Kandidat 120. INFO310 0 Advanced Topics in Model-Based Information Systems. Oppgaver Oppgavetype Vurdering Status

Transkript

1 INFO310 0 Advanced Topics in Model-Based Information Systems Kandidat 120 Oppgaver Oppgavetype Vurdering Status Introduction Dokument Automatisk poengsum Levert Plagiarism and Declaration Dokument Automatisk poengsum Levert 1 Essay Filopplasting Manuell poengsum Levert INFO310 0 Advanced Topics in Model-Based Information Systems Emnekode INFO310 Vurderingsform INFO310 Starttidspunkt: :00 Sluttidspunkt: :00 Sensurfrist Ikke satt PDF opprettet :37 Opprettet av Andreas Lothe Opdahl Antall sider 16 Oppgaver inkludert Nei Skriv ut automatisk rettede Nei 1

2 Seksjon 1 1 OPPGAVE Essay Upload your file here. Maximum one file. BESVARELSE Filopplasting Filnavn Filtype Filstørrelse _cand _ pdf KB Opplastingstid :18:27 Neste side Besvarelse vedlagt INFO310 0 Advanced Topics in Model-Based Information Systems Page 2 av 16

3 Det samfunnsvitenskapelige fakultet Institutt for informasjons- og medievitenskap INFO310 Advanced Topics in Model-Based Information Systems Høst 2016 Studentnummer: INFO310 0 Advanced Topics in Model-Based Information Systems Page 3 av 16

4 Introduksjon Å visualisere data gjør det lettere å forstå informasjonen som ligger i all dataen. Ofte kan det være snakk om store mengder data og da kan det være vanskelig å hente ut informasjon dersom all dataen vises i for eksempel tekst og tall i et regneark. Å visualisere data har blitt en rask og enkel måte å vise frem informasjonen all dataen egentlig viser, og det gjør det også lettere å ta stilling til hvordan dataen eventuelt kan brukes. I denne teksten skal jeg ta for meg visualisering av big data og hvordan det kan brukes, sammen med semantikk, som et verktøy for å få en bedre oversikt over hva de enorme mengdene med data egentlig viser. Jeg skal også se på Big Data i forhold til personvern og ta for meg utfordringer som kan oppstå ved visualisering av Big Data. Tilslutt i teksten skal jeg se på visualiseringsverktøy som retter seg mot big data for å sammenligne og finne ut hvilke spesifikasjoner de tilbyr. Hva er Big Data og hva kan det brukes til? Big data er betegnelsen på de enorme mengdene med data som genereres og lagres hver eneste dag. Big data kan best beskrives ved de tre ordene volum, variasjon og hastighet(nordlie, 2015). Det er et stort volum med data, informasjonen har stor variasjon, og til sist, dataen er i stadig endring. Det mest spesielle med big data er ikke at mengdene er så store, men mulighetene og informasjonen som finnes, nærmest gjemt bort i de store mengdene. Det nyttige med Big Data ligger altså i mulighetene man har ved å jobbe med det, ikke at mengdene er så store. Big Data er som nevnt store mengder data som blir generert hver eneste dag. Det er i de fleste tilfeller snakk om flere hundre terabytes med data, noe som betyr at for eksempel en laptop ikke har mulighet til å lagre slike mengder med data. Det kan være vanskelig å forstå hvordan man kan få en oversikt over så enorme mengder med data, og samtidig at det kan brukes til noe. Men de store mengdene med data kan brukes til mye og vise seg å være svært viktig. Store selskaper som blant annet Facebook, Twitter, Starbucks, Google og Visa benytter seg i dag av Big Data, og utnytter mulighetene disse mengdene med data gir. En måte Big Data kan brukes på, dersom man er en bedrift med kunder, er å forstå og rette seg mot kundene(marr, 2013). Informasjonen som millioner av mennesker legger fra seg om seg selv på nett, kan brukes til å blant annet rette reklame mot grupper av personer som INFO310 0 Advanced Topics in Model-Based Information Systems Page 4 av 16

