerado por las empresas eléctricas para acceder a los contadores sean las comunicaciones PLC (Power Line Communication). Este tipo de comunicaciones tiene gran tradición en las empresas eléctricas, ya que desde el origen de esta tecnología ha sido utilizada como medio de comunicación entre subestaciones eléctricas, tanto para voz como para telecontrol y teleprotecciones, principalmente sobre líneas de alta tensión. Sin embargo, las características de las redes de baja tensión no permiten comunicaciones PLC de grandes distancias, por lo que estas comunicaciones son únicamente indicadas entre los contadores y los concentradores, que se suelen instalar en los centros de transformación MT/BT. El uso de esta tecnología evita el despliegue de redes de comunicaciones específicas hasta cada punto de suministro o el uso de redes públicas, que resultarían muy costosas. Esta ha sido la solución tecnológica elegida por las empresas distribuidoras en numerosos países de Europa, incluido España. La comunicación desde los concentradores hasta el sistema central se puede hacer por fibra óptica, en aquellos centros de transformación que dispongan de este medio, o de forma más general, utilizando redes de operadores de telecomunicaciones como redes GPRS. En cualquier caso suelen estar basadas en TCP/IP. Existen otras posibles arquitecturas de comunicaciones, como la utilización de radiocomunicaciones entre contadores y concentradores o incluso comunicaciones inalámbricas (ej. GPRS) directamente desde el sistema central hasta los contadores. El Smart Metering Coordination Group (grupo de trabajo establecido por los organismos de estandarización europeos para dar respuesta al mandato M/441 de la Comisión Europea, sobre estandarización de “smart metering”) ha acordado la siguiente arquitectura genérica para los sistemas AMI en Europa: En ella se recogen todas los elementos que puedes formar parte de una AMI, sus conexiones y los distintos interfaces entre ellos. Figura 1. Arquitectura del Smart Metering Coordination Group para los sistemas AMI. SMART GRIDS Monográfico 119922 marzo 2013 51 Un ejemplo de AMI es la red de telegestión de Endesa (desarrollada a partir de la tecnología y modelo de telegestión del grupo Enel, ya operativo en Italia en 32 millones de clientes) que actualmente está en fase de despliegue en España, y cuya arquitectura es la siguiente: Siguiendo la arquitectura más extendida, los contadores, instalados en el domicilio del cliente, comunican mediante comunicaciones PLC con los concentradores de comunicaciones, ubicados en los centros de transformación. Desde aquí, los concentradores comunican con el sistema central por GPRS, formando una VPN (TCP/IP) soportada por la red de telefonía móvil de operadores públicos. Estas comunicaciones se basan en la tecnología abierta “Meters and More” (actualmente en proceso de estandarización en CENELEC), que proporciona todos los protocolos necesarios en los distintos niveles de comunicación: capa física, enlace y aplicación. La seguridad y privacidad de la información, aspecto muy importante en estos sistemas, queda garantizada mediante la encriptación y autenticación de los mensajes. El sistema central, por su parte, se encuentra conectado directamente a los sistemas técnicos y comerciales de la compañía, desde donde recibe las órdenes y a donde reporta la información obtenida. La dimensión prevista del sistema, una vez finalizado el despliegue, será de 140.000 concentradores y 13 millones de contadores. EL CONTADOR INTELIGENTE El elemento fundamental de las AMI es el contador inteligente. Básicamente es un contador electrónico con comunicaciones. A diferencia de los tradicionales contadores electromecánicos, los contadores electrónicos, al incorporar microprocesadores y memorias, pueden realizar tareas más complejas. Estos contadores miden la energía activa y reactiva con gran precisión, pudiendo discriminar el consumo realizado hasta en seis periodos distintos por día, lo que permitiría esquemas de tarificación avanzada para fomentar el consumo en horas valle, ofreciendo una posibilidad de ahorro al consumidor, y el aplanamiento de la curva de demanda para las empresas generadoras y distribuidoras. La posibilidad de tener lecturas remotas todos los meses permitirá la facturación mensual con lecturas reales. Además de las medidas para facturación, incorporan funciones de medida avanzadas, como la posibilidad de registrar curvas de consumo detallado y con discriminación horaria, que permitirán a los consumidores desarrollar estrategias de ahorro y a las empresas comercializadoras ofrecer a sus clientes tarifas adaptadas a sus perfiles de consumo También pueden registrar parámetros de calidad del suministro tales como sobretensiones, subtensiones, e interrupciones del suministro, con lo que se dispone de una herramienta precisa para el control y mejora de la calidad del suministro. La actual función de control de la potencia máxima demandada, que actualmente se realiza mediante los interruptores ICP (Interruptor de Control de Potencia), cuya misión es desconectar el suministro en el caso de que el usuario demande una potencia superior a la contratada, también se realiza en el contador inteligente, ofreciendo la ventaja de que en el caso de una modificación de contractual de la potencia contratada, ésta se reprograma remotamente en el contador en cuestión de horas (actualmente sería preciso sustituir físicamente el ICP, siendo precisa la intervención de un instalador autorizado). La conexión y desconexión remota del suministro así como la modificación de las tarifas también se pueden hacer de forma remota, con lo que se agilizan las gestiones comerciales de los clientes. Se podrán optimizar las instalaciones de las acometidas en nuevas viviendas, pudiéndose instalar todos los contadores de una vez, y activándose los suministros a medida que los nuevos usuarios solicitan el alta, de forma remota y en cuestión de horas. Asimismo, en las bajas no será necesario retirar el contador, al poderse desconectar el suministro remotamente. Todo ello redundará en una mayor agilidad en la ejecución de las gestiones de los usuarios. MÁS ALLÁ DE LA TELEGESTIÓN Pero aparte de las mejoras comentadas en los sistemas de medida de la energía consumida y la gestión de los usuarios y sus suministros, la posibilidad de disponer de un medio de Figura 2. Arquitectura de la red de telegestión de Endesa. 52marzo 2013 119922 comunicación desde millones de puntos de suministro hasta el sistema central permitirá recoger una gran cantidad de información tremendamente útil. El hecho de utilizar comunicaciones PLC desde los concentradores (ubicados en los centros de transformación) hasta los contadores, permite de forma automática conocer con exactitud la topología de las redes de distribución eléctrica, detectar precozmente interrupciones de suministros o defectos, e incluso detectar el reparto de las cargas entre las fases para mantener un correcto equilibrio entre ellas. También permitirá la realización de balances de energía para la detección de fraudes en las líneas de baja tensión. Cada vez es más frecuente en las redes europeas la figura del “prosumer” (“productor” + “consumer”), es decir, consumidores que disponen de medios propios de generación (paneles solares fotovoltaicos, generación eólica, cogeneración, trigeneración). La inyección dispersa y no planificada de energía en la red hace muy complicada la gestión de los flujos de energía en las redes, ya que la energía eléctrica tiene el gran inconveniente de que no se puede almacenar, por lo que hay que mantener constantemente el equilibrio exacto entre la energía producida y la energía consumida en cada instante. (Un exceso de generación contribuye a una subida de las tensiones y a un aumento de la frecuencia, mientras que un déficit provocaría caída de tensiones y de frecuencias, pudiendo provocar ambos casos la actuación de los sistemas de protección, la desconexión de puntos de la red y, consecuentemente, interrupciones de suministro). La gestión de la generación distribuida asociada a los puntos de consumo (el “prosumer”) será posible al disponer de un medio de comunicación que permita conocer en todo momento los flujos de energía en los puntos de conexión de los generadores distribuidos, así como permitir el envío de consignas a dichos generadores para adaptarse a las necesidades de la red. Se dispondrá de una vía de comunicación con los puntos de consumo que permitirá la gestión remota de cargas, según acuerdo con el usuario (gestión activa de la demanda), para variar o desconectar las cargas, según los casos, y adecuarla así a las necesidades de la planificación de la red o evitar sobrecargas en caso de incidentes. Los sistemas de detección de faltas y recuperación automática (Fault Location, Isolation and Restoration, FLIR) dispondrán en las subestaciones (nodos de la red) de mayor y mejor información para detectar con mayor precisión y rapidez las faltas y permitirán la ejecución automática de maniobras para recuperar el servicio con mayor celeridad. La integración del vehículo eléctrico también plantea grandes retos, ya que surgirán en las redes eléctricas miles de puntos de suministro (puntos de recarga), algunos de cierta entidad (como en grandes aparcamientos o edificios), cuyos consumos serán muy variables a lo largo del día. Las redes de comunicaciones de las AMI permitirán tener información detallada de estos puntos tanto para su gestión diaria, como para la estimación estadística y planificación de los mismos. La bidireccionalidad de las comunicaciones permitirá gestionar estos puntos a distancia y controlar los sistemas V2H (“Vehicle to Home”) o V2G (“Vehicle to grid”), sistemas que utilizan la energía almacenada en las baterías de los vehículos para utilizarla