“单凭数字数据本身，我们没办法分析出事故的原因。”

    Srivastava举出实例，大概一年多以前，肯尼迪国际机场发生了一次事故，埃及航空公司的986次航班和德国汉莎航空公司的411次航班在跑道上差点发生碰撞，还好没有酿成惨剧。

    “请问这次事故为什么会发生？是怎么回事？我们又怎样对这次数据进行分析？”对此，他们展开了调查，包括分析飞行员与控制塔之间的音频录音，后来得知是埃及航空公司的航班转错了弯。NASA还处在音频分析的初级阶段，即将录音转制为文本内容。

    搞清楚了是怎么一回事之后，Srivastava和他的团队着眼于从随机因素中提取出预测信息，以防止未来类似事故的发生。

    他说：“这对今天的系统安全来讲至关重要，对明天的系统更是如此。”

    从分析走向预测

    在数据分析流程中有一种传统的方法，即单独分析数字数据和文本数据，然后再把它们整合到一起，得出结论。

    Srivastava说：“很多人都在采用这种方式，我认为很有效，但是我们的做法完全不同。”

    他们把数据汇集到同一个系统，对所有数据一并分析，包括雷达和卫星系统中的网络数据、软件中的航空数据、引擎和传感器数据、地勤和机组人员的地面文本数据等等。分析在单一架构中通过一级支持无线电导航（一种学习模型、检测模式的机器）完成。

    他说：“通过短时间内把所有数据汇集到一起、进行同时分析，我们能够对诸如航空系统这样的真实系统进行高精确度预测。”

    数据和文本一样，都可以通过不同的途径、运用多样化的方式进行分析，比如算法式和可视化；这使得NASA和其他机构能够密切关注流行趋势、事件的增幅减幅以及跑道入侵事故的因素。

    Srivastava提及了企业在发展自己和规避风险时所采取的主动立场：就像企业社区一样，NASA和其他机构正在尝试着各种臆测、策略和技术，以期能够将问题在发生之前就扼杀在摇篮之中。

    “而整个系统的命运都将由数据分析来决定。”