• ПРОЕКТИРОВАНИЕ СОБЫТИЙНО-ОРИЕНТИРОВАННЫХ СИСТЕМ. Концепции и шаблоны проектирования сервисов потоковой обработки данных с использованием Apache Kafka 17691K (скачать pdf) - Бен Стопфорд

тут главное - потоковая обработка!

• Поток данных — это фундаментальное изменение в мышлении, которое включает переосмысление бизнеса как развивающихся потоков данных, а сервисов — как функций, которые трансформируют эти потоки в нечто новое.
  Это может показаться странным. Многие из нас обучены программированию как процессу задавания вопросов или выдачи
  команд, и ожидания ответа. Так работает процедурное или объектноориентированное программирование, но главной причиной сложившегося восприятия, пожалуй, стоит считать базы данных. Более полувека базы данных играли центральную роль в архитектуре систем, формируя стиль написания (и осмысления) программ больше, чем какой-либо другой инструмент.

•  В сфере больших данных пакетная обработка на наборах данных во многие терабайты крайне непрактична. И это приводит к мысли о потоковой обработке.

• В потоковой модели нет общей базы данных. Поток событий это и есть база данных, и приложения лишь формируют поток в нечто новое. Приложения реагируют, смешивают потоки, создают представления, изменяют состояния и двигаются дальше.

• Михай Чиксентмихайи (перевод: Елена А. Перова) Поток: Психология оптимального переживания
  http://flibusta.is/b/387927

  • «Поток» был впервые опубликован в США в 1990 году, и с тех пор его перевели на 30 языков

  • Поток – радости, творчеству, полная поглощенность жизнью в творчестве, радости позитивных аспектов человеческого опыта

    • Состояние потока возникает, когда мы делаем что-то, в чем выражается наша сущность.
      Именно это Толстой описывает на страницах «Анны Карениной», когда Константин Левин с завистью наблюдает за своими крестьянами, ритмично и слаженно машущими косами между рядами пшеницы. Именно это чувствуют музыканты, с головой погружающиеся в исполняемое ими произведение; спортсмены, приближающиеся к пределу своих возможностей; любой работник, если он сознает, что отлично справляется со своим делом.

  • Состояние потока – одна из самых прекрасных вещей в нашей жизни.
    В отличие от других похожих состояний (пиковые переживания, счастье) – поток не снисходит на нас как благодать, а порождается нашими осмысленными усилиями, он в наших руках.
    В нем удовольствие сливается с усилиями и смыслом, порождая питающее энергией активное состояние радости.
    Поэтому поток напрямую связан с характеристиками личности, уровнем ее развития и зрелости.

  • Радость потока – это высшая награда, которой может одарить нас природа за стремление к решению все более и более сложных осмысленных задач, и которую другим способом получить невозможно.

Я отвлекаюсь, уберу букеты (елочный и можжевеловый.. смету иголки, и, конечно же... думаю....

Думаю про моделирование:

• 5 стадий приятия неизбежного....

• 3 стадии: этого не может быть... что-то в этом есть... кто же этого не знает...

• метамоделирование - попытка обсуждения...
  не важно (случайно, касательно, поверхностно, акцидентно) что ты видишь в окно
  важно видеть само окно... то, что невидимо, но дает возможность видеть...

• увы, учеников интересуют быстро меняющиеся мультяшные красочные сюжеты за окном...
  про окно они и думать не хотят...

• смотреть на мир сквозь РАЗОВЫЕ ОЧКИ...

Господи, милостив буди нам, грешным. Слава Тебе, Боже наш, слава Тебе!

Я записываю... ищу, нахожу... иду в душ и размышляю:

• текст как Поток... Большая Вода... ТЫ ТРУБА....

• не ручейки (даже стремительные, в которых плещется форель...

• 100500 ручьев стекается в Поток... Океан!

• не оградить забором, нужно научиться плавать....

• утлые лодочки не годятся... нужны лайнеры.... и команды.

• с Потоком можно сравиться только в состоянии Потока
  (это с БД полезны расписания, алгоритмы, шаг-за-шагом...)

• Поток меняет время.... внешнее... и нужно изменить внутреннее...

• школа продуцирует БД в УМсК (свинокомлексах)

  • игры вводят в Поток! игры учат!

  • соц сети вводят в Поток.... сети учат!

  • ВОЙНА...