en la vivienda o verterla en la red en momentos de puntas de demanda. Estos sistemas requieren un control muy preciso ya que el usuario podrá definir qué porcentaje de la batería quiere poner a disposición de la red y en qué momentos (para asegurarse que podrá disponer de su vehículo cuando quiera utilizarlo). En cualquier caso, habrá que tener presente las limitaciones de las AMI, ya que no están diseñadas como sistemas en tiempo real (como sistemas SCADA o sistemas de telecontrol), y los flujos de información por ellas están limitados. No debemos caer en la tentación de pensar que con estos sistemas podremos disponer de toda la información, de todos los usuarios y de forma inmediata. CONSTRUYENDO UNA SMART GRID SOBRE UNA AMI Pero no basta disponer de una AMI para disponer de funcionalidades avanzadas de redes inteligentes. Este es solo el primer paso. Alrededor de las AMI es preciso dotar de nume- Monográfico SMART GRIDS En todos los foros europeos de eficiencia energética se confía en que la posibilidad de disponer de información detallada del consumo permitirá a los usuarios tomar medidas de ahorro, que ayudarán a Europa a alcanzar las metas de eficiencia marcadas. Sin embargo, para que esto sea posible, es fundamental que los consumidores se conviertan en actores.” “ SMART GRIDS Monográfico 119922 marzo 2013 53 rosos sistemas adicionales, actualmente escasos, en desarrollo o en muchos casos, inexistentes. Por ejemplo, para gestión domestica no basta con conocer el consumo diario (o incluso horario) de una vivienda o saber a qué hora la energía es más barata, sino que se requiere que los electrodomésticos sean también inteligentes, y se puedan conectar y desconectar remotamente siguiendo las consignas adecuadas. Alternativamente se pueden utilizar dispositivos inteligentes que reciban toda la información (probablemente por internet) y determinen qué dispositivos tienen que conectarse o desconectarse y qué horas. Son los sistemas HEM (Home Energy Management) Igualmente, los sistemas de gestión activa de la demanda requieren que las cargas puedan ser controladas a distancia. La gestión de la carga de los vehículos eléctricos necesita de sistemas inteligentes tanto en los vehículos como en los cargadores para gestionar de forma óptima la carga, etc. Para favorecer el desarrollo de estos sistemas se están implantado numerosos proyectos de Smart Cities donde se prueban nuevos productos y tecnologías. La AMI de Endesa, descrita en el ejemplo, soporta, entre otros, el primer proyecto español de Smart City, el Smartcity de Málaga (17.000 usuarios), iniciado en 2009, donde muchos de estos sistemas son ya una realidad. CONCLUSIONES Las administraciones tanto europea como nacionales han apostado por el despliegue de los sistemas de telegestión como primer paso para la implantación de las futuras redes inteligentes. Estos sistemas, además de proporcionar numerosas funcionalidades avanzadas para los usuarios y las empresas eléctricas, proporcionarán las comunicaciones básicas para soportar numerosas funcionalidades de las redes inteligentes. La implicación del consumidor como actor se considera fundamental para lograr las metas de eficiencia energética marcadas por la CE. El actual grado de despliegue de estas infraestructura permiten ya a miles de usuarios empezar a beneficiarse de las ventajas de las redes inteligentes si bien, todavía queda mucho camino por recorrer y muchos sistemas por desarrollar hasta que podemos disfrutar plenamente de las “redes inteligentes”. 3 Bibliografía: “Functional reference architecture for communications in smart metering systems” Technical Report (SMCG). “Smart Grid Reference Architecture” CEN-CENELEC-ETSI Smart Grid Coordination Group ESTAMOS ABIERTOS A TUS COLABORACIONES Aquí cabemos todos, solo... ponte en cola ES TU REVISTA Enviar ofertas e ideas a: [email protected] serán estudiadas, según el espacio y las normas de edición en activo

La era de la información, creada principalmente a través de las tecnologías para la computación y las telecomunicaciones ha tenido desde sus comienzos la necesidad de estructurar y almacenar datos. Las bases de datos conocidas como relacionales han supuesto la principal forma de almacenamiento permitiendo el accesos a los datos a través delmuy popular lenguaje SQL (StructuredQuery Language), sin embargo la actual explosión de datos hace que se requiera la utilización de nuevas técnicas que permitan gestionar tales volúmenes Internet, utilizada inicialmente para proveer servicios a personas, se ha convertido en un entorno en el que todo tipo de dispositivos proveen y recogen datos (Machine tomachine oM2M). Esta tendencia se ha sumado al concepto de Internet de las Cosas (Internet ofThings) donde dispositivos y sensores comparten información demanera automática. La convergencia y accesibilidad de los distintos sistemas de información hacen que el volumen accesible de datos haya experimentado ese crecimiento exponencial. De esta forma, surge el concepto de LinkedOpenData (LOD) que permite la publicación y acceso a informaciónmediante tecnologíasweb estándar. Esta iniciativa está teniendo unamuy buena acogida por parte de lasAdministraciones Públicas que ven en ella una forma efectiva de publicar su propia información y convertir así la gestión pública en un procesomuchomás transparente. Dentro de este proceso de integración de múltiples fuentesmasivas de datos surge el concepto de BigData, que podemos definir como aquel conjunto de datos que excede la capacidad de procesamiento de los sistemas de bases de datos convencionales. Se calcula que de 2006 a 2010, el volumen de datos aumentó en un factor de seis alcanzando los 988 exabytes y se estima que para 2015 la cantidad de datos existente rondará los 8 zettabytes (8x1021).Actualmente, el tráfico diario de e-mails es de 145milmillones al día, mientras que el número de páginas web de nueva creación aumenta en 822mil páginas/día. EnTwitter se generan 500 millones de mensajes diarios y durante ese tiempo, en Facebook se comparten 4milmillones de elementos. En lo referente a la informaciónmultimedia, Flickr recibe 4,5millones de fotografías al día,mientras que el número de imágenes subidas diariamente a Instagrames de 40millones y en el caso de Facebook de 300millones. En el caso del video,Youtube recibe 72 horas de contenido cadaminuto y el consumo de videomensual de este canal es de 4milmillones de horas. En resumen, el 90%de los datos disponibles actualmente se han generado durante los 2 últimos años. Con estos datos, los sistemas clásicos de gestión de información se hace totalmente inviables y surge la necesidad de nuevas tecnologías que puedan ser utilizadas no sólo por grandes compañías comoGoogle,Microsoft oYahoo! sino también por otro tipo de empresas que están experimentando un aumento exponencial en la cantidad de datos que generan. Los atributos principales para considerar un conjunto de datos como Big Data son los siguientes: u Volumen: Cantidadmasiva del orden de los cientos de Terabytes. u Velocidad: El flujo de entrada de datos, ingesta, puede resultar tan alto que la información seamuy difícil de procesar y esto condicione la comprensión sobre los datos. Pedimos en esta ocasión a Javier Alonso, que nos acerque a un concepto muy ligado a Big Data, “Visual Analytics”, la utilización de técnicas de visualización para analizar grandes volúmenes de datos y, de esa manera, conseguir que puedan servirnos en la toma de decisiones. Estas técnicas se aplican hoy por hoy en multitud de campos, desde el control de una epidemia, el análisis de la evolución de los resultados escolares de una población, el aprovechamiento de las bondades de las Smart Cities, el análisis de los movimientos migratorios, la detección del fraude fiscal, ... Visualizar la información puede ser una manera eficaz de comprenderla y utilizarla de forma eficaz. Análisis Visual en el campo del Big Data: Visual Analytics Javier Alonso Cerrato Ingeniero de Telecomunicación Dominion [email protected] Igor García Olaizola Ingeniero en automática y electrónica industrial Director del Área de TV Digital y Servicios Multimedia [email protected] @iolaizola u Variedad: La naturaleza heterogénea de la información puede hacer que los datos no sean adecuados para su almacenamiento y proceso en bases de datos tradicionales debido a la rigidez de sus estructuras. Variedad en la estructura de los datos: estructurados, semiestructurados (ficheros con formato conocido tipo word, excel...) y desestructurados (imágenes, video, audio,...). Estos últimos exigen una gran carga computacional antes de extraer información de ellos, lo que, sin el uso de tecnologías Big Data hace no productiva su utilización (el tiempo de computación es superior al tiempo de aprovechamiento de la información obtenida) u Valor: La mayoría de los datos tiene poco valor hasta su análisis y procesamiento. Para esta tarea se hacen necesarios sistemas distribuidos y recursos avanzados de análisis de datos. Nos enfrentamos a la atomización de la información con gran cantidad de información que por su gran número de elementos solo tiene sentido en conjunto, siendo despreciable el significado individual. Actualmente existen múltiples soluciones para abordar los retos que plantea Big Data y que las tradicionales soluciones de bases de datos no pueden resolver. Se dispone así de soluciones abiertas (Hadoop, MongoDB, etc). como de soluciones comerciales. El análisis Big Data es aplicable cada vez en más ámbitos y está permitiendo romper los silos de información para ofrecer una visión completa de toda la información relevante para la toma de decisiones, permite además obtener información relevante en un periodo de tiempo donde esta información todavía es válida. En este contexto las herramientas de análisis visual