Фермеры давно автоматизировали производство молока, а современные фермы — это, практически, IoT-кластер. Каждая корова носит датчик, который отслеживает:

Все данные непрерывно отправляются в базы данных и анализируются. Для этого часто используют PostgreSQL или MongoDB, потому что:

В частности, фермер может открыть дашборд и увидеть что-то вроде такого:

Корова #1482

Активность: снижена

Вероятность болезни: 78%

Рекомендация: проверить ветеринаром

Или такого:

Это почти как мониторинг микросервисов, только вместо Kubernetes — целое стадо.

Кстати, если вы когда-нибудь задумывались, где удобно хранить потоковые данные с тысяч датчиков, это как раз тот самый случай, когда managed PostgreSQL или MongoDB из облака экономят кучу времени, в частности фермерским хозяйствам, потому что администрировать базу данных и одновременно доить коров — плохая идея.

В исследовательских лабораториях есть проекты, когда база данных используется как «память» для генерации музыки. Например, в одну базу загружают:

После этого алгоритмы, лежащие в основе нейросетей наподобие TopMediai AI или Mubert, ищут закономерности и генерируют новые партии. Иногда для таких проектов используют ClickHouse, потому что нужно быстро анализировать огромные массивы музыкальных последовательностей. В итоге получается любопытная ситуация: база данных не только хранит музыку, но и анализирует её, и помогает писать. В какой-то момент может возникнуть вопрос: «А композитор-то вообще нужен?»

Археологи неожиданно стали большими фанатами баз данных. Когда раскопки проходят в одном месте десятилетиями, то накапливается огромное количество информации:

координаты находок;

фотографии;

описания;

химический анализ;

датировки.

И всё это нужно сопоставлять. В проектах по цифровой археологии часто используют PostgreSQL с георасширениями. Запросы там выглядят примерно так:

Найти все бронзовые предметы в радиусе 300 метров, датированные между 800 и 900 годом

Это позволяет находить закономерности:

Например, проект «Древности Новгородской земли: электронная база данных археологических находок» помог создать единый перечень артефактов, найденных в ходе археологических раскопок древних и средневековых памятников Новгородской земли. База данных насчитывает свыше 80 тысяч предметов, начиная с эпохи каменного века и до наших дней, и содержит цифровые изображения находок и максимально полную информацию о каждом предмете:

Фактически, SQL помогает реконструировать древние цивилизации. Неплохая судьба для технологии, которую многие до сих пор используют только для хранения заказов интернет‑магазина.

Наорбите Земли летает более 100 миллионов объектов. Большинство из них — космический мусор:

Каждый объект нужно отслеживать, так как если два объекта столкнутся, то появится ещё больше мусора.

Для анализа орбит космического мусора используют базы данных, которые могут работать с огромными потоками телеметрии. Часто применяют системы вроде ClickHouse или OpenSearch, потому что нужно:

По сути, это мониторинг, только вместо серверов — космические объекты.

В некоторых системах «умного города» Redis используют как сверхбыстрое хранилище состояния дорожных систем. Почему именно Redis? Потому что, например, светофорам нужно принимать решения за миллисекунды, анализируя:

Redis хранит состояние перекрёстков и позволяет мгновенно обновлять его. Это один из тех редких случаев, когда задержка в 50 мс может реально изменить жизнь людей — в буквальном смысле.

Есть сельскохозяйственные проекты, в которых датчики отслеживают поведение животных — кроликов, овец, кур и других. Данные передаются потоками и анализируются для выполнения таких задач, как:

Здесь появляется классическая архитектура: датчики → Kafka → аналитика → база данных. Kafka выступает как транспорт потоков, а затем данные поступают в базы для хранения и анализа.

Кроме того, в качестве эксперимента Kafka использовали на хакатоне Confluent в 2022 году для отслеживания моделей перемещения животных в зоопарке.

Интересно, что в таких системах часто соседствуют Kafka, PostgreSQL, ClickHouse и Redis. Если это звучит знакомо — да, именно такой стек обычно и предлагается в современных DBaaS-платформах.

Есть исследовательские проекты вроде FlavorDB, разработанного Институтом информационных технологий в Дели, в рамках которых создают базы данных вкусовых сочетаний. В них хранят информацию о химических соединениях в продуктах, рецепты, вкусовые профили и многое другое. Цель таких проектов — находить неожиданные сочетания, например:

В таких проектах удобно использовать MongoDB, потому что структура данных довольно хаотичная.

Иногда базы вкусов используются даже ресторанами для создания новых блюд. Так что, если когда-нибудь попробуете десерт со странным сочетанием вкусов, возможно, его придумала база данных.

Самое забавное, что почти все эти системы используют абсолютно обычные технологии, которые есть у нас в облаке:

То есть те же самые базы данных, которые разработчики используют для интернет-магазинов, мобильных приложений и SaaS-сервисов. Разница только в масштабе и фантазии.

Как вы поняли, базы данных — это не просто «таблицы с пользователями». И даже самые необычные из них можно собрать из стандартных компонентов. Именно поэтому DBaaS-подход становится всё популярнее: вместо того чтобы тратить недели на настройку инфраструктуры, можно сразу сосредоточиться на самой идее. Даже если ваша идея — база данных для коров.

А с какими необычными способами применения баз данных сталкивались вы? Делитесь в комментариях!