ဗိသုကာလုပ်ငန်းတွင် Big Data အပလီကေးရှင်းများ
ဒစ်ဂျစ်တယ်နည်းပညာ ဖွံ့ဖြိုးတိုးတက်မှုသည် ဗိသုကာလုပ်ငန်း၏ တည်ဆောက်ထားသောပတ်ဝန်းကျင်ကို ဒီဇိုင်းဆွဲခြင်း၊ တည်ဆောက်ခြင်းနှင့် စီမံခန့်ခွဲခြင်းပုံစံကို ပြောင်းလဲစေခဲ့သည်။ ဒီဇိုင်းဆုံးဖြတ်ချက်များသည် တစ်ချိန်က အလိုလိုသိမှု၊ အတွေ့အကြုံနှင့် အကန့်အသတ်ရှိသော ကွင်းဆင်းလေ့လာမှုများအပေါ် များစွာမှီခိုခဲ့ရသော်လည်း ယခုအခါ ဗိသုကာပညာရှင်များသည် ပိုမိုတိကျသော ဆုံးဖြတ်ချက်များချမှတ်နိုင်ရန် ခွဲခြမ်းစိတ်ဖြာနိုင်သော အချက်အလက်အမြောက်အမြားကို ရယူအသုံးပြုနိုင်ပြီဖြစ်သည်။ ဤနေရာတွင် ကြီးမားသောဒေတာ၏ အယူအဆသည် သက်ဆိုင်လာပါသည်။ ကြီးမားသောဒေတာကို ရည်ညွှန်းပြီး အလွန်ကြီးမား၊ ကွဲပြားပြီး မြန်ဆန်စွာ ရွေ့လျားနေသော အချက်အလက်အစုများကို ရည်ညွှန်းပြီး အသုံးဝင်သော ထိုးထွင်းသိမြင်မှုများကို ထုတ်လုပ်ရန် ၎င်းတို့ကို စီမံဆောင်ရွက်ရန် အထူးပြုနည်းလမ်းများ လိုအပ်ပါသည်။ ဗိသုကာပညာနှင့် ဆက်စပ်၍ ကြီးမားသောဒေတာသည် လူသားနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ လိုအပ်ချက်နှစ်ခုလုံးအတွက် ပိုမိုတုံ့ပြန်မှုရှိသော၊ ထိရောက်သော နှင့် တိုင်းတာနိုင်သော ဒီဇိုင်းချဉ်းကပ်မှုအတွက် အခြေခံအုတ်မြစ်ဖြစ်သည်။
ဒီဇိုင်းဆုံးဖြတ်ချက်ချရာတွင် အခြေခံအဖြစ် Big Data ကို အသုံးပြုခြင်း
ခေတ်သစ်ဗိသုကာပညာဆိုတာ အလှအပရေးရာသက်သက်မဟုတ်တော့ဘဲ အဆောက်အဦစွမ်းဆောင်ရည်နဲ့လည်း သက်ဆိုင်ပါတယ်- အပူချိန်သက်တောင့်သက်သာရှိမှု၊ လေထုအရည်အသွေး၊ စွမ်းအင်သုံးစွဲမှု၊ နေရာချွေတာမှုနှင့် လူမှုရေးဆိုင်ရာသက်ရောက်မှုတွေပါ။ Big data က ဒီ parameter တွေကို တိုင်းတာနိုင်တဲ့ အချက်အလက်တွေအဖြစ် ပြောင်းလဲပေးပါတယ်။ အချက်အလက်တွေဟာ Internet of Things (IoT) sensor တွေ၊ မိုးလေဝသဆိုင်ရာ အချက်အလက်တွေ၊ ဂြိုလ်တုပုံရိပ်တွေ၊ ရွေ့လျားနိုင်မှုသိပ်သည်းဆ အချက်အလက်တွေ၊ နေရာအသုံးပြုမှုပုံစံတွေနဲ့ နေထိုင်သူရဲ့ feedback တွေလိုမျိုး