adquieren una importancia fundamental al permitir abstraer la complejidad de la información. Aquí las técnicas de análisis visual permiten aprovechar al máximo la información que nos ofrecen las posibilidades de las soluciones Big Data. Visualizando datos Aproximadamente el 50% del cerebro humano se dedica a la visión, procesando información visual, o en pensamientos abstractos basados en metáforas visuales. Este dato nos da una clara idea acerca de la idoneidad de las representaciones visuales para la comprensión humana. El concepto de Visual Analytics trata de extraer información de problemas altamente complejos (debido a la cantidad de datos, a su tipología heterogénea, a la complejidad de los modelos, etc.) y representarlo visualmente de manera que el conocimiento, la capacidad de razonamiento y la intuición de las personas se puedan explotar al máximo. Thomas y Cook (2005) definen el concepto de Visual Analytics como “La ciencia del razonamiento analítico facilitada por interfaces visuales interactivas”. El proceso de Visual Analytics definido por Keim et al. presenta cuatro pasos fundamentales: preproceso de datos, asignación y representación, interacción del usuario y análisis basado en modelo. Tipos de visualización Existen diferentes tipos de visualización que permiten resaltar diferentes aspectos del conjunto de datos a tratar. Grafos: El análisis de grafos es un aspecto que cada vez adquiere mayor importancia en ámbitos científicos y empresariales. Las nuevas formas de almacenar información masiva de manera interrelacionada llevan en muchos casos a estructurar la información en forma de grafos (Bases de Datos Orientadas a Grafos o BDOG). En este tipo de bases de datos la información se representa como nodos de un grafo y las interrelaciones vienen dadas por las aristas de dicho grafo. Esto tiene la ventaja de que la teoría de grafos puede ser aplicada en este tipo de bases de datos, hecho que para determinados tipos de consultas sobre cantidades masivas de datos puede ofrecer grandes mejoras de rendimiento. Las técnicas de Visual Analytics sirven para mostrar el conocimiento oculto en la enorme complejidad que pueden presentar cuando estos grafos cuentan con una cantidad masiva de datos. Para ello, las técnicas de reducción de grafos se hacen totalmente necesarias. Una vez aplicados estos algoritmos (muestreo estocástico de extremos, agrupamiento o clustering geodésico, filtrado basado en estructura, etc.), los grafos pueden ser representados gráficamente y mostrar la esencia de su estructura. Transformación Asignación Interacción del Usuario Refinamiento de parámetros Visualización del Modelo Construción del Modelo Visualización Datos Conocimiento Modelos Figura 1. Proceso de Visual Analytics. Información geoposicionada La visualización geoposicionada de los datos es otra de las técnicas ampliamente usadas en Visual Analytics. Mediante el uso de capas añadidas en la cartografía y la inserción de elementos gráficos para representar valores específicos (barras, graficas de tipo tarta, etc.) se pueden representar grandes cantidades de datos a nivel global. Para ello se introducen tecnologías de rendering 3D que permiten representar datos escalares, vectoriales o incluso volúmetricos. KDD, Descubrimiento de Conocimiento en Bases de Datos Esta disciplina une el mundo de la minería de datos con la visualización interactiva. Para ello se aplican diferentes métodos que extraen información relevante y tratan de encontrar patrones en grandes volúmenes de datos. Esta información se muestra en forma de representaciones o estructuras comprensibles para el usuario que de esta forma puede tener una rápida intuición acerca del problema que está tratando así como información cuantitativa acerca de las relaciones entre los diferentes datos, pautas de comportamiento del sistema etc. El estado del arte actual existen herramientas que resuelven los diferentes pasos requeridos en el proceso: u Modelos matemáticos y estadística (SAS, Matlab, R, Mathematica, SciLab, etc.) u Herramientas para visualización algorítmica (GraphViz, Pajek) u Herramientas visuales para data mining (Knime, Weka, Orange, RapidMiner, VizTree, etc.) Información espacio-temporal El tipo de información espacio-temporal es un tipo de contenido de un amplio uso en infinidad de aplicaciones. La necesidad de analizar la evolución de ciertas variables está en la base de cualquier predicción. De forma clásica, las referencias temporal y espacial han sido tratadas como cualquier otro dato numérico. Sin embargo, en muchos casos esto no permite un análisis válido de los resultados. Mientras que la información espacial puede tener un tratamiento más o menos directo en su representación gráfica (que también es espacial) la información temporal requiere de procesos de abstracción para que pueda ser visualizada. Los criterios principales para la representación de datos temporales son: u Tiempo lineal frente a tiempo cíclico. Existen fenómenos con un comienzo y un desarrollo que se representan adecuadamente mediante representaciones lineales. Sin embargo, muchos fenómenos suelen tener un comportamiento cíclico que se ajusta mejor a otro tipo de representaciones. u Puntos temporales frente a intervalos temporales: los muestreos discretos del tiempo son equivalentes a puntos discretos en el espacio euclideo. Los puntos temporales no tienen duración, mientras que los intervalos definen los datos dentro de una duración delimitada por dos puntos temporales. Tanto los puntos temporales como los intervalos suelen denominarse prmitivas. u Tiempo ordenado frente a tiempo ramificado frente a tiempo en múltiples perspectivas: El tiempo ordenado considera que los eventos ocurren de forma sucesiva. En el caso del tiempo ramificado, se pueden representar sucesos paralelos o diferentes posibildades derivadas de una decisión previa. Por último, representando el tiempo en múltiples perspectivas, se pueden mostrar diferentes puntos de vista de un mismo hecho. Campos de aplicación El procesamiento de Big Data y el tratamiento de Visual Analytics sobre el mismo está siendo y a aplicado a diversos sectores, desde procesos críticos en los que las herramientas de ayuda a la toma de decisiones resultan fundamentales como actividades en las que se pretende extraer el conocimiento implícito existente en el conjunto de datos. Desde un punto de vista científico, muchas disciplinas están orientando gran parte de su investigación a la generación y el estudio de datos. En astronomía y observación de la tierra, se dispone cada vez de más instrumentación y de mayor capacidad de generación de datos que se hace improcesable con los medios convencionales. Por ejemplo, el futuro telescopio LSST (Large Synoptic Survey Telescope) proveerá 30 Terabytes de imágenes cada día. Figura 2. Visor de datos meteorológicos desarrollado por Vicomtech-IK4. https://www.youtube.com/watch?v=Jz6YZI6pCV4 Algo similar sucede en muchas de las líneas de investigación relacionadas con la biología, medicina, genómica donde la generación de datos a nivel mundial ofrece un potencial enorme si se dispone de las herramientas adecuadas para relacionar por ejemplo efectos de correlación o causalidad entre factores de análisis y objetivos como enfermedades. Los modelos meteorológicos y medioambientales también tienen un potencial claro dentro de Big Data, ya que cuentan con fuentes de información a nivel mundial (millones de sensores en todo el mundo y satélites de observación de la tierra). Los nuevos modelos generados podrán realizar predicciones más precisas de los efectos provocados por las emisiones de CO2, fertilizantes, etc. En el ámbito más industrial, las tecnologías para Big Data pueden suponer un gran avance en el control de procesos que gracias al conocimiento generado a través de grandes cantidades de datos podrían mejorar rendimientos e incluso ofrecer información a-priori del estado de los procesos. Por ejemplo, gracias a la información recogida en líneas de producción de características similares a nivel mundial mediante sensores instalados a lo largo del proceso, se podrían encontrar nuevos factores que tengan una incidencia directa bien en la calidad del proceso o bien en la optimización del mismo. Modelos económicos basados en el análisis masivo de transacciones y parámetros financieros, tendencias de mercado detectadas gracias a la actividad en redes sociales, etc. son otros de los innumerables aspectos en los que Big Data y las tecnologías de Visual Analytics van realmente a revolucionar el futuro. Herramientas A día de hoy existe ya una gama amplia de utilidades (principalmente en la ayuda de toma de decisiones en situaciones críticas) es una de las herramientas fundamentales para la creación de valor sobre Big Data. En este sentido, además de las herramientas de procesamiento, son totalmente necesarios sistemas de visualización avanzada e interfaces que permitan interactuar con la propia visualización. La llegada de HTML-5 ha impulsado la aparición de un gran número de herramientas de visualización web adecuadas para la visualización científica y Visual Analytics. Entre ellas destacan D3.js, Processing.js, dc.js, arbor.js, BirdEye (Desarrollado sobre Adobe Flex.)etc. También existen herramientas específicas para tipos de análisis específico. Entre ellos, podemos encontrar soluciones como Jigsaw2 para el análisis de grandes colecciones de documentos. Conclusiones Big Data es un concepto con un gran potencial que ya empieza a tener una importante difusión pero aún el potencial del concepto no ha sido todavía explorado en su totalidad. Son muchos los nuevos campos y oportunidades que se abren en torno a este mundo. Es en la capacidad de analizar la gran cantidad de información que nos ofrece el Big Data donde las herramientas avanzadas de visualización son y serán un factor clave en el éxito del desarrollo de estas tecnologías.3 Notas 1 Keim D., Andrienko G., Fekete J.-D.,Görig C.,, Kohlhammer J., Melancon G.: Information Visualization vol. 4950 Lecture Notes in Computer Science. Springer. 2008. Visual Analytics, Definition, Process and Challenges. 2 http://www.cc.gatech.edu/gvu/ii/jigsaw/ Figura 3. Representaciones visuales diferentes de una serie temporal. a) Coordenadas cartesianes con el tiempo en x. No es fácil observar el comportamiento cíclico. b) Gráfica en espiral con un ciclo de 27 días (parametrización incorrecta). c) Gráfica en espiral con un ciclo de 28 días. El carácter cíclico se hace evidente. A B C

