Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
2 j'aime1,561 vues
Le document aborde la transition du big data vers le smart data en mettant en lumière son impact sur la société, les modèles commerciaux et l'expérience client. Il présente également des cas d'utilisation et des enjeux liés à la digitalisation, à la protection des données et aux recommandations personnalisées. En conclusion, les innovations en matière de smart data sont essentielles pour l'évolution de l'e-commerce et de la médecine personnalisée.
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
- 1. Connected Event Romandie Du Big Data au Smart Data EPFL – Oct 7, 2015
- 3. Du Big Data au Smart Data Nicolas Fulpius – Chief Digital Officer EPFL – Oct 7, 2015
- 4. L’accélération de la numérisation impacte notre société New Business Models New Ways of Working Customer Experience Business Processes E2E Connectivity Devices ApplicationsInfrastructure Plates-formes Capteurs, Wearables, « Things » Solutions, applis Data Storage & Aggregation, Cloud, Data Center Plates-formes de service, data analytics, APIs La Chaine de Valeur Digitale Les Dimensions de la Digitalisation
- 5. En 2017, on s’attend à ce que le M-commerce réalise 516 milliards de dollars de transaction.
- 6. Le volume de crowdfunding a sextuplé en 2 ans.
- 7. Les MOOCs de l’EPFL ont 100x plus d’inscrits que le campus ne compte d’étudiants. 1M d’inscrits aux MOOCs
- 8. 0110100 1100101010011 1010100101000101 00100100101010010101 100011001010101001 Du Big au Smart Data Vers une problématique sociétale et de l’individu Big Data Smart Analytics Smart Data Volume Velocity Volume Velocity Variety Veracity Volume Velocity Variety Veracity Voluntarism
- 9. Swisscom comme moteur de la digitalisation en Suisse E2E Connectivity Devices ApplicationsInfrastructure Plates-formes Capteurs, Wearables, « Things » Solutions, applis Data Storage & Aggregation, Cloud, Data Center Plates-formes de service, data analytics, APIs La Chaine de Valeur Digitale New Business Models New Ways of Working Customer Experience Business Processes Les Dimensions de la Digitalisation
- 10. Merci de votre attention
- 11. Du Big Data au Smart Data Dr. Adrienne Corboud Fumagalli, Vice Présidente EPFL, Innovation et valorisation @EPFL RLC, 7 octobre 2015
- 12. Que faire face au déluge ? The Economist, February 27th - March 5th 2010
- 13. Le défi de Noé
- 14. Noé a fait le choix des catégories Marketing 1.0 Marketing 2.0 L’opinion Les sondages Les attitudes sur le long terme Les marques
- 15. Les sciences sociales et le marketing 3.0 Tracer les data Activités et Memes Rapidité davantage que volume et diversité Contexte
- 16. L’alliance des médias populaires et du Social Media : un puissant moteur, producteur de données en temps réel
- 20. Exemple : détection de tous Les réseaux d’influences • par communautés actives graphe 1 • par controverses graphe 2 • avec les émotions associées graphe 3 • le réseau nuisible à l’intérêt de la marque graphe 4. Une marque sous influence ! Graphe 1 Graphe 2 Graphe 3 Graphe 4 EPFL Social Media Lab
- 21. “…everybody here has other much more important business to take care of.” http://youtu.be/-ybecKdwj2c Leaders et opinion publique: le grand fossé Négociations sur le changement climatique (Copenhague)
- 22. Le défi de la COP 21 : un débat citoyen • développer une pédagogie à l’intention du public, • assurer transparence et clarté des débats et des positions de négociation EPFL Social Media Lab
