Cadenas de muerte de Ricitos de Oro y los datos correctos

El Sistema Integrado de Comando de Batalla, mostrado aquí el 1 de diciembre de 2023 en el Arsenal de Redstone, Alabama, es la base de los esfuerzos de modernización más amplios del Ejército y proporciona capacidades transformadoras de defensa aérea y antimisiles al campo de batalla. (Foto de Nathaniel Pierce, Oficina Ejecutiva del Programa de Misiles y Espacio)

El Departamento de Defensa (DOD) se enfrenta a un desafío crucial para lograr su objetivo de operaciones conjuntas en todos los dominios debido a la incapacidad de lograr una evolución acelerada y fundamental del almacenamiento, la gestión y el análisis de datos, como se ejemplifica en el sector comercial. El cambio comenzó alrededor del año 2000, cuando la industria comercial comenzó a superar a la defensa en avances tecnológicos, principalmente gracias a sus estrategias de datos adaptables y su capacidad informática.

Este análisis enfatiza la importancia del procesamiento de datos para lograr un desarrollo rentable de la cadena de mando para operaciones conjuntas multidominio, dado su requisito para operaciones complejas en múltiples dominios. Distingue entre big data, cuya comprensión requiere máquinas complejas, y small data, que los humanos pueden comprender de forma natural. Además, establece paralelismos entre operaciones comerciales y militares, utilizando la pirámide de datos-información-conocimiento-sabiduría (DIKW) como modelo de decisión.

El análisis propone la adopción del almacenamiento basado en objetos para abordar los desafíos de la integración de datos interdominios y presenta un marco basado en la pirámide DIKW, ilustrada mediante una analogía de ríos, arroyos, embalses, cascadas y lagos. Este marco demuestra cómo la adopción de estrategias de datos comerciales, en particular el almacenamiento basado en objetos, puede permitir al Departamento de Defensa (DOD) aprovechar datos de diversas fuentes, mejorando el conocimiento para los responsables de la toma de decisiones tácticas y operativas. En esencia, esta investigación subraya la urgencia de que el gobierno de EE. UU. y el DOD adopten prácticas de datos comerciales para facilitar algoritmos avanzados interdominios, dotando a los responsables de la toma de decisiones de una comprensión más profunda de situaciones complejas y de capacidades de toma de decisiones más eficaces.

—Peter Sondergaard ¹

En 1640, John Graunt registró el primer uso de la palabra inglesa "data" al intentar proporcionar la primera descripción del análisis de datos. ² Los primeros cálculos para crear hechos o tipos de datos ocurrieron ya en el año 19 000 a. C. ³ Desde el siglo XVII, la complejidad y las aplicaciones de los datos se han expandido continuamente, desde la agricultura hasta la medicina y la defensa. La industria de defensa se mantiene a la vanguardia de las nuevas formas de aplicar datos y fórmulas para la toma de decisiones, incluyendo la velocidad de transmisión de datos; por ejemplo, las vías que cambian de un grupo de exploración a un telegrama, de radio a velocidades de computadora. Gordon Moore predijo en 1965 que el número de componentes por función integrada aumentará a un ritmo logarítmico a medida que las tecnologías avancen y el costo por componente disminuya en lo que comúnmente se conoce como la "ley de Moore". ⁴ La relación de la disponibilidad y la complejidad de la computación entre los sectores comercial y de defensa se ha invertido desde la década de 1960. En la ^década de 1960, el ejército tenía la clara ventaja de acceder a la computación de alto rendimiento, lo que lo convirtió en pionero en la aplicación de tecnologías informáticas a la resolución de problemas. Hoy en día, la aplicación de la potencia informática del sector comercial al de defensa se ha invertido, lo que ha llevado a que la cantidad de computación que se realiza en el ámbito comercial supere con creces la de un solo sistema en el ámbito militar.

