Znaczenie profilowania danych: techniki, zastosowania i Observability

Profilowanie danych oznacza badanie, analizowanie i podsumowywanie danych przed ich użyciem, zazwyczaj za pomocą czterech metod operacyjnych oraz poprzez generowanie statystyk, takich jak wartości minimalne, maksymalne, średnie, odchylenia standardowe, częstotliwości i wskaźniki występowania wartości null. W praktyce jest to dyscyplina, która pozwala określić, czy zestaw danych jest strukturalnie spójny, logicznie wiarygodny i zdatny do celów analitycznych, raportowych lub sztucznej inteligencji.

Prawdopodobnie tu jesteś, ponieważ jakiś zestaw danych już Cię zawiódł. Panel monitorowania zmienił się bez ostrzeżenia. Powiązanie przestało pasować. Tabela cech ML wyglądała wczoraj dobrze, a dziś podejrzanie. Nikt nie dotykał warstwy BI, a mimo to użytkownicy biznesowi pytają, dlaczego tygodniowe przychody, liczba leadów lub wolumeny usług nagle wyglądają nieprawidłowo.

W tym miejscu zaczyna się prawdziwe znaczenie profilowania danych. To nie jest tylko definicja słownikowa. Jest to proces badania, analizowania i tworzenia przydatnych podsumowań danych, dzięki czemu zespoły rozumieją ich jakość, strukturę i zawartość, zanim zostaną one użyte w projekcie. W starszych projektach oznaczało to często jednorazowe skanowanie przed załadowaniem danych do hurtowni. Na nowoczesnych platformach ten sam migawkowy obraz nie wystarcza na długo.

Bolesne awarie zazwyczaj nie są spektakularne. Są ciche. Zespół nadrzędny zmienia typ pola. Źródło zaczyna wysyłać puste pola tam, gdzie wcześniej wysyłało wartości. Relacja klucza obcego zaczyna generować osierocone rekordy. Potok wciąż działa, tabela wciąż się odświeża, a wykres wciąż się renderuje. Jednak zaufanie natychmiast spada, gdy użytkownicy zauważą niespójność.

Inżynierowie często traktują profilowanie jako pracę konfiguracyjną. Analitycy często postrzegają je jako raport jakości danych. Oba te poglądy są zbyt wąskie. Profilowanie to pierwsza faktyczna inspekcja zestawu danych, a w dojrzałych zespołach staje się ono częścią ciągłej pętli Observability, która utrzymuje niezawodność potoków po wdrożeniu, a nie tylko przed nim.

Spis treści

• Wprowadzenie: Kiedy dobre dane stają się złe

  • Dlaczego zaufanie tak szybko się psuje

  • Czego zapobiega profilowanie

• Czym naprawdę jest profilowanie danych

  • Dlaczego założenia zawodzą

  • Trzy rodzaje odkrywania

• Kluczowe techniki i metryki profilowania danych

  • Co faktycznie robią te cztery metody

  • Jak czytać metryki profilowania jak inżynier

  • Metryki, które zazwyczaj ujawniają pierwsze pęknięcie

• Typowe przypadki użycia i ukryte pułapki

  • Gdzie profilowanie przynosi korzyści

  • Co zespoły robią źle

• Profilowanie danych a powiązane pojęcia jakości danych

  • Praktyczne porównanie

  • Dlaczego to rozróżnienie ma znaczenie

• Od statycznej analizy do ciągłej Observability

  • Dlaczego jednorazowe profilowanie przestaje działać

  • Jak wygląda ciągłe profilowanie

• Jak digna umożliwia korporacyjne Data Observability

Wprowadzenie: Kiedy dobre dane stają się złe

Tygodniowy pulpit sprzedażowy odświeża się zgodnie z harmonogramem. Nikt nie otrzymuje błędu. Wykresy ładują się szybko. Wtedy ktoś z finansów zauważa, że jeden region odnotował ogromny spadek, podczas gdy inny podwoił wynik. Zespół traci pół dnia na sprawdzanie kodu SQL, następnie procesu ETL, a potem modelu BI, zanim wskaże pierwotną przyczynę: źródło nadrzędne zmieniło format pola i nieumyślnie naruszyło założenie transformacji.

