Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión dura 2 horas

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

• Estudios de caso de NIH, DoE
• Tasa de adaptación de 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 legados
• Comprensión básica de las tecnologías habilitantes en la analítica predictiva
• Integración de datos y visualización de tableros (dashboards)
• Gestión del 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 al Big Data-1

• Características principales de Big Data: volumen, variedad, velocidad y veracidad. Arquitectura MPP para 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
• Lote: adecuado para analítica/no interactivo
• Volumen: datos de flujo 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): Mejor adecuadas como adjunto analítico al almacén de datos/base de datos

Día 1: Sesión 3: Introducción al 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
• Almacén de Documentos - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Almacén de Columnas Amplias - 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 almacenarlos
• Problemas de limpieza de datos

Día 1: Sesión 4: Introducción al 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 la exploración activa)
• Datos SEMI ESTRUCTURADOS – difícil de hacer con soluciones tradicionales (DW/DB)
• Almacenar datos = enorme esfuerzo y estático incluso después de la implementación
• Para la variedad y volumen de datos, procesados en hardware de gama media – HADOOP
• Se necesita hardware de gama media para crear un Clúster Hadoop

Introducción a Map Reduce /HDFS

• MapReduce – distribuir la computación sobre múltiples 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 darle sentido a los datos
• Programar 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 interactivo y aleatorio a los datos
• Hbase (base de datos orientada a columnas) sobre Hadoop
• Acceso aleatorio a los datos pero con restricciones impuestas (máx. 1 PB)
• No bueno para analítica ad-hoc, bueno para registro, conteo, series de tiempo
• Sqoop - Importar desde bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume – Flujo de datos (p. ej., datos de registro) en 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
• Compleja tubería/flujo de trabajo: Oozie – gestionar flujo de trabajo, dependencias, encadenamiento
• Implementar, configurar, gestionar clúster, actualizar, etc. (admin 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-preparación del archivo de entrenamiento
• Máquina de Vectores de Soporte
• KNN p-Tree Algebra & minería vertical
• Red Neuronal
• Problema de variables grandes en Big Data - Bosque Aleatorio (RF)
• Problema de automatización en Big Data – Ensemble multi-modelo RF
• Automatización a través de 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 Gobierno.

• Analítica de perspectivas (insight)
• Analítica visualización
• Analítica predictiva estructurada
• Analítica predictiva no estructurada
• Perfilado de amenazas/fraude/proveedores
• Motor de recomendaciones
• Detección de patrones
• Descubrimiento de Reglas/Scenarios –fallos, fraude, optimización
• Descubrimiento de causas raíz
• Análisis de sentimiento
• Analítica CRM
• Analítica de red
• 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 analítica comunes fallan en Hadoop/HDFS
• Apache Hama- para computación distribuida Sincronizada por Lotes
• Apache SPARK- para computación en clúster para analítica en tiempo real
• CMU Graphics Lab2- Enfoque asíncrono basado en Grafos para computación distribuida
• Enfoque basado en KNN p-Algebra desde 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)
• Demostración en vivo de un producto Tar (vMiner) para entender cómo funciona la TAR para un descubrimiento más rápido
• Indexado más rápido 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 – Entendiendo la visión 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, configuración errónea de seguridad, defensas del host
• Infraestructura de red/ Gran tubería de datos / ETL de Respuesta para analítica en tiempo real
• Prescriptivo vs predictivo – Reglas fijas basadas vs auto-descubrimiento 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 agricultura
• Integración de datos de sensores e imagen para fertilidad del suelo, recomendación de cultivo y pronósticos
• Seguro agrícola y Big Data
• Pronóstico de Pérdida de Cultivos

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

• Clasificación básica de la analítica de fraude- basada en reglas vs analítica predictiva
• Machine learning supervisado vs no supervisado para la detección de patrones de fraude
• Fraude de proveedores/cobros excesivos por proyectos
• Fraude en Medicare y Medicaid- técnicas de detección de fraude para el procesamiento de reclamaciones
• Fraudes en reembolso de viajes
• Fraudes en reembolsos de IRS
• Se proporcionarán estudios de caso y demostraciones en vivo siempre que los datos estén disponibles.

Día 4: Sesión 2: Analítica de Redes Sociales- Recopilación e inteligencia de información

• API de ETL de Big Data para extraer datos de redes sociales
• Texto, imagen, metadatos y video
• Análisis de sentimiento desde el flujo de redes sociales
• Filtrado contextual y no contextual del flujo de redes sociales
• Tablero (Dashboard) de Redes Sociales para integrar diversas redes sociales
• Perfilado automatizado de perfiles de redes 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 grandes datos de imagen)
• Fundamentos de la analítica de imágenes
• Reconocimiento de objetos
• Segmentación de imágenes
• Seguimiento de movimiento
• Reconstrucción de imagen 3-D

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

• Áreas emergentes de Bio-informática
• Meta-genómica y problemas de minería de Big Data
• Analítica predictiva de Big Data para Farmacogenómica, Metabolómica y Proteómica
• Big Data en el proceso descendente de Genómica
• Aplicación de la analítica predictiva de Big data en Salud Pública

Tablero de Big Data para acceso rápido a 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
• Usar la app de Big Data para impulsar servicios basados en ubicación en 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 el ahorro de Tiempo del Analista para la recopilación y preparación de Datos –aumento de la ganancia de productividad
• Estudios de caso de ganancia de ingresos por el ahorro del costo de la base de datos licenciada
• Ganancia de ingresos por 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 legado por un Sistema de Big Data:

• Entendiendo la Hoja de Ruta práctica de Migración de Big Data
• ¿Cuál es la información importante necesaria antes de diseñar una implementación de Big Data?/li>
• ¿Cuáles son las diferentes formas de calcular el volumen, velocidad, variedad y veracidad de los datos?/li>
• 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 (Anteriormente CDC Software)
• Cisco Systems
• Cloudera
• Dell
• EMC
• GoodData Corporation
• Guavus
• Hitachi Data Systems
• Hortonworks
• HP
• IBM
• Informatica
• Intel
• Jaspersoft
• Microsoft
• MongoDB (Anteriormente 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)