Como buen ejemplo, un vehículo Tesla con capacidad de conducción autónoma completa tiene aproximadamente 180 veces la potencia de cálculo de un caza F-35. ⁶ Si bien la computación táctica de borde, como la de una aeronave, un vehículo o una radio portátil, debe esforzarse continuamente por aumentar la seguridad y la fiabilidad de la computación para desagregar la localización computacional y complicar la localización de objetivos enemigos, aspectos que preocupan poco al sector comercial, el ejército puede encontrar ventaja en la relación inversa al centrarse en las aplicaciones comerciales del análisis de datos. Una mayor generación de datos no implica necesariamente mejores decisiones, y en el proceso de adquisición de nueva tecnología informática, el ejército puede aumentar drásticamente el uso de los conjuntos de datos actuales para habilitar el margen de decisión.

Definir datos comerciales, estrategias y dicotomías es necesario para determinar qué avances comerciales en el análisis de datos deberían ser aplicables en el sector de defensa. Además, esta sección presenta una perspectiva comercial de las llamadas capas de datos, que incluye la transición de datos a productos o decisiones utilizables. La etimología de la palabra "datos" ofrece una idea de su formación. Datos es la "forma plural del término latino 'datum', que significa 'cosa dada'". ⁷ En su uso clásico, datum es "un hecho dado como base para el cálculo en problemas matemáticos". ⁸ Un conjunto de datos, en singular, expresa un bloque de datos y permite su clasificación en generalidades, como big data o small data. Generalizar las cosas en conjuntos de datos no permite una comprensión, clasificación, curación y gestión adecuadas de los datos sin reconocer los tipos de datum individuales dentro del conjunto de datos más grande. Por lo tanto, para simplificar, los conjuntos de datos permiten la aplicación de estrategias de datos, pero los big data o small data, al clasificarse, limitan el uso operativo o táctico de dichas estrategias.

Todos los datos son bloques de hechos, independientemente de su tamaño, forma, ubicación de almacenamiento, etc., y los intentos adicionales de separar el hecho de que los datos grandes y pequeños son más que simples clasificaciones crean desigualdad en los argumentos sobre la gestión de datos. Sin embargo, independientemente del purismo de los datos o de un error etimológico, mantener la separación entre datos aparentemente grandes o pequeños permite la aplicación específica de estrategias, conceptos de operaciones y conceptos de empleo. La principal diferenciación entre datos grandes o pequeños deriva de la medición de cuatro características llamadas las cuatro V de los datos: (1) volumen, (2) velocidad, (3) variedad y (4) veracidad. ⁹ Cada "V", en sí misma, podría arrastrar un conjunto de datos de la clasificación pequeña a la grande. En pocas palabras: (1) volumen es "la cantidad de datos", (2) variedad es "la diversidad de fuentes y tipos de datos", (3) velocidad es "la velocidad de transmisión y generación de datos", y (4) veracidad es "la precisión y fiabilidad de los datos". ¹⁰ Una quinta “V”, el valor, crea una utilidad adicional al responder a la pregunta “¿por qué?” para que las empresas apliquen técnicas de gestión de la información. ¹¹ Desafortunadamente, el valor para un modelo de negocios en lugar del valor para una aplicación militar crea una discusión entre el valor subjetivo y el valor objetivo (valor de las decisiones tomadas versus valor en dólares); por lo tanto, este análisis se abstiene de aplicar la clasificación de valor.

Desde una perspectiva más simple, el mundo empresarial simplemente clasifica los datos pequeños como "suficientemente pequeños para que el ser humano los comprenda tanto en términos de volumen como de formato" y los grandes datos como "fragmentos de datos demasiado grandes y complejos para ser analizados y procesados ​​por las técnicas tradicionales de procesamiento de datos". ¹² Para clasificar lo que un ser humano puede procesar, se debe asumir que recibió capacitación y un nivel de competencia en el procesamiento de dichos datos. En un ejemplo reduccionista, un sensor eléctricamente optimizado (EO), como una cámara de televisión diurna, produce imágenes de video que un ser humano capacitado puede procesar y a partir de las cuales puede tomar decisiones. Por el contrario, un conjunto de cámaras infrarrojas y de televisión diurna EO crearía una imagen tan compleja en múltiples modalidades (infrarrojas y EO), incluidas múltiples fuentes, que un solo ser humano tendría dificultades para procesar las imágenes sin procesar en un plazo casi instantáneo.