  • РЕВОЛЮЦИЯ... жители БД - пародия на революционеров ))

    • Вацлав Гавел: «Никогда нельзя знать, какая снежинка вызовет лавину».
      АГЛ - былинка, которая останавливает Лавину

    • Лавина — значительный объём снежной массы, падающей с крутых горных склонов со скоростью 20—30 м/с. Сход лавины сопровождается воздушной предлавинной волной, которая производит наибольшие разрушения.
      Лавина - события... наибольшие разрушения производит предлавинная ИНФОРМАЦИОННАЯ волна...

    • Первая снежинка в лавине никогда не чувствует свою ответственность
      Снежинка в лавине никогда не чувствует свою ответственность
      Большинство из нас — это не мы.
      Наши мысли — это чужие суждения;
      Наша жизнь — мимикрия; наши страсти — цитата!

  • У меня большой прекрасный дом и прекрасная машина; разве жизнь не прекрасна?
    Дом и машина прекрасны, а жизнь?

    Как хорошо мы плохо жили (Борис Рыжий)

    • Как хорошо мы плохо жили
      Как плохо, жить нам хорошо
      Мы сало ножичком крошили
      Теперь мы сами под ножом

  • хакатоны!

• BD  - потоковые данные!

• Потоковые данные – данные, непрерывно генерируемые тысячами источников данных, которые обычно отправляют записи данных одновременно и небольшими объемами (по несколько килобайтов). В состав потоковых данных входят различные виды данных, например файлы журналов, сформированных клиентами при использовании мобильных или интернет-приложений, покупки в интернет-магазинах, действия игроков в играх, информация из социальных сетей, финансовые торговые площадки и геопространственные сервисы, телеметрические данные, полученные от подключенных устройств или оборудования в ЦОД.
  Эти данные должны быть обработаны последовательно и инкрементно либо по каждой из записей, либо с использованием скользящего временного окна, после чего их можно использовать в различных аналитических задачах, включая корреляцию, агрегацию, фильтрацию и шаблонизацию. Информация, полученная в результате подобного анализа, позволяет компаниям разобраться во многих аспектах своей деятельности, например в использовании сервисов (для задач учета/выставления счетов), активности серверов, навигации по веб-сайтам, геолокации устройств, людей или товаров, и в результате быстро реагировать на изменяющиеся условия. К примеру, компании могут отслеживать изменения общественного настроя в отношении своих торговых марок и продуктов за счет постоянного анализа потоков данных из социальных сетей, а в случае необходимости принимать своевременные меры.
  https://aws.amazon.com/ru/streaming-data/

 

ОПИШИТЕ СВОЙ ПОТОК ДАННЫХ.....

 

Все характеристики Big Data тесной взаимосвязаны, системно меняются и переосмысливаются.
 

И создаем и изменяем вещи,—
А эти вещи изменяют нас
Михаил Дудин

24.11.2021 Треть работников российских компаний проверяют соцсети на работе каждую свободную минуту
 

 

К основным источникам big data относят:

• показания считывающих устройств – метеорологические приборы, датчики сотовой связи и другие.

  • самолеты ежегодно генерируют с датчиков двигателей 2,5 млрд ТБ потсоянно обновляемых данных
    Большие данные в мире гражданской авиации
     

•  интернет вещей

• интернет – блоги, соцсети, сайты, СМИ и различные форумы;
  Каждую минуту в мире выполняется почти 2,5 миллиона запросов к поисковой системе Google.

• корпоративную информация – архивы, транзакции, базы данных  предприятий и организаций, медицины

• научные проекты (эксперименты и наблюдения)

  • Количество данных, которые получаются на БАК (Большом адронном коллайдере), так огромно, что с ним не справляется даже огромный дата-центр CERN и вынуждено используются память и вычислительные ресурсы в странах — участницах СERN (в т.ч. России). Каждый владелец мощного компьютера может помочь вычислениям.наблюдений...
    
    В качестве примеров источников возникновения больших данных приводятся[30][31] непрерывно поступающие данные с измерительных устройств, события от радиочастотных идентификаторов, потоки сообщений из социальных сетей, метеорологические данные, данные дистанционного зондирования Земли, потоки данных о местонахождении абонентов сетей сотовой связи, устройств аудио- и видеорегистрации. Ожидается, что развитие и начало широкого использования этих источников инициирует проникновение технологий больших данных как в научно-исследовательскую деятельность, так и в коммерческий сектор и сферу государственного управления.