5 oppleves som relevant for disse. Selskaper, som for eksempel nettbutikker, kan også forutse, ved hjelp av Big Data om brukerne, hvilke produkter som vil selge bra. Dette er eksempler på hvordan Big Data kan brukes av selskaper og bedrifter til å øke omsetningen, noe de alltid vil være interessert i. Big Data kan også brukes av vanlige personer. Den siste tiden har aktivitetsarmbånd blitt populære, slik som Fitbit, og disse genererer hele døgnet helsedata om brukeren. All denne dataen sendes tilbake til produsentene av armbåndet, som igjen analyserer og sender tilbake ny kunnskap om som har kommet frem fra analysen, og dette kan brukeren dra nytte av. Big Data har altså flere forskjellige bruksområder, og blir i dag mer og mer brukt som en kilde til innsikt og nyttig informasjon. Mulighetene med Big Data er store, og hvis man bruker det på riktig måte og med de rette verktøyene vil Big Data kunne vise seg å være svært nyttig. Visualisering En vanskelig situasjon som kan oppstå i forbindelse med Big Data er de enorme mengdene med data som er tilgjengelig. Hvis man jobber med big data er det som oftest snakk om mengder på flere hundre giga- eller terabyte, og dette gjør det umulig for en person å få en oversikt over all informasjonen dataene inneholder(knoblock og Szeleky, u.å.). Å ha store mengder med data har lite for seg dersom man ikke kan hente ut eller bruke informasjonen til noe. Visualisering er et verktøy som gjør det mulig å forstå hvilken informasjon som ligger i de enorme mengdene med data. Visualiseringen gir en ny måte å se dataen på, blant annet kan man utforske innholdet på en bedre måte og identifisere mønstre og sammenhenger som finnes. Slikt er ikke mulig å utforske og se hvis all dataen kun vises i for eksempel et regneark. Big Data + Semantikk = smart data Å legge til semantikk til data gir den mening slik at flere enn bare mennesker forstår meningen med den(technical.ly, 2014). Semantikken fører til at også datamaskiner bedre kan forstå hva dataene betyr og kan fortelle. Når Big Data og data generelt tilføres semantikk kalles det for smart data. Semantikken er altså med på å skape maskinforståelig data, som igjen fører til at maskinen kan være enda mer til hjelp når det gjelder å utnytte dataene. INFO310 0 Advanced Topics in Model-Based Information Systems Page 5 av 16

6 Stardog er en RDF-database som har mulighet for SPARQL-spørringer og støtte for OWL og visualisering(stardog, 2016). Et eksempel på hvordan en slik RDF-database kan brukes, er hvordan den ble tatt i bruk av NASA. Ved bruk semantikk og visualisering forteller Big Data mye mer enn det ser ut til ved første øyekast. Ved hjelp av Stardog kunne NASA søke og hente ut eksisterende informasjon fra en datamengde som ellers ikke ville vært mulig å finne. Den nye og semantiske måten å søke på, førte til at NASA sparte 38 millioner dollar i året, en betydelig sum tatt i betraktning at alt NASA gjorde var å ta i bruk en RDF-database. Semantiske grafer Grafer er gode eksempler på visualiseringer som kan gi en oversikt over hva en mengde data representerer. En graf kan være både semantisk og ikke-semantisk, men hva er det som skiller en semantisk graf fra en graf som ikke er semantisk? Når det gjelder Big Data vil en semantisk graf kunne fortelle mye mer om innholdet i dataen enn en ikke-semantisk graf. En graf kan defineres som semantisk hvis den er definert og representert slik at den ikke bare kan forstås av mennesker, men også maskiner(spivack, 2007). Semantikken er det som gjør dataen smart og som tillater visualiseringen å bli så nyttig som den kan bli. Men hvordan fungerer det egentlig når semantikk blir lagt til og grafene blir semantiske? Grafer kan gjøres semantisk ved at de blir representert med bruk av for eksempel RDF og OWL, som er språk fra den semantiske veven. Et eksempel på noe som kan representeres i en graf er nettverk som inneholder en oversikt over forhold mellom mennesker, altså et sosialt nettverk, og de fleste av disse nettverkene er ikke semantiske(spivack, 2007). Et eksempel på hvordan grafer som representerer sosiale nettverk kan gjøres semantiske, er ved å bruke blant annet en ontologi som kalles FOAF. FOAF står for friend of a friend og beskriver helt enkelt personer og de sosiale relasjonene mellom disse i et sosialt nettverk. Ontologien beskriver enkeltpersoner ved å for eksempel definere hva som er personens navn og hjemmeside. Når et sosialt nettverk benytter seg av FOAF-ontologien, kan både mennesker og maskiner forstå hva grafen representerer, og det blir lettere å se og forstå hvilken informasjon som vises. Slik kan en beskrivelse av en person se ut ved bruk av FOAF: INFO310 0 Advanced Topics in Model-Based Information Systems Page 6 av 16