¿Por qué son importantes los datos? Si bien los datos en sí mismos son interesantes, la generación de datos por sí misma nunca debe ser el objetivo final. Los datos deben tener un efecto posterior, y el efecto que proporcionan es la sabiduría para tomar la acción correcta. De ahí la pregunta: ¿cómo se pasa de los datos a la acción? Los analistas de datos en el mundo comercial utilizan un modelo piramidal de acción llamado pirámide de datos-información-conocimiento-sabiduría (DIKW) (como se muestra en la figura 1), que comienza con la capa de datos fundamental, se construye a una capa de información, de nuevo a una capa de conocimiento, y finalmente, culmina en la sabiduría. ¹³ La acción producida a partir de las capas de conocimiento y sabiduría implica que la persona o entidad que consume la sabiduría generada a partir de los datos aporta matrices de decisión institucionales predefinidas o preentrenadas que, al combinarse con la sabiduría, producen el resultado adecuado. Si bien la pirámide DIKW se introdujo a principios de la década de 2000 en el sector de las tecnologías de la información, su verdadera belleza reside en su simplicidad. ¹⁴ Debido a su simplicidad, la DIKW es independiente de la categorización de datos, lo que significa que podría aplicarse tanto a big data como a small data. En un ejemplo de datos pequeños, una persona o una computadora computacionalmente pequeña (en este caso, sistemas tácticos) podría derivar orgánicamente la información de los datos recopilados, ya sea mediante filtros preprogramados, algoritmos o intuición humana, aportar su propio conocimiento de la situación y, finalmente, tomar una acción. La simplicidad de los datos, los sistemas y los algoritmos implica una reducción en el tiempo de procesamiento y la toma de decisiones.

La capa de "datos" es la base de la pirámide DIKW, el corazón palpitante que bombea datos sin procesar al modelo de acción. Supongamos que, para la acción genérica, sin datos, el modelo de acción colapsa. En 1989, Russell L. Ackoff, teórico organizacional, definió los datos y la información:

Los datos son símbolos que representan propiedades de objetos, eventos y sus entornos. Son producto de la observación. Observar es percibir. La tecnología de la detección, la instrumentación, está, por supuesto, altamente desarrollada. La información, como se mencionó, se extrae de los datos mediante análisis en muchos aspectos. ¹⁵

Basta decir que los hechos brutos de una situación, entorno u otras observaciones forman la capa de datos.

La información construye la siguiente capa de la pirámide DIKW. Piense en la información como la respuesta a preguntas que uno podría tener sobre los datos. Las preguntas pueden generar respuestas específicas o inferidas que combinan múltiples datos para formular hipótesis y responder a la pregunta. La pregunta también puede impulsar funciones adicionales realizadas sobre los datos para obtener una respuesta. Considere los siguientes ejemplos y explicaciones de datos precisos y derivados. Si un analista de datos consulta la fecha de nacimiento o el número de la seguridad social de una persona específica de una lista de asistentes a un evento, el analista extrae información precisa. Si, en cambio, el analista de datos desea conocer la edad promedio de todos los asistentes, primero tendría que asegurarse de que todos en la lista asistieron, quizás consultando un binario de asistencia, y luego ejecutar una función de promedio para toda la lista de edades. Este sencillo ejemplo expresa algunas relaciones críticas entre los datos y la información. Para obtener la información solicitada, el conjunto de datos consultado debe contener los datos exactos o derivables solicitados; a la inversa, la información también podría revelar lo que no está contenido en los datos, incluyendo correlaciones de datos. Los datos que no están contenidos en el conjunto consultado ayudan a encontrar relaciones entre diferentes conjuntos de datos, lo que ayuda a obtener respuestas o revela un problema de estructura de datos.