 

Синтетические данные — это программно сгенерированные данные, используемые в бизнес-приложениях (в том числе в машинном обучении).

 

Синтетические данные дают возможность дата-сайентистам и разработчикам обучать модели для проектов в тех областях, где пока еще нет big data.
Они дают возможность дата-сайентистам и разработчикам обучать модели для проектов в тех областях, где пока еще нет big data. По словам Алекса Уотсона (Alex Watson),
По оценкам Gartner, к 2022 году 40% моделей МО будут натренированы на синтетических наборах данных.


Нередко возникают ситуации, когда получение реальных бизнес-процессов сложно или дорого, но при этом известны требования к таким бизнес-процессам, правила создания и законы распределения. Как правило, это происходит, когда речь идёт о чувствительных персональных данных — например, информации о банковских счетах или медицинской информации. В таких случаях необходимые наборы данных можно программно сгенерировать.


Существует два основных подхода к генерации синтетических наборов данных.
В случае, когда реальные данные отсутствуют или их сбор невозможен (из-за большой длительности или дороговизны процесса), наборы генерируются полностью случайным образом на основе некой статистической модели, которая учитывает законы распределения реальных данных. Однако, такой подход не всегда оправдывает себя из-за того, что синтетические данные могут не учитывать весь спектр возможных случаев, и полученная с помощью такого набора модель может давать непредсказуемые результаты в крайних случаях.

Также применяется аугментация (англ. augmentation) — генерация наборов на основе имеющихся бизнес-процессов. К имеющимся данным применяются различные способы искажения: например, для изображений могут использоваться различные геометрические преобразования, искажения цвета, кадрирование, поворот, добавление шума и иные. Для числовых данных могут использоваться такие искажения, как добавление объектов с усреднёнными значениями, смешивание с объектами из другого распределения, добавление случайных выбросов.

Преимущества использования синтетических данных:
Возможность генерации наборов данных практически любого размера.
Известность параметров генерации, а значит, и генеральной совокупности: можно сравнить оценки модели и истинные параметры, и исходя из этого судить о качестве полученных выборочных оценок параметров.
Ускорение и удешевление процесса разработки: не нужно ждать, пока будет собран и размечен достаточный объём реальных данных.
Повышение доступности больших объёмов данных.

В то же время, у синтетических данных есть и недостатки:
Отсутствие универсального способа генерации, применимого для любых задач: в каждом конкретном случае необходимо дополнительное исследование требований, накладываемых на генерируемые данные.
Отсутствие универсальных метрик качества и применимости генерируемых данных.
Излишняя «стерильность» получаемых данных: в общем случае неизвестно, какими могут быть выбросы в реальных данных[1].

Применение
Сгенерированные объекты можно использовать в задаче обучения с учителем для расширения обучающего множества, сведя её к задачам частичного обучения и самообучения. Довольно распространённым подходом является обучение сначала на большом наборе синтетических данных, а затем дообучение на небольшом наборе имеющихся реальных данных. Иногда при обучении реальные данные не используются вовсе. При этом в тестовых множествах использовать синтетические наборы данных нельзя: в них должны быть только реальные объекты.

Синтетические данные используют не только при недоступности реальных, но и для того, чтобы изменить распределение классов в уже имеющихся данных, дополнив их по определённому алгоритму[2].

Синтетические данные активно используются при обучении алгоритмов управления автономным транспортом. Эти алгоритмы решают две задачи: сначала выявляют окружающие объекты — машины, дорожные знаки, пешеходов, а затем принимают решение о направлении и скорости дальнейшего движения. При реализации таких алгоритмов наиболее важно поведение транспортного средства в критических ситуациях, таких как помехи на дороге или некорректные показания сенсоров — от этого могут зависеть жизни людей. В реальных данных же, наоборот, в основном присутствуют штатные ситуации.

Одно из самых наглядных применений аугментации данных — алгоритмы восстановления изображений. Для работы таких алгоритмов исходный набор изображений расширяется их копиями, к которым применяются некие преобразования из фиксированного набора. На основе полученных изображений генерируется набор, в котором входными данными считаются полученные изображения, а целевыми — исходные. В самом деле, получить реальные данные для такой задачи — фотографию и её же искажённую копию — довольно затруднительно, а применение таких преобразований довольно легко автоматизируется. Таким образом, если исходные изображения достаточно хорошо описывали источник данных, то полученный набор данных можно применять для обучения алгоритма восстановления изображений, устраняющего применённые преобразования.