- 23. Cartographie des sentiments face à la vaccination Prof. Marcel Salathé, EPFL-SV
- 24. Les Traces donnent du sens
- 25. Merci de votre attention adrienne.corboud@epfl.ch
- 26. Recommendation: Le Smart Data pour nous Boi Faltings
- 27. Internet et le développement durable • Le tour des magasins devient virtuel • Papier remplacé par Ipad/Kindle • Communautés sur réseaux sociaux 27
- 28. Ce n’est pas simple… 28
- 30. Collaborative Filtering • Big data = matrice des achats: • Gourmande => il faut avoir acheté ≈1% des produits pour trouver des associations fiables. a b c d e f g h i j k l Antoine x x x x Chantal x x x Francois x x x Nicole x x x Pierre x x x x 30
- 31. Smart Data • Apprentissage: trouver un modèle à peu de paramètres qui prédit les articles achetés. 31 Achats (peu remplie) U V ≈ x d (traits latents) d Clients Produits Produits Clients
- 32. Modèle => Prévisions • Supposons 2 traits latents f1 et f2: a b c d e f g h i j k l f1 1 0 1 1 0 0 1 0 0 0 0 0 f2 0 1 0 0 1 1 0 1 1 1 0 0 f1 f2 Antoine 0 1 Chantal 1 0 Francois 0 1 Nicole 1 0 Pierre 0 1 0 1 0 0 1 1 0 1 1 1 0 0 1 0 1 1 0 0 1 0 0 0 0 0 0 1 0 0 1 1 0 1 1 1 0 0 1 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 0 0 32
- 33. Big Data • 100’000 produits, 1 million utilisateurs => Matrice: 100 milliards de paramètres. • 20 achats/utilisateur: 20 millions de données. • Modèle à d=5 dimensions latents: 5.5 millions de paramètres: faisable! • Optimiser la prédiction des achats connus. 33
- 34. Failles de l’optimisation • Evaluation = précision moyenne: – Article populaire: poids = 1000 achats – Article “long tail”: poids = 2-3 achats • Modèle optimisé pour être correct sur les articles populaires… • …mais pas sur les articles “longue traîne” • recommendation précise, mais pas nouvelle! 34
- 35. Apprendre une Taxonomie • N produits => < 2N paramètres • Achats répétés n’ont pas d’influence. 35
- 36. Ontology Filtering (Schickel) • Performance au laboratoire, sur Movielens: – Bonne précision déjà avec 5 achats au lieu de 40! • Thèse recomponsé par prix Chorafas. 36
- 37. • Tourne sur plus de 40 sites. • Influence sur les ventes par rapport aux systèmes antérieurs: entre + 30 et + 700%. • Grace à une forte composante de recommendations “long tail”. 37
- 38. En Conclusion • Smart data = recommendation. • Clé pour l’évolution de l’ecommerce. • Techniques (et performances) très variés. • Attention à l’évaluation: Critère doit correspondre aux objectifs. 38
- 40. ObViz Swisscom & ObViz 40 • Boi Faltings • Maxime Darçot • Gaylor Bosson • Claudiu Musat • Etudiants en Master à l’EPFL • Audrey Loeffel CEO CTO Web& Scalability Interface Board of Directors • Ph.D & postdoc en IA • 7 ans d’expérience dans l’industrie • Prof. EPFL - 30 ans dans la recherche • Serial Entrepreneur – Fondateur de Nexthink et Preddigo • 2 Masters en Computer Science
- 41. Personnaliser la recherche Swisscom & ObViz 41
- 42. État de l’art dans l’industrie Swisscom & ObViz 42
- 43. État de l’art dans la recherche Swisscom & ObViz 43
- 44. “Equilibrer” la Visualisation Swisscom & ObViz 44
- 45. Décisions facilitées Swisscom & ObViz 45 CONFIANCE PERÇUE (SUBJECTIF) CERTITUDE DE LA DECISION TAUX DE CHANGEMENT (OBJECTIF) INTERFACE PRÉFÉRENCE (SUBJECTIF) CONFIANCE 2.06x2.76x1.53x3.67x2.66x6.49x
- 46. Swisscom & ObViz 46 À la découverte !
- 47. Swisscom & ObViz 47 Transparence & Confiance
- 49. (Social) Media Monitoring Swisscom & ObViz 49
- 50. ObViz team 50 With the ObViz business app you can track your image and products in the media. Be notified about perception changes.
