Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión dura 2 horas

Día 1: Sesión 1: Visión general empresarial de por qué Big Data Business Intelligence en el Gobierno

• Estudios de caso del NIH, DoE
• Tasa de adopción de Big Data en agencias gubernamentales y cómo están alineando sus operaciones futuras en torno al Análisis Predictivo de Big Data
• Áreas de aplicación a gran escala en DoD, NSA, IRS, USDA, etc.
• Interfaz de Big Data con datos heredados (legacy)
• Comprensión básica de las tecnologías habilitadoras en análisis predictivo
• Integración de datos y visualización en tableros de control
• 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 – 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), recuperación desde HDFS
• Por lotes – adecuado para análisis/no interactivo
• Volumen: streaming de datos CEP
• Elecciones típicas – productos CEP (p. ej., Infostreams, Apama, MarkLogic, etc.)
• Menos listos para producción – Storm/S4
• Bases de datos NoSQL – (columnares y clave-valor): Más adecuados como complemento analítico del 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, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Almacén columnar ancho - 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 promueve un entorno ágil y exploratorio.
• NoSQL – semi estructurado, suficiente estructura para almacenar datos sin un esquema exacto antes de almacenar los datos
• Problemas de limpieza de datos

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

• ¿Cuándo seleccionar Hadoop?
• ESTRUCTURADO - Los almacenes/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 (DW/DB)
• Almacenamiento de datos = gran esfuerzo y estático incluso después de la implementación
• Para variedad y volumen de datos, procesado en hardware de gama media – HADOOP
• Se necesita hardware de gama media para crear un clúster Hadoop

Introducción a MapReduce / HDFS

• MapReduce – distribución de cómputo en varios servidores
• HDFS – hacer los datos 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 MapReduce = trabajar con Java (pros/contras), carga manual de datos en HDFS

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

• 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 temporales
• Sqoop - Importación desde bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume – Streaming de datos (p. ej., datos de registros) a HDFS

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

• Movimiento de partes, inicio/fallo de nodos de cómputo: ZooKeeper - Para servicios de configuración/coordinación/nombrado
• Tubería compleja/flujo de trabajo: Oozie – gestionar flujo de trabajo, dependencias, cadena serial
• Despliegue, configuración, gestión de clúster, actualización, etc. (administrador de sistemas): Ambari
• En la Nube: Whirr

Día 2: Sesión 3: Analítica predictiva en Business Intelligence -1: Técnicas fundamentales y BI basado en Machine learning:

• Introducción al Machine learning
• Aprendizaje de técnicas de clasificación
• Predicción Bayesiana-preparando archivo de entrenamiento
• Máquina de Vectores de Soporte
• KNN p-Tree Algebra & minería vertical
• Red Neuronales
• Problema de variables grandes en Big Data - Bosque aleatorio (RF)
• Problema de automatización en Big Data – Conjunto de modelos múltiples RF
• Automatización a través de Soft10-M
• Herramienta de análisis de texto-Treeminer
• Aprendizaje ágil
• Aprendizaje basado en agentes
• Aprendizaje distribuido
• Introducción a herramientas de código abierto para análisis predictivo: R, Rapidminer, Mahut

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

• Analítica de insights
• Analítica de visualización
• Analítica predictiva estructurada
• Analítica predictiva no estructurada
• Perfilado de amenazas/fraudsters/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
• Analítica 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 cómputo distribuido síncrono en masa
• Apache SPARK- para cómputo de clúster para analítica en tiempo real
• CMU Graphics Lab2- Enfoque asíncrono basado en grafos para cómputo distribuido
• Enfoque basado en KNN p-Algebra de Treeminer para reducir el costo de hardware operativo

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 –varias técnicas y productos de código abierto
• eDiscovery en idiomas extranjeros-tecnología para el procesamiento de idiomas extranjeros

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

• Entender los básicos de la analítica de seguridad-superficie de ataque, configuración de seguridad errónea, defensas del equipo
• Infraestructura de red / Gran tubería de datos / ETL de respuesta para analítica en tiempo real
• Prescriptivo vs predictivo – Reglas fijas basadas en reglas vs auto-descubrimiento de reglas de amenazas desde Metadatos

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

• Introducción al 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, recomendación de cultivos y pronósticos
• Seguro agrícola y Big Data
• Pronóstico de pérdidas de cultivos

Día 4: Sesión 1: Prevención de fraude BI desde Big Data en el Gobierno-Analítica de fraude:

• Clasificación básica de la 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 / sobrecobro por proyectos
• Fraude en Medicare y Medicaid- técnicas de detección de fraude para el procesamiento de reclamos
• Fraude en reembolsos de viaje
• Fraude en reembolsos del 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

• ETL API de Big Data para extraer datos de medios sociales
• Texto, imagen, metadatos y video
• Análisis de sentimiento de flujos de medios sociales
• Filtrado contextual y no contextual de flujos de medios sociales
• Tablero de control de Medios Sociales para integrar diversos medios sociales
• Perfilado automatizado de perfiles 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 flujos de video

• Técnicas de almacenamiento de imágenes en Big Data- Solución de almacenamiento para datos que exceden petabytes
• LTFS y LTO
• GPFS-LTFS (Solución de almacenamiento por capas para Big image data)
• 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
• Meta-genómica y problemas de minería de Big Data
• Analítica predictiva de Big Data para Farmacogenómica, Metabolómica y Proteómica
• Big Data en procesos genómicos aguas abajo
• Aplicación de analítica predictiva de Big Data en Salud Pública

Tablero de control de Big Data para acceso rápido y visualización de datos diversos:

• Integración de la plataforma de aplicaciones existente con el Tablero de control de Big Data
• Gestión de Big Data
• Estudio de caso de Tablero de control de Big Data: Tableau y Pentaho
• Usar 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 Big Data BI dentro de una organización:

• Definir ROI para la implementación de Big Data
• Estudios de caso para ahorrar tiempo de analistas en la recopilación y preparación de Datos –aumento en la ganancia de productividad
• Estudios de caso de ganancia de ingresos por ahorrar costos de base de datos licenciada
• Ganancia de ingresos de servicios basados en ubicación
• Ahorro por prevención de fraude
• Un enfoque integrado de hoja de cálculo para calcular aproximadamente el gasto 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 heredado por un Sistema de Big Data:

• Entender 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, 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 P/D:

• 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)