အရင်းအမြစ်အမျိုးမျိုးကနေ ရရှိနိုင်ပါတယ်။ ဒီအချက်အလက်တွေကို ပေါင်းစပ်ခြင်းအားဖြင့် ဗိသုကာပညာရှင်တွေနဲ့ စီမံကိန်းရေးဆွဲသူတွေဟာ စီမံကိန်းရဲ့အခြေအနေကို အမြန်စစ်တမ်းကောက်ယူမှုတစ်ခုတည်းအပေါ် အခြေခံတာမဟုတ်ဘဲ အချိန်နဲ့အမျှ ဖြစ်ပေါ်လာတဲ့ တကယ့်အပြုအမူပုံစံတွေကို အခြေခံပြီး ပိုမိုပြည့်စုံစွာ နားလည်နိုင်ပါတယ်။
ဥပမာအားဖြင့် မြို့ပြဒေသများရှိ လူလှုပ်ရှားမှုဒေတာ (ဥပမာ အများပြည်သူသယ်ယူပို့ဆောင်ရေးဒေတာ သို့မဟုတ် အမည်မဖော်လိုသော ရွေ့လျားနိုင်မှုအချက်အလက်များမှ) ကို အဆောက်အဦဝင်ပေါက်များ၊ လည်ပတ်မှုပုံစံများ သို့မဟုတ် အများပြည်သူဆိုင်ရာ အဆောက်အအုံများ၏တည်နေရာကို ဆုံးဖြတ်ရန် အသုံးပြုနိုင်ပါသည်။ ဤဒေတာသည် ဘူတာရုံများ၊ လေဆိပ်များ၊ ဈေးဝယ်စင်တာများ သို့မဟုတ် ကျောင်းဝင်းများကဲ့သို့သော ကြီးမားသောစီမံကိန်းများအတွက် အထူးသဖြင့် အသုံးဝင်ပြီး အသုံးပြုသူစီးဆင်းမှုများသည် နေ့၏အချိန်၊ ရက်သတ္တပတ်၏နေ့နှင့် ရာသီပေါ် မူတည်၍ ကွဲပြားပါသည်။
အဆောက်အဦစွမ်းဆောင်ရည် ခွဲခြမ်းစိတ်ဖြာမှုမှတစ်ဆင့် ဒီဇိုင်းအကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း
Big data ရဲ့ အထင်ရှားဆုံး အသုံးချမှုတစ်ခုကတော့ Building Performance Analysis ပါ။ ဒီဇိုင်းအဆင့်မှာ ဗိသုကာပညာရှင်တွေဟာ အဆောက်အဦရဲ့ ဦးတည်ချက်၊ ပစ္စည်းအမျိုးအစားတွေ၊ လေဝင်လေထွက်စနစ်တွေ၊ နေ့အလင်းရောင်ဗျူဟာတွေနဲ့ အပူကာကွယ်မှုတွေအကြောင်း ဆုံးဖြတ်ချက်ချဖို့အတွက် ရေရှည်ရာသီဥတုဒေတာစုတွေကို အသုံးချနိုင်ပါတယ်။ ဥပမာအားဖြင့် အပူချိန်၊ စိုထိုင်းဆ၊ လေတိုက်ရာဦးတည်ချက်နဲ့ နေရောင်ခြည်ပြင်းအားဆိုင်ရာ ဒေတာတွေကို ခွဲခြမ်းစိတ်ဖြာခြင်းက အမြင်အာရုံသက်တောင့်သက်သာရှိမှုကို မထိခိုက်စေဘဲ အအေးခံဝန်ကို လျှော့ချပေးတဲ့ မျက်နှာစာဖွဲ့စည်းပုံတွေကို ရွေးချယ်ရာမှာ အထောက်အကူဖြစ်စေနိုင်ပါတယ်။