- 51. ObViz team Swisscom & ObViz 51 Compréhension & Personnalisation
- 52. Swisscom,Folienbibliothek Ville : comment améliorer ma qualité de vie en tant que citoyen-ne ? Raphaël Rollier, Swisscom Alexandre Bosshard, Ville de Pully
- 53. … quels outils d’analyses ? ? Monde Internet Monde physique
- 54. Observatoire de la mobilité à Pully Visiosafe et son projet à la gare de Lausanne Exemple de deux projets Smart City … au service de la mobilité
- 55. Raphael Rollier 09/2015 55 Source: Projet d’agglomération Lausanne-Morges Pully : ville-centre de l’agglomération
- 56. Attractivité du centre ville
- 58. 1er siècle après J-C, villa romaine de Pully En ce temps-là parut un édit de César Auguste, ordonnant un recensement de toute la terre. La Bible
- 60. 1969 comptage manuel 2015 Boucles de comptage, caméras, mesures manuelles
- 61. 1 2 3 4
- 62. Enjeux … passer de la photo au film PRECISION CONTINUITE SPATIALE CONTINUITE TEMPORELLE Mobililty Insights
- 63. SMART CITY … «Observatoire de la mobilité de Pully» 2016
- 66. D’où viennent les gens qui passent à Pully ?
- 67. Top 5, Communes 1. Lausanne 2. Lutry 3. Bourg-en-Lavaux 4. Vevey 5. Montreux Top 5, Quartiers de Lausanne 1. Centre-Ville 2. Ouchy 3. Montchoisi 4. Montriond- Cour 5. Sallaz - Vennes
- 68. Qui vient à Pully ? Visiteurs Pendulaires Personnes en transit Pully 75% 5% 20% 25’000 trajets
- 69. Perspectives
- 72. Projet Smart City … prochains résultats présentés le 3 décembre à Zoug
- 73. … quels outils d’analyses ? Monde Internet Monde physique
- 76. Comment les visiteurs se comportent? Compter • Visiteurs #: 246 • Zone / Section 1118 Directions : Entrée / Sortie • Zone #1 : 18 / 11 Durations • Temps de visite • Temps d’attente • Temps de service Distances • Distance Parcourue • Chemin de visiteurs Heat maps • Hot spots • Zone d'intérêt
- 78. Fournir des indications quantitatives et analytiques
- 79. Comment ça marche ?
- 80. Capture de données Entièrement Anonyme Intelligence Artificielle Analyse Visiosafe A.I.
- 84. Get quantitative insights on your visitors alain@visiosafe.com www.visiosafe.com
- 85. Big Data au Smart data Start-up
- 87. Sophia Genetics - Data Driven Medicine Pryv - Sensitive medical information management
- 88. Faveeo - Collaborative Intelligence for Web & Social Media Obviz - Big data and social network analysis to extract opinions and meaning
- 89. RAW Labs - Revolutionary Database query platform PredictiveLayer - Automated Predictive Analysis
- 92. Sophia DDM – Big Data / Smart Data 07.10.2015 CONFIDENTIAL 92
- 93. 07.10.2015 CONFIDENTIAL 93 Personalized Medicine Approche taille unique Approche ciblée Prédictive Pronostic Précision Personnalisation
- 94. 07.10.2015 CONFIDENTIAL 94 Qu’est ce qu’un Test Génétique ? Patient Généticien NCBI ExAC COSMIC … Docteurs Sample Lab Preparation DNA Enrichment Sequencing Storage Alignment Algorithms Statistics Variant Annotation Noise Extraction Prédiction likelihood breast cancer Cancers choice of drugs treatment plan Classification DDM Application
- 95. Capture 95
- 96. Différentes technologies – même échantillon NGS Platform A Sample prep. A B A B A B B 96
- 97. 97 ‘Machine Learning’ / Maths Précision Reproductible Robuste Rentable
- 98. Mutualize Data plus de complexité -> Précision Securité / Données Privées Impacte à long terme des fuites d’information Réseau – partage entre laboratoires Bénéficier de l’expérience des autres 07.10.2015 CONFIDENTIAL 98 Differentes Hopitaux: Big Data –> Clinical Diagnostics
- 99. Information d’un patient aujourd’hui Bénéficie à tous les patients demain Intégration du savoir Premier diagnostic Autre information Information génomique Du big au Smart data 99
- 100. 07/10/2015 CONFIDENTIAL 100 Diagnostiques - Du big au Smart data >20,000 patients aidés en 2015 Genomic Information Other Medical Information +
- 101. Ioannis Xenarios SIB Swiss Institute of Bioinformatics Vital-IT and Swiss-Prot group
- 102. SIB Swiss Institute of Bioinformatics 2015 56 groups 700 scientists More than 400 between Lausanne and Geneva
- 103. SIB Swiss Institute of Bioinformatics 2015 56 groups 700 scientists
