Käyttötapaukset

Uuden infrastruktuurin käyttötapauksia

 

Seuraavat käyttötapaukset kuvaavat ylätasolla kattavasti uuden laskentaympäristön avulla ratkaistavia laskennallisen ja datakeskeisen tutkimuksen tarpeita.

 

1) Suuren skaalan simulaatiot: Tämä ryhmä edustaa perinteistä suurteholaskentaa. Sen mahdollisuuksia hyödyntävät esimerkiksi fysikaaliset tieteet ja niiden lähitieteiden eri osa-alueet.

Massiivisilla laskentatöillä tutkitaan haastavia tieteellisiä kysymyksiä simuloimalla tarkasti esimerkiksi fuusioreaktiota, ilmastonmuutosta tai avaruussäätä. Tutkimustulosten avulla voidaan muun muassa etsiä ratkaisuja kasvavaan sähköntarpeeseen tai varautua ennalta avaruusmyrskyihin, joilla voi pahimmillaan olla hyvin tuhoisat seuraukset teknologiasta riippuvaiselle yhteiskunnalle.

2) Keskikokoiset simulaatiot: Laskenta-ajassa mitattuna tämä kattaa ison osan CSC:n nykyisestä asiakaskäytöstä. Aloja on laajasti edustettuna aina biofysikaalisesta solun toiminnan simuloinnista materiaalitieteisiin ja virtauslaskentaan. Keskikokoisten simulaatioiden avulla voidaan esimerkiksi tehdä tutkimusta, joka viime kädessä johtaa parempiin ja tehokkaampiin lääkeaineisiin tai tutkia vaikkapa ilmakehän hiukkasten muodostumista ja niiden roolia ilmastonmuutoksessa.

Tärkeää on mahdollistaa työvuot, joissa voidaan ajaa suuria määriä simulaatioita, hallita syntyvää dataa, ja analysoida sitä dataintensiivisiä laskentamenetelmiä tai tekoälyä käyttäen.

3) Dataintensiivinen laskenta: Tämä käyttötapaus kattaa isojen data-aineistojen analyysin ja laskennan, joka perustuu suuriin lähdetietoaineistoihin. Bioinformatiikan tutkijat muodostavat tällä hetkellä suurimman dataintensiivisen laskennan käyttäjäryhmän CSC:llä; muita suuria käyttäjäryhmiä ovat muun muassa kielitieteilijät ja muut digitaalisten ihmistieteiden tutkijat.

Tietokoneiden ja mallien avulla pystytään käyttämään täysimittaisesti hyödyksi vuosien varrella säilöttyä digitaalista tietoa ja materiaaleja, kuten esimerkiksi biopankkeja tai erilaisista mittauspisteistä kerättyä dataa. Tutkimuksen tuloksena lääkärit saavat käyttöönsä työkaluja, jotka tukevat taudinmääritystä ja lääkekehitystä tai niiden avulla voidaan lisätä ymmärrystä erilaisista ilmiöistä kuten ilmastonmuutoksesta. 

4) Dataintensiivinen laskenta sensitiivisellä datalla: Monet tutkimusaineistot sisältävät tietoja, joita ei voida luovuttaa tutkimusryhmän ulkopuolelle ja joiden käsittelyä säätelevät erilaiset säädökset kuten henkilötietolaki ja EU:n yleinen tietosuoja-asetus. Laskenta- ja tallennustarpeet vastaavat muutoin dataintensiivisen tutkimuksen tarpeita, mutta vaativat muun muassa paremman tietoturvatason ympäristöä ja työkaluja datan käyttöoikeuksien hallintaan.

Esimerkkeinä mainittakoon potilastietoja käsittelevä biolääketieteellinen tutkimus ja eri rekisterien tietoja ja haastatteluaineistoja hyödyntävät humanististen alojen tutkimukset. Sensitiiviseen dataan pohjautuen voidaan tutkia esimerkiksi maailmanlaajuisia terveyden ja terveydenhuollon uhkia kuten antibiooteille vastustuskykyisiä superbakteereja.

5) Tekoäly: Koneoppimista sovelletaan monenlaisten ongelmien ratkaisemiseen, ja sen käyttö on laajenemassa usealle tieteenalalle kuten bio- ja ihmistieteisiin. Tyypillisesti koneoppimista sovelletaan tällä hetkellä tiedon analysointiin ja luokitteluun.

Koneoppimisen tutkimuksen avulla pystytään esimerkiksi tuottamaan lääkäreitä taudin määrittämisessä avustavia sovelluksia tai hyvin monialaisesti hyödyttäviä erilaisia kasvontunnistusmenetelmiä.

6) Internet of Things (IoT) ja datavirrat: Monet tärkeät tutkimuksen lähtöaineistot muodostuvat datavirrasta, joka päivittyy jatkuvasti. Tällaisia jatkuvan datavirran tietolähteitä ovat esimerkiksi mittaussatelliitti, säätutka, sensoriverkosto, osakekurssi tai sosiaalisen median viestivirta.

Analytiikkayhtiö Gartnerin ennusteiden mukaan vuosikymmenen loppuun mennessä maailmassa tulee olemaan yli 26 miljardia verkkoon liitettyä laitetta. Tällä kaikella on suuri vaikutus työelämään ja ihmisten arkeen. 

Erilaisista laitteista koostuvaa dataa voidaan käyttää avuksi esimerkiksi kaupunkisuunnittelussa, joukkoliikenteen sujuvoittamisessa, tieliikenteen turvallisuuden lisäämisessä tai laitteiden keskinäisen vuorovaikutuksen optimoinnissa.