Tradicionalmente, las organizaciones han tenido grandes dificultades para crear, manipular y manejar grandes cantidades de datos. Y, por extensión, esto ha sido una gran problemática en el análisis de negocio: obtener de los datos -generalmente, a tiempo y procedentes a la vez de diversas fuentes de datos- información realmente valiosa estratégicamente hablando para tomar acciones inmediatas o predecir futuras situaciones. Por ejemplo, porque las herramientas y procedimientos que se utilizaban hasta entonces no estaban diseñados para buscar y analizar masivos conjuntos de datos, y mucho menos utilizar varias fuentes de las que obtener patrones “escondidos”, correlaciones desconocidas, etc. Y precisamente esos volúmenes de datos no hacen más que crecer, especialmente “alimentados” por el crecimiento las redes sociales y de los smartphones, hasta el punto de llegar a preocupar a los proveedores de servicio de Internet. Sin embargo, en los últimos tiempos, el sector TIC (Tecnologías de la Información y la Comunicación) ha experimentado un gran auge en lo que se refiere a soluciones que resuelvan esas limitaciones, dando lugar a Big Data, la cual realmente comprende desde la captura de grandes volúmenes de datos “brutos”, pasando por el almacenamiento y consulta masiva de los mismos, hasta el procesamiento para obtener precisos perfiles de entidades -normalmente, cliente/usuario final- con los que llevar a cabo acciones concretas y precisas. Cronológicamente, grandes empresas y multinacionales han sido las primeras en usar esta idea como una base sólida en la que sostener y mejorar algunos o todos sus modelos de negocio. Y esa es una tendencia que se está expandiendo irremediablemente, que de hecho, supone una importante oportunidad para los departamentos TI de cualquier organización así como para sus profesionales, y es importante conocer cualitativamente esa oportunidad, especialmente para un sector como el TIC que va mejor resistiendo el impacto de la crisis comparado con otros mercados. En cualquier caso, para entender las oportunidades profesionales que se brindan, es interesante analizar Big Data previamente desde varios planos diferentes: a partir de la tecnología de implementación, como producto o solución de mercado, y como un sistema de procesamiento y análisis de datos propiamente dicho. Tecnología A nivel de datos, inicialmente, las organizaciones apostaron por Sistemas de Gestión de Bases de Datos (SGBD) usando información estructurada y relacional, con idea de conseguir una información histórica de la cual “aprender”. Monográfico BIG DATA Dentro de la Era de la Información en la que actualmente se está inmerso, es importante conocer cómo afecta para las organizaciones, del tipo que sean, disponer del conocimiento que le ayude a tomar decisiones valiosas estratégicamente hablando. Esta influencia de dicho conocimiento ha llevado al auge de Big Data como una “receta” al problema de la creación y manipulación de grandes cantidades de información, y que obviamente necesita de nuevos profesionales cualificados que puedan ponerla en práctica. En principio, para tomar una buena perspectiva, es necesario hacer un análisis previo de Big Data desde varios planos diferentes: a partir de la tecnología de implementación, como producto o solución de mercado, y como un sistema de procesamiento y análisis de datos propiamente dicho. Una vez asimilado ese análisis, será fácil entrever los roles necesarios -ya existentes y específicamente nuevos- para poner en práctica cualquier solución de este tipo, mostrando las oportunidades profesionales existentes y futuras. Big Data: las oportunidades profesionales que vienen José Manuel Vega Monroy Ingeniero de Telecomunicación @j_m_vega_monroy Así, en cierto modo, Big Data se podría entender como una especie de evolución natural de los SGBDs particularizados para grandes e ingentes volúmenes de datos. Pero este nuevo enfoque requiere de una tecnología que no solo trate de obtener esa información histórica, si no de obtener información actual que cumpla las 4 V’s: u Volumen u Variedad: Trabajar con datos multi-estructurados: cadenas de texto, documentos de todo tipo, archivos de vídeo y sonido, metadatos, imágenes, páginas web, emails, información procedente de redes sociales, datos de formularios, información de geo-localización, etc. u Velocidad: Ser capaz de analizar rápidamente -o en tiempo real- para poder captar cambios en los datos, y obtener el valor asociado correspondient. u Veracidad Sin embargo, en la actualidad, no existe una tecnología estándar de facto -aunque muchas veces se suela asociar con Hadoop- ya que como concepto, Big Data es demasiado complejo y versátil como para tener una única solución. Solución de mercado: Tal como ya se ha comentado, para muchas organizaciones tratar de obtener información de clientes, productos, campañas, operaciones, mercados y competidores a través de sensores, dispositivos y terminales -por ejemplo, smartphones-, es vital a la hora de tomar decisiones importantes y realmente valiosas. Y especialmente, tomar esas decisiones a tiempo, dada la gran competencia feroz existente en la mayoría de mercados. Por ejemplo, una de las claves del éxito de Zara ha sido ser de los primeros en detectar la necesidad de los clientes de ser ágil logísticamente hablando: reponer con nuevos productos a cada tienda dos veces por semana, sin atarse a una colección de temporada (es lo que algunos llaman concepto fast fashion). Procesamiento y Anásisis de datos: En los inicios, Internet se utilizó como un medio de “inundar” de información sin ningún criterio, causando muchas veces “fatiga” en el cliente/usuario final: spam, banners de publicidad, etc. Y sin realizar ningún análisis y procesamiento posterior, que arrojase un feedback del que basarse para actuar. Sin embargo, la tendencia que se inició con realizar simples cuestionarios o formularios a clientes/usuarios potenciales, ha derivado con Big Data en analizar datos para crear perfiles muy específicos de los mismos. Incluso que esos perfiles puedan variar dinámicamente en el tiempo, prácticamente en tiempo real, y así poder anticipar y captar cambios de gustos, disponer de una publicidad dinámica por perfil, mostrar contenidos “a la carta”, permitir contenidos patrocinados por terceras empresas, predecir futuros comportamientos ante la aparición de un nuevo producto, etc. De hecho, a diferencia de otros sistemas de datos, dicho análisis debiera tratar de ser principalmente proactivo: partiendo de diferentes fuentes de información muy variadas y no correlacionadas, analizar y obtener predicciones lo más rápido posible, incluso en tiempo real, sin tener que esperar a que ocurra un determinado evento. Por ejemplo, una caja negra de avión, en un solo viaje, genera y almacena más de 150 Tbytes de datos, los cuales no son información relevante en la mayoría de los casos, y por lo cual no se analizan normalmente, excepto a posteriori cuando sucede un accidente. Si por un momento se pudiera procesar esa información en tiempo real, se podrían tomar decisiones en pleno vuelo que podrían ayudar a evitar muchos de los accidentes, como un sistema de seguridad proactivo. Es decir, con adecuadas herramientas de análisis, poder obtener información realmente cuando se necesite, y reducir la latencia entre que ocurre un determinado evento de datos y los posteriores procesos de análisis y actuación sobre sus datos. Y no sólo eso, dar la posibilidad de realizar análisis de distintos tipos (sintácticos, semánticos, sentimentales, etc.) que lleven a obtener patrones realmente valiosos sobre Monográfico tendencias de consumo, intereses de usuarios, prevención de fenómenos, etc. Oportunidades profesionales El sector TIC en general se ha caracterizado por altas tasas de innovación, progreso tecnológico y productividad, así como por presentar un gran volumen y una tipología muy diversa en lo que se refiere a los profesionales implicados en el mismo. Lógicamente, Big Data no es una excepción, y tras el análisis, se deduce que hay una creciente necesidad de profesionales TI de alta cualificación con habilidades específicas, y con la necesaria creatividad para aprovechar plenamente el potencial de los datos obtenidos. En este punto, las organizaciones tendrán que formar adecuadamente a esos profesionales, incluyendo aquellos nuevos roles que surgen específicamente: Rol “científico-tecnológico”: Para crear el ecosistema de Big Data, es decir, todas las infraestructuras y aplicaciones necesarias para su funcionamiento, se requiere el rol “científico-tecnológico”, que comprende perfiles desde administradores de datos hasta administradores de red, pasando por desarrolladores de software. Los “clásicos” administradores de bases de datos podrían adaptarse rápidamente, siempre y cuando se realizase la adecuada reconversión a la correspondiente tecnología. Por ejemplo, se requeriría dejar de “pensar” en las típicas tablas relacionales de las bases de datos más populares (MySQL, Oracle), y comenzar a utilizar el concepto de ficheros de gran tamaño sobre los que Big Data “vuelca” la información. A