Tego typu incydenty pokazują, dlaczego profilowanie danych ma znaczenie. Daje ono zespołom oparty na dowodach wgląd w to, co rzeczywiście znajduje się w danych, a nie w to, co wszyscy zakładają, że tam jest. Zamiast czekać, aż zepsuty raport ujawni problem, profilowanie pozwala wcześniej wykryć niedopasowane formaty, brakujące wartości, duplikaty i problemy z relacjami.

Dlaczego zaufanie tak szybko się psuje

Zaufanie do systemów danych jest kruche, ponieważ użytkownicy oceniają całą platformę na podstawie ostatniej dziwnej liczby, którą zobaczyli. Jeden zły raport nie generuje tylko jednego zgłoszenia. Sprawia, że każdy kolejny pulpit monitorowania staje się nieco mniej wiarygodny.

Zasada praktyczna: Jeśli metryka biznesowa zaskakuje ludzi, sprawdź dane zanim sprawdzisz wizualizację.

W środowiskach produkcyjnych dane rzadko ulegają awarii w czysty sposób. Potoki często działają dalej, podczas gdy znaczenie danych przesuwa się pod nimi. Dlatego profilowanie nie powinno znajdować się na zapomnianej liście kontrolnej przed wdrożeniem. Jego miejsce jest blisko procesów pozyskiwania (ingestion), transformacji i monitorowania, gdzie inżynierowie mogą zobaczyć zmiany, zanim zrobią to odbiorcy końcowi.

Czego zapobiega profilowanie

Gdy zespoły profilują dane na wczesnym etapie i stale weryfikują te wyniki, wychwytują problemy takie jak:

• Dryf formatu (format drift): Kolumna z datą zaczyna przybywać w innym formacie.

• Dryf semantyczny (semantic drift): Kod statusu nadal wygląda poprawnie pod kątem składniowym, ale teraz niesie inne znaczenie biznesowe.

• Błąd relacji: Rekordy ładują się do tabel podrzędnych bez dopasowania do kluczy nadrzędnych.

• Utrata kompletności: Pole, które wcześniej było uzupełniane, zaczyna przybywać puste.

Większość nagłych awarii zaczyna się od jednego z tych wzorców. Profilowanie nie eliminuje każdego problemu, ale daje zespołowi faktyczny punkt odniesienia i znacznie szybszą drogę do ustalenia pierwotnej przyczyny.

Czym naprawdę jest profilowanie danych

Profilowanie danych najlepiej rozumieć jako dokładną inspekcję danych przed ich użyciem. Gdybyś kupował dom, nie ufałbyś tylko zdjęciom z ogłoszenia. Sprawdziłbyś fundamenty, instalację wodno-kanalizacyjną, układ i instalację elektryczną, ponieważ każdy z tych elementów mówi coś innego o stanie nieruchomości. Z danymi jest dokładnie tak samo.

Dlaczego założenia zawodzą

Zestaw danych może wyglądać na użyteczny z zewnątrz, ale pod spodem nadal być niewiarygodny. Nazwy kolumn mogą wydawać się znajome. Liczba wierszy może wyglądać normalnie. Jeśli jednak wartości są błędnie sformatowane, klucze nie pasują do siebie lub pole zawiera głównie domyślne wartości, taki zestaw danych może wprowadzić w błąd każdy model, raport i decyzję biznesową opartą na nim.

Firma Ataccama stawia sprawę jasno: profilowanie danych to obowiązkowy pierwszy krok w każdej inicjatywie związanej z danymi, ponieważ ocenia dane pod kątem dokładności, spójności i terminowości przed rozpoczęciem przetwarzania. Bez tej analizy zespoły nie mogą zweryfikować, czy dane są kompletne, poprawne lub gotowe do analityki bądź sztucznej inteligencji, jak wyjaśniono w omówieniu profilowania danych firmy Ataccama.

Dlatego profilowanie zastępuje założenia faktami. Bada rzeczywisty stan danych przed załadowaniem ich do hurtowni, migracją, cyklem szkolenia modelu czy przekazaniem do pulpitu menedżerskiego.

Jeśli Twój zespół wciąż pracuje nad praktykami zbierania danych na wcześniejszych etapach, pomocne może być również odkrycie rozwiązań do zbierania danych, które poprawiają jakość gromadzenia danych, zanim rekordy w ogóle trafią do potoku.

