Today, people and systems overload

Today, people and systems overload the web with an exponential
generation of huge amount of data. The amount of
data on the web is measured in exabytes (1018) and zettabytes
(1021). By 2025, the forecast is that the Internet will exceed
the brain capacity of everyone living in the whole world [1].
This fast growth of data is due to advances in digital sensors,
communications, computation, and storage that have
created huge collections of data.1 The term Big Data had been
coined, by Roger Magoulas (according to [2]), to describe this
phenomenon.
Seven recent papers (including [3] and [4]) have aimed to
extract Big Data trends, challenges and opportunities. [5] provide
a survey on scalable database management: updating
of heavy application, analytics and decision support. Likewise,
[6] study analytics in Big Data with a focus on data warehouse.
These two papers have different goals comparatively
to [7]. In a more rigorous way, M. Pospiech and C. Felden [7]
have selected relevant and recent papers which tackle different
aspects of Big Data and have clustered them in four
domains: Technical data provisioning (acquisition, storage, processing),
Technical data utilization (computation and time complexity),
Functional data provisioning (information life cycle
management, lean information management, value oriented
information management, etc.) and Functional data utilization
(realms where big data is used). At the end of their clustering,
[7] note that a lot of papers (87%) are technical and that
there is not any paper on functional data provisioning. More
closed (compared to the three previous works) to our target,
semantics in the age of Big Data, [8] focus on knowledge discovery
and management in Big Data era (flooding of data on
the web). As our paper they zoom on gathering relational
facts, information extraction, emergence of structure, etc. But
a deep circonscription of the concept of Big Data is not in the
scope of their article like some other key themes of this paper
like reasoning on large and uncertain OWL triples, coreference
resolution, ontology alignment. The last paper has been
authored by [9]. They present Big Data integration in a easyunderstandable-
way. Schema alignment, record linkage and data
fusion are presented w.r.t to Big Data characteristics (volume,
velocity and variety). Knowing the high value carried by data
in general and thus by Big Data, it is not surprising therefore
that Chief Information Officers (CIOs) are interested in it analytics
as technological. If initially web pages and traditional
databases were the raw materials respectively for search engine
companies and other businesses,

ผลลัพธ์ (ไทย) 2:

วันนี้คนและระบบเกินเว็บที่มีการชี้แจง
การสร้างข้อมูลจำนวนมาก จำนวนของ
ข้อมูลบนเว็บเป็นวัดในเอ็กซาไบต์ (1018) และ zettabytes
(1021) ปี 2025 คาดการณ์ว่าอินเทอร์เน็ตจะเกิน
ความจุของสมองของทุกคนที่อาศัยอยู่ในโลกทั้งโลก [1].
นี้เจริญเติบโตอย่างรวดเร็วของข้อมูลเป็นเพราะความก้าวหน้าในการเซ็นเซอร์ดิจิตอล,
การสื่อสาร, การคำนวณและการจัดเก็บข้อมูลที่มีการ
สร้างคอลเลกชันขนาดใหญ่ของ data.1 คำว่าข้อมูลขนาดใหญ่ได้รับการ
ประกาศเกียรติคุณโดยโรเจอร์ Magoulas (ตาม [2]) เพื่ออธิบายเรื่องนี้
ปรากฏการณ์.
เซเว่นเอกสารที่ผ่านมา (รวมถึง [3] และ [4]) มีวัตถุประสงค์เพื่อ
ดึงข้อมูลขนาดใหญ่แนวโน้มความท้าทายและ โอกาส [5] ให้
แบบสำรวจเกี่ยวกับการจัดการฐานข้อมูลที่ปรับขนาดได้ที่: การปรับปรุง
ของโปรแกรมหนักการวิเคราะห์และการสนับสนุนการตัดสินใจ ในทำนองเดียวกัน
[6] การวิเคราะห์การศึกษาข้อมูลขนาดใหญ่ที่มีความสำคัญในคลังข้อมูล.
เหล่านี้สองเอกสารมีเป้าหมายที่แตกต่างกันเมื่อเทียบกับ
การ [7] ในทางที่เข้มงวดมากขึ้น, M. Pospiech และซี [7] Felden
ได้เลือกเอกสารที่เกี่ยวข้องและเมื่อเร็ว ๆ นี้ซึ่งจะแก้ไขปัญหาที่แตกต่างกัน
ในด้านของข้อมูลขนาดใหญ่และมีการกระจุกตัวพวกเขาในสี่
โดเมน: เทคนิคการจัดเตรียมข้อมูล (ซื้อ, การจัดเก็บประมวลผล)
ข้อมูลทางเทคนิค การใช้ประโยชน์ (คำนวณและความซับซ้อนเวลา),
การจัดเตรียมข้อมูลการทำงาน (ข้อมูลวงจรชีวิตของ
การจัดการการจัดการข้อมูลยันมูลค่าเชิง
การจัดการข้อมูลและอื่น ๆ ) และการใช้ประโยชน์ข้อมูลการทำงาน
(อาณาจักรที่ข้อมูลขนาดใหญ่จะใช้) ในตอนท้ายของการจัดกลุ่มของพวกเขา,
[7] ทราบว่ามีเอกสารจำนวนมาก (87%) ส่วนทางด้านเทคนิคและว่า
ไม่มีกระดาษใด ๆ เกี่ยวกับการจัดเตรียมข้อมูลการทำงาน เพิ่มเติม
ปิด (เมื่อเทียบกับสามผลงานก่อนหน้านี้) เพื่อกำหนดเป้าหมายของเรา
ความหมายในยุคของข้อมูลขนาดใหญ่ [8] มุ่งเน้นในการค้นพบความรู้
และการจัดการในยุคข้อมูลขนาดใหญ่ (น้ำท่วมของข้อมูลบน
เว็บ) ในฐานะที่เป็นกระดาษของเราพวกเขาซูมในการรวบรวมสัมพันธ์
ข้อเท็จจริงสกัดข้อมูล, การเกิดขึ้นของโครงสร้าง ฯลฯ แต่
circonscription ลึกของแนวคิดของข้อมูลขนาดใหญ่ไม่ได้อยู่ใน
ขอบเขตของบทความของพวกเขาเช่นบางรูปแบบอื่น ๆ ที่สำคัญของบทความนี้
เช่นเหตุผลในขนาดใหญ่และ อเนกประสงค์นกฮูกมีความไม่แน่นอน coreference
ละเอียดการจัดแนวอภิปรัชญา กระดาษที่ผ่านมาได้รับการ
ประพันธ์โดย [9] พวกเขานำเสนอการรวมข้อมูลขนาดใหญ่ใน easyunderstandable-
วิธี การจัดตำแหน่ง Schema บันทึกการเชื่อมโยงข้อมูลและ
ฟิวชั่นจะถูกนำเสนอ WRT ลักษณะข้อมูลขนาดใหญ่ (ปริมาณ,
ความเร็วและความหลากหลาย) รู้ที่มีมูลค่าสูงที่ดำเนินการโดยข้อมูล
ทั่วไปและดังนั้นจากข้อมูลขนาดใหญ่ก็ไม่น่าแปลกใจจึง
ว่าเจ้าหน้าที่ข้อมูลหัวหน้า (ซีไอโอ) มีความสนใจในมันวิเคราะห์สถิติ
เป็นเทคโนโลยี หากหน้าเว็บแรกและแบบดั้งเดิม
ฐานข้อมูลเป็นวัตถุดิบตามลำดับสำหรับเครื่องมือค้นหาของ
บริษัท และธุรกิจอื่น ๆ

