机器学习(ML)和人工智能(AI)是铁路大数据领域的热门话题。
这些计算机科学在数字转型中所提供的价值被广泛理解，例如运营效率、成本节约、新收入以及最终的竞争优势。然而，这里存在一个问题:“数据”——你如何给它赋值，它从哪里来，什么时候足够的数据才足够?
数据的价值
在大数据项目的开始阶段，铁路运营商首先需要明确为什么要收集这些数据。有了顶层目标，就更容易理解数据背后的价值，更重要的是，理解需要保护数据的原因。
例如，大数据的两个铁路使用案例可能是:
- 提升乘客体验(创造额外收入)
- 预见性维护(节省成本)
上面的例子强调了数据收集的一般目的。此外，他们还为管理层概述了铁路大数据商业案例的合理性。随着数据的价值被赋予，铁路运营商IT团队可以应用人工智能或ML的计算机科学。
是AI还是ML?
从上面的两个示例用例中，可以概述为什么以及何时使用其中一种或另一种科学，或者两者都使用。在用例1中，铁路运营商将应用人工智能，将成功向客户销售车载服务的机会最大化。在这里，目的是让机器像人类一样思考，并处理与人类思考相关的非结构化数据。
以人工智能应用为例:聊天机器人。聊天机器人可以获取乘客旅程的信息。然后，聊天机器人与乘客互动，根据旅程时间推荐电影或阅读清单。随着时间的推移，人工智能在与乘客互动的基础上完善其建议，改善了整体乘客体验。此外，它允许铁路运营商改进他们的服务，并减少在不需要的内容上的支出。
然而，在用例2中，将应用ML，因为有准确学习模式的特定需要。以地铁车门打开为例。这里有一个要收集的结构化数据数组。门开了多少次，开了多长时间，在什么地点，在什么天气条件下?该学习模型吸收了数据，并得出了准确的门维修调度结果。铁路运营商的好处是，通过消除因车门故障而造成的不必要延误，提高了运营效率。
云共享责任模型
对数据的需求和价值有了清晰的认识之后，下一步就是了解如何收集和存储数据。数据收集很棘手，因为火车是由多个封闭系统组成的，它们之间没有相互作用。
云提供商解决了将来自不同系统的数据集中起来的一些挑战。然而，铁路运营商需要明白，访问云的安全以及其中数据的保护是他们的责任。在云共享责任模型下，云供应商声明云的安全和运行是他们的职责。对铁路运营商来说，这意味着将数据从边缘转移到云上的安全性仍然是铁路运营商的问题。
对于铁路运营商来说，问题仍然是如何安全地将数据从火车上转移到云端，并确保其安全?
大数据的关键是连通性
最直接的方法是为每列火车建立一个安全的运行网络。其目的是聚合来自多个列车系统的数据，并确保与需要数据的地方(如云或本地)的连接。
由于大多数大数据项目都是从试点开始的，互联架构需要开放。例如，铁路操作员可以从车门操作的预见性维护开始，连接多功能车辆总线(MVB)上的传感器。接下来的一步可能是加强乘务员和司机的服务，这意味着连接以太网和Wi-Fi网络。
安全脱轨
铁路大数据的保护有两个关键环节，即数据处于静止状态和动态状态时。
铁路运营面临的挑战是，由于通信“非点位”或列车断电，数据可能长时间留在列车上。在选择连接解决方案时，列车运营商应该寻找提供数据缓存的解决方案，并坚持对存储磁盘进行加密。
当涉及到保护数据传输时，最简单和最有效的方法是寻找专用网络连接。专用网络将火车和云从与公共互联网相关的网络威胁中隔离出来。许多铁路运营商正在选择软件定义的广域网(SD-WAN)解决方案。SD-WAN的好处是在公共网络(如移动网络运营商(MNO))上管理简单和数据加密。
SD-WAN的另一个优势是能够在原始流量中播种信任。在访问云时，身份管理或数据源中的信任是基本的安全最佳实践。
当数据足够多时
大数据意味着需要大量的存储空间。然而，无论是云存储还是内部存储，成本都很高。因此，有必要在边缘构建智能，无论是在火车上还是在站台上。
边缘计算允许铁路运营商在数据源附近应用智能，从而简化观测数据，只记录必要的数据。通过在列车上运行AI和ML，外部存储的数据量大幅减少。
总之
铁路大数据解锁的关键是互联互通。通过简化数据收集，铁路运营商可以轻松地使用机器学习提供预测性维护，或使用人工智能增强乘客体验。
此外，任何连接的列车都应该优先考虑安全问题，而不是事后才考虑的问题，尤其是在数据穿越公共互联网网络时。
通过选择为尖端技术设计的解决方案，铁路运营商可以将现有系统整合并集中到一个单一的计算平台上。这进而降低了IT支出，并最终降低了大数据项目的总拥有成本。
了解更多兰卡斯特以及我们的解决方案如何帮助铁路提供网络安全大数据，请访问www.klasgroup.com．
