Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión dura 2 horas

Día 1: Sesión 1: Visión general comercial de por qué la BI de Big Data en el Gobierno

• Casos de estudio de NIH, DoE
• Tasa de adaptación del Big Data en agencias gubernamentales y cómo están alineando su operación futura con la Analítica Predictiva de Big Data
• Áreas de aplicación a gran escala en DoD, NSA, IRS, USDA, etc.
• Interfaz de Big Data con datos heredados (Legacy)/li>
• Comprensión básica de las tecnologías habilitadoras en analítica predictiva
• Integración de datos y visualización de paneles (dashboards)
• Gestión de fraude
• Generación de reglas de negocio / detección de fraude
• Detección y perfilado de amenazas
• Análisis de costos y beneficios 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 (Data Warehouses) – esquema estático, conjunto de datos de evolución lenta
• 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), recuperación desde HDFS
• Por lotes (Batch): adecuado para analítica no interactiva
• Volumen: datos de flujo continuo (streaming) CEP
• Opciones típicas – productos CEP (p. ej., Infostreams, Apama, MarkLogic, etc.)
• Menos listo para producción – Storm/S4
• Bases de datos NoSQL (columnares 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

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

Variedades de Datos: Introducción al problema de limpieza de datos en Big Data

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

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

• ¿Cuándo seleccionar Hadoop?
• ESTRUCTURADO - Los almacenes de datos/bases de datos empresariales pueden almacenar datos masivos (a un costo) pero imponen estructura (no bueno para exploración activa)
• Datos SEMIESTRUCTURADOS – difíciles de manejar con soluciones tradicionales (DW/DB)
• Almacenar datos = GRAN esfuerzo y estático incluso después de la implementación
• Para la variedad y el volumen de datos, procesados en hardware comercial – HADOOP
• Hardware comercial necesario para crear un clúster de Hadoop

Introducción a Map Reduce /HDFS

• MapReduce – computación distribuida en varios servidores
• HDFS – hace los datos disponibles localmente para el proceso de computación (con redundancia)
• Datos – pueden ser no estructurados/sin esquema (a diferencia de RDBMS)
• Responsabilidad del desarrollador de darle sentido a los datos
• Programación de MapReduce = trabajar con Java (pros/contras), carga manual de datos en HDFS

Día 2: Sesión 1: Ecosistema de Big Data – Construyendo ETL de Big Data: universo de herramientas de Big Data, ¿cuál usar y cuándo?

• Hadoop vs. Otras soluciones NoSQL
• Para acceso aleatorio interactivo 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 analítica ad-hoc, bueno para registro, conteo, series temporales
• Sqoop - Importación desde bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume – Datos de flujo (p. ej., datos de registro) a HDFS

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

• Componentes en movimiento, inicio/fallos de nodos de cómputo: ZooKeeper – Para servicios de configuración/coordinación/nombrado
• Compleja tubería/flujo de trabajo: Oozie – gestionar flujo de trabajo, dependencias, cadena secuenciales
• Despliegue, configuración, gestión de clústeres, actualización, etc. (administrador de sistemas): Ambari
• En la nube: Whirr

Día 2: Sesión 3: Analítica predictiva en Business Intelligence-1: Técnicas fundamentales y BI basada en aprendizaje automático:

• Introducción al aprendizaje automático
• Técnicas de clasificación de aprendizaje
• Predicción bayesiana: preparación de archivo de entrenamiento
• Máquina de Vectores de Soporte (SVM)
• Álgebra p-Tree de KNN y minería vertical
• Red neuronal
• Problema de variables grandes en Big Data – Bosque aleatorio (RF)
• Problema de automatización en Big Data – Ensamble multimodelo 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.

• Analítica de información (Insight)
• Analítica de visualización
• Analítica predictiva estructurada
• Analítica predictiva no estructurada
• Perfilado de amenazas/fraudadores/proveedores
• Motor de recomendaciones
• Detección de patrones
• Descubrimiento de reglas/escenarios – falla, fraude, optimización
• Descubrimiento de causas raíz
• Análisis de sentimiento
• Analítica CRM
• Analítica de redes
• Análisis de texto
• Revisión asistida por tecnología
• Analítica de fraude
• Analítica 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 de sincronización en masa
• Apache SPARK – para computación en clúster para analítica en tiempo real
• Laboratorio de Gráficos CMU2 – Enfoque asincrónico basado en grafos para la computación distribuida
• Enfoque basado en Álgebra p de KNN desde Treeminer para reducir costos de hardware de operación

Día 3: Sesión 2: Herramientas para eDiscovery y Forense

• eDiscovery sobre Big Data vs. datos heredados – una comparación de costo y rendimiento
• Codificación predictiva y revisión asistida por tecnología (TAR)
• Demostración 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 – diversas técnicas y productos de código abierto
• eDiscovery en idiomas extranjeros: tecnología para el procesamiento de idiomas extranjeros

Día 3: Sesión 3: BI de Big Data para Ciberseguridad – Comprensión de la vista completa de 360 grados, desde la recopilación rápida de datos hasta la identificación de amenazas

• Comprensión de los básicos de la analítica de seguridad: superficie de ataque, mala configuración de seguridad, defensas del host
• Infraestructura de red / Gran tubería de datos / ETL de respuesta para analítica en tiempo real
• Prescriptiva vs. predictiva – Reglas fijas basadas en reglas 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 la 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 para prevención de fraudes desde Big Data en el Gobierno – Analítica de fraude:

• Clasificación básica de analítica de fraude: basada en reglas vs. analítica predictiva
• Aprendizaje automático supervisado vs. no supervisado para la detección de patrones de fraude
• Fraude de proveedores / cobro excesivo por proyectos
• Fraude en Medicare y Medicaid – técnicas de detección de fraude para el procesamiento de reclamaciones
• Fraudes en reembolsos de viaje
• Fraudes en reembolsos del IRS
• Se proporcionarán casos de estudio y demostraciones en vivo donde haya datos disponibles.

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

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

Día 4: Sesión 3: Analítica de Big Data en procesamiento de imágenes y feeds 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 en capas para grandes datos de imagen)
• 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
• Problemas de minería de Metagenómica y Big Data
• Analítica predictiva de Big Data para Farmacogenómica, Metabolómica y Proteómica
• Big Data en el proceso genómico aguas abajo
• Aplicación de la analítica predictiva de Big Data en salud pública

Panel de Big Data para acceso rápido a datos diversos y visualización:

• Integración de la plataforma de aplicaciones existente con el Panel de Big Data
• Gestión de Big Data
• Caso de estudio de Panel de Big Data: Tableau y Pentaho
• Uso de la app de Big Data para impulsar 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:

• Definición del ROI para la implementación de Big Data
• Casos de estudio de ahorro de tiempo del analista para la recopilación y preparación de datos – aumento de la ganancia de productividad
• Casos de estudio de ganancia de ingresos por el ahorro en el costo de la base de datos licenciada
• Ganancia de ingresos de servicios basados en ubicación
• Ahorro por la prevención de fraudes
• 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 heredados por un sistema de Big Data:

• Comprensión de la Hoja de Ruta práctica de Migración a Big Data
• ¿Cuál es la información importante necesaria antes de diseñar una implementación de Big Data?
• ¿Cuáles son las diferentes formas de calcular el volumen, la velocidad, la variedad y la veracidad de los datos?
• Cómo estimar el crecimiento de los datos
• Casos de estudio

Día 5: Sesión 4: Revisión de proveedores de Big Data y revisión de sus productos. Sesión de preguntas y 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)