7 <foaf:person rdf:about="#danbri" xmlns:foaf=" <foaf:name>dan Brickley</foaf:name> <foaf:homepage rdf:resource=" /> <foaf:openid rdf:resource=" /> <foaf:img rdf:resource="/images/me.jpg" /> </foaf:person> (FOAF Vocabulary Specification, 2014 ) For et menneske er det lett å forstå at Dan Brickley er navnet, men det er ikke gitt at en maskin vil forstå det. Derfor vil bruken av FOAF være nyttig, fordi den spesifiserer ved <foaf:name> at dette er et navn. Dermed kan en maskin også forstå det. Videre kan man inkludere flere personer, og definere forhold mellom personene, for eksempel hvem som kjenner hvem eller hvem som har nære relasjoner som familie. Slik vil man få en relasjon mellom de personene som kjenner hverandre, og dette vil igjen vises i en semantisk graf. Slik kan man ved visualisering se relasjoner mellom personer, noe man ikke kan dersom man kun har en liste med personinformasjon i et regneark. Slik bruk av semantikk kan ha stor nytte, spesielt når det er snakk om enorme mengder data. Ved å tilføre semantikk til data i en database, vil man ved visualisering av slike data kunne se informasjon som ikke eksplisitt vises ved første øyekast(frankel, 2015). Ved bruk av RDF kan det legges til tripler som kan hjelpe til med å se slik informasjon som ellers er skjult. Tripler består av subjekt, predikat og objekt, og forteller om relasjoner mellom dataen i en database. Et veldig enkelt eksempel på en slik trippel er at et subjekt kan være en person, predikatet kan være at denne personen bor et sted, og objektet blir stedet eller byen personen bor. En slik trippel ser slik ut: Subjekt: Dan Brickley Predikat: bor i Objekt: Bergen En ny trippel legges til: Subjekt: Dan Brickley Predikat: bor i Objekt: Bergen Subjekt: Ann Brickley Predikat: bor i Objekt: Oslo INFO310 0 Advanced Topics in Model-Based Information Systems Page 7 av 16

8 Nå finnes det data om to personer, men om Dan og Ann Brickley kjenner hverandre eller har noen som helst relasjon kan man ikke lese ut i fra denne dataen. Hvis man legger til en trippel som beskriver forholdet mellom Dan og Ann, at de for eksempel kjenner hverandre, får dataen plutselig mer mening: Subjekt: Dan Brickley Predikat: kjenner Object: Ann Brickley Nå vil en visualisering av denne dataen kunne avsløre at selv om Dan og Ann bor i to forskjellige byer, så kjenner de hverandre, fordi triplene skaper en relasjon mellom de to. En vanlig antagelse om Dan og Ann Brickley kunne vært at de var i familie fordi de har samme etternavn, men som trippelen viser, er relasjonen dem imellom ikke familiær. Slik bruk av semantikk kan hjelpe til med å oppdage forhold og relasjoner for eksempel mellom personer, og informasjonen som kommer frem kan vise seg å være nyttig. Spesielt gjelder dette for bruk av Big Data, der man jobber men så store mengder data, at det er umulig å se slike forhold eller relasjoner uten en visualisering i en semantisk graf. Visualisering av big data Som nevnt i innledningen, er visualisering av data en god mulighet til å bedre forstå hva dataen kan fortelle. Ifølge Nathan Yau, statistiker ved universitetet i California(UCLA), kan visualisering av data beskrives slik: a representation of data that helps you see what you otherwise would have been blind to if you looked only at the naked source. (Gutierrez, 2015) Før visualisering av data ble utbredt, var det mest vanlig å bruke regneark når man skulle behandle data og det er fortsatt et nyttig verktøy. Men når mengden med data blir stor, kan det fort bli uoversiktlig og som Nathan Yau uttalte, man blir blind på mye av informasjonen INFO310 0 Advanced Topics in Model-Based Information Systems Page 8 av 16