nivel de red, históricamente los SGBDs estaban basados en un único servidor de muy buenas prestaciones -potencia y recursos-, pero la tendencia de los últimos años ha sido crear arquitecturas basadas en más de un servidor, al estilo y semejanza de los multiprocesadores con varios núcleos capaces de trabajar como un único procesador de mayores prestaciones. Big Data continúa esa tendencia, recurriendo a arquitecturas clúster tipo anillo o similares con equipos de prestaciones menores -y por tanto, menos costosos- que trabajan de forma distribuida, buscando tener un cierto grado de alta disponibilidad. Por último, los desarrolladores de software deberían crear herramientas y soluciones software que permitan acceder, analizar y procesar los datos “brutos” de la forma que sea necesaria en cada momento. Existen soluciones open source para tal fin, y que están liderando la adaptación a Big Data dado que ayudan a que la colección y análisis de datos sea realice a menor coste. Rol “científico de datos”: Siempre que se requiera analizar y procesar la información para convertirla en conocimiento, se tendráque recurrir a un rol “científico de datos”, es decir, aquel encargado de transformar los datos en “bruto” a información en un primer paso, y que luego sea capaz de comunicar los resultados de una manera creativa y visual, añadiendo un análisis con conclusiones sobre el posible impacto en el negocio del que proceden dichos datos. Lógicamente, los perfiles que mejor se adaptarían serían aquellos con una componente científica, tales como ingenieros y matemáticos. Rol “especialista en negocios”: Dentro de cualquier organización que disponga de líneas de negocio, se requiere de personal con conocimientos de economía, tanto del funcionamiento de mercados como de marketing, y en el caso de Big Data, que aporten las “preguntas” correctas necesarias que por ejemplo ayuden a conformar el verdadero conocimiento para su organización una vez que ésta dispone ya de una base de información sólida. Conclusiones En definitiva, a medida que se vayan adaptando soluciones Big Data en las organizaciones, van a ir apareciendo y ser demandadas más intensivamente oportunidades profesionales, para aquellos que sean capaces de entender lo que supone una solución de este tipo para una organización, sus retos, y cómo manejar y aprovechar la ingente cantidad de información que es generada cada día.3

Nos encontramos ante la Revolución Industrial de los Datos. Internet es un gran generador de nuevos datos: las redes sociales (e.g Facebook), correos electrónicos, los blogs, microblogs (e.g. Twitter), etc. proporcionan enormes cantidades de información. Pero no sólo dentro de Internet, fuera también, donde existen todo tipo de servidores, sensores y aparatos interconectados que están continuamente generando volúmenes ingentes de datos. Sirva de ejemplo que en 2005 había 1,3 billones de dispositivos RFID y en el 2011 la cifra crece hasta 30 billones1. Se espera que la información generada en el año 2020 sea mayor de 30 Zettabytes2 (1021 bytes) cuando hasta hace bien poco se hablaba de Terabytes (1012 bytes). Big Data es un término que está de moda y que está levantado mucha expectación en las empresas y en los gobiernos. Pero, ¿Qué es Big Data? su nombre hace referencia a grandes volúmenes de datos, sin embargo esta definición se queda corta ya que además del tamaño, tiene también otras consideraciones importantes. Una de ellas es que estamos hablando no solamente de datos estructurados sino también no estructurados. IBM estima que el 80%3 de la información mun- dial es no estructurada. Información estructurada es, por ejemplo, una base de datos relacional, donde existe un modelo de datos con sus tablas y atributos cada uno con su tipo de datos específico. Un ejemplo claro de información no estructurada puede ser el texto de un tweet donde alguien escribe hasta 140 caracteres sobre información diversa y sin ningún tipo de formato. Para definir de una manera más formal qué es Big Data se usa el modelo de las 3Vs. La “V” de Volumen hace referencia al tamaño, la “V” de variedad se refiere a la información no estructurada y la última “V” es la de velocidad, que hace referencia más que a la velocidad a la que se generan los datos (ya que esto estaría vinculado al volumen) a la necesidad de analizarlos en tiempo real, según se están produciendo. Últimamente se ha enriquecido este modelo con “Vs” adicionales como la “V” de Veracidad o Valor que viene a destacar que, dentro de esta información interesante, hay también mucho ruido o información basura que no aporta ningún valor, por ejemplo, si analizo tweets para determinar intención de compra, tendré que discernir la información válida entre un montón de datos inútiles. Capacidad para analizar todos los datos Debido a la gran y variada información que Big Data puede proporcionar, los casos de usos son innumerables. Desde análisis de sentimiento para averiguar, por ejemplo, la imagen que tiene la gente de una empresa, hasta identificar amenazas criminales, pasando por análisis de fraude, riesgo, etc. Existe una empresa que analiza información meteorológica y geográfica para determinar la mejor posición de las turbinas de viento, mejorando enormemente su antiguo y costoso sistema que suponía un año entero de mediciones en las ubicaciones potenciales de las turbinas. Si se es capaz de analizar los datos, está claro que Big Data proporciona una potencial muy interesante. Ahora bien, la siguiente pregunta lógica que se plantea es: ¿Cómo puedo analizar esta información? Existen en el mercado plataformas de Big Data (Figura 1) que ayudan a realizar este análisis para poder, de una forma efectiva y eficiente, sacar provecho a estos datos. Big Data se puede clasificar en dos tipos: Datos en Reposo y Datos en Movimiento: Los datos en reposo son da- ¿Qué plataformas existen en el mercado que permitan analizar la información de forma efectiva?¿Cuáles son las mayores dificultades con que se encuentran las herramientas de procesamiento de datos? Consultamos con el experto Luis Reina, para clarificar los retos a los que se enfrentan estas herramientas, que manejan datos desestructurados, de orígenes diversos y con diversos formatos, y que a su vez deben ser capaces de proporcionar fidedignos análisis de esos datos en muchos casos en tiempo real. Los desafíos del Big Data Luis Reina Arquitecto de datos del equipo de software de IBM SPGI @luisrei tos que previamente al análisis se han almacenado en disco, por ejemplo, información de logs de TI o información proveniente de Twitter o Facebook. Por otro lado, los datos en movimiento son aquellos que tengo que analizar al vuelo, en tiempo real, según se están produciendo sin esperar a almacenarlos: por ejemplo, información proveniente de sensores que necesitan una acción inmediata o ataques cibernéticos. Para analizar los datos en reposo ha surgido una tecnología open source muy interesante denominada Hadoop4. Hadoop es un entorno de desarrollo y ejecución que permite realizar aplicaciones y ejecutarlas en paralelo en un cluster de servidores (nodos) corriendo en sistemas Linux de 64 bits. Hadoop permite, de una forma económica, montar un sistema MPP (procesamiento masivo paralelo) que es capaz de procesar hasta Petabytes de información de una forma ágil. Hadoop tiene dos componentes clave: el sistema de ficheros Hadoop Distributed File System (HDFS) y el modelo de programación MapReduce. HDFS es un sistema de ficheros distribuido que permite que los ficheros que almacena se distribuyan por todo el cluster, partiéndose en pequeños fragmentos (bloques de datos) pero dando la visión al usuario de un único fichero. Es decir, cada nodo del cluster va a almacenar y luego procesar una porción de los datos. De esta forma, cuando se lance una aplicación en el cluster, todos los nodos van a funcionar en paralelo, cada uno procesando su porción de datos que tiene almacenados en local. El modelo de programación MapReduce es el que proporciona el paralelismo en el cluster mediante la ejecución de las funciones Map (que genera tuplas a partir de los datos) en cada nodo del cluster en paralelo y Reduce (que reduce/consolida las tuplas generadas). Existe una gran variedad de lenguajes que permiten realizar aplicaciones MapReduce. Se puede programar en Java directamente con el API MapReduce; sin embargo, para facilitar el desarrollo han surgido lenguajes de programación de alto nivel que facilitan enormemente la implementación de este tipo de aplicaciones. Lenguajes sencillos como Jaql, Pig, Hive, etc. generan por debajo, de forma transparente al programador, la funcionalidad MapReduce que es la que permite la ejecución en paralelo en el cluster. Por su parte, la herramienta gráfica BigSheets5 permite producir código MapReduce sin necesidad de programar, para que los usuarios sin conocimiento de programación y manejando una hoja de cálculo sean capaces de analizar Big Data. Es importante resaltar que el cluster está formado por servidores Linux baratos conectados únicamente por una red TCP/IP y con discos locales. Así, de una forma muy económica, se puede montar un cluster con cientos de nodos ejecutando aplicaciones en paralelo. Hadoop proporciona mejoras interesantes sobre la computación grid que también permitía la ejecución en paralelo de un cluster de nodos. Las aplicaciones Hadoop no necesitan saber donde están los datos, Hadoop los distribuye automáticamente y se encarga de ejecutar los procesos MapReduce en paralelo y además, si se aumenta el número de nodos del cluster, las aplicaciones no cambian. Este paradigma junto con el factor económico es el que hace revolucionario a Hadoop: se puede empezar con una aplicación que procese pocos Terabytes de información en un cluster y, sin cambiar la aplicación, añadiendo