- 104. SIB missions • To provide core databases, software and services worldwide • To provide key competencies and research support To provide world- class core bioinformatics resources to the life science community • To federate Swiss bioinformatics researchers • To train first-rate researchers To lead and coordinate the field of bioinformatics in Switzerland
- 106. To provide core databases, software and services worldwide • World-renowned encyclopedia of protein sequences and functional information • > 540,000 curated protein sequences • ~ 220,000 curated literature references • ~ 800,000 visits per month • A central hub linking to over 140 other resources worldwide • A team of over 50 biocurators, developers, IT and support staff Enabling Big Data - the Swiss-Prot group
- 107. 4000 years of evolution of biocuration, Structuring knowledge
- 108. Challenge 1: knowledge representation genes and genomes proteins complexes chemicals reactions pathways systems UniPathway
- 109. ● In databases ● The level of erroneous annotation is higher in automatically annotated databases than in manually expert curated ones ● In literature ● Not every published findings is latter confirmed independently ... Challenge 2: Errors, Mistakes, Imprecisions
- 110. Swiss-Prot people Ioannis Xenarios Director Alan BridgeLydie Bougueleret Sylvain Poux Nicole Redaschi Operation Director Head of Curation Head of Automation Head of Development Ioannis Xenarios
- 111. The Vital-IT group (Lausanne) To provide key competencies & research support to the national life science community
- 112. Vital-IT: A “cloud” HPC • > 6’000 cores • >1’400 software maintained as RPM release • > 6 PB near-line/archive data An infrastructure distributed over western Switzerland The infrastructure is centrally managed from Lausanne
- 113. Vital-IT supports the technology plateforms • Technology platforms are located in the the different universities, at the EPFL • Genomics (sequencing) • Proteomics • Screening and imaging • Bioinformatics "core" facilities • Biostatistics • Data growth (raw unprocessed) • from 1TB/week (2007) • to >32 TB /week (2014) • 42 TB/week Q1 2015 Need to archive >10-25 years
- 114. Vital-IT infrastructure And Competence Platforms of Ecole polytechnique Fédérale de Lausanne Platforms of University of Lausanne LGTF1,PAF2,PMF3,BCF4, PMF5 Platforms of University of Fribourg NGS1,BugFri4 Platforms of Bern NGS1,IFBU4 PCF2,BSF3,BBCF4 Platforms of Geneva University iGE3-genomics (ex-NCCR genome)1, PCF/BPRG2 Platforms specificities 1: Genomics 2: Proteomics 3: Screening and imaging 4:Bioinformatics Core facilities 5: Protein Modeling Facility
- 115. People at Vital-IT Christian Iseli Marco Pagni Mark IbbersonNicolas Guex Brian Stevenson HPC OncoGenomics Personalized Genomes Metagenomics Metabolic Models Evidence-based BioMedecine Computational Systems Biology Roberto Fabbretti Jérôme DauvillierRobin Liechti hardware software development data analysis Computational Genomics Scientific vizualisation Neuro-genomics
- 116. Repertoire of (longitudinal) ‘omics data available Proteome Transcriptome (mRNA, isoforms, edits, miRNA, lincRNA, …) Cytokines Metabolome Genome & Epigenome Microbiome Viriome EMR / EHR PERSONAL DATA « PRECISION » MEDICINE Antibody-ome Environment (exposome) Etc’ome nutriome • Improve biological and medical knowledge • Improve disease definition • Discovery diagnostic markers • Discovery prognostic markers • Understanding early pathophysiology • Disease stratification • Patient stratification • New therapeutic leads • Adapt therapies to the above Slide from the Clinical Bioinformatics Head Jacqui Beckmann (SIB)
- 117. Private and Public partners are essential sources of funding
- 118. EvénementConnect Lausanne, EPFL, 7 octobre 2015 Du Big Data au Smart Data Etat des lieux, nouveaux défis MichelJaccard
- 119. 119Protection des donnees – la loi actuelle
- 120. 120Protection des donnees – la loi actuelle
- 121. 121Protection des donnees – les principes de base données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent à l’étranger
- 122. 122Protection des donnees – Nouveaux defis données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent Croissance exponentielle Caractère personnel (permanent) ?