Trzy rodzaje odkrywania

Termin znaczenie profilowania danych staje się wyraźniejszy, gdy podzieli się go na trzy kategorie odkrywania stosowane przez specjalistów.

• Odkrywanie struktury (structure discovery) sprawdza, czy dane mają taki kształt, jak myślisz. Obejmuje to formatowanie, typy danych, długości i ogólny układ pól.

• Odkrywanie zawartości (content discovery) sprawdza, czy same wartości mają sens. Pole może być obecne i mieć prawidłowy typ, a mimo to zawierać nieprawidłową treść biznesową.

• Odkrywanie relacji (relationship discovery) sprawdza, jak jeden zestaw danych łączy się z innym. Pomaga wykryć problemy z kluczami obcymi, niedopasowane rekordy i uszkodzone powiązania.

Czysta tabela niekoniecznie jest tabelą godną zaufania. Zaufanie wynika ze struktury, zawartości i relacji współgrających w tym samym czasie.

Te trzy perspektywy mają znaczenie, ponieważ większość problemów produkcyjnych nie pozostaje odizolowana. Zmiana formatu często powoduje błędy zawartości. Problem z zawartością często kaskadowo przekłada się na błędy relacji. Profilowanie pozwala dostrzec te warstwy, zanim odczują to użytkownicy końcowi.

Kluczowe techniki i metryki profilowania danych

Jeśli definicja pojęciowa wydaje się abstrakcyjna, techniki czynią ją konkretną. Profilowanie staje się użyteczne, gdy generuje sygnały, które inżynierowie mogą interpretować i na nie reagować.

Co faktycznie robią te cztery metody

Operacyjna strona profilowania zazwyczaj sprowadza się do czterech odrębnych metod: profilowanie kolumn, profilowanie wielokolumnowe, profilowanie międzytabelowe oraz walidacja reguł danych. Metody te generują statystyki opisowe, takie jak wartości minimalne, maksymalne, średnie, odchylenia standardowe, częstotliwości i wskaźniki występowania wartości null, które pomagają wykryć anomalie strukturalne, co podsumowano w tym technicznym omówieniu profilowania danych.

Oto jak przekłada się to na praktykę:

• Profilowanie kolumn (column profiling) daje pierwszy obraz pojedynczego pola. Szukasz wartości null, niezgodności typów danych, wartości minimalnych i maksymalnych, powtarzających się wzorców oraz unikalności.

• Profilowanie wielokolumnowe (cross-column profiling) sprawdza zależności wewnątrz tej samej tabeli. Dwa pola mogą być same w sobie poprawne, ale sprzeczne, gdy występują razem.

• Profilowanie międzytabelowe (cross-table profiling) bada spójność referencyjną między zestawami danych. Identyfikuje osierocone rekordy i błędy łączenia (joins).

• Walidacja reguł danych (data rule validation) stosuje jawne warunki. Zaczyna nakładać się na formalną walidację, ale wciąż jest często używana w procesach profilowania do testowania kluczowych założeń.

Jak czytać metryki profilowania jak inżynier

Same liczby nie są celem. Liczy się ich interpretacja.

Wartość minimalna lub maksymalna może ujawnić niemożliwe daty, nieprawidłowe wartości ujemne lub identyfikatory, które zostały przypadkowo przekonwertowane. Wskaźnik wartości null informuje o kompletności, ale tylko w kontekście. Niektóre kolumny mogą tolerować puste miejsca. Inne nie. Rozkład częstotliwości pokazuje, czy pole ma zdrową zmienność, czy też jedna domyślna wartość zdominowała cały zestaw danych.

Odchylenie standardowe jest przydatne, ponieważ pomaga określić, jak wygląda normalny rozrzut danych. Gdy ten rozrzut gwałtownie się przesuwa, może to wskazywać na zmianę po stronie źródła, błąd parsowania lub zmianę semantyczną w sposobie uzupełniania pola.

Kardynalność również ma znaczenie, nawet jeśli zespoły tak tego nie nazywają. Jeśli rzekomo unikalny identyfikator zawiera wiele powtarzających się wartości, być może wcale nie masz identyfikatora. Jeśli pole kategorii nagle eksploduje nieoczekiwanymi wariantami, definicje biznesowe mogły ulec zmianie.