más nodos y más datos, procesar volúmenes enormes en tiempo record gracias al paralelismo MapReduce. Adicionalmente Hadoop proporciona tolerancia a fallos ya que los bloques de datos están duplicados en más de un nodo por si uno fallase otro pueda realizar su trabajo. Sobre Hadoop se han desarrollado herramientas como Text Analytics5 que permite realizar análisis de texto sobre grandes volúmenes en un cluster Hadoop. Similar al lenguaje SQL (Structured Query Language) inventado por IBM, se ha creado el lenguaje AQL (Annotator Query Language) que permite de forma fácil crear reglas (anotadores) que extraigan de textos no estructurados, aquellas partes que quiero analizar. Lo importante es que el usuario solo tiene que preocuparse de crear los anotadores, luego internamente el sistema lo optimiza, generando código MapReduce, que corre en paralelo en cluster. Otra herramienta interesante sobre Hadoop es Machine Learning5 que permite realizar funciones estadísticas y predictivas en un cluster de Hadoop de grandes volú- Figura 1: Plataforma de Big Data. menes de datos. Machine Learning proporciona también un lenguaje declarativo sencillo de alto nivel llamado DML que, una vez compilado, genera código MapReduce. Existen en el mercado soluciones de Hadoop en formato appliance6 que integra el hardware y el software necesarios para construir un sistema Hadoop. Una plataforma de Big Data debe ser capaz también de analizar los datos en movimiento según se están produciendo. Por ejemplo Infosphere Streams7, que es el resultado de una tecnología creada para el Gobierno de Estados Unidos para analizar, en tiempo real, información de terrorismo en Internet. Permite analizar cantidades enormes de información con latencias por debajo del milisegundo. Para ello, en vez de almacenar los datos en disco, los analiza en memoria usando también sistemas cluster altamente escalables, en el que cada nodo realiza distintas funciones sobre los datos, como por ejemplo, filtrados, transformaciones, correlaciones, clasificaciones, etc. Su uso es muy variado: desde analizar el tráfico de una ciudad (Smart Trafic) hasta su utilización en hospitales para detectar situaciones críticas en pacientes. En el mundo de las telecomunicaciones existen aplicaciones interesantes como el análisis de los CDR (Call Detail Records) para detectar fraudes en tiempo real. Los retos del Big Data No cabe duda de que estas tecnologías tienen un enorme potencial. Sin embargo, una de las mayores dificultades para analizar los datos es desarrollar las aplicaciones que sean capaces de aprovecharlos. Para ayudar en estos desarrollos existen aceleradores que son desarrollos implementados en diversos clientes y que se ponen a disposición del usuario para su reutilización y modificación. Por ejemplo el acelerador TEDA (Telco Data Accelerator) permite el análisis con Infosphere Streams de CDRs. Muchas veces el problema es encontrar e indexar la información que está dispersa y aislada en silos dentro pero también fuera de las empresas. Además esta información tiene innumerables formatos, desde bases de datos relacionales, correos, documentos xml, ficheros, etc. Existen herramientas8 que permiten buscar y tener una visión integrada de la información, sin importar el formato, cómo se gestiona o dónde está almacenada. Los datos no se mueven, permanecen en sus ubicaciones originales pero permitiendo, de forma sencilla, realizar aplicaciones seguras que muestren al usuario la información unificada. Es importante que los sistemas que se creen para analizar Big Data no sean silos aislados sino que puedan comunicarse con los sistemas existentes de la empresa. Así la plataforma de Big Data se tiene que poder integrar fácilmente con otros componentes como, por ejemplo, bases de datos relacionales, herramientas de gestión de contenidos9. También es necesario que herramientas de Business Intelligence10 puedan acceder a la plataforma de Big Data para proporcionar informes a los usuarios finales. Conclusión Big Data supone, entre otros, grandes volúmenes de información con infinidad de formatos. Aquellas empresas que sean capaces de analizar estos datos conseguirán una importante ventaja competitiva. Existen tecnologías como Hadoop que permiten, de una forma económica, realizar dicho análisis pero también suponen un importante reto a la hora de crear las aplicaciones que las aprovechen. Existen aceleradores y herramientas, como Text Analytics y Machine Learning que son una gran ayuda a la hora de implementar dichas aplicaciones. Por último para aquellos que quieran aprender más sobre estas tecnologías un punto importante de cursos e información es http://bigdatauniversity.com/ 3 Referencias 1 Fuente: IBM 2012. 2 Fuente: IBM 2010 3 Fuente: IBM 2010. 4 Más información: http://hadoop.apache.org 5 Componente de BigInsights (http:// www.ibm.com/software/data/ infosphere/ biginsights/) 6 Más información: http://www.ibm.com/software/data/puredata/had op/ 7 Más Información: http://www.ibm.com/software/data/infosphere/str eams/ 8 Data Explorer: http://www.ibm.com/software/data/infosphere/data- explorer/ 9 http://www.ibm.com/software/products/us/en/subcategory/SWN40 10 http://www.ibm.com/software/products/es/es/business-intelligence/

BIG DATA Monográfico n un solo día el mundo intercambia 145 mil millones de mails, en Twitter se generan 500 millones de mensajes, en Facebook se comparten 4 mil millones de elementos, en Flickr se cuelgan 4,5 millones de fotografías… ¿Qué ocurrirá si se cumplen las predicciones y en 2020 tenemos más de 50.000 millones de dispositivos conectados a la red? Volúmenes ingentes de información que debe ser almacenada, procesada y que debe estar disponible para la toma de decisiones. Si la información es poder ¿qué importancia tiene extraer conclusiones de toda esa información recibida? Los resultados derivados, como suele suceder en tecnología, son aún difíciles de discernir. ¿Cómo contribuye el análisisde la informaciónproporcionadapor sensoresmeteorológicosparapredecir catástrofes naturales?¿Qué aportaciones puede hacer el procesamiento de la información médica para unmejor diagnóstico de enfermedades?¿Cuánto podría ahorrar unAyuntamiento que tuviera información detallada de los hábitos de los ciudadanos en la prestación de servicios públicos? En un entorno de creciente competitividad ¿serán las compañías que apliquen técnicas de procesamiento de datos lasmás competitivas al poner en elmercado sus productos o servicios? Según Eric Schmidt, CEO de Google, cada dos días se generan cinco Exabytes de datos, lo cual corresponde al total de información creada desde el origen de la tierra hasta el año 2003. IDC indica que hasta 2015 el crecimiento de Big Data será siete veces superior al de la media de todo el sector TIC y, según un estudio reciente de Gartner, creará 4,4 millones de puestos de trabajo TIC en todo el mundo, un área de trabajo interesante para un teleco. Nos acercamos al concepto de Big Data, a los factores que propician su explosión, a las tendencias fundamentales y al perfil de losprofesionalesque surcaránel“mar de datos”. E 119933 junio 2013 39 n la década de los ochenta la revolución informática llevó el PC a los hogares. En la década de los noventa se vivió la revolución de Internet. El siglo XXI nos trajo la revolución de la web 2.0. Ahora, en esta segunda década del 2.000, estamos asistiendo a una nueva y apasionante revolución, la de los datos. En este primer artículo del monográfico, la autora analiza el concepto de Big Data y repasa alguno de los paradigmas que están íntimamente asociados al mismo. Big Data es, desde mi punto de vista, una industria más dentro de amplio espectro del mundo de los datos. Big Data tiene que ver con grandes volúmenes de datos. Michael E Driscol (@medriscoll)(1) considera que más de 1 TB es considerado Big Data. Para Zvi Avraham (@nivertech) fundador de israelí Zadata(2), Big Data es todo el data que supera el “normal” gigabyte. E Big data no es un concepto nuevo, desde hace más de una década se habla de los océanos de información. Ahora el término se ha hecho popular debido, en gran medida, a Internet y la web social, a la ingente cantidad de información que la humanidad está generando cada segundo en la Red. Pero la revolución de datos es un fenómeno mucho más extenso y profundo. Es un fenómeno que tiene que ver con sensores, Internet, Cloud Computing, smarphones, antenas de telefonía, transacciones bancarias, robótica, inteligencia artificial, reconocimiento de voz, visualizaciones de datos, open data, gobierno abierto, periodismo de datos y muchas cosas más. Innovaciones que están transformando, lentamente pero de forma implacable, el mundo que vivimos. Y, de nuevo, el ciudadano es el protagonista. Ley de Moore y Ley de Bell El momento tecnológico actual es el resultado de una serie de acontecimientos que, de una u otra manera, están propiciando el cambio. Y, sin duda, el descenso de precios es la nota dominante en este cambio de rumbo. Se cumple la Ley de Moore (1965) y la de Ley de Bell (1972). Para Moore los precios bajan al mismo tiempo que las prestaciones suben. Para Gordon Bell cada década emerge un nuevo tipo de ordenador que divide por cien el precio de la potencia de procesamiento. Hace diez años, secuenciar el genoma humano costaba un billón de dólares, hace unos meses la empresa Life Technologies presentó su herramienta The Ion Proton, capaz de secuenciar el genoma humano completo, en un día, por 1.000 dólares. Los analistas estiman que los precios seguirán bajando y en unos años se podrá obtener el perfil genético de una persona por unos cientos de dólares. Este drástico abaratamiento de precios incide especialmente en el auge de una industria que, hasta el momento, había pasado desapercibida para la mayoría, la de los sensores. Los sensores son la base de la nueva sociedad de la inteligencia y una de las mayores fuentes de datos. 