Также с помощью синтетических наборов данных можно упростить обучение алгоритмов компьютерного зрения, решающих задачи семантической сегментации, поиска и локализации объектов. В данном случае подходят наборы, в которых искомые объекты определённым образом наносятся на фоновое изображение. В частности, таким объектом может быть текст — тогда с помощью полученного набора может быть решена задача распознавания текста на изображении.

Синтетические данные используются и для создания алгоритмов реидентификации[на 25.01.21 не создан] — определения, действительно ли на двух изображениях один и тот же человек. Эти алгоритмы могут использоваться для нахождения людей на записях с камер, на пограничных пунктах и так далее. В этом случае реальные данные собрать довольно сложно, потому что требуется найти много фотографий одних и тех же людей в разных позах, с разных ракурсов и в разной одежде.

При генерации синтетических наборов данных необходимо учитывать специфику каждого конкретного случая, общего алгоритма, подходящего для всех случаев не существует. Как правило, общие алгоритмы наподобие добавления средних значений оказываются нерепрезентативными.
 

 

3 различных типа синтетических данных.

• Фиктивные данные - это данные, сгенерированные случайным образом (например, генератором случайного шума). Следовательно, характеристики, отношения и статистические шаблоны, которые есть в исходных данных, не сохраняются, не фиксируются и не воспроизводятся в сгенерированных фиктивных данных. Следовательно, эти данные не являются репрезентативными ни в какой форме по сравнению с исходными данными.

• Созданные на основе правил синтетические данные - это синтетические данные, созданные с помощью заранее определенного набора правил. Примерами этих заранее определенных правил может быть то, что вы хотели бы иметь синтетические данные с определенным минимальным значением, максимальным значением или средним значением. Здесь необходимо заранее определить любые характеристики, отношения и статистические шаблоны, которые вы хотели бы воспроизвести в сгенерированных на основе правил синтетических данных.
  Следовательно, качество данных будет таким же хорошим, как и заранее определенный набор правил. Однако это приводит к проблемам, когда важно высокое качество данных. Во-первых, можно определить только ограниченный набор правил, которые нужно зафиксировать в синтетических данных. Кроме того, установка нескольких правил обычно приводит к перекрытию и конфликту правил. Более того, вы никогда не сможете полностью охватить все соответствующие правила. Кроме того, могут существовать соответствующие правила, о которых вы даже не знаете. И, наконец (не забывайте), это займет у вас много времени и энергии, что приведет к неэффективному решению. Таким образом, с созданными на основе правил синтетическими данными вы окажетесь в немасштабируемой ситуации с качеством синтетических данных, которое не уступает качеству заранее определенного набора правил.

• Синтетические данные, генерируемые искусственным интеллектом (ИИ)
  Как и следовало ожидать из названия, синтетические данные, генерируемые искусственным интеллектом (AI), представляют собой синтетические данные, генерируемые алгоритмом искусственного интеллекта (AI). Модель ИИ обучается на исходных данных, чтобы узнать все характеристики, взаимосвязи и статистические закономерности. После этого этот алгоритм ИИ может генерировать совершенно новые точки данных и моделировать эти новые точки данных таким образом, чтобы воспроизводить характеристики, взаимосвязи и статистические закономерности из исходного набора данных. Вместо того, чтобы изучать и определять соответствующие правила (как в случае сгенерированных на основе правил синтетических данных), алгоритм ИИ делает это автоматически. Здесь будут охвачены не только характеристики, взаимосвязи и статистические закономерности, о которых вы знаете, но также характеристики, отношения и статистические закономерности, о которых вы даже не подозреваете.

Dummy data
https://generatedata.com/

 

DataLake (озеро данных) — репозитарий, в котором хранится огромный объем «сырых» данных в их первоначальном формате до тех пор, пока они не будут использованы.

Идея озера данных  —   хранить необработанные данные в их оригинальном формате до тех пор, пока они не понадобятся.

При доступе к озерам данных пользователи должны знать:

Конкретные типы данных и источники, в которых они нуждаются.
Сколько данных им нужно.
Когда им это нужно.
Методы аналитики, которые будут применяться к этим данным.