ผลลัพธ์ (ไทย) 3:

今天，人们在网络和系统与一个overload指数（一）的数据。amount amount of of测量的数据在网络上是exabytes zettabytes 1018）和（（1021 2025）。由是，互联网将是exceed预报。每个人的脑容量在整个世界的生活[ 1 ]。这是由于快速生长的advances数据到数字传感器，在这包括，computation，和存储？在长期的collections）中已经有data.1大数据通过研究，提出Magoulas（[ ]），根据2 to describe…phenomenon。最近的文件（包括七3 [ ]和[ ]）到有4瞄准影响趋势，挑战和机会大数据提供5 [ ]。A：在数据库管理updating scalable调查对重金属的应用，越来越Likewise决定，和支持。在研究6 [ ]越来越大数据仓库数据与一个焦点上。有两个不同的goals These文件比较在一个更7 ] . [ rigorous通C . M . Pospiech 7 Felden [和]有选择的相关文件和最近tackle不同？有aspects大数据和他们的clustered In four数据采集技术domains：存储、处理provisioning（，），技术数据和complexity computation utilization（时间）信息生命周期（数据provisioning功能信息管理，精益管理，价值导向信息管理，数据utilization）和功能等。在大数据领域的是（）。在使用时，他们的群集的后端[ A ]这是很多7技术文件（这是和87%）。纸上的数据是不provisioning任何更多功能。场上的作品（三）相比，到我们的目标。在大数据时代semantics [ ]的关注，对知识discovery 8在大数据和管理数据（在洪水的时代在我们的网站。zoom）为他们设计在采访提取的信息，facts结构，但emergence，等。circonscription of a深的概念是不是在大数据他们像一些其他相关范围为themes这钥匙在这uncertain reasoning），coreference OWL和三元组。最后，ontology），分辨率为已被对齐。authored ]目前[ 9。他们通过集成在一个大数据easyunderstandable -对齐方式。架构和数据，记录联动是一个融合presented w.r.t characteristics（大数据容量，为了解和品种的高值）。通过实施数据通过在一般和thus大数据，这是不surprising因此这是CIOs）首席信息Officers（在它越来越感兴趣。如果initially作为Web pages技术和传统。是的，原材料databases respectively引擎公司和其他企业，