Dla zespołów formalizujących te kontrole praktycznym kolejnym krokiem jest zdefiniowanie i śledzenie metryk jakości danych, aby wyniki profilowania nie pozostawały uwięzione w doraźnych notatnikach lub jednorazowych raportach.

Metryki, które zazwyczaj ujawniają pierwsze pęknięcie

Gdy analizuję nowy zestaw danych, nie traktuję każdej metryki jednakowo. Kilka sprawdzeń z reguły ujawnia pierwszy rzeczywisty problem:

Zacznij od metryk, które najszybciej psują logikę na dalszych etapach. Kompletność, unikalność i spójność referencyjna mają zazwyczaj większe znaczenie niż ładne statystyki podsumowujące.

Profilowanie staje się operacyjnie użyteczne, gdy zespoły łączą te sygnały z działaniami. Skok liczby wartości null w polu komentarza może być nieszkodliwy. Skok wartości null w ID klienta już nie. Dobrzy inżynierowie nie tylko zbierają wyniki profilowania. Decydują, które odchylenia wymagają interwencji.

Typowe przypadki użycia i ukryte pułapki

Profilowanie udowadnia swoją wartość, gdy dane przechodzą z teorii do fazy wdrożeniowej. Budowa hurtowni, migracje, inżynieria cech dla sztucznej inteligencji i raportowanie operacyjne zależą od tego, czy dane źródłowe są użyteczne.

SAS opisuje profilowanie jako katalizator pewnego podejmowania decyzji, ponieważ ujawnia ono kompletność i dokładność w wielu źródłach oraz pomaga określić, czy dany zestaw danych jest odpowiedni dla konkretnego celu projektu przed wdrożeniem, jak opisano w wskazówkach SAS dotyczących profilowania danych w środowiskach Big Data.

Gdzie profilowanie przynosi korzyści

Niektóre przypadki użycia przynoszą natychmiastowe korzyści z profilowania, jeszcze zanim wdrożone zostaną zaawansowane ramy zarządzania jakością.

• Zasilanie hurtowni i jezior danych (Data warehouse & lake ingestion): Profilowanie pomaga zespołom zrozumieć, co ładują, zanim błędne założenia zostaną zakodowane w logice transformacji.

• Migracja danych: Pomaga porównać stan źródłowy i docelowy, dzięki czemu zespoły mogą wykryć uszkodzenia, obcięcia danych, brakujące klucze lub zmienione rozkłady.

• Analityka i BI: Zmniejsza prawdopodobieństwo, że pulpit nawigacyjny stanie się pierwszym miejscem, w którym ktoś zauważy błąd jakości.

• Przygotowanie do AI i ML: Ujawnia nietypowe rozkłady, niestabilne pola i ukryte niespójności, które mogą zniekształcić dane wejściowe modeli.

Dobrym przykładem są zestawy danych dotyczących leadów i lejka sprzedażowego. Zespoły projektujące logikę kwalifikacji lub routingu często skupiają się najpierw na automatyzacji przepływu pracy, ale jakość pól przychodzących decyduje o tym, czy automatyzacja jest wiarygodna. W tym kontekście przydatne są spostrzeżenia Formzz na temat automatyzacji leadów, ponieważ pokazują, jak logika operacyjna zależy od spójnie rejestrowanych danych wejściowych.

Co zespoły robią źle

Pierwszą pułapką jest traktowanie wyników profilowania tak, jakby były kompletną walidacją. Nie zawsze nią są. Podsumowanie statystyczne może powiedzieć, że pole wygląda nietypowo. Nie zawsze jednak udowodni, czy każdy pojedynczy rekord spełnia wymogi biznesowe.

Drugą pułapką jest zbyt duże poleganie na próbkowaniu. Próbkowanie jest przydatne ze względu na szybkość i szerokie wykrywanie wzorców, ale może ukryć rzadkie błędy, które wciąż mają znaczenie operacyjne lub umowne.

Trzecią pułapką jest uruchamianie profilowania tylko raz na początku projektu i nigdy więcej. To sprawdza się tylko w stabilnych systemach, a większość systemów nie pozostaje stabilna na długo.

Cichy dryf danych rani najbardziej. Potok wciąż działa, więc nikt nie sprawdza, dopóki nie zrobi tego użytkownik biznesowy.