- 123. 123Protection des donnees – Nouveaux defis données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent Hébergement ? Stockage dans le cloud ? Indexation ? Chiffrement ?
- 124. 124Protection des donnees – Nouveaux defis données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent Pas qu’un seul «maître», Pas qu’un seul fichier
- 125. 125Protection des donnees – Nouveaux defis données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent Aucun traitement ne peut-il vraiment être justifié par principe ?
- 126. 126Protection des donnees – Nouveaux defis données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent Caractère artificiel du consentement donné (en ligne) Absence de précision sur la finalité | les utilisations futures
- 127. 127Protection des donnees – Nouveaux defis données personnelles traitement maître de fichier motif justificatif consentement niveau de protection équivalent Appréciation politique, sociale, culturelle Analyse au cas par cas nécessaire (dans les faits), pas de blanc seing par pays (Safe Harbor !)
- 128. 128Protection des donnees – Nouveaux defis Droit à l’oubli ?
- 129. 129Protection des donnees – Nouveaux defis Cybersécurité ?
- 130. 130Protection des donnees – Nouveaux defis Surveillance ?
- 131. 131 Données personnelles ? Pas nécessairement… Protection des donnees – big data
- 132. 132 Données fiables (et utiles) ? Pas forcément… Protection des donnees – big data
- 133. 133 Données personnelles ? Probablement, par analyses (anonymes ?) et recoupements… Protection des donnees – SMART DATA
- 134. 134Protection des donnees – big data | SMART DATA Données personnelles, par moments – Comment régler la question de l’assujettissement à la réglementation ? Et qui joue le rôle du «maître du fichier» ? Comment s’assurer d’un consentement véritable sans connaître la finalité du traitement au moment de la collecte des données, puisqu’elle dépendra des analyses | recoupements? Comment assurer le droit d’accès à des fractions de données éparpillées, sachant que celui qui compile les bases de données ou les met à disposition n’est pas forcément celui qui procède aux analyses | recoupements ?
- 135. 135Protection des donnees – big data | SMART DATA Evolution ? Consentement présumé pour toute utilisation des données qui serait «reconnaissable» au moment de leur collecte Certification par des tiers (de confiance ?) Renforcement des sanctions
- 136. 136Protection des donnees – big data | SMART DATA
- 137. 137Protection des donnees – big data | SMART DATA Big Bang ? Sécurisation des données, indépendamment de leur caractère personnel ou non «opting out» généralisé Données sensibles avec devoirs spécifiques (santé ? géolocalisation ?) Renforcement des droits de la personnalité
- 138. 138Protection des donnees – big data | SMART DATA Solutions technologiques «Privacy by design» «Privacy by default» Atout majeur pour les sociétés suisses
- 139. 139 MICHEL JACCARD id est avocats Email Michel.Jaccard@idest.pro | Michel.Jaccard@protonmail.ch URL www.idest.pro Twitter @idestavocats Questions
- 140. 140 Merci pour votre visite!