Есть хранилище данных – инструмент, который стал синонимом процесса извлечения, преобразования и загрузки (ETL). На высоком уровне хранилище данных содержит огромные объемы данных, структурированных строго регламентированными способами. Они требуют, чтобы перед загрузкой данных была проведена строгая схема. (Это почти всегда схема «звезда» или «снежинка».) Схема в хранилище данных определяется «по записи». Процессы ETL должным образом выводят отчеты об ошибках, создают файлы регистрации и отправляют ошибочные записи в файлы исключений и таблицы, в которые можно заглянуть с течением времени.

В связи с таким четким подходом хранилища данных поддерживают частичный или инкрементный ETL. Другими словами, в зависимости от серьезности проблемы, организация может загружать или перезагружать части своего хранилища данных, когда что-то идет не так.

Организации периодически заполняют хранилища данных. Данные обновляются с помощью регулярных циклов. Например, в 3 часа утра каждый день, когда сотрудникам вряд ли понадобится доступ к данным и связанным системам. А когда они приходят на работу, все свежие данные уже загружены.
 

 

Из озера данные по нисходящей попадают в хранилище данных, которое подразумевает нечто более обработанное, упакованное и готовое к применению. И если озеро хранит данные в сложных для распознавания или вообще не читаемых подавляющим большинством сотрудников форматах (неструктурированном, полуструктурированном), то хранилище данных состоит из структурированных в виде баз данных, которые доступны приложениям и сотрудникам. Данные, предоставляемые в форме витрин или хабов, еще более удобны для применения внутренними подразделениями компании.

Таким образом, озеро данных содержит большие объемы данных в исходном виде. В отличие от запросов к хранилищу или витрине данных, для запросов к озеру требуется подход schema-on-read (мы принимаем и храним все данные, и рассуждаем об их структуре только в момент чтения для конкретной задачи).

Озеро данных: типы данных и методы доступа

Источники данных в озере данных включают все данные организации или одного из ее подразделений. К ним относятся структурированные данные реляционных баз, полуструктурированные данные (CSV, файлы журналов и др.), данные в форматах XML и JSON, неструктурированные данные (э-письма, документы, PDF-файлы и др.), а также двоичные данные (изображения, аудио и видео). С точки зрения протокола хранения это означает, что озеру нужно хранить данные, которые возникли в файловом, блочном и объектном хранилищах.

Объектное хранилище — это общепринятый протокол для самого озера данных. Не забывайте, что оно открывает доступ не к самим данным, а к заголовкам метаданных. Последние описывают данные, их можно прикрепить к чему угодно, от базы данных до фотографии. Подробные запросы к данным могут происходить где угодно, но не в озере данных.

Объектное хранилище очень хорошо подходит для хранения больших объемов данных в неструктурированном виде. То есть с ним нельзя работать, как с базой данных в блочном хранилище, но оно позволяет хранить несколько типов объектов в большой плоской структуре и знать, что там находится.

Объектное хранилище обычно не гарантирует высокую производительности, но применительно к озеру данных это нормально: запросы для него создавать и обрабатывать сложнее, чем для реляционной базы в хранилище данных. Но это не страшно, потому что бóльшая часть запросов на этапе озера данных будет касаться формирования более пригодных для детальных запросов нижестоящих хранилищ данных.



 

 

Чем опасны data lake
У озер данных есть одна серьезная проблема. Любые данные, попадающие в data lake, попадают туда практически бесконтрольно. Это значит, что определить их качество невозможно. Если у компании нет четкой модели данных, то есть понимания типов структур данных и методов их обработки, плохо организовано управление озером, в нем быстро накапливаются огромные объемы неконтролируемых данных, чаще всего бесполезных. Уже непонятно, откуда и когда они пришли, насколько релевантны, можно ли их использовать для аналитики.

В итоге наше озеро превращается в болото данных — бесполезное, пожирающее ресурсы компании и не приносящее пользы. Все, что с ним можно сделать, — полностью стереть и начать собирать данные заново.

