Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión tiene una duración de 2 horas

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

• Estudios de caso de NIH, DOE
• Tasa de adaptación de Big Data en agencias gubernamentales y cómo están alineando sus operaciones futuras 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 habilitadoras en analítica predictiva
• Integración de datos y visualización en tableros de control
• Gestión de fraude
• Generación de reglas de negocio/detección de fraude
• Detección de amenazas y perfilado
• 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 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 (batch): adecuado para análisis/no interactivo
• Volumen: datos de streaming CEP
• Opciones típicas: productos CEP (p. ej., Infostreams, Apama, MarkLogic, etc.)
• Menos listos 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

• 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 Objetos - ZopeDB, DB40, Shoal
• Almacén de Documentos - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Almacén de Columnas Anchas - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Variedades de Datos: Introducción a la 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 a Big Data-3: Hadoop

• ¿Cuándo seleccionar Hadoop?
• DATOS ESTRUCTURADOS: Los almacenes de datos/bases de datos empresariales pueden almacenar datos masivos (a un costo) pero imponen estructura (no apto para exploración activa)
• DATOS SEMI ESTRUCTURADOS: difíciles de manejar con soluciones tradicionales (DW/DB)
• Almacenar datos = esfuerzo ENORME y estático incluso después de la implementación
• Para la variedad y volumen de datos, procesados en hardware de gama media: HADOOP
• Necesario hardware de gama media para crear un clúster Hadoop

Introducción a Map Reduce/HDFS

• MapReduce: computación distribuida en múltiples servidores
• HDFS: hacer datos disponibles localmente para el proceso de cómputo (con redundancia)
• Datos: pueden ser no estructurados/sin esquema (a diferencia de RDBMS)
• Es responsabilidad del desarrollador dar sentido a los datos
• Programación MapReduce = trabajo con Java (pros/contras), carga manual de datos en HDFS

Día 2: Sesión 1: Ecosistema 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 datos pero con restricciones (máx. 1 PB)
• No apto para análisis ad-hoc, apto para registro, conteo, series temporales
• Sqoop: importación desde bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume: datos de streaming (p. ej., datos de registro) a HDFS

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

• Partes móviles, inicio/fallo de nodos de cómputo: ZooKeeper - Para servicios de configuración/coordinación/nombramiento
• Pipeline/flujo de trabajo complejo: Oozie – gestionar flujo de trabajo, dependencias, cadena de procesos
• Despliegue, configuración, gestión de clúster, actualización, etc. (administración 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 (Machine Learning)
• Técnicas de clasificación de aprendizaje
• Predicción Bayesiana: preparación del archivo de entrenamiento
• Máquina de Vectores de Soporte
• KNN p-Tree Algebra y minería vertical
• Red Neuronal
• Problema de variables grandes en Big Data: Bosque Aleatorio (RF)
• Problema de automatización en Big Data: Ensamble de múltiples modelos 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 el Gobierno.

• Analítica de inteligencia
• Analítica visualización
• Analítica predictiva estructurada
• Analítica predictiva no estructurada
• Perfilado de amenazas/fraude/proveedores
• Motor de recomendaciones
• Detección de patrones
• Descubrimiento de reglas/escenarios: fallas, fraude, optimización
• Descubrimiento de causa 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 análisis comunes fallan en Hadoop/HDFS
• Apache Hama: para computación distribuida Bulk Synchronous
• Apache SPARK: para computación en clúster para analítica en tiempo real
• CMU Graphics Lab2: Enfoque asíncrono basado en grafos para la 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: 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: Big Data BI para Ciberseguridad – Comprender la vista completa de 360 grados desde la recopilación rápida de datos hasta la identificación de amenazas

• Comprensión de las bases 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: basado en reglas fijas 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 cultivo y pronóstico
• Seguro agrícola y Big Data
• Pronóstico de pérdida de cultivos

Día 4: Sesión 1: BI de prevención de fraude 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/cobro excesivo por proyectos
• Fraude en Medicare y Medicaid: técnicas de detección de fraude para el procesamiento de reclamaciones
• Fraude en reembolsos de viajes
• Fraude en reembolsos de IRS
• Se presentarán estudios de caso y demostraciones en vivo siempre que 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 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
• Tablero de control de Medios Sociales para integrar diversos medios sociales
• Perfilado automático 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 imagen 3-D

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 descendente
• Aplicación de la analítica predictiva de Big Data en salud pública

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

• Integración de la plataforma de aplicación 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 la aplicación 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:

• Definir el ROI para la implementación de Big Data
• Estudios de caso para ahorrar tiempo del analista en la recopilación y preparación de datos: aumento de la ganancia de productividad
• Estudios de caso de ganancia de ingresos por ahorrado de costos de bases de datos con licencia
• Ganancia de ingresos de servicios basados en ubicación
• Ahorro por prevención de fraude
• Un enfoque de hoja de cálculo integrado para calcular el gasto aproximado vs. la 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:

• Comprensión de la Hoja de Ruta práctica de Migración de 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
• Estudios de caso

Día 5: Sesión 4: Revisión de Vendedores 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)