40junio 2013 119933 Monográfico BIG DATA En la década de los ochenta la revolución informática llevó el PC a los hogares. En la década de los noventa se vivió la revolución de Internet. El siglo XXI nos trajo la revolución de la web 2.0. Ahora, en esta segunda década del 2.000, estamos asistiendo a una nueva y apasionante revolución, la de los datos. En este primer artículo del monográfico, la autora analiza el concepto de Big Data y repasa alguno de los paradigmas que están íntimamente asociados al mismo. La revolución de los datos:sensores e Internet de las Cosas Soraya Paniagua Consultora tecnológica @sorayapa sorayapaniagua.com En diciembre de 2012, Bernard Meyerson, director de innovación de IBM escribía lo siguiente: “Procesar señales y sonidos requiere de ojos, orejas, lo más importante, de cerebro, ¿correcto? Pero ¿Qué pasa cuando tienes hardware compartiendo tus sentidos? En la era de la computación cognitiva los sistemas aprenden en vez de esperar pasivamente la programación. Como resultado las tecnologías emergentes continuarán empujando las limitaciones humanas para mejorar y aumentar nuestros sentidos con machine learning, inteligencia artificial (AI), reconocimiento de voz y mucho más. No hay necesidad de llamar a Superman cuando tenemos verdaderos super sensores a mano” (Fuente: I.B.M dedicated its Five in Five series)(3) La industria de los sensores ha experimentado un desarrollo espectacular. El descenso de precios, el bajo consumo y la capacidad de conexión (Wifi, Bluetooth, RFID o ZigBee) dieron paso a las redes inalámbricas de sensores. Pero la reciente combinación de sensores y Cloud Computing nos ha traído un nuevo paradigma tecnológico que está propiciando la aparición de empresas tremendamente creativas y rompedoras. Hablamos de Internet de las Cosas. Pero veamos, detenidamente, cómo han evolucionado las redes inalámbricas de sensores (wireless sensor networks, WSN). Redes de sensores Ya en 1999 la revista Business Week citaba las redes de sensores como una de las más importantes tecnologías del siglo XXI. Dispositivos inteligentes y baratos con múltiples sensores conectados en red a través de enlaces inalámbricos que, desplegados a gran escala, proporcionarían oportunidades sin precedentes para la instrumentación y el control de casas, ciudades, medio ambiente, sistemas de defensa o nuevas capacidades de reconocimiento y vigilancia. Los sensores inteligentes se pueden desplegar en la tierra, en el aire, bajo el agua, en los órganos, en vehículos o en edificios. Como ocurrió con otras tecnologías, la evolución de las redes de sensores se debe a la industria militar. Durante la Guerra Fría, la Armada de los EEUU desplegó el Sistema de Vigilancia de Sonido (SOSUS en inglés), un sistema de sensores acústicos (hidrófonos) en el fondo del océano que permitía detectar y seguir a los submarinos soviéticos. También durante la Guerra Fría se desplegaron las redes de radares de defensa aérea en Estados Unidos y Canadá. Las investigaciones modernas en torno a las redes de sensores comenzaron con el programa Distributed Sensor Networks (DSN) de la agencia DARPA. En ese momento Arpanet ya llevaba funcionando varios años. Robert E. Kahn, co-inventor de los protocolos TCP / IP, era el director de IPTO en DARPA y quería saber si el enfoque Arpanet de comunicación podría aplicarse a redes de sensores. Fue en 1980 cuando se demostraron las tecnologías DSN, el banco de pruebas fueron aviones, de vuelo bajo, que eran seguidos con éxito mediante sensores acústicos y cámaras de televisión. Era un proyecto ambicioso teniendo en cuenta la tecnología existente. Estamos hablando de una época anterior a los ordenadores personales. Ya en el nuevo siglo, de nuevo DARPA puso en marcha otro proyecto de investigación que permitió aprovechar los últimos avances tecnológicos, se llamó SensIT(4) . Este programa desarrolló por un lado nuevas técnicas de redes (despliegue rápido, ad hoc y en ambientes muy dinámicos) y por otro el procesamiento de la información. Por ejemplo, cómo extraer información útil, fiable y al momento de la red de sensores desplegados. Paralelamente la IEEE hizo ver las enormes posibilidades de las redes de sensores y, sobre todo, su bajo coste. La organización definió el estándar IEEE 802.15.4 que especificó el nivel físico y el control de acceso a redes inalámbricas de área personal con tasas bajas de transmisión de datos. Basado en el estándar IEEE 802.15.4. En 2004 la ZigBee Alliance BIG DATA Monográfico 119933 junio 2013 41 La Nube es otro de los grandes acontecimientos tecnológicos de este nuevo siglo y factor clave para entender la actual revolución de los datos. “ Monográfico BIG DATA 42junio 2013 119933 publicó el estándar ZigBee, un conjunto de protocolos de comunicación de alto nivel que pueden ser utilizados por redes inalámbricas de sensores. En 2003 empresas como Ember (impulsores de ZigBee), Crossbow o Sensoria ya estaban creando y desplegando pequeños nodos de sensores y sistemas. Una red inalámbrica de sensores son nodos de sensores distribuidos espacialmente. Cada nodo sensor es capaz de realizar de forma independiente algunas tareas de procesamiento y detección. Por otra parte, los nodos sensores se comunican entre sí con el fin de enviar su información detectada a una central de procesamiento o realizar algún tipo de coordinación local, tales como la fusión de datos. Una plataforma de nodo sensor ampliamente utilizada es la Mote Mica2 desarrollada por Crossbow. Los componentes de hardware habituales de un nodo sensor incluyen un transceptor de radio, un procesador embebido, memorias interna y externa, una fuente de alimentación y uno o más sensores. (Sensor Networks: Evolution, Opportunities, and Challenges(5) (2003) / Wireless Sensor Networks - An Introduction(6) (2010).) En 2007 la Universidad de California se convirtió en el banco de pruebas para conectar sensores inalámbricos y cámaras a Internet. Startups como Dust Networks y Rock Corp se lanzaron al desarrollo de nodos inalámbricos baratos y fiables.(Wireless sensors extend reach of Internet into the real world) (7) En 2009 Werner Kursch(8) y Wolfgang Beer(9) en “Combining cloud computing and wireless sensor networks(10)” hablan de un nuevo paradigma para los sistemas de software basados en Internet, el llamado Cloud Computing. “La Nube provee capacidad de procesamiento escalable y varios tipos de servicios conectables. Dado que las redes inalámbricas de sensores están limitadas en su capacidad de procesamiento, duración de la batería y la velocidad de la comunicación, la computación en la nube ofrece todo lo contrario… lo cual es muy atractivo ya que la infraestructura básica es la misma”. Cloud Computing Actualmente Cloud Computing es, sin duda, la solución idónea para las redes de sensores inalámbricas. Permite que sistemas y personas puedan usar Plataformas como Servicio (PaaS), por ejemplo, Sistemas Operativos, Infrastructura como Servicio (IaaS), por ejemplo, almacenamiento y servidores y Software como Servicio (SaaS), por ejemplo aplicaciones a nivel de programación, a precios muy bajos. Básicamente porque los sensores son capaces de hablar con la Nube directamente y con nuestros smartphones. En España hay una serie de startups que están realizando un gran trabajo en este campo. A nivel internacional la más conocida es la aragonesa Libelium. Desde el País Vasco Farsens está desarrollando sensores digitales de mínimo consumo. La granadina Cilab focalizada en la gestión urbana o la extremeña panStamp que se sitúa dentro del movimiento Maker. Cloud Computing lo está cambiando todo. La Nube es otro de los grandes acontecimientos tecnológicos de este nuevo siglo y factor clave para entender la actual revolución de los datos. Este modelo de arquitectura fue proclamado por George Gilder en su artículo de octubre 2006 en la revista Wired titulado «Las fábricas de información» Gilder escribe: “Hoy en día Google administra una base de datos total de cientos de petabytes, incrementada cada 24 horas por terabytes de Gmails, páginas de MySpace, y vídeos de perritos bailando (un incremento diario, cada uno de ellos mayor que toda la Web de hace una década). Para que todo esto tenga sentido, Page y Brin (con Microsoft, Yahoo, y Ask.com de Barry ‘QVC‘ Diller pegados a sus talones) están frenéticamente transforBIG DATA Monográfico 119933 junio 2013 43 mando el “ordenador-en-un-chip” y multiplicándolo, en masivas matrices paralelas, en un “ordenador-enun- planeta. Los centros de datos que están construyendo estas compañías empezaron como un ejercicio para hacer localizable la ingente cantidad de datos generados por todo el planeta, ahora… están metamorfoseándose en plataformas de procesamiento de propósito general, infinitamente más potentes que cualquiera de las construidas con anterioridad. En la era del PC, las triunfadoras fueron las compañías que dominaron el microcosmos del chip de silicio. La nueva era del petaprocesamiento estará dominada por los amos de los centros de procesamiento de datos remotos.”