Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión dura 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 del NIH (Instituto Nacional de Salud) y DoE (Departamento de Energía)
• Tasa de adaptación del Big Data en las agencias gubernamentales y cómo están alineando sus operaciones futuras alrededor del análisis predictivo de Big Data
• Áreas de aplicación a gran escala en el DoD (Departamento de Defensa), NSA (Agencia de Seguridad Nacional), IRS (Servicio de Ingresos Internos), USDA (Departamento de Agricultura), entre otros
• Interfaz de Big Data con datos heredados (Legacy)
• Comprensión básica de las tecnologías habilitadoras en el análisis predictivo
• Integración de datos y visualización mediante paneles de control (Dashboards)
• 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

• Características principales 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 (proceso de transformación), recuperación desde HDFS
• Lotes (Batch) – apto para análisis no interactivo
• Volumen: Datos en flujo (streaming) CEP
• Opciones típicas – productos CEP (p. ej., Infostreams, Apama, MarkLogic, etc.)
• Menos preparados 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 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 al problema de la 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 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 grandes cantidades de datos (a un costo) pero imponen estructura (no apto para exploración activa)
• DATOS SEMIESTRUCTURADOS – difícil de gestionar con soluciones tradicionales (AD/BdD)
• Almacenamiento de datos = esfuerzo ENORME y estático incluso después de la implementación
• Para la variedad y el volumen de datos, procesado en hardware de consumo general – HADOOP
• Se necesita hardware de consumo general para crear un Clúster Hadoop

Introducción a Map Reduce /HDFS

• MapReduce – distribuir computación en varios servidores
• HDFS – hacer 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 MapReduce = trabajar con Java (pros/contras), carga manual de 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?

• 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 apto para análisis ad-hoc, apto para registro, conteo, series temporales
• Sqoop - Importar de bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume – Streaming de datos (p. ej., datos de registro) 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
• Flujo de trabajo/pipeline complejo: Oozie – gestionar flujo de trabajo, dependencias, encadenado
• Desplegar, configurar, gestión del clúster, actualizaciones, etc. (administración de sistemas): Ambari
• En la Nube: Whirr

Día 2: Sesión 3: Análisis predictivo en Inteligencia de Negocios -1: Técnicas fundamentales y BI basado en Aprendizaje Automático:

• Introducción al Aprendizaje Automático
• Técnicas de clasificación de aprendizaje
• Predicción Bayesiana - preparación del archivo de entrenamiento
• Máquina de Vectores de Soporte (SVM)
• 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 – Conjunto multimodelo 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 análisis predictivo-2: Problemas comunes de análisis predictivo en el Gobierno.

• Análisis de información
• Análisis de visualización
• Análisis predictivo estructurado
• Análisis predictivo no estructurado
• Perfilado de amenazas/fraude/falsos 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 redes
• Análisis de Texto
• Revisión asistida por tecnología
• Análisis de fraude
• Análisis en Tiempo Real

Día 3: Sesión 1: Análisis 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 en clúster para análisis 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 operativo

Día 3: Sesión 2: Herramientas para eDiscovery y Forense

• eDiscovery sobre Big Data vs. datos heredados (Legacy) – 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 el 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 la Ciberseguridad – Entender las vistas completas de 360 grados, desde la recopilación rápida de datos hasta la identificación de amenazas

• Entender lo básico 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 análisis en tiempo real
• Prescriptivo vs. predictivo – Reglas fijas basadas en reglas vs. auto-descubrimiento de reglas de amenazas desde los 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 predicción
• Seguro agrícola y Big Data
• Predicción de pérdida de cosechas

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

• Clasificación básica de la analítica de fraude - basada en reglas vs. análisis predictivo
• 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 presentarán estudios de caso y demostraciones en vivo siempre que haya datos disponibles.

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

• 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 control (Dashboard) de Medios Sociales para integrar diversos medios sociales
• Perfilado automatizado del perfil de medios 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 petabytes
• LTFS y LTO
• GPFS-LTFS (Solución de almacenamiento por capas para datos de imagen grandes)
• Fundamentos de la analítica de imágenes
• Reconocimiento de objetos
• Segmentación de imágenes
• Seguimiento de movimiento
• Reconstrucción de imagen 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 la Farmacogenómica, Metabolómica y Proteómica
• Big Data en el proceso genómico aguas abajo
• Aplicación del análisis predictivo de Big Data en Salud Pública

Panel de control (Dashboard) de Big Data para accesibilidad rápida a datos diversos y visualización:

• Integración de la plataforma de aplicaciones existente con el Panel de control de Big Data
• Gestión de Big Data
• Estudio de Caso del Panel de control de Big Data: Tableau y Pentaho
• Usar la aplicación 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 de analista para la recopilación y preparación de Datos – aumento de la ganancia de productividad
• Estudios de caso de ganancia de ingresos por ahorrar costos de bases de datos licenciadas
• Ganancia de ingresos por servicios basados en ubicación
• Ahorro por prevención de fraude
• Un enfoque de hoja de cálculo integrado para calcular el gasto aproximado vs. la ganancia/ahorro de ingresos por la implementación de Big Data.

Día 5: Sesión 2: Procedimiento paso a paso para reemplazar el sistema de datos heredado (Legacy) por un sistema de Big Data:

• Entender el Mapa de Ruta práctico 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/A:

• 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)