ထို့အပြင်၊ big data သည် ဒီဇိုင်းရေးဆွဲစဉ်အတွင်းသာမက အဆောက်အအုံလည်ပတ်ပြီးနောက်တွင်ပါ အဆောက်အအုံစွမ်းဆောင်ရည်အကဲဖြတ်ခြင်းကို ပြုလုပ်နိုင်စေပါသည်။ အာရုံခံကိရိယာများသည် စွမ်းအင်သုံးစွဲမှု၊ ရေသုံးစွဲမှု၊ အခန်းအပူချိန်၊ CO₂ အဆင့်များနှင့် အခန်းတွင်းနေထိုင်မှုနှုန်းများဆိုင်ရာ အချိန်နှင့်တပြေးညီဒေတာများကို စုဆောင်းနိုင်သည်။ ဤအချက်အလက်ကို အသုံးနည်းသောအခါတွင် မကြာခဏအအေးခံသည့်နေရာများ၊ ဗလာနေရာများတွင် မီးဖွင့်ထားခြင်း သို့မဟုတ် အကောင်းဆုံးလေဝင်လေထွက်မကောင်းခြင်းကဲ့သို့သော အားနည်းချက်များကို ဖော်ထုတ်ရန် ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။ ရလဒ်အနေဖြင့် လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ် သက်သာစေရုံသာမက ရေရှည်တည်တံ့ခိုင်မြဲမှုပစ်မှတ်များအတွက် လက်တွေ့ကျသောပံ့ပိုးကူညီမှုတစ်ခုလည်းဖြစ်သည်။
BIM နှင့် digital twin တို့နှင့် Big data ပေါင်းစပ်ခြင်း
ဗိသုကာနှင့် ဆောက်လုပ်ရေးလုပ်ငန်းတွင် Building Information Modeling (BIM) သည် အဆောက်အဦဆိုင်ရာ အချက်အလက်များကို စီမံခန့်ခွဲရန်အတွက် စံနှုန်းတစ်ခု ဖြစ်လာခဲ့သည်။ Big data သည် မော်ဒယ်ကို အဆက်မပြတ် အပ်ဒိတ်လုပ်သည့် dynamic data stream ကို ပံ့ပိုးပေးခြင်းဖြင့် BIM ကို အားကောင်းစေသည်။ BIM ကို sensor များနှင့် အဆောက်အဦစီမံခန့်ခွဲမှုစနစ်များနှင့် ချိတ်ဆက်သောအခါ digital twin ၏ အယူအဆ ပေါ်ပေါက်လာပြီး ၎င်းသည် အဆောက်အဦတစ်ခု၏ လက်တွေ့အခြေအနေကို အချိန်နှင့်တပြေးညီ ကိုယ်စားပြုသည့် digital model တစ်ခု ဖြစ်သည်။
ဒစ်ဂျစ်တယ်အမွှာများသည် အဆောက်အဦပိုင်ရှင်များနှင့် မန်နေဂျာများအား စွမ်းဆောင်ရည်ကို စောင့်ကြည့်ခြင်း၊ ပြုပြင်ထိန်းသိမ်းမှုကို စီစဉ်ခြင်းနှင့် အရေးယူဆောင်ရွက်ခြင်းမပြုမီ အခြေအနေများကို တုပနိုင်စေပါသည်။ ဥပမာအားဖြင့်၊ အဆောက်အဦစီမံခန့်ခွဲမှုသည် HVAC (အပူပေးခြင်း၊ လေဝင်လေထွက်နှင့် အဲယားကွန်း) စနစ်တွင် နေရာထိုင်ခင်းတိုးလာခြင်း၏ အကျိုးသက်ရောက်မှုကို တုပနိုင်သည်၊ သို့မဟုတ် အသုံးပြုမှုပုံစံများအပေါ် အခြေခံ၍ အချို့သောအစိတ်အပိုင်းများ ပျက်စီးနိုင်ခြေရှိသည့်အချိန်ကို ခန့်မှန်းနိုင်သည်။ ကြိုတင်ခန့်မှန်းပြုပြင်ထိန်းသိမ်းမှုဟုခေါ်သော ဤချဉ်းကပ်မှုသည် ရုတ်တရက်ပျက်စီးမှုအန္တရာယ်ကို လျှော့ချနိုင်ပြီး အဆောက်အဦပိုင်ဆိုင်မှုများ၏ သက်တမ်းကို တိုးချဲ့နိုင်သည်။
ဒေတာအခြေပြု မြို့ပြစီမံကိန်းနှင့် ဗိသုကာပညာ
ဗိသုကာပညာဟာ တစ်ယောက်တည်း ရပ်တည်မနေပါဘူး။ မြို့ပြနောက်ခံနဲ့ အမြဲတမ်း ဆက်စပ်နေပါတယ်။ Big data ဟာ မြို့ပြခွဲခြမ်းစိတ်ဖြာမှုမှာ အရေးပါတဲ့ အခန်းကဏ္ဍကနေ ပါဝင်ပါတယ်။ သိပ်သည်းဆ၊ သွားလာလှုပ်ရှားမှု၊ စိမ်းလန်းစိုပြည်တဲ့ နေရာလိုအပ်ချက်၊ ဘေးအန္တရာယ်အန္တရာယ်နဲ့ အဆင်ပြေမှုတွေကို ရယူရာမှာ မညီမျှမှုတွေကို နားလည်ဖို့အတွက် မြို့အဆင့် ခွဲခြမ်းစိတ်ဖြာမှုပါ။ ဒေတာတွေဟာ ဒစ်ဂျစ်တယ်မြေပုံတွေ၊ ယာဉ်ကြောပိတ်ဆို့မှု အာရုံခံကိရိယာတွေ၊ လေထုအရည်အသွေး အချက်အလက်တွေနဲ့ လူစည်ကားတဲ့ ဒါမှမဟုတ် မလုံခြုံတဲ့နေရာတွေအကြောင်း သဲလွန်စတွေ ပေးစွမ်းနိုင်တဲ့ လူမှုမီဒီယာတွေကနေတောင် ရနိုင်ပါတယ်။
ဗိသုကာပညာရှင်များအတွက်၊ ဤမြို့ပြထိုးထွင်းသိမြင်မှုသည် မြို့တော်နှင့် တိုက်ရိုက်အပြန်အလှန် သက်ရောက်မှုရှိသော ပရောဂျက်များကို ဒီဇိုင်းဆွဲသည့်အခါ အဖိုးတန်ပါသည်- လူနေအိမ်ရာ ဖွံ့ဖြိုးတိုးတက်မှုများ၊ အများပြည်သူနေရာများ၊ ကျန်းမာရေးစောင့်ရှောက်မှု အဆောက်အအုံများ သို့မဟုတ် သယ်ယူပို့ဆောင်ရေးကိုဦးတည်သော ဖွံ့ဖြိုးတိုးတက်မှုများ။ ဥပမာအားဖြင့်၊ လေထုအရည်အသွေးနှင့် ဆူညံသံဒေတာကို အိပ်ခန်းများနှင့် လေ့လာရေးနေရာများကို အဆောက်အအုံများ၏ ပိုမိုတိတ်ဆိတ်သောဘက်ခြမ်းများတွင် နေရာချထားရန်နှင့် ဆူညံသံညစ်ညမ်းမှုကို လျှော့ချပေးသည့် ပန်းခြံများ သို့မဟုတ် မျက်နှာစာအစိတ်အပိုင်းများပုံစံဖြင့် ကြားခံနေရာများကို ဒီဇိုင်းဆွဲရန် အသုံးပြုနိုင်ပါသည်။ ပိုမိုကြီးမားသော စကေးတွင်၊ ကြီးမားသောဒေတာသည် အစိုးရများနှင့် developer များအား ပိုမိုပါဝင်သော မြို့များကို ဒီဇိုင်းဆွဲရန် ကူညီပေးပြီး အလယ်ဗဟိုတွင် အာရုံစူးစိုက်မှုကို ရှောင်ရှားရန် အများပြည်သူဝန်ဆောင်မှုများ ဖြန့်ဖြူးမှုကို ထည့်သွင်းစဉ်းစားသည်။