Cualquier analista de datos que intente optimizar la extracción de información debe primero analizar la relación entre las solicitudes de información y la estructura de los datos. Según la Enciclopedia de Big Data , «los datos se pueden clasificar como estructurados, semiestructurados y no estructurados según cómo se almacenan y analizan». ¹⁶ Los datos estructurados son datos organizados, típicamente «en un formato estricto de filas y columnas». ¹⁷ Los datos semiestructurados son una forma separada de datos estructurados, pero debido a su naturaleza, ya sea sin procesar o estricta, no tienen un «modelo de datos subyacente, por lo tanto, no se pueden asociar con ninguna base de datos relacional». ¹⁸ Finalmente, los datos no estructurados, el tipo más común, no tienen «una definición conceptual de tipo de datos», y el contenido generalmente se almacena en algún archivo de tipo exclusivo del sistema generador, por ejemplo, una foto de un teléfono inteligente, una página web o una imagen multiespectral. ¹⁹

Como se describe en la sección DIKW de la Enciclopedia de Big Data , “A medida que aumentan los conjuntos de datos, tanto en formas estructuradas como no estructuradas, el análisis y la gestión se vuelven más diversos”. ²⁰ En el sector comercial, existen múltiples tipos diversos de almacenamiento en red y otras tecnologías o técnicas de amplio alcance para “analizar, manipular, agregar y visualizar big data”, pero uno que se alinea estrechamente con el sector de defensa es el almacenamiento basado en objetos. ²¹

El almacenamiento basado en objetos permite gestionar, almacenar y acceder a grandes cantidades de datos no estructurados o semiestructurados. Es una forma de curación de datos, que consiste en el «proceso de crear, organizar y mantener conjuntos de datos para que quienes buscan información puedan acceder a ellos y utilizarlos». ²² MySQL, uno de los sistemas de gestión de bases de datos relacionales de código abierto más utilizados del mundo, se creó en 1995 a partir de un código base creado en 1981. ²³ Desde 1981, tanto los sectores comercial como de defensa han madurado y desarrollado creativamente el uso de MySQL, entre otras herramientas, para optimizar la gestión eficiente y eficaz de bases de datos. Sin embargo, para liberar el uso de estas técnicas creativas y heredadas, los datos deben existir en algún tipo de base de datos estructurada. Por lo tanto, la clave reside en curar los datos no estructurados o semiestructurados de forma que se permitan diversas estrategias de datos y, al mismo tiempo, se evite la dependencia de un proveedor.

Las técnicas basadas en objetos permiten la estructuración de datos mediante el almacenamiento de datos según su contenido y otros atributos, utilizando longitudes variables y aplicando parámetros de identificación únicos para la llamada a los datos. ²⁴ Al aplicar de forma creativa algoritmos sencillos para separar datos no estructurados o semiestructurados en objetos con atributos específicos e identificación adecuada, los analistas de datos pueden, con algunos cambios necesarios, aplicar algoritmos de minería de datos heredados para extraer información con rapidez y precisión. Coincidentemente, la gestión basada en objetos puede asignar nuevo espacio de objetos para observaciones imprevistas o nunca antes vistas, y si bien puede no permitir el uso inmediato, puede guiar el uso futuro para ajustar cualquier desequilibrio en las clases de datos. (Nota: El desequilibrio de clases es importante para el aprendizaje automático para evitar la salida de información sesgada). Si bien el almacenamiento basado en objetos no es la panacea para la gestión de datos no estructurados o semiestructurados ni para su inclusión en conjuntos de datos estructurados, sí ofrece una vía de organización que permite estrategias contemporáneas y evolutivas de generación de información.

Los datos generan información, lo que genera conocimiento y sabiduría en la pirámide DIKW. Dado que cada conjunto de datos no contiene todos los datos necesarios para responder a una solicitud de información, la optimización de los sistemas de almacenamiento y gestión permite aumentar el retorno de información. El almacenamiento basado en objetos es un ejemplo de gestión de grandes conjuntos de datos, no estructurados o semiestructurados, que permitiría una rápida flexibilidad de los datos y la capacidad de respuesta ante la información. La siguiente sección explica cómo aplicar el concepto de la pirámide DIKW y el almacenamiento basado en objetos a las estructuras militares tácticas y operativas.

