“單憑數字數據本身，我們沒辦法分析出事故的原因。”

    Srivastava舉出實例，大概一年多以前，肯尼迪國際機場發生了一次事故，埃及航空公司的986次航班和德國漢莎航空公司的411次航班在跑道上差點發生碰撞，還好沒有釀成慘劇。

    “請問這次事故為什么會發生？是怎么回事？我們又怎樣對這次數據進行分析？”對此，他們展開了調查，包括分析飛行員與控制塔之間的音頻錄音，后來得知是埃及航空公司的航班轉錯了彎。NASA還處在音頻分析的初級階段，即將錄音轉制為文本內容。

    搞清楚了是怎么一回事之后，Srivastava和他的團隊著眼于從隨機因素中提取出預測信息，以防止未來類似事故的發生。

    他說：“這對今天的系統安全來講至關重要，對明天的系統更是如此。”

    從分析走向預測

    在數據分析流程中有一種傳統的方法，即單獨分析數字數據和文本數據，然后再把它們整合到一起，得出結論。

    Srivastava說：“很多人都在采用這種方式，我認為很有效，但是我們的做法完全不同。”

    他們把數據匯集到同一個系統，對所有數據一并分析，包括雷達和衛星系統中的網絡數據、軟件中的航空數據、引擎和傳感器數據、地勤和機組人員的地面文本數據等等。分析在單一架構中通過一級支持無線電導航（一種學習模型、檢測模式的機器）完成。

    他說：“通過短時間內把所有數據匯集到一起、進行同時分析，我們能夠對諸如航空系統這樣的真實系統進行高精確度預測。”

    數據和文本一樣，都可以通過不同的途徑、運用多樣化的方式進行分析，比如算法式和可視化；這使得NASA和其他機構能夠密切關注流行趨勢、事件的增幅減幅以及跑道入侵事故的因素。

    Srivastava提及了企業在發展自己和規避風險時所采取的主動立場：就像企業社區一樣，NASA和其他機構正在嘗試著各種臆測、策略和技術，以期能夠將問題在發生之前就扼殺在搖籃之中。

    “而整個系統的命運都將由數據分析來決定。”