(Artículo traducido) (11). La Computación en la Nube es un concepto que incorpora el Software como Servicio, (SaaS, la Web 2.0), Plataforma como Servicio (PaaS, Google App Engine o Windows Azure) o Infraestructura como Servicio (IaaS), un medio de entregar almacenamiento básico y capacidades de cómputo como servicios estandarizados en la red. Sin duda es Amazon Web Services es el IaaS más popular actualmente. Internet de las Cosas La Nube, los sensores, el nuevo protocolo IPV 6, el hardware libre y los smartphones están impulsando el desarrollo de una nueva industria llamada Internet de las Cosas (Internet of Things IoT). En diciembre de 2012, en TEDxKTH, Kristina Höök, profesora y miembro del Instituto Sueco de Ciencias de la Computación, decía lo siguiente: “Lo que soñábamos los investigadores en los 90 se llamaba de diferentes formas: computación ubicua, M2M inteligence … y lo que soñábamos era que cada objeto con capacidad natural pudieran hablar con otros objetos, por ejemplo un refrigerador capaz de comunicar sobre las existencias de productos (…) Pero esta visión ha cambiado, ha cambiado debido a la Nube. Internet de las Cosas va sobre conectar cosas dentro de la Nube y muchas veces a través de la interacción con los dispositivos móviles”. En este punto es interesante revisar la diferencia entre M2M e Internet de las Cosas. En una interesante discusión pública en Quora(12) iniciada por Nick Gall, Analista de Gartner. Según Gall M2M es la tecnología que permite a las máquinas (generalmente pequeños sensores computables) realizar tareas específicas (inteligencia) para comunicar o transferir información a través de protocolos simples, o de Internet. Pero Internet de las Cosas es mucho más, es interactuar con los objetos que nos rodean, incluso objetos estáticos no inteligentes, y aumentar esa interacción con contexto, por ejemplo la geolocalización. Los objetos no inteligentes pueden llevarse a Internet de las Cosas a través de un teléfonos inteligentes que actúa como puerta de acceso a Internet. Se trata, por ejemplo, de interactuar con códigos de barras, códigos QR, RFID o NFC. Con M2M la comunicación entre máquinas es a través de IP en red inalámbrica o por cable. Así, M2M es una subárea de Internet de las Cosas. Otro punto de vista nos lo aporta el creador de Pachube (actualmente Cosm) Usman Haque. Habla de la transición desde los “silos de datos” a los datos abiertos y alertaba a las empresas de su importancia. “En las últimas décadas hemos vivido el fenómeno conocido como máquina a máquina (M2M). En esta situación lo que haces es desplegar una cadena de sensores que se pueden monitorizar. Por ejemplo puedes instalas sensores en una red de tuberías de petróleo o en un sistema eléctrico con una pequeña idea fija de lo que vas a hacer con esos datos… Por tanto, tú eres el dueño de los datos y no la gente, los usuarios finales de esos sistemas de energía. En Internet de las Cosas tú no sabes quién va a usar los datos que son generados por los aparatos. No sabes quién va a descubrir el valor de Monográfico BIG DATA 44junio 2013 119933 esos datos… De forma efectiva esto es una transición desde lo que se ha conocido como “silos de datos” a “datos abiertos”. Pero esto no significa necesariamente que sean datos públicos, significa que los datos generados por biosensores, monitores de energía, sensores de polución… están abiertos para ser usados en otros contexto. Y eso es para mí la diferencia cualitativa con el concepto anterior”. (Conferencia Strata, marzo de 2012. Video en Youtube(13)). El 8 de junio de 2011 se adoptó, a nivel mundial, el nuevo protocolo IPv6 . Lean lo que dice Steven Leibson: “Podríamos asignar una dirección IPv6 a cada átomo en la superficie de la tierra y aún así tener suficientes direcciones para hacer otras 100 tierras más.“ La adopción de IPv6 nos hace ver un mundo donde cada objeto físico puede estar conectado a Internet y ser capaz de comunicarse con todos los demás objetos. En 2005, en el Instituto italiano de Ivrea coincidieron Massimo Banzi(14). y español David Cuartelles(15). , ambos crearon Arduino y básicamente popularizaron el hardware libre. Arduino es la plataforma más rápida y sencilla para crear prototipos de proyectos, tanto de hardware como de software. A principios de 2011 ya se habían vendido 40.000 unidades de la versión Arduino USB. Según Cuartielles: “Arduino es una plataforma abierta con toda una serie de documentación que permite la creación de nuevos dispositivos conectados que sirven o recopilan datos de la manera más significativas para nosotros. Incluye el hecho de que no es necesario ser ingeniero para imaginar un nuevo producto”. (blog de DCuartielles(16) ) En mayo de 2011, Google lanzó su Kit de Desarrollo de Accesorios basado en uno de los diseños de Arduino. Ahora el hardware llega al ciudadano, cualquier persona con una serie de conocimientos básicos es capaz de crear objetos inteligentes. Con Internet de las Cosas, la creatividad parece no tener límites, hay todo tipo de proyectos desde satélites hasta tenedores inteligentes que miden la velocidad a la que comemos. Pueden ver algunos buenos ejemplos en la web Postscapes o los más vanguardistas en la plataforma de crowdfounding Kickstarter. En España están surgiendo más startups situadas en el terreno de las plataformas de datos como Cubenube o Wairbut. En el ámbito de los objetos conectados destaca la empresa bilbaina Symplio que dirige sus productos al entretenimiento y el merchandising. El movimiento Maker Pero volvamos a Arduino porque es el protagonista de otra innovación rompedora, hablamos de las impresoras 3D y del movimiento Maker. En 2005 el profesor Adrian Bowyer(17) puso en marcha el proyecto RepRap, en la universidad inglesa de Bath, con el objetivo de crear una impresora 3D de bajo coste que, además, pudiera auto-replicarse. Lo hizo con Arduino. La impresión 3D puede marcar el tránsito desde la producción industrial a un modelo de manufactura personal. Actualmente es posible montar una impresora 3D por menos de 500 €. En torno a RepRap están surgiendo hackerspaces o fablab donde la gente se reúne para crear máquinas, para aprender y colaborar. Se trata del movimiento Maker. En este nuevo mundo de objetos conectados, nuestro smartphone se convierte en la plataforma que va a permitir el control todos esos objetos. Pero, además, un Smartphone es un dispositivo lleno de sensores, que dispone de cámaras, conexión a Internet y capacidad de geolocalización. El ciudadano se erige como gran productor, distribuidor y consumidor de datos. Una revolución El ciudadano juega un papel protagonista en esta nueva revolución de los datos. A través de objetos inteligentes, BIG DATA Monográfico 119933 junio 2013 45 la gente puede emitir información constante y valiosa sobre su propio cuerpo o el mundo exterior. En el campo de la salud es donde estamos viendo los mayores avances e impacto. No es extraño que IBM considere que las tecnologías que cambiarán el mundo, en los próximos cinco años, serán las que permitan a los sensores imitar los sentidos humanos: seremos capaces de tocar a través de un teléfono. Un pixel será tan valioso como cientos de palabras. Los ordenadores escucharán lo que importa, las papilas gustativas digitales nos ayudará a comer más sano y los ordenadores tendrán sentido del olor. Será necesario gestionar una gran cantidad de información. Big data está llamado a tener un papel importantísimo en el futuro. Actualmente se están sentando las bases de lo que será la tercera revolución de Internet. Los datos de los sensores, de los satélites, las grabaciones de vídeo, Internet, etc, combinados de forma eficaz, procesados y analizados con las tecnologías de Big Data van a extraer muchísima inteligencia.3 Notas: 1 Michael E Driscol (@medriscoll) (https://twitter.com/medriscoll) (@nivertech) fundador de israelí 2 Zadata (https://twitter.com/nive rtech) 3 I.B.M dedicated its Five in Five series 4 SensIT (http://isif.org/fusion/proceedings/fusion01CD/fusion/searche ngine/pdf/TuC11.pdf) 5 Sensor Networks: Evolution, Opportunities, and Challenges (http://www.ics.uci.edu/~dsm/ics280sensor/readings/intro/chong.pdf) 6 Wireless Sensor Networks - An Introduction (http://cdn.intechopen.com/pdfs/12464/InTech-Wireless_sensor_networks_an_introduction.pdf) 7 Wireless sensors extend reach of Internet into the real world http://usatoday30.usatoday.com/tech/wireless/data/2007-02-12- wireless-sensors_x.htm) 8 Werner Kursch (http://dl.acm.org/author_page.cfm?id=813124 81601&coll=DL&dl=ACM&trk=0) 9 Wolfgang Beer (http://dl.acm.org/author_page.cfm?id=81363602 963&coll=DL&dl=ACM&trk=0) 10 Combining cloud computing and wireless sensor networks https://dl.acm.org/citation.cfm?id=1806435) 11 La nueva era del petaprocesamiento estará dominada por los amos de los centros de procesamiento de datos remotos.” 12 discusión pública en Quora (https://www.quora.com/Internet-of-Things/Whats-the-difference-between-the-Internet-of-Things-IoTand-Machine-to-Machine-M2M) 13 Conferencia Strata, marzo de 2012. Video en Youtube https://www.youtube.com/watch?feature=player_embedded&v=oO3m7r_p2sc) 14 Massimo Banzi (https://twitter.com/mbanzi) 15 David Cuartelles (https://twitter.com/dcuartielles) 16 Blog de DCuartielles (http://david.cuartielles.com/b/2012/02/arduino-in-the-internet-of-things-for-media-evolution/) 17 Profesor Adrian Bowyer (https://twitter.com/adrianbowyer)

TV Conectada Monográfico Difícilmente podremos seguir llamando al medio de comunicación de masas por excelencia “caja tonta”. LaTVseha conectadoa Internet y este cambiotrascendental está revolucionando la industria audiovisual y supone posiblemente el mayor salto que ha experimentado el concepto de TV en toda su historia. Un cambio que afecta a los modelos de negocio asociados y en que los principales agentes mueven ficha. Se abre un mundo de posibilidades que multiplica la oferta audiovisual, permite disfrutar de servicios interactivos y plantea un nuevo marco de consumo de contenidos audiovisuales que desdibuja las barreras de espacio y tiempo y del que todavía es difícil adivinar las tendencias. En este monográfico nos acercamos al concepto de TV conectada de la mano de algunos de los principales agentes del nuevo panorama audiovisual y prestamos especial atención al recorrido de la Televisión Híbrida, desarrollada sobre la base del estándar europeo Hybrid Broadcast Broadband TV (HbbTV), analizando sus posibilidades técnicas y el proceso de estandarización.