Descompóngalo, constrúyalo

—Daniel Keys Moran ²⁵

Las estrategias de gestión de datos y de solicitud de información tienen diferentes efectos al aplicarse a los distintos niveles de toma de decisiones. Las definiciones de toma de decisiones tácticas y operativas presentan características similares al compararlas en los sectores comercial y de defensa. La diferencia entre ambos reside en el nivel táctico, que se ejemplifica con las decisiones inmediatas necesarias para lograr un efecto in situ con respecto a un objetivo específico. El nivel operativo contiene las decisiones a mayor escala para alcanzar objetivos a largo plazo. Este análisis se centra en un diferenciador principal entre los niveles operativo y táctico: el cronograma que cada uno sigue.

Los plazos operativos más largos ofrecen la ventaja de permitir un mayor ensamblaje y uso de datos, pero, como arma de doble filo, el término "operacional" implica esquemas de maniobra de fuerza más amplios y, por lo tanto, requiere una acción continua, decisiva y simultánea para influir en el campo de batalla. Los plazos tácticos, aunque mucho más granulares, ofrecen decisiones más sencillas y, por lo tanto, datos más precisos para tomarlas. Si imaginamos la pirámide DIKW como la suma total de todas las partes en o relacionadas con el campo de batalla, las acciones operativas deberían procurar abarcar la mayor parte de la pirámide. Por su parte, las acciones tácticas deberían procurar optimizar el espacio de decisión considerando únicamente la información relacionada con el siguiente conjunto de acciones. Como se ilustra en la figura 2, la pirámide DIKW podría descomponerse en diversas formas que ejemplifican diferentes tipos de acciones. La figura muestra un ejemplo de cadena de mando operativa: comprender el entorno, decidir los comandos preferidos y actuar con un control relativo para permitir la transmisión de las acciones de mando y control a través de la sabiduría y el conocimiento. Estas acciones ingresan al segmento de la pirámide en el que un usuario táctico permite su comprensión de la intención o autoridad contenida en ella, decide los efectos y la oportunidad correctos y actúa, al mismo tiempo que transmite al segmento operativo tanto las observaciones como los efectos.

Las relaciones operativas y tácticas, a mayor escala, exigen que la información y el conocimiento fluyan libre y bidireccionalmente a través de la brecha inherente. Las acciones operativas abarcan inherentemente una serie de acciones tácticas. Dado que el flujo de datos, información, conocimiento y sabiduría es crucial para el éxito operativo y táctico, analicemos cada capa de la pirámide DIKW como una masa de agua. Cada masa de agua se llena o fluye a diferentes ritmos. Consideremos un recopilador de inteligencia en constante flujo como un río de datos, y los resultados de la afirmación de información como corrientes que llenan una sección de un depósito de conocimiento. El conocimiento de cada recopilador individual se fusiona para formar la conciencia situacional general o depósito de conocimiento. De igual manera, el conocimiento produce focos de conciencia y comprensión del espacio de batalla en forma de cascadas. Estas cascadas, a su vez, ayudan a llenar el lago de sabiduría dependiente de la situación, que ya está parcialmente lleno y proviene del preentrenamiento, la doctrina y los eventos recientes. Este lago fluye y refluye a medida que cambia el conocimiento de una situación, pero a medida que fluye, alcanzará puntos de llenado decisivos que requieren acción. Una vez que se lleva a cabo una acción, se reduce inherentemente el nivel freático del lago mientras se esperan los resultados de dicha acción en forma de evaluación. Esta analogía con el agua aparece en la figura 3 como un nivel freático DIKW.

