Inteligencia de Negocios de Big Data para Agencias del Gobierno

Cada sesión dura 2 horas

Día 1: Sesión 1: Visión general de negocio sobre por qué la Inteligencia de Negocios de 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 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 legados
• Comprensión básica de las tecnologías habilitadoras en analítica predictiva
• Integración de datos y visualización de tableros (dashboards)
• Gestión de fraudes
• Generación de reglas de negocio / detección de fraude
• Detección y perfilamiento de amenazas
• Análisis de costos y beneficios para la implementación de Big Data

Día 1: Sesión 2: Introducción de 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 de evolución lenta
• 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: apto para analítico/no interactivo
• Volumen: datos de streaming CEP
• Opciones típicas – productos CEP (p. ej., Infostreams, Apama, MarkLogic, etc.)
• Menos listas para producción – Storm/S4
• Bases de datos NoSQL – (columnares y clave-valor): Más adecuadas como adjunto analítico a almacenes de datos/bases de datos

Día 1: Sesión 3: Introducción a Big Data-2

Soluciones NoSQL

• Almacenamiento KV - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• Almacenamiento KV - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• Almacenamiento KV (Jerárquico) - GT.m, Cache
• Almacenamiento KV (Ordenado) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• Caché KV - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
• Almacenamiento de tuplas - Gigaspaces, Coord, Apache River
• Base de datos de objetos - ZopeDB, DB40, Shoal
• Almacenamiento de documentos - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Almacenamiento 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 fomenta 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 de 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 = gran esfuerzo y estático incluso después de la implementación
• Para la variedad y el volumen de datos, procesados en hardware de commodity – HADOOP
• Se necesita hardware de commodity para crear un clúster Hadoop

Introducción a MapReduce /HDFS

• MapReduce – distribuir la computación entre 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 aleatorio interactivo a datos
• Hbase (base de datos orientada a columnas) sobre Hadoop
• Acceso aleatorio a datos pero con restricciones impuestas (máx. 1 PB)
• No es bueno para analítica ad-hoc, es bueno para registro, conteo, series de tiempo
• Sqoop - Importar desde bases de datos a Hive o HDFS (acceso JDBC/ODBC)
• Flume – Flujos de datos (p. ej., datos de registro) a HDFS

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

• Partes móviles, nodos de cómputo inicio/fallo: ZooKeeper - Para servicios de configuración/coordinación/nombres
• Tubería compleja/flujo de trabajo: Oozie – gestionar flujo de trabajo, dependencias, cadena secuencial
• Desplegar, configurar, gestión de clúster, actualización, etc. (administrador 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
• Aprendizaje de técnicas de clasificación
• Predicción Bayesiana-preparando archivo de entrenamiento
• Máquina de Vectores de Soporte (SVM)
• KNN p-Tree Álgebra y minería vertical
• Red Neuronal
• Problema de variables grandes de Big Data - Bosque Aleatorio (RF)
• Problema de automatización de 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 información
• Analítica de visualización
• Analítica predictiva estructurada
• Analítica predictiva no estructurada
• Perfilamiento de amenazas/fraude/proveedores
• Motor de recomendaciones
• Detección de patrones
• Descubrimiento de reglas/escenarios –fallos, 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 analíticos 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 Álgebra KNN p 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
• 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 lenguas extranjeras-tecnología para el procesamiento de lenguas extranjeras

Día 3: Sesión 3: BI de Big Data para Ciberseguridad – Entender las vistas completas de 360 grados de la rápida recopilación de datos a la identificación de amenazas

• Entender 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 – 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 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 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 fraude- basada en reglas vs analítica predictiva
• Aprendizaje automático 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 reembolsos de viaje
• Fraudes en reembolsos del IRS
• Se presentarán estudios de caso y demostraciones en vivo donde estén disponibles los datos.

Día 4: Sesión 2: Analítica de Medios Sociales- Recopilación y análisis de información

• 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
• Tablero (Dashboard) de Medios Sociales para integrar diversos medios sociales
• Perfilamiento 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 feeds 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 imágenes grandes)
• 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 el proceso de Genómica aguas abajo
• Aplicación de la analítica predictiva de Big Data en salud pública

Tablero (Dashboard) 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 apps 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 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 el ahorro en el costo de base de datos con licencia
• Ganancia de ingresos por servicios basados en ubicación
• Ahorro por prevención de fraudes
• Un enfoque de hoja de cálculo integrado para calcular el gasto aproximado vs. ganancia de ingresos/ahorro 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:

• Entender 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, velocidad, variedad y veracidad de los datos?
• Cómo estimar el crecimiento de 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)