Чтобы озеро не стало болотом, нужно наладить в компании процесс управления данными — data governance. Главная составляющая этого процесса — определение достоверности и качества данных еще до загрузки в data lake. Есть несколько способов это сделать:

отсекать источников с заведомо недостоверными данными;
ограничить доступ на загрузку для сотрудников, у которых нет на это прав;
проверять некоторые параметры файлов, например не пропускать в озеро картинки, которые весят десятки гигабайт.
Настроить такую фильтрацию проще, чем каждый раз структурировать данные для загрузки в базу данных. Если процесс налажен, в data lake попадут только актуальные данные, а значит, и сама база будет достоверной.

Управление данными — это не факультативная, а приоритетная задача. В компании должен быть отдельный сотрудник, ответственный за data governance. Обычно это Chief Data Officer, CDO.

Текст (от лат. textus — ткань; сплетение, сочетание) - связная и полная последовательность символов.

Data Fabric (иногда? обычно?) неправильно переводят как «фабрику данных»

Data Fabric  — ткань данных (цельная архитектура управления данными с полным и гибким доступом для работы с ними).

Data Fabric  — автономная экосистема максимально эффективного доступа к (корпоративным) данным, которая позволяет эффективно искать, обрабатывать, структурировать и интегрировать данные.

 

Список Gartner: 12 стратегических технологических тенденций в 2022 году 1 место: Data Fabric

 

Хранение и управление данными стало сложнейшими инженерными задачами на фоне:

• увеличение объёма данных

• стремительного роста числа разрозненных хранилищ данных и приложений данных

• несовместимости источников

• сильных различий форматов данных

• проблем масштабирования

Масштабируемость (scalability):

• способность (системы, сети, службы) справляться с растущей нагрузкой при добавлении ресурсов (программных и аппаратных).

• отношение прироста производительности системы к приросту используемых ресурсов.

Data Fabric   —  метод решения указанных проблем BD на основе:

• использования машинного обучения на каждом шаге обработки данных

• связь всех источников данных и потребителей сквозной интеграцией через API.

• микро-сервисной архитектуры.

• облачных решений,

• оркестрирации и виртуализизации информационных потоков.

---

 

Data Fabric — службы и сервисы, которые облегчают обмен данными между платформами, обеспечивая безопасность легкого доступа к данным для каждой из групп пользователей:

• данные становятся доступны независимо от места их хранения,

• встроенная аналитика расширяет возможности использования данных,

• масштабируемость архитектур (средств, систем и сервисов работы с данными).

Data Fabric реализуется в концепции DataOps.

 

 

Data Fabric реализуется в концепции DataOps.

DataOps (DATA Operations) — концепция и набор практик непрерывной интеграции данных между процессами, командами и системами для повышения эффективности управления и взаимодействия за счет распределенного сбора, централизованной аналитики и гибкой политики доступа к данным с учетом их конфиденциальности, ограничений на использование и соблюдения целостности.

DataOps введена по аналогии с DevOps  —  DEVelopment Operations Цель DevOps  — быстрая и непрерывная поставка работающего программного обеспечения

 

Цель DataOps  — оперативное и безбарьерное предоставление актуальных и рабочих данных каждому участнику процессов.

Это означает устранение когнитивных, временных и организационных разрывов между исследователями данных (data scientists), предметными аналитиками, разработчиками, руководителями и пользователями Big Data.

---

Big Data динамичны, поэтому нужны не только надежные и быстрые технологии их обработки, необходима гибкость прикладных и управляющих процессов, изменение корпоративной культуры, когда информация становится главной ценностью и основным средством осуществления деятельности.

 данные) в 2008 году ввёл

 

• Все на «удаленку»: как улучшить качество обучения в цифровой среде
  Как устроено цифровое образование, в чем его преимущества и как применять его с умом
  https://postnauka.ru/longreads/156713

• Ученик, директор, ученый: как используют данные из цифровой образовательной среды
  Персональные образовательные траектории и глобальные исследования
  https://postnauka.ru/longreads/156714

• Алекс Пентленд Социальная физика [Как Большие данные помогают следить за нами и отбирают у нас частную жизнь]
  http://flibusta.is/b/641177

• Новые миры и большая наука: как используют игровые данные
  Аналитика данных позволила сделать игры интересными для пользователей и прибыльными для разработчиков
  https://postnauka.ru/longreads/156716

• Большой игровой брат: big data в компьютерных играх
  Терабайты данных игроков собираются, хранятся, используются — и меняют индустрию
  https://postnauka.ru/longreads/156715