La pirámide de agua DIKW es independiente de los sistemas operativos o tácticos. Ejemplifica cómo múltiples recopiladores de un único sistema táctico pueden generar comprensión, decisiones y acciones tácticas, o, aplicada operativamente, cómo múltiples sistemas tácticos pueden alimentar la comprensión, las decisiones y las acciones operativas. El factor crítico reside en cómo la gestión de datos basada en objetos llena las lagunas de los flujos de información, permitiendo que las consultas informativas trasciendan cualquier flujo de datos individual. Además, este factor destaca que la cohesión de múltiples flujos e información cruzada crea un reservorio de conocimiento donde cada pieza de conocimiento puede facilitar la comprensión situacional que activa la doctrina y el entrenamiento. Sin embargo, donde la doctrina y el entrenamiento carecen, también se crea un margen de decisión para acciones atípicas que, debidamente fundamentadas, podrían generar la solución óptima a la situación actual. Eliminar la cohesión de los datos elimina la capacidad de extraer información de fuentes multivariadas, lo que reduce el conocimiento adquirido en cualquier situación y genera acciones desinformadas. Por lo tanto, la gestión de datos permite el procesamiento de datos y la posterior recopilación de información, la forma más económica y rentable de mejorar la dinámica de la cadena de ataque.

Conclusiones

—Geoffrey Moore ²⁶

El sector de defensa se encuentra en un punto de inflexión para la aplicación de tecnologías de vanguardia que permitan explotar datos en todas sus formas. El mundo comercial ha experimentado un auge exponencial en aplicaciones de datos, desde anuncios personalizados hasta modelos de lenguaje de aprendizaje automático como ChatGPT, pasando por la investigación de mercado, el almacenamiento y las llamadas de datos. La pirámide DIKW proporciona un marco simple para el crecimiento de datos que, aplicado correctamente, podría convertir los conceptos futuros de la cadena de destrucción en viables. La clave para crear redes de sensores que alimenten redes de tiradores es la gestión de datos. En un mundo donde la comunicación, especialmente las versiones de alto ancho de banda y baja latencia, no puede garantizarse, la gestión de datos puede proporcionar un flujo continuo de decisiones acertadas de una forma más predecible y con mayor garantía de futuro. La mejor manera de lograr una gestión de datos con escalabilidad infinita, considerando la fiabilidad y la resiliencia, es el almacenamiento y la gestión basados ​​en objetos. Utilice cualquier motor de búsqueda y encuentre una tras otra soluciones que abogan por el almacenamiento basado en objetos, desde Google hasta Amazon Web Services, Red Hat y más. “Desarrollado a fines de la década de 1990 por investigadores de la Universidad Carnegie Mellon y la Universidad de California en Berkeley, el software de almacenamiento de objetos hoy puede almacenar y administrar terabytes (TB) o petabytes (PB) de datos en un solo espacio de nombres con la trilogía de escala, velocidad y rentabilidad”. ²⁷

El Departamento de Defensa (DOD) debería liderar la próxima generación de dinámicas de cadena de ataque en las Operaciones Conjuntas de Todos los Dominios (OCD) mediante la adopción de soluciones de almacenamiento basadas en objetos en sus aparatos de inteligencia. En primer lugar, debería analizar todas sus fuentes de datos, buscando específicamente dónde y cómo almacenan los datos. A continuación, debería buscar dónde las soluciones de almacenamiento basadas en objetos podrían, al insertarse correctamente, adaptar los flujos de datos actuales a objetos. Deben lograr este paso tanto en los nodos tácticos de borde como en las instalaciones de big data, una operación poco desarrollada. Finalmente, debería experimentar con diferentes algoritmos de llamada de información para garantizar la usabilidad de los datos. Al finalizar, el DOD habrá creado un marco que todas las áreas del gobierno estadounidense podrán adoptar, y habrá sentado las bases para el comando y control conjunto de todos los dominios y las futuras metodologías de diseño. De nuevo, el almacenamiento basado en objetos no es la panacea, pero es un ejemplo de cómo el gobierno podría aprovechar los esfuerzos del sector comercial para encontrar, extraer e implementar los elementos más rentables y útiles. Comprender la forma en que los datos alimentan la máquina general es fundamental para el gobierno, ya que permitiría tomar mejores decisiones ahora, utilizar inversiones heredadas, optimizar los flujos de trabajo de datos y, en última instancia, brindar herramientas y conocimientos cuando y donde sea necesario.