9 som finnes. Men når dataen linkes og visualiseres, kan man oppdage relasjoner og informasjon som man ikke så i for eksempel et regneark, og som er svært nyttig. Enkelte selskap som driver med helsetjenester er eksempler på hvordan visualisering av Big Data kan være svært nyttig. Selskaper innenfor helsesektoren oppbevarer enorme mengder data, som omhandler alle pasientene de behandler eller tidligere har behandlet(gutierrez, 2015). Et eksempel er hvordan store mengder data ble visualisert i en semantisk graf, der man kunne se relasjonene mellom allergier og andre medisinske forhold. Dermed kunne det lettere stilles diagnoser på pasientene det gjaldt, samt at man kunne forutse om pasienter med visse allergier var mer utsatt for sykdommer i fremtiden. Uten en slik visualisering ville det være mye vanskeligere og mer tidkrevende å finne slike relasjoner. Et annet eksempel på hvor nyttig visualisering med semantiske grafer kan være omhandler data om skattebetalere(gutierrez, 2015). Ved bruk av RDF og visualisering har det blitt mulig å avsløre bedrifters bedrageri i forbindelse med betaling av skatt. Skattemyndighetene klarte å avsløre, ved hjelp av en semantisk graf, flere millioner euro som var unndratt i skatt og hvem som hadde unndratt pengene. Det ble samlet inn offentlige data om bedriftene, data om personene som satt i ledelsen og regnskapsførere, i tillegg til metadata som e-poster, telefonnumre og adresser. All denne dataen ble endret til et RDF-format, og lagt til flere offentlig tilgjengelige data med RDF. På denne måten kunne skattemyndighetene finne frem til informasjon fra all dataen som de vanligvis ikke ville sett. Ved hjelp av RDF kunne de nå bruke et visuelt navigeringsverktøy og spørringer for å finne relasjoner og forhold som var kriminelle, og som ellers ville vært skjult om det ikke hadde vært for bruken av RDF og visualiseringen. Bruken av datavisualisering sammen med semantikk viser seg å være mer og mer nyttig for å gi det fulle bildet av hvilken informasjon som finnes når det gjelder big data. INFO310 0 Advanced Topics in Model-Based Information Systems Page 9 av 16