ပိုမိုအသုံးပြုသူဗဟိုပြုဒီဇိုင်း (လူသားဗဟိုပြုဒီဇိုင်း)
ခေတ်ပြိုင်ဗိသုကာပညာ၏ လိုအပ်ချက်များထဲမှ တစ်ခုမှာ လူ့အပြုအမူနှင့် လိုအပ်ချက်များနှင့် အမှန်တကယ် ကိုက်ညီသော နေရာများကို ဖန်တီးရန်ဖြစ်သည်။ Big data သည် အထောက်အထားအခြေပြု ဒီဇိုင်းချဉ်းကပ်မှုကို ဖြစ်စေပြီး ၎င်းသည် ယူဆချက်များဖြင့် မဟုတ်ဘဲ ဒေတာဖြင့် ပံ့ပိုးပေးသည်။ ဥပမာအားဖြင့် ရုံးခန်းအဆောက်အအုံများတွင် အစည်းအဝေးခန်း ဘွတ်ကင်စနစ်များ သို့မဟုတ် လူဦးရေ အာရုံခံကိရိယာများမှ နေရာအသုံးပြုမှုဒေတာသည် အစည်းအဝေးခန်းကြီးများကို အသုံးမပြုကြောင်း ပြသနိုင်ပြီး ပူးပေါင်းဆောင်ရွက်သည့် အလုပ်ခွင်ငယ်များမှာမူ ပိုမိုလိုအပ်ကြောင်း ပြသနိုင်သည်။ ဤကဲ့သို့သော တွေ့ရှိချက်များသည် အတွင်းပိုင်းဒီဇိုင်းဗျူဟာများကို ပိုမိုလိုက်လျောညီထွေဖြစ်အောင် ပြောင်းလဲပေးနိုင်သည်။
ဆေးရုံများ သို့မဟုတ် ကျောင်းများတွင် ရွေ့လျားမှုစီးဆင်းမှုဒေတာကို ခွဲခြမ်းစိတ်ဖြာခြင်းသည် စင်္ကြံပိတ်ဆို့မှုကို လျှော့ချရန်၊ ဝန်ဆောင်မှုထိရောက်မှုကို မြှင့်တင်ရန်နှင့် နေရာချထားမှုကို တိုးတက်စေရန် ကူညီပေးနိုင်ပါသည်။ လက်လီနှင့် ဧည့်ဝတ်ပြုမှုကဏ္ဍများတွင်ပင် ဧည့်သည်များ နေထိုင်ချိန်နှင့် ထပ်ခါတလဲလဲလာရောက်လည်ပတ်မှုပုံစံများဆိုင်ရာ ဒေတာများသည် အသုံးပြုသူအတွေ့အကြုံများကို မြှင့်တင်ရန် ဆွဲဆောင်မှုများ၊ ဧည့်ကြိုခန်းများ သို့မဟုတ် လည်ပတ်မှုနေရာများ၏ နေရာချထားမှုကို အသိပေးနိုင်ပါသည်။
ရေရှည်တည်တံ့ခိုင်မြဲမှုနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ သက်ရောက်မှု လျှော့ချရေး