1. Peter Sondergaard, “Discurso de apertura” (presentación en la conferencia Gartner IT Symposium/Xpo, Orlando, FL, 2011).
2. Sarah E. Shatby, “La historia de los datos: desde la antigüedad hasta la actualidad”, 365 DataScience, 1 de junio de 2022, https://365datascience.com
3. Ibídem.
4. Gordon E. Moore, “Incorporar más componentes en los circuitos integrados”, Electronics38, no 8 (abril de 1965): 114-17.
5. Ibídem.
6. Charles Morris, “¿Es el chip de inteligencia artificial a bordo de Tesla más inteligente que el avión de combate F-35 de la USAF?”, InsideEVs, 21 de mayo de 2021, https://insideevs.com/features/
7. Diccionario etimológico en línea, sv, “data ( )”, consultado el 29 de enero de 2024, https://www.etymonline.com/word/data .
8. Daniel Barker, “La forma en que usamos la palabra ‘datos’ ha cambiado y es peligrosa”, Towards Data Science, 23 de febrero de 2018, https://towardsdatascience.com/
9. Maddalena Favaretto et al., “¿Cuál es su definición de Big Data? La comprensión de los investigadores sobre el fenómeno de la década”, PLoS ONE15, n.º 2 (25 de febrero de 2020): Artículo e0228987, https://doi.org/10.1371
10. Hui Luan et al., “Desafíos y direcciones futuras del big data y la inteligencia artificial en la educación”, Frontiers in Psychology11 (octubre de 2020): Artículo 580820, https://doi.org/10.3389/
11. Ibídem.
12. Sagar Khillar, “Diferencia entre Big Data y Small Data”, DifferenceBetween.net, 14 de julio de 2020, http://www.differencebetween.net
13. Martin Frické, “La pirámide del conocimiento: una crítica de la jerarquía DIKW”, Journal of Information Science35, no. 2 (abril de 2009): 1–13, https://doi.org/10.1177/
14. Ibídem.
15. Russell Ackoff, “De los datos a la sabiduría”, Journal of Applied Systems Analysis16 (1989): 3–9.
16. Laurie A. Schintler y Connie L. McNeely, eds., “Big Data Workforce”, en Encyclopedia of Big Data(Cham, CH: Springer, 2022), 110, https://doi.org/10.1007/978-3-319-32010-6_208 .
17. Ibídem.
18. Ibídem.
19. Ibídem.
20. Ibídem.
21. Ibídem.
22. Mary K. Pratt, “Curación de datos”, TechTarget, 20 de enero de 2022, https://www.techtarget.com/
23. Emmanuelle Rieuf, “Historia de MySQL”, Data Science Central: una comunidad para profesionales de Big Data, 16 de diciembre de 2016, https://www.datasciencecentral.com/
24. Schintler y McNeely, “Big Data Workforce”, 110.
25. Corinne Lenherr, “'Parchear todo, todo el tiempo' ya está disponible: hoy es inteligencia de amenazas”, Security Awareness(blog), InfoGuard, 11 de abril de 2019, https://www.infoguard.ch/en/blog/
26. Geoffrey Moore (@geoffreyamoore), “Reflexiones de la semana n.º 1: Sin análisis de big data, las empresas están ciegas y sordas, y deambulan por la Web como ciervos en una autopista”, Twitter, 12 de agosto de 2012, 22:29, https://twitter.com/geoffreyamoore/status
27. Sudipto Paul, “¿Qué es el almacenamiento de objetos? Es crucial para la gestión de datos en la nube”, G2, 5 de noviembre de 2021, https://www.g2.com/articles/object-storage.