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 de NIH, DoE
• Tasa de adaptación de Big Data en Agencias Gubernamentales y cómo están alineando sus futuras operaciones en torno a la Analítica Predictiva de Big Data
• Áreas de Aplicación a Gran Escala en DoD, NSA, IRS, USDA, etc.
• Interfaz de Big Data con datos legacy
• Comprensión básica de las tecnologías habilitadoras en la analítica predictiva
• Integración de Datos y visualización en tableros (Dashboards)
• Gestión de fraudes
• Generación de Reglas de Negocio/Detección de Fraude
• Detección de amenazas y perfilado
• Análisis costo-beneficio 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 (Batch) - apto para analítica/no interactiva
• Volumen: Datos de streaming CEP
• Elecciones típicas – productos CEP (e. ej., Infostreams, Apama, MarkLogic, etc.)
• Poco listo para producción – Storm/S4
• Bases de Datos NoSQL – (columnares y clave-valor): Mejor adecuadas como complemento analítico del almacén/bases 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 de Columnas Anchas - 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 a Big Data-3: Hadoop

• ¿Cuándo seleccionar Hadoop?
• DATOS ESTRUCTURADOS - Los almacenes/bases de datos empresariales pueden almacenar datos masivos (a un costo) pero imponen estructura (no es bueno para la exploración activa)
• Datos SEMI ESTRUCTURADOS – difíciles de manejar con soluciones tradicionales (DW/DB)
• Almacenamiento en almacén de datos = gran esfuerzo y estático incluso después de la implementación
• Para la variedad y el volumen de datos, procesados en hardware de consumo – HADOOP
• Se necesita hardware de consumo para crear un Clúster Hadoop

Introducción a Map Reduce /HDFS

• MapReduce – computación distribuida en múltiples servidores
• HDFS – hace 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 para 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 ETL de Big Data: universo de Herramientas de Big Data-¿cuál usar y cuándo?

• Hadoop vs. Otras soluciones NoSQL
• Para acceso aleatorio interactivo 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 es 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 streaming (e. ej., datos de registro) en HDFS

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

• Movimiento de partes, nodos de cómputo inicio/fallo: ZooKeeper - Para servicios de configuración/coordinación/nombramiento
• Pipeline/flujo de trabajo complejo: Oozie – gestionar flujo de trabajo, dependencias, cadena de tareas
• Despliegue, configuración, gestión de clúster, actualización, etc. (admin 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
• Clasificación de técnicas de aprendizaje
• Predicción Bayesiana-preparación del archivo de entrenamiento
• Máquina de Vectores de Soporte (SVM)
• KNN álgebra p-Tree & minería vertical
• Red Neuronales
• Problema de variables grandes en Big Data-Bosques Aleatorios (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 el Gobierno.

• Analítica de inteligencia
• Analítica de visualización
• Analítica predictiva estructurada
• Analítica predictiva no estructurada
• Perfilado de amenazas/fraude/proveedores
• Motor de Recomendaciones
• Detección de patrones
• Descubrimiento de Reglas/Escenarios –fallo, fraude, optimización
• Descubrimiento de causas raíz
• Análisis de sentimiento
• Analítica de CRM
• Analítica de red
• 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 analítica comunes fallan en Hadoop/HDFS
• Apache Hama- para cómputo distribuido de Sincronización por Lotes
• 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 de operación

Día 3: Sesión 2: Herramientas para eDiscovery y Forense

• eDiscovery sobre Big Data vs. Datos 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 la TAR para un descubrimiento más rápido
• Indexación más rápida a través de HDFS –velocidad de los datos
• NLP o Procesamiento del 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 vista completa de 360 grados desde la rápida recopilación de datos hasta la identificación de amenazas

• Entendiendo 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
• 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 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 la fertilidad del suelo, recomendación de cultivo y pronóstico
• Seguro agrícola y Big Data
• Pronóstico de pérdida de cosechas

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

• Clasificación básica de la analítica de fraudes- basada en reglas vs analítica predictiva
• Aprendizaje automático supervisado vs no supervisado para detección de patrones de fraude
• Fraude de proveedor/sobre facturación 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 desde el flujo de medios sociales
• Filtrado contextual y no contextual del flujo de medios sociales
• Tablero 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 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 en capas para Big Data de imágenes)
• Fundamentos de analítica de imágenes
• Reconocimiento de objetos
• Segmentación de imágenes
• Seguimiento de movimiento
• Reconstrucción de imágenes 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 genómico aguas abajo
• Aplicación de la analítica predictiva de Big data en Salud Pública

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

• Integración de la plataforma de aplicaciones 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 el 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 en la ganancia de productividad
• Estudios de caso de ganancia de ingresos por el ahorro en el costo de la base de datos licenciada
• Ganancia de ingresos por servicios basados en ubicación
• Ahorro por prevención de fraudes
• Un enfoque integrado de hoja de cálculo para calcular el gasto aproximado vs. ganancia/ahorro de ingresos de la implementación de Big Data.

Día 5: Sesión 2: Procedimiento paso a paso para reemplazar el sistema de datos legacy por un Sistema de Big Data:

• Entendiendo el Mapa de Ruta práctico 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, 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 Pregunta/Respuesta:

• 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)