Ostatnią pułapką jest ignorowanie kontekstu biznesowego wokół anomalii. Skok, wartość odstająca lub powtarzający się wzorzec nie oznaczają automatycznie wady. Czasami dane zmieniły się, ponieważ zmienił się biznes. Profilowanie daje sygnał. Inżynierowie i analitycy wciąż muszą zinterpretować, czy ten sygnał wskazuje na błąd, rozwój, czy jedno i drugie.

Profilowanie danych a powiązane pojęcia jakości danych

Wiele zamieszania w zespołach zajmujących się danymi wynika z używania pojęć profilowanie, walidacja, wykrywanie anomalii i śledzenie schematu tak, jakby oznaczały to samo. Tak nie jest. Współpracują ze sobą, ale każde odpowiada na inne pytanie.

Praktyczne porównanie

Bigeye zauważa, że wiele definicji ogranicza się do profilowania jako sposobu na tworzenie podstawowych zarysów, podczas gdy nowoczesne platformy dodają walidację na poziomie rekordów w celu wymuszenia zdefiniowanej przez użytkownika logiki biznesowej. Jest to inna funkcja niż tradycyjne profilowanie statystyczne, które identyfikuje ogólne wzorce, takie jak duplikaty czy wartości odstające, co omówiono w wyjaśnieniu Bigeye dotyczącym różnic między profilowaniem a walidacją.

To rozróżnienie ma ogromne znaczenie w środowiskach regulowanych. Jeśli zespół myli profilowanie statystyczne z deterministyczną walidacją, może sądzić, że próbkowany przegląd wystarczy dla procesów podlegających audytowi, podczas gdy tak nie jest.

Dlaczego to rozróżnienie ma znaczenie

Profilowanie odpowiada na pytanie: „Jak wyglądają te dane?”. Walidacja odpowiada na pytanie: „Czy każdy rekord spełnia regułę?”. Wykrywanie anomalii odpowiada na pytanie: „Czy dzisiejsze dane zmieniły się w podejrzany sposób?”. Śledzenie schematu odpowiada na pytanie: „Czy sama struktura uległa zmianie?”.

Te kwestie brzmią podobnie, ale wspierają różne modele operacyjne.

• Profilowanie ma charakter śledczy.

• Walidacja pozwala na egzekwowanie reguł.

• Wykrywanie anomalii ma charakter adaptacyjny.

• Śledzenie schematu stanowi obronę struktury danych.

Zespoły muszą również pamiętać o prywatności i governance. Gdy profilowanie dotyczy danych osobowych, nadal obowiązują oczekiwania dotyczące przechowywania i minimalizacji danych. Zespołom ds. governance analizującym ten aspekt pomocne będą porady dotyczące zgodności z brytyjskim RODO (UK GDPR), które wyjaśniają, dlaczego minimalizacja danych powinna wpływać na to, jak dużo danych jest skanowanych, przechowywanych i ujawnianych w procesach kontroli jakości.

Praktyczny wniosek jest prosty. Nie oczekuj od jednego narzędzia lub jednego raportu realizacji każdego zadania. Używaj profilowania do poznania danych, walidacji do wymuszania reguł, wykrywania anomalii do wychwytywania zmian, a śledzenia schematu do ochrony kontraktu między dostawcami a odbiorcami danych.

Od statycznej analizy do ciągłej Observability

Stary model profilowania traktował je jako fazę projektu. Badałeś dane przed ich użyciem, spisywałeś wnioski, naprawiałeś oczywiste problemy i szedłeś dalej. Miało to sens, gdy systemy źródłowe zmieniały się powoli, a potoki wsadowe były stosunkowo przewidywalne.

Why one-time profiling breaks down

Ten model nie sprawdza się w nowoczesnych potokach danych. TDWI wskazuje, że większość publikacji nadal przedstawia profilowanie jako statyczny krok diagnostyczny przed użyciem. Tworzy to lukę w wyjaśnianiu, jak zespoły powinny przejść do ciągłej, zautomatyzowanej pętli Observability, która wykrywa dryf i zmiany schematu w czasie rzeczywistym. Ta luka pozostawia inżynierów bez ram do wychwytywania cichego dryfu danych, jak opisano w dyskusji TDWI na temat nowoczesnego profilowania danych.

Problem nie polega na tym, że statyczne profilowanie jest błędne. Chodzi o to, że szybko traci ważność.