10 Utfordringer ved Big Data og visualisering Selv om visualisering av Big Data er både nyttig og viktig, finnes det også utfordringer. For å dra full nytte av de store mengdene data og visualiseringen av dem er det flere ting å ta hensyn til, for eksempel hvis det er snakk om en bedrift som kan tjene mer penger ved hjelp av Big Data. I dagens marked er stor konkurranse mellom bedrifter innenfor de fleste bransjer, og da gjelder det å reagere raskt(five Big Data Challenges, u.å). Bedriftene må ikke bare finne og analysere dataen, men de må finne den raskt nok. Visualisering er som kjent et nyttig verktøy for analyse og for å ta avgjørelser, men de store mengdene med data kan noen ganger gjøre det vanskelig å finne nøyaktig hvilke deler av dataen som er mest relevant for visualiseringen. En annen utfordring er å få en forståelse av selve dataen. Først når man forstår hva dataen kan fortelle, vil visualiseringen hjelpe deg til å vise det frem på best mulig måte. Det er viktig å finne ut hva det er man vil prøve å visualisere, og uten en kontekst eller et formål vil visualisering miste mye av sin nytte. Selv om man finner dataen raskt nok og man har en forståelse av den før visualiseringen, kan formålet med selve visualiseringen forsvinne dersom dataene ikke er god nok. Data med god kvalitet er en tredje utfordring som det må tas hensyn til. En visualisering vil ha lite for seg dersom dataene ikke har noe verdi i utgangspunktet. Dataen må være presis i form av at den må kunne holde på informasjon som kan hentes ut og brukes. Den må også være tidsriktig, altså at dataen må være forholdsvis ny og for eksempel ikke inneholde informasjon som er utdatert i forhold til hva en bedrift ønsker å finne ut ved visualisering. En fjerde utfordring når Big Data skal visualiseres er de enorme mengdene det er snakk om, og Big Data kan ofte være flere millioner med rader som vises i et regneark. Det er ganske åpenbart at en visualisering som viser millioner av punkter i for eksempel en graf vil være vanskelig å kunne forholde seg til. Å lese noe ut i fra en graf som viser millioner med punkter vil i de fleste tilfeller ha lite for seg. I et slikt tilfelle vil det være gunstig å samle dataene i grupper eller klynger for å samle deler av dataen og redusere antall punkter som vil vises i INFO310 0 Advanced Topics in Model-Based Information Systems Page 10 av 16

11 grafen. Dette vil føre til en mer effektiv måte å visualisere på, og det er også lettere å forholde seg til et lavt antall punkter som vises. Med så store mengder data som det er snakk om med Big Data, vil det alltid dukke opp data som avviker veldig fra resten av dataen. Faktisk vil slike avvik representere mellom 1 og 5 prosent av de store mengdene med data. Selv om de representerer en såpass liten andel av all dataen prosentmessig, vil avvikene fortsatt være en betydelig mengde når det gjelder Big Data. Derfor kan de i noen tilfeller kunne påvirke den endelige visualiseringen på en negativ måte ettersom de ikke representerer det man forventer av dataen. For å løse en slik utfordring kan man identifisere alle avvikene og fjerne dem, slik at de ikke påvirker resultatene under visualiseringen. Big Data og personvern Store mengder data kan være mye forskjellig, men i noen tilfeller er disse store datamengdene informasjon som omhandler sensitive personopplysninger. Det er viktig at slike opplysninger tas på alvor fordi det kan ramme enkeltpersoner på en måte som ikke er ønskelig. Lagring av Big Data kan ramme personer som ikke engang er klar over at de blir rammet. Datatilsynet i Norge la i 2014 frem et notat skrevet på oppdrag for en internasjonal arbeidsgruppe for personvern innen telekommunikasjon, kalt Berlin-gruppen(Datatilsynet, 2014) I dette notatet ble det konkludert med at bruken av personopplysningene som blir lagret kan føre til diskriminering. Ved å lagre og bruke store mengder personopplysninger kan det lages profiler, som igjen kan bli brukt som grunnlag til å gjøre det vanskeligere for grupper av mennesker å få blant annet jobb, banklån og helseforsikring avhengig av hvordan dataene brukes. Notatet fra Datatilsynet ble planlagt å brukes som et utgangspunkt for en enighet mellom personvernmyndigheter fra hele verden for hvordan man kunne sikre personvernet i møte med Big Data. Det store problemet når det gjelder Big Data og personopplysninger er at selskapene som benytter seg av slike data samler inn mer og mer data om brukerne. De lagrer mye om hver enkelt person, og det fører til at folk ikke vet hva som lagres om dem eller hvem som lagrer det. INFO310 0 Advanced Topics in Model-Based Information Systems Page 11 av 16