ရာသီဥတုအကျပ်အတည်းသည် ဗိသုကာလုပ်ငန်းအတွက် ရေရှည်တည်တံ့ခိုင်မြဲမှုကို အဓိကအာရုံစိုက်စေခဲ့သည်။ Big data သည် ပိုမိုပြည့်စုံသော တွက်ချက်မှုများမှတစ်ဆင့် ဤဗျူဟာကို ပံ့ပိုးပေးသည်။ ဥပမာအားဖြင့် သမိုင်းဝင်ဒေတာစုများအပေါ်အခြေခံသည့် စွမ်းအင်မော်ဒယ်လ်၊ ပစ္စည်းကာဗွန်ခြေရာများကို ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် လုပ်ငန်းလည်ပတ်မှုထုတ်လွှတ်မှုကို လျှော့ချရန် အဆောက်အဦစနစ်များကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းတို့ ပါဝင်သည်။ ဘေးအန္တရာယ်ဒဏ်ခံနိုင်ရည်ရှိသော အဆောက်အဦများကို ဒီဇိုင်းဆွဲရန်အတွက်လည်း အချက်အလက်များကို အသုံးပြုနိုင်သည် - ဥပမာအားဖြင့် ရေကြီးခြင်း၊ အမြင့်၊ မိုးရွာသွန်းမှုနှင့် လေတိုက်ခတ်မှုဆိုင်ရာ အချက်အလက်များကို ပေါင်းစပ်ခြင်းဖြင့် ဘေးကင်းသော အဆောက်အဦအမြင့်ဗျူဟာများ၊ ရေနုတ်မြောင်းစနစ်များနှင့် အမိုးပုံသဏ္ဍာန်များကို ဆုံးဖြတ်သည်။
ထို့အပြင်၊ ကြီးမားသောဒေတာသည် အချိန်နှင့်အမျှ ပရောဂျက်တစ်ခု၏သက်ရောက်မှုကို တိုင်းတာရန် ကူညီပေးသည်။ စိမ်းလန်းသောအဆောက်အအုံများကို "စိမ်းလန်းသောဒီဇိုင်း" သက်သက်မဟုတ်ဘဲ လည်ပတ်နေစဉ်အတွင်း လုပ်ဆောင်နိုင်ကြောင်း သက်သေပြရန်လည်း လိုအပ်ပါသည်။ စဉ်ဆက်မပြတ်စောင့်ကြည့်ခြင်းသည် စွမ်းအင်ထိရောက်မှုနှင့် နေထိုင်သူသက်တောင့်သက်သာရှိမှုဆိုင်ရာ ပြောဆိုချက်များကို အတည်ပြုပြီး အနာဂတ်ပရောဂျက်များအတွက် သင်ခန်းစာများ ပေးပါသည်။
စိန်ခေါ်မှုများ- လျှို့ဝှက်ရေး၊ ဒေတာအရည်အသွေးနှင့် လူ့စွမ်းအားအရင်းအမြစ် အသင့်ဖြစ်မှု
၎င်း၏ ကြီးမားသော အလားအလာရှိသော်လည်း၊ ဗိသုကာပညာတွင် big data ကို အသုံးချခြင်းသည်လည်း စိန်ခေါ်မှုများကို ဖြစ်ပေါ်စေပါသည်။ ပထမအချက်မှာ လျှို့ဝှက်ရေးနှင့် ကျင့်ဝတ်ဖြစ်သည်။ အသုံးပြုသူအပြုအမူ၊ နေရာထိုင်ခင်းနှင့် ရွေ့လျားနိုင်မှုဆိုင်ရာ အချက်အလက်များကို လုံခြုံစွာ၊ အမည်မဖော်ဘဲ စည်းမျဉ်းများနှင့်အညီ စီမံခန့်ခွဲရမည်။ ဒုတိယအချက်မှာ ဒေတာအရည်အသွေးဆိုင်ရာ ပြဿနာများ- မတိကျ၊ ဘက်လိုက်မှု သို့မဟုတ် မပြည့်စုံသော ဒေတာများသည် ချို့ယွင်းချက်ရှိသော ဒီဇိုင်းဆုံးဖြတ်ချက်များဆီသို့ ဦးတည်စေနိုင်သည်။ တတိယအချက်မှာ စက်မှုလုပ်ငန်းသည် ခွဲခြမ်းစိတ်ဖြာမှုစွမ်းရည်၊ ဒေတာဗဟုသုတနှင့် ဗိသုကာပညာရှင်များ၊ အင်ဂျင်နီယာများ၊ ဒေတာသိပ္ပံပညာရှင်များနှင့် အဆောက်အဦမန်နေဂျာများအကြား ဘာသာရပ်ပေါင်းစုံပူးပေါင်းဆောင်ရွက်မှုအပါအဝင် ပြင်ဆင်ထားသော အလုပ်သမားအင်အား လိုအပ်ပါသည်။
ထို့အပြင်၊ အာရုံခံကိရိယာများ၊ အချက်အလက်သိုလှောင်မှုပလက်ဖောင်းများနှင့် BIM ပေါင်းစပ်စနစ်များကဲ့သို့သော နည်းပညာဆိုင်ရာအခြေခံအဆောက်အအုံများသည်လည်း သိသာထင်ရှားသော ကနဦးကုန်ကျစရိတ်များ လိုအပ်ပါသည်။ သို့သော် ဤရင်းနှီးမြှုပ်နှံမှုများသည် မကြာခဏဆိုသလို လုပ်ငန်းလည်ပတ်မှုထိရောက်မှုများ၊ အန္တရာယ်လျော့နည်းခြင်းနှင့် အဆောက်အဦပိုင်ဆိုင်မှုတန်ဖိုး တိုးလာခြင်းတို့တွင် အကျိုးအမြတ်ရရှိစေပါသည်။
နိဂုံး
Big data သည် ဗိသုကာလုပ်ငန်းအတွက် အခန်းသစ်တစ်ခုကို ဖွင့်လှစ်ပေးခဲ့သည်။ အလိုလိုသိနိုင်သော ဒီဇိုင်းမှ အထောက်အထားနှင့် ခွဲခြမ်းစိတ်ဖြာမှုဖြင့် ထောက်ခံထားသော ဒီဇိုင်းအထိဖြစ်သည်။ ၎င်း၏အသုံးချမှုများတွင် အဆောက်အဦစွမ်းဆောင်ရည် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း၊ ဒစ်ဂျစ်တယ်အမွှာများနှင့် BIM ပေါင်းစပ်ခြင်း၊ ပိုမိုတုံ့ပြန်မှုကောင်းသော မြို့ပြစီမံကိန်းရေးဆွဲခြင်း၊ အသုံးပြုသူအတွေ့အကြုံများ တိုးတက်လာခြင်းနှင့် တိုင်းတာနိုင်သော ရေရှည်တည်တံ့ခိုင်မြဲမှုဗျူဟာများ ပါဝင်သည်။ ကိုယ်ရေးကိုယ်တာ၊ အချက်အလက်အရည်အသွေးနှင့် လူ့စွမ်းအားအရင်းအမြစ် အသင့်ဖြစ်မှုနှင့်ပတ်သက်သည့် စိန်ခေါ်မှုများ ရှိနေဆဲဖြစ်သော်လည်း အနာဂတ်ဗိသုကာသည် အချက်အလက်များကို ပိုမိုအားကိုးလာမည်ကို လမ်းကြောင်းက ရှင်းရှင်းလင်းလင်း ညွှန်ပြနေသည်။ ဗိသုကာပညာရှင်များအတွက် Big data ကို နားလည်ပြီး အသုံးချနိုင်စွမ်းသည် ရွေးချယ်နိုင်သော အပိုတစ်ခု မဟုတ်ဘဲ ပိုမိုစမတ်ကျသော၊ ကျန်းမာသော၊ ပိုမိုရေရှည်တည်တံ့သော တည်ဆောက်ထားသော ပတ်ဝန်းကျင်တစ်ခု ဖန်တီးရန်အတွက် အရေးကြီးသော အရည်အချင်းတစ်ခုဖြစ်သည်။