Profil mówi o tym, jak dane wyglądały w momencie kontroli. Nie gwarantuje, że te same założenia pozostaną aktualne po nowej wersji systemu źródłowego, aktualizacji parsera, zmianie pliku dostarczanego przez dostawcę czy wdrożeniu nowego operacyjnego przepływu pracy.

Jak wygląda ciągłe profilowanie

Nowoczesny model operacyjny traktuje profilowanie jako część Data Observability, a nie jednorazowy raport. Oznacza to, że zespół stale mierzy kluczowe cechy danych i porównuje nowe zachowania z poznanym punktem odniesienia.

W praktyce ciągłe profilowanie zazwyczaj obejmuje:

• Automatyczne obliczanie metryk: Wartości null, unikalność, rozkłady i spójność kluczy są przeliczane na bieżąco.

• Śledzenie zmian schematu: Dodawanie, usuwanie kolumn i zmiany typów są monitorowane jako ryzyka produkcyjne.

• Kontrole terminowości: Aktualność i wzorce przychodzenia danych są monitorowane, ponieważ opóźnione dane mogą być tak samo szkodliwe jak błędne dane.

• Alertowanie powiązane z działaniem: Inżynierowie potrzebują sygnałów określających, co się zmieniło, gdzie i jak poważny jest to problem.

W przypadku zespołów budujących taki model operacyjny pomocne jest zrozumienie, czym jest Data Observability i jak rozszerza ono klasyczne kontrole jakości w kierunku ciągłego monitorowania.

Raport z profilowania to migawka. Observability to stale włączona kamera.

Ta zmiana wpływa na zachowanie zespołu. Zamiast czekać, aż analityk zakwestionuje pulpit nawigacyjny, inżynierowie otrzymują powiadomienie, gdy punkt odniesienia zostanie przekroczony. Zamiast dyskutować o tym, czy źródło „wydaje się w porządku”, mogą porównać obecne zachowanie z ustalonymi wzorcami historycznymi. To znacznie lepszy fundament dla niezawodnej analityki i sztucznej inteligencji.

Jak digna umożliwia korporacyjne Data Observability

Współczesne profilowanie w przedsiębiorstwach wymaga czegoś więcej niż tylko statycznego ekranu ze statystykami. Wymaga ciągłego pomiaru, świadomości struktury i egzekwowania reguł, bez zmuszania zespołów do przenoszenia wrażliwych danych produkcyjnych do kolejnego narzędzia.

Platforma digna wpisuje się w ten model, łącząc obliczanie metryk wewnątrz bazy danych z modułami adresującymi różne warstwy problemu. Jej funkcje wykrywania anomalii uczą się normalnego zachowania i flagują nieoczekiwane zmiany. Funkcje walidacji obsługują reguły biznesowe na poziomie rekordów. Śledzenie schematu wychwytuje dodane lub usunięte kolumny oraz modyfikacje typów danych. Z kolei monitorowanie terminowości nadzoruje wzorce dostarczania danych, dzięki czemu nieświeże lub opóźnione ładowanie nie pozostaje niezauważone.

To połączenie ma kluczowe znaczenie, ponieważ zespoły w przedsiębiorstwach rzadko borykają się tylko z jednym rodzajem awarii. Tabela w hurtowni może być aktualna, ale zmieniona strukturalnie. Schemat może pozostać stabilny, podczas gdy wartości ulegają dryfowi. Zestaw danych może wyglądać statystycznie normalnie, naruszając jednocześnie regułę biznesową na poziomie pojedynczego rekordu.

Praktyczną wartością takiej platformy jest klarowność operacyjna. Inżynierowie, analitycy i interesariusze obszaru governance mogą badać trendy, anomalie, terminowość oraz ruchy schematów w jednym miejscu, zachowując jednocześnie dane w środowiskach kontrolowanych przez klienta, takich jak prywatna chmura lub instalacje on-premise.

Jeśli Twój zespół chce przejść od jednorazowej inspekcji do ciągłego zaufania, warto rozważyć wdrożenie platformy digna jako części tej architektury. Daje ona zespołom ds. danych możliwość połączenia profilowania, wykrywania anomalii, walidacji, monitorowania terminowości i śledzenia schematów w środowisku klienta – co często decyduje o wykryciu problemów na wczesnym etapie, a nie na niedziałającym pulpicie nawigacyjnym.