Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión dura 2 horas

Día 1: Sesión 1: Visión general de negocio de por qué la Inteligencia de Negocios de Big Data en el Gobierno

• Estudios de caso de NIH, DoE
• Tasa de adaptación de Big Data en agencias gubernamentales y cómo están alineando su operación futura alrededor de la Analítica Predictiva de Big Data
• Áreas de aplicación a gran escala en DoD, NSA, IRS, USDA, etc.
• Interfaz de Big Data con datos legados
• Comprensión básica de las tecnologías habilitantes en analítica predictiva
• Integración de datos y visualización de tableros de control
• Gestión de fraude
• Generación de reglas de negocio / detección de fraude
• Detección de amenazas y perfilado
• Análisis de costo-beneficio para la implementación de Big Data

Día 1: Sesión 2: Introducción a Big Data-1

• Principales características de Big Data: volumen, variedad, velocidad y veracidad. Arquitectura MPP para el volumen.
• Almacenes de datos – esquema estático, conjunto de datos que evoluciona lentamente
• Bases de datos MPP como Greenplum, Exadata, Teradata, Netezza, Vertica, etc.
• Soluciones basadas en Hadoop – sin condiciones sobre la estructura del conjunto de datos.
• Patrón típico: HDFS, MapReduce (crunch), recuperar desde HDFS
• Lote - adecuado para análisis/no interactivo
• Volumen: CEP datos en flujo continuo
• Opciones típicas – productos CEP (p. ej., Infostreams, Apama, MarkLogic, etc.)
• No tan listos para producción – Storm/S4
• Bases de datos NoSQL – (columnar y clave-valor): Más adecuadas como complemento analítico al almacén de datos/base de datos

Día 1: Sesión 3: Introducción a Big Data-2

Soluciones NoSQL

• Almacén KV - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• Almacén KV - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• Almacén KV (Jerárquico) - GT.m, Cache
• Almacén KV (Ordenado) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• Caché KV - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
• Almacén de Tuplas - Gigaspaces, Coord, Apache River
• Base de Datos de Objetos - ZopeDB, DB40, Shoal
• Almacén de Documentos - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, Bases de Datos XML, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Almacén de Columnas Anchas - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Variedades de Datos: Introducción a problemas de limpieza de datos en Big Data

• RDBMS – estructura/esquema estático, no fomenta un entorno ágil y exploratorio.
• NoSQL – semi estructurado, suficiente estructura para almacenar datos sin un esquema exacto antes de almacenarlos
• Problemas de limpieza de datos

Día 1: Sesión 4: Introducción a Big Data-3: Hadoop

• ¿Cuándo seleccionar Hadoop?/li>
• DATOS ESTRUCTURADOS - Los almacenes de datos/bases de datos empresariales pueden almacenar datos masivos (a un costo) pero imponen estructura (no bueno para la exploración activa)
• DATOS SEMI ESTRUCTURADOS – difíciles de manejar con soluciones tradicionales (AD/BD)
• Almacenamiento de datos = gran esfuerzo y estático incluso después de la implementación
• Para la variedad y el volumen de datos, procesados en hardware de commoditización – HADOOP
• Se necesita hardware de commoditización para crear un Clúster Hadoop

Introducción a Map Reduce /HDFS

• MapReduce – distribuir la computación en varios servidores
• HDFS – hacer que los datos estén disponibles localmente para el proceso de cómputo (con redundancia)
• Datos – pueden ser no estructurados/sin esquema (a diferencia de RDBMS)
• Responsabilidad del desarrollador de dar sentido a los datos
• Programación de MapReduce = trabajar con Java (pros/contras), cargando manualmente los datos en HDFS

Día 2: Sesión 1: Ecosistema de Big Data - Construcción de ETL de Big Data: universo de Herramientas de Big Data - cuál usar y cuándo?/h3>

• Hadoop vs. Otras soluciones NoSQL
• Para acceso interactivo y aleatorio a datos
• Hbase (base de datos orientada a columnas) sobre Hadoop
• Acceso aleatorio a datos pero con restricciones impuestas (máx. 1 PB)
• No bueno para análisis ad-hoc, bueno para registro, conteo, series de tiempo
• Sqoop - Importar desde bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume – Inyectar datos en flujo continuo (p. ej., datos de registro) a HDFS

Día 2: Sesión 2: Sistema de Gestión de Big Data

• Movimiento de partes, nodos de cómputo que inician/fallan: ZooKeeper - Para servicios de configuración/coordinación/nombramiento
• Tuberías complejas/flujo de trabajo: Oozie – gestionar flujo de trabajo, dependencias, cadena secuencial
• Desplegar, configurar, gestión de clústeres, actualización, etc. (admin de sistemas): Ambari
• En la Nube: Whirr

Día 2: Sesión 3: Analítica predictiva en Inteligencia de Negocios -1: Técnicas fundamentales y BI basado en aprendizaje automático:

• Introducción al aprendizaje automático
• Aprendizaje de técnicas de clasificación
• Predicción Bayesiana-preparar archivo de entrenamiento
• Máquina de Vectores de Soporte
• KNN Álgebra p-Tree y minería vertical
• Red Neuronal
• Problema de variables grandes en Big Data - Bosque aleatorio (RF)
• Problema de automatización en Big Data – Ensamble multi-modelo RF
• Automatización mediante Soft10-M
• Herramienta de analítica de texto - Treeminer
• Aprendizaje ágil
• Aprendizaje basado en agentes
• Aprendizaje distribuido
• Introducción a Herramientas de código abierto para analítica predictiva: R, Rapidminer, Mahut

Día 2: Sesión 4 Ecosistema de analítica predictiva-2: Problemas comunes de analítica predictiva en el Gobierno.

• Análisis de información
• Análisis de visualización
• Análisis predictivo estructurado
• Análisis predictivo no estructurado
• Perfilado de amenazas/fraude/proveedores
• Motor de Recomendaciones
• Detección de patrones
• Descubrimiento de reglas/escenarios –fallo, fraude, optimización
• Descubrimiento de causa raíz
• Análisis de sentimiento
• Análisis de CRM
• Análisis de red
• Análisis de texto
• Revisión asistida por tecnología
• Análisis de fraude
• Análisis en Tiempo Real

Día 3: Sesión 1: Analítica en Tiempo Real y Escalable sobre Hadoop

• Por qué los algoritmos de análisis comunes fallan en Hadoop/HDFS
• Apache Hama- para computación distribuida asíncronica masiva
• Apache SPARK- para computación de clúster para análisis en tiempo real
• CMU Graphics Lab2- Enfoque asíncrono basado en grafos para la computación distribuida
• Enfoque basado en Álgebra KNN p de Treeminer para reducir el costo de hardware de operación

Día 3: Sesión 2: Herramientas para eDiscovery y Forense

• eDiscovery sobre Big Data vs. datos legados – una comparación de costo y rendimiento
• Codificación predictiva y revisión asistida por tecnología (TAR)
• Demuestra en vivo de un producto Tar (vMiner) para entender cómo funciona TAR para un descubrimiento más rápido
• Indexación más rápida a través de HDFS –velocidad de los datos
• NLP o Procesamiento de Lenguaje Natural –varias técnicas y productos de código abierto
• eDiscovery en lenguajes extranjeros-tecnología para el procesamiento de idiomas extranjeros

Día 3: Sesión 3: BI de Big Data para la Ciberseguridad – Entendiendo la visión completa de 360 grados de la rápida recopilación de datos a la identificación de amenazas

• Entendiendo las bases de la analítica de seguridad: superficie de ataque, configuración de seguridad, defensas del host
• Infraestructura de red/ Gran tubería de datos / ETL de respuesta para análisis en tiempo real
• Prescriptivo vs predictivo – Reglas fijas basadas vs descubrimiento automático de reglas de amenazas desde metadatos

Día 3: Sesión 4: Big Data en USDA: Aplicación en Agricultura

• Introducción a IoT (Internet de las Cosas) para agricultura - Big Data basado en sensores y control
• Introducción a la imagen satelital y su aplicación en la agricultura
• Integración de datos de sensores e imágenes para fertilidad del suelo, recomendaciones de cultivo y pronósticos
• Seguro agrícola y Big Data
• Pronóstico de pérdidas de cultivos

Día 4: Sesión 1: BI de prevención de fraude desde Big Data en el Gobierno - Análisis de fraude:

• Clasificación básica de analítica de fraude - basado en reglas vs analítica predictiva
• Aprendizaje automático supervisado vs no supervisado para detección de patrones de fraude
• Fraude de proveedores/cobro excesivo en proyectos
• Fraude en Medicare y Medicaid- técnicas de detección de fraude para el procesamiento de reclamos
• Fraude en reembolsos de viajes
• Fraude en reembolsos de IRS
• Se presentarán estudios de caso y demostraciones en vivo donde haya datos disponibles.

