Karim Baina Seminaire BigData IoT ISIMA Juillet 2016

Séminaire
Jeudi 07 Juillet 2016, à l'ISIMA
Prof. Karim Baïna
karim.baina@um5.ac.ma, karim.baina@gmail.com
Prof. Invité à l'ISIMA
Professeur d'Enseignement Supérieur
ENSIAS, Université Mohammed V de Rabat, Maroc
Co-responsable du Diplôme Universitaire « Big Data Scientist »
Ex-Responsable de l'équipe Alqualsadi sur les Architectures d'Entreprises
du Laboratoire International Associé CNRS (LIA) : DATANET - Big Data et Réseaux à Large échelle
Chef du Département Génie Logiciel et Chef de Service de Coopération

Plan

Partie I - Présentation de l'ENSIAS : L'École
Nationale Supérieure d’Informatique et d’Analyse
des Systèmes

Partie II - Les Big Data : Paradigm Shift et
catalyseur de création de la Valeur

Partie III - Étude de Cas : Une Architecture
intégrée IoT-Big Data pour la vidéo-protection
des personnes âgées

École Nationale Supérieure
d’Informatique et d’Analyse des Systèmes
‫العليا‬ ‫الوطنية‬ ‫المدرسة‬
‫النظم‬ ‫تحليل‬ ‫و‬ ‫للمعلوماتية‬
Prof. Karim BAÏNA
Cooperation Service Responsible

Partie I : 2/27
View of ENSIAS

Partie I : 3/27Fall 2007 TIM5002 Technology Innovation 3
View of ENSIAS

Partie I : 4/27
 Created in 1992
 3 computer science engineering years (6 semesters S1-
S6) hiring after highly selective preparatory classes in
math/physics
 2015-2016
• 22nd
edition
• 2500+ graduated engineers
 68 full time professors, associate professors, and
assistant professors
 48 technical and administrative staff
ENSIAS, Some data

Partie I : 5/27
Teaching
ENSIAS strives to offer
students excellent
instructional and
educational opportunities
in Computer Science &
Information Systems
Foundations and
Applications.

Partie I : 6/27
Engineer’s degree
• Study organization
• Selection from preparatory classes after a national
examination + faculties under graduates
• 1 degree in computer science engineering with 6
specializations
• Biannual (semesters) and modular organization (European
Bologna process)
• LMD & ENSIAS : currently 1+2 : 1 year (2 semesters of
common courses) + 2 year of specialization

Partie I : 7/27
Engineer’s degree
• 6 engineering Programs (filières)
– Software Engineering (3 groupes)
• Major Information systems and software Engineering
• Major Big Data Engineering
– e-Management and Business Intelligence (1 groupe)
– Embedded and mobile Systems (1 groupe)
• Major Real Time and Safety Critical Embedded Systems Engineering
• Major Mobile and Electronic Commerce Systems Engineering
– Information System Security (1 groupe)
– e-Logistics engineering (1 groupe)
– Web and Mobile Engineering (2 groupes)

Partie I : 8/27Fall 2007 TIM5002 Technology Innovation
Engineer population (2015/2016)
• in 1st
Year
• 288 engineer
• in 2nd
year
• 248 engineer
• in 3rd
year
• 202 engineer in Morocco + 17 in mobility
• Total of
• 755 engineer

Partie I : 9/27
Current student mobility agreements
• Diploma mobility (double-graduation) agreements (2 degrees in 7
semesters : 4 semesters at ENSIAS + 3 semesters of abroad
mobility)
– France : ENSIMAG, ISIMA
• Credit mobility agreements (1 degree with international credits in 6
semester : 4 semesters at ENSIAS + 2 semesters of abroad mobility)
– France : ENSEIRB-MATMECA, ENSEEIHT, ESIEE, Ecole des Mines de
Saint Étienne, Telecom Saint Étienne, Univ. du Havre
– Canada : Faculté de Génie, Université de Sherbrooke
– Tunisia : ENSI (Université de la Manouba)
– Spain : Universidad de Murcia
• Mobility for 1 semester of abroad mobility :
– Sweden : DSV (SU)
– Germany : Bonn-Rhein-Sieg University of Applied Sciences (BRS)
– Canada : Montreal University, Sherbrooke
– USA : Texas University, Oklahoma University, University of Houston (PhDs)

Partie I : 10/27
16,97%
25,45%
20,61%
20,00%
4,24%
4,24%
6,67%1,82%
Répartition de la mobilité globale
ENSIMAG
ENSEIRB
ENSEEIHT
ISIMA
DSV-Suède
Télécom ST
Mines ST
BRS-Allemagne
Current student mobility agreements, in numbers
2008/2009 2009/2010 2010/2011 2011/2012 2012/2013 2013/2014 2014/2015 2015/2016 2016/2017
0
1
2
3
4
5
6
7
8
9
Evolution des étudiants en mobilité
sub-title
ENSIMAG
ENSEIRB
ENSEEIHT
ISIMA
DSV-Suède
Télécom ST
Mines ST
BRS-Allemagne
2008/2009 2010/2011 2012/2013 2014/2015 2016/2017
0
5
10
15
20
25
30
Evolution et Répartition de la mobilité
sub-title
BRS-Allemagne
Mines ST
Télécom ST
DSV-Suède
ISIMA
ENSEEIHT
ENSEIRB
ENSIMAG
33 / 165 étudiants échangés avec l'ISMA (soit 20% de la mobilité globale)
1/104
5/137
18/184
23/185
26/217 24/238
23/218
17/219
28/248
Entre 10 et 12 % par année

Partie I : 11/27
Research
Scientific research
is another major
mission of ENSIAS
and our objective is
to have an efficient,
productive and
industry oriented
research.

Partie I : 12/27
Research Structures
• Research Topics :
– Information Systems,
– Software Engineering,
– Big Data
– Embedded Systems,
– Networks and Communications,
– Systems Security,
– IoT & Cloud Computing,
– Business Intelligence,
– e-Logistics

Partie I : 13/27
Research Structures
13 research teams in total :
1. Al Jazari (Embedded & Mobile Systems)
2. Al Bironi (Business Intelligence on Networked Information)
3. ISRT (Information Security Research Team)
4. LeRMA (Learning and Research in Mobile Age)
5. RIITM (Information Retrieval, and text & multimedia document indexing)
6. ROL (Operational Research and Logistics)
7. TIME (Information Technology and Enterprise Management)
8. Alqualsadi (Enterprise Architecture, Quality of their Development and
Integration)
SIME Laboratory of Mobile and Embedded Information Systems teams
1. IMS (Systems & models Engineering)
2. MIS (Mobile Intelligent Systems)
3. SPM (Software Project Management)
4. TSE (Telecom and Embedded Systems)
5. TIES (Information Management and e-strategy)

Partie I : 14/27
Doctoral program
• Doctoral Studies Center (Centre des études doctorales
CEDOC STII Sciences des Technologies de l’Information
et de l’Ingénieur)
• Created in early 2008
• Accreditation of a doctoral degree in computer science
and in engineering science (electrical, mechanical and
environment engineering
• 43 Defended Phds
• + 450 In progress PhD candidates
• + 252 publications each year (130 indexed)

Partie I : 15/27
Financed Projects
• ENSIAS was, and is involved in several
international Projects :
– Euro-Med projects : AVICENNA, MED NET’U,
MEDFORIST, TELESUN, JOIN-MED
– Many Tempus projects (Erasmus+)
– Many DaaD projects with Germany
– Many MENA projects financed by Swedish
Research Council

Partie I : 16/27
E-learning Center
• ENSIAS hosts a university E-learning center whose
missions are :
• Integrating ICT in education
• Producing on-line educational materials
30 courses are already on-line
http://moodle.um5.ac.ma/moodle/

Partie I : 17/27
Current International Cooperation Map
Cooperation Partners in France
ENSIMAG
ISIMA
ENSEIRB-MATMECA
ENSEEIHT
Mines Saint Etienne
Télécom Saint Etienne
GEM (Grenoble Ecole de Management)
BEM (Bordeaux Ecole de Management)
INRIA, IMAG, LIRIS, IRIT
…

Partie I : 18/27
Cooperation Partners in Germany
Bonn-Rhein-Sieg University
University of Marburg
Technische Universität Darmstadt

Partie I : 19/27
Cooperation Partners in Belgium
ULB
Université Libre de Bruxelles
FUNDP
Facultés Universitaires Notre-
Dame de la Paix Namur

Partie I : 20/27
Cooperation Partners in Sweden
Stockholm University

Partie I : 21/27
Cooperation Partners in Italy
Univerità di Roma « La
sapienza »
Università « GUGLIELMO
MARCONI », Roma

Partie I : 22/27
Cooperation Partners in Sweden
Stockholm University
Cooperation Partners in Portugal
•Universidade do Algarve

Partie I : 23/27
Cooperation Partners in Canada
•Université de Montréal, Canada
•École Polytechnique de Montréal
•Université de Sherbrooke
•Université de Concordia

Partie I : 24/27
Cooperation Partners in Australia
UNSW
University of New South Wales

Partie I : 25/27
Cooperation Partners in Tunisia
•Université de Tunis
•Université de Sfax

Partie I : 26/27
Cooperation Partners in Jordan
PSUT
Princess Sumaya University
for Technology

Partie I : 27/27
Cooperation Partners in United
Arab Emirates
ZU
Zayed University

Partie II
Les Big Data
Paradigm Shift et Catalyseur de Création de la Valeur
Séminaire
Prof. Karim Baïna

© Karim Baïna 2016 Partie II : 2/44
Big Data – Introduction
Séminaire

Big Data – L'Univers digital devient de
plus en plus large et interconnecté
© IBM
(10^9)
90% des données universelles ont été créées durant les 5 dernières années
6 Milliard(10 ) de⁹
mobiles
% 8 Milliard de terriens
(10^12)
(10^9)
(10^9)
(10^9)
(10^9)

Big Data – Perception du Volume
de l'univers digital
Lune
Terre
2/3 6,6x
TeraB (10**12 B) → PetaB (10**15 B) → ExaB (10**18 B) → ZetaB (10**21 B)

Big Data 5 V
● VOLUME
– de 2013 à 2020, la taille de l'univers digital sera multipliée par 10 de 4.4 à 44 trillion (10^12) GB
– La taille de l'univers digital plus que double chaque 2 ans
● VELOCITY (Fréquence de production de la donnée)
– Une voiture moderne embarque plus de 100 capteurs
– 2,3 Trillion (10^12) GB de données sont générées chaque jours dans le monde
● VARIETY
– 80% des données universelles sont non-structurées (inexploitables par les systèmes traditionnels)
● VERACITY
– Données incertaines, entre 30 % – 80 % followers fictifs sur twitter (selon la popularité du compte)
– La circulation des hoax (canulars), spam, fake post est reprise (retwittée) plus que les démentis.
● VALUE (VA mesurable générée à la société ou à l'entreprise)
– améliorer soins de santé, mieux comprendre & servir clients/citoyens, optimiser processus métiers &
booster performance, améliorer sécurité & mieux maîtriser risques à l'international, obtenir de
nouveaux avantages compétitifs, et créer de nouveaux modèles business radicