FR Ma présentation de l'IoT et particulièrement de ce que l'on nomme les 5 "c" ou comment passer des données au savoir via l'information.

1. IoT
Données vers Information,
Information vers Savoir
6 mars 9h30 – Big Data Paris 2017

2. Que feriez-vous?
« Si vous aviez des informations
parfaites, universelles et opportunes? »
Question du matin !

3. OT
105+
YEARS
INDUSTRIAL
CONSUMER
BUSINESS
CITY
IoT
INSIGHT
Hitachi
IT
55+
YEARS
IT SYSTEMS
ARTIFICIAL
INTELLIGENCE
COMMUNICATIONS
BIG DATA
ANALYTICS
CLOUD

4. Cs
of
IoT
Connections
Conversions
Centralisation
Cognition (“Savoir”)
Continuous improvement
What Is IoT?

5. L’IoT contient généralement…
LOTS OF DATA
DATA SCIENCE &
MACHINE LEARNING
HADOOP
LOTS OF
COMPUTE

6. Connaissances et intelligence machine
• Automated Data
Ingestion
• Descriptive Statistics
• Open Metadata
Catalogue
Deep
Profiling
• Pattern Exploration
• Master Data
Discovery
• Value Matching
Deep
Analysis • Correlation Detection
• Anomaly Detection
• Event Prediction
• Human-Machine
Collaboration
Deep
Discovery
Données Information Savoir
Connections
Conversions
Centralisation
Cognition
Continuous
improvement

7. Apporter du”Savoir” dans vos marchés
79% 78%
Les « data
scientists » passent
79% de leur temps à
collecter, nettoyer et
organiser les
données
78% des “data
scientists”
considèrent que
ces taches sont les
plus laborieuses de
leur travail
3+
“Operationalizing and Embedding Analytics for
Action,” TDWI, 2016
La majorité des
modèles prédictif
prennent 3 mois ou
plus à être mis en
production
“2016 Data Science Report,” CrowdFlower 2016“2016 Data Science Report,” CrowdFlower 2016

8. Hitachi Rail (UK)
Business Challenges
▪ Moderniser et améliorer les liaisons de transport
ferroviaire en U.K
▪ Réduire les coûts de maintenance
Use Case
▪ XaaS / « Train As A Service »
▪ Maintenance prédictive & Optimisation des horaires
▪ Internet of Things (IoT)
▪ Big Data Science Pentaho’s technology allows us to innovate
without legions of Big Data Experts!

9. Apporter du “Savoir” avec Pentaho
• Chargement des enregistrements de retard des trains
• Croisement des retards avec les référentiels et préparation des données
pour l’algorithme prédictif
• Exécution de l’algorithme prédictif (Python) directement dans PDI
• Export des « patterns » de retard (lieu, train opérateur, motif) dans un
fichier
Data injection and processing
Algorithm
implementation

10. Data Lake
Architecture Globale du Projet
TMS
OBS
Files
IoT
Analyzer
Alerting
Trend
Monitoring
Visual
Map
Reduce
Machine
Learning
Ingestion Préparation Analyse
Reports
Dashboard
SGBD
Metadata
Ingestion

11. Notre plateforme analytique
Near-RT
Compute
Batch
Hadoop
MR
ETL Cluster
ETL
Collecter&Ingérer
Visualiser&Embarquer
Transformer & Enrichir
Predict
Weka R Python

12. Administration Securité Cycle de vie
Provenance
des données
Data Pipeline
Dynamique
Monitorer Automatiser
Data Engineering
Gestion et automatisation du Pipeline
Ingestion AnalysePréparation
Une approche de bout en bout

13. Pentaho Data Integration
Interface graphique pour construire des “data pipelines” complet
100+ Etapes de
Transformation
Développement
Drag & drop
Configuration
100% GUI-based
Modéliser, Analyser,
et Visualiser
Relational
Applications
Big Data
Much More

14. Résumé: Votre boîte à outils
▪ Systèmes de capture de données
▪ Plateforme de communication “Pipeline”
▪ Plateforme de stockage et de calcul de données
▪ “Data Science”
▪ Outils d'abstraction graphique
▪ Ne vous laissez pas « berner » par la visualisation
IoTDonnées,
Information,
Savoir

15. Merci
Sebastien Cognet
Avant-Vente France
scognet@pentaho.com
@opentoile