Día 4: Sesión 2: Analítica de Medios Sociales - Recopilación y análisis de inteligencia

• API ETL de Big Data para extraer datos de redes sociales
• Texto, imagen, metadatos y video
• Análisis de sentimiento desde el feed de redes sociales
• Filtrado contextual y no contextual del feed de redes sociales
• Tablero de Medios Sociales para integrar diversos medios sociales
• Perfilado automatizado de perfiles de redes sociales
• Se dará una demostración en vivo de cada análisis a través de la herramienta Treeminer.

Día 4: Sesión 3: Analítica de Big Data en procesamiento de imágenes y flujos de video

• Técnicas de almacenamiento de imágenes en Big Data - Solución de almacenamiento para datos que exceden los petabytes
• LTFS y LTO
• GPFS-LTFS (Solución de almacenamiento por capas para datos de imágenes grandes)
• Fundamentos de la analítica de imágenes
• Reconocimiento de objetos
• Segmentación de imágenes
• Rastreo de movimiento
• Reconstrucción de imágenes 3D

Día 4: Sesión 4: Aplicaciones de Big Data en NIH:

• Áreas emergentes de Bioinformática
• Metagenómica y problemas de minería de Big Data
• Analítica Predictiva de Big Data para Farmacogenómica, Metabolómica y Proteómica
• Big Data en el proceso genómico aguas abajo
• Aplicación de analítica predictiva de Big Data en Salud Pública

Tablero de Big Data para accesibilidad rápida de datos diversos y visualización:

• Integración de la plataforma de aplicación existente con el Tablero de Big Data
• Gestión de Big Data
• Estudio de Caso de Tablero de Big Data: Tableau y Pentaho
• Use la app de Big Data para empujar servicios basados en ubicación en el Gobierno.
• Sistema de seguimiento y gestión

Día 5: Sesión 1: Cómo justificar la implementación de BI de Big Data dentro de una organización:

• Definiendo el ROI para la implementación de Big Data
• Estudios de caso para ahorrar Tiempo de Analista para la recopilación y preparación de Datos –aumento de la ganancia de productividad
• Estudios de caso de ganancia de ingresos por ahorrar el costo de la base de datos con licencia
• Ganancia de ingresos de servicios basados en ubicación
• Ahorro de la prevención de fraude
• Un enfoque integrado de hoja de cálculo para calcular el gasto aproximado vs. ganancia de ingresos/ahorros de la implementación de Big Data.

Día 5: Sesión 2: Procedimiento paso a paso para reemplazar el sistema de datos legado por un sistema de Big Data:

• Entendiendo el Mapa de Ruta práctico de Migración de Big Data
• Qué información importante se necesita antes de diseñar una implementación de Big Data
• Cuales son las diferentes formas de calcular volumen, velocidad, variedad y veracidad de los datos
• Cómo estimar el crecimiento de los datos
• Estudios de caso

Día 5: Sesión 4: Revisión de Proveedores de Big Data y revisión de sus productos. Sesión de Preguntas/Respuestas:

• Accenture
• APTEAN (Antes CDC Software)
• Cisco Systems
• Cloudera
• Dell
• EMC
• GoodData Corporation
• Guavus
• Hitachi Data Systems
• Hortonworks
• HP
• IBM
• Informatica
• Intel
• Jaspersoft
• Microsoft
• MongoDB (Antes 10Gen)
• MU Sigma
• Netapp
• Opera Solutions
• Oracle
• Pentaho
• Platfora
• Qliktech
• Quantum
• Rackspace
• Revolution Analytics
• Salesforce
• SAP
• SAS Institute
• Sisense
• Software AG/Terracotta
• Soft10 Automation
• Splunk
• Sqrrl
• Supermicro
• Tableau Software
• Teradata
• Think Big Analytics
• Tidemark Systems
• Treeminer
• VMware (Parte de EMC)