12 Verktøy for visualisering av Big Data Store selskaper som Google, Apple, Twitter, Facebook og Netflix benytter seg av visualisering av Big Data, blant annet til å ta avgjørelser som kan hjelpe dem fremover i deres respektive markeder(l Astorina, 2015). Å visualisere de store datamengdene ved bruk av visualiseringsverktøy lar brukerne forstå bedre informasjonen og interagere med den. Når man jobber med Big Data kan det naturlig at en visualisering kan ta lang tid på grunn av store mengder data, men med de fleste visualiseringsverktøyene som finnes i dag, tar selve visualiseringen overraskende liten tid. Verktøyene på markedet i dag er mange, og de er tilpasset forskjellige typer formål. Enten du er en utvikler som bruker visualisering i jobbsammenheng eller bare liker å visualisere på fritiden, så finnes det verktøy som passer begge formål. Tableau Tableau er et visualiseringsverktøy som kan brukes av alle, både utviklere og personer som ikke er utviklere(l Astorina, 2015). Verktøyet lar deg som bruker visualisere de store datamengdene dine på flere forskjellige måter, som for eksempel grafer, kart og diagrammer. Tableau har også en serverløsning som gjør at om man av forskjellige grunner ikke vil eller kan laste ned selve software, fortsatt kan bruke verktøyet. Serverløsningen lar brukerne benytte seg av visualiseringen online og på mobil. Å bruke Tableau er enkelt, og bruker et grensesnitt som baserer seg på drag-and-drop(tabelau, u.å.). Dermed kan brukerne enkelt dra sine filer over til Tableau-applikasjonen, og visualiseringen vises etter kort tid. Visualisering kan være krevende, men Tableau fokuserer på det som er det viktige når data skal vises i for eksempel en graf, nemlig å finne verdien eller informasjonen som ligger i dataen. Dette kombinert med drag-and-drop-grensesnittet gjør at nær sagt hvem som helst er i stand til å kunne bruke verktøyet og visualisere Big Data. INFO310 0 Advanced Topics in Model-Based Information Systems Page 12 av 16

13 Infogram Et annet visualiseringsverktøy for Big Data er Infogram. Også dette verktøyet tilbyr visualisering ved bruk av forskjellige visualiseringer slik som Tableau. Det som kan være med på å gjøre det litt mer attraktivt enn Tableau er at Infogram tilbyr brukeren å visualisere real time Big Data. At dataen er real time betyr at den ikke nødvendigvis lagres eller blir beholdt, men at den er tilgjengelig for brukeren med en gang den er samlet(techopedia, u.å.). Når Infogram tilbyr brukeren denne funksjonen, kan dataen vises som en visualisering med en gang, uten at den må lagres i en database eller et regneark først. Selskaper som Google, Skyscanner og Linkedin benytter seg av Infogram og dette er tre aktører som alle har med Big Data å gjøre daglig, enten det er real time data eller ikke. Datawrapper Datawrapper er et visualiseringsverktøy som retter sin bruk mot mediehus og journalister men kan også brukes av folk som ikke holder til innenfor dette området. Store aviser som Washington Post, The Guardian og Wall Street Journal benytter seg av Datawrapper for å visualisere sine enorme mengder data. Mange visualiseringsverktøy krever et visst nivå av kunnskap innenfor koding, og dette er det mange journalister som ikke har(weiss, 2013). Derfor ble Datawrapper utviklet, slik at journalister som jobbet med saker der Big Data var involvert, kunne visualisere. Med Datawrapper kreves det ingen koding av brukeren, og visualisering av Big Data blir dermed noe enda flere kan gjøre, ikke bare de med kunnskaper innenfor koding. Datawrapper kan nå hjelpe til med å visualisere big data om for eksempel statsbudsjett og arbeidsledighet i et land på bare få minutter. Leaflet Noe som går igjen hos mange av visualiseringsverktøyene er at de tilbyr flere forskjellige måter å visualisere dataene på. Dette er selvfølgelig positivt, men ofte trenger man ikke mer enn en eller to måter å visualisere på. Hvis man vet nøyaktig hvilken type visualisering man trenger, finnes det også verktøy som spesialiserer seg på en spesifikk måte å visualisere på. Verktøyet Leaflet tilbyr visualisering av Big Data på kart og er et open source JavaScript-bibliotek(Agafonkin, 2015). Ved hjelp av data fra OpenStreetMap kan brukerne visualisere sine data på kart både på desktop og mobil. Leaflet fokuserer spesielt på å tilby INFO310 0 Advanced Topics in Model-Based Information Systems Page 13 av 16

14 kart som fungerer bra på mobil og har de fleste egenskapene man forventer av en visualisering på kart. Highcharts Highcharts er et diagrambibliotek som er skrevet i JavaScript, og som krever litt kunnskaper innenfor JavaScript for å kunne implementeres og så brukes(l Astorina, 2015). Dermed krever dette verktøyet litt mer forkunnskaper av brukerne enn andre verktøy som har blitt presentert i teksten. Selskaper som benytter seg av visualiseringene fra Highcharts er blant annet Facebook, Twitter, Yahoo og Visa. Dette visualiseringsverktøyet passer til alle nettlesere og alle operativsystem, og er derfor et godt alternativ. Avslutning Som vi har sett i denne teksten er det ikke nødvendigvis de enorme mengdene data som som er det positive med Big Data, men mulighetene som ligger i mengdene. Store datamengder inneholder ofte mye mer informasjon enn man ha mulighet til å se ved første øyekast. Bruk av semantikk og visualisering kan hjelpe til med å hente ut svært nyttig informasjon som ellers ville vært ukjent, som skattesvindel og mulighet for å spare store summer med penger. Selv om Big Data gir mange muligheter, finnes det også utfordringer man kan møte på når man jobber med det. Dette er ting det er viktig å ta hensyn til for at resultatet av en visualisering skal bli så god som mulig. Å visualisere er i dag noe alle kan gjøre ved å bruke forskjellige visualiseringsverktøy, blant annet de som har blitt presentert i denne teksten. Verktøyene er tilpasset forskjellige brukergrupper og kunnskapsnivåer men alle som vil visualisere kan finne et verktøy tilpasset deres behov. De siste årene har Big Data blitt mer og mer aktuelt og det vil bli spennende å følge utviklingen innenfor dette feltet i tiden fremover. INFO310 0 Advanced Topics in Model-Based Information Systems Page 14 av 16

15 Referanseliste Agafonkin, Vladimir (2015). Leaflet - an open-source JavaScript library for interactive maps Hentet 4.november 2016 Datatilsynet(16.september, 2014) De store får gleden av stordata Hentet 7.november 2016 Five Big Data Challenges(u.å) Hentet 6.november 2016 FOAF Vocabulary Specification(14.januar, 2014) Hentet 26.oktober 2016 Frankel, David S. (8. juli, 2015). How Semantics Can Take Graph Databases to New Levels. ew-levels aspx Hentet 28.oktober 2016 Gutierrez, Daniel (2015, December 22). Making Big Data More Meaningful through Data Visualization ation/ Hentet 21.oktober 2016 Knoblock, Craig A. og Szekely, Pedro(u.å.) Semantics For Big Data Integration And Analysis Hentet 31.oktober 2016 L'Astorina, E. (23.november 2015). Big Data Visualization: Review of the 20 Best Tools Hentet 2.november 2016 Marr, Bernard(13.november 2013) The Awesome Ways Big Data Is Used Today To Change Our World Hentet 1.november 2016 Nordlie, Erik A. (11.mars 2015). Hva er Big Data? Hentet 1.november 2016 INFO310 0 Advanced Topics in Model-Based Information Systems Page 15 av 16

16 Spivack, Nova (23.november, 2007) Defining the Semantic Graph What is it Really? Hentet 26.oktober 2016 Stardog (2016) Hentet 7.november 2016 Tableau (u.å.) Hentet 2.november 2016 Technical.ly (14.mars, 2014). Forget big data, here comes 'smart data': Semantic Web Meetup Hentet 1.november 2016 Techopedia(u.å) What is Real-Time Data? Hentet 4.november 2016 Weiss, Jessica (31.juli 2013). Datawrapper will bring data-driven journalism to African newsrooms Hentet 6.november 2016 INFO310 0 Advanced Topics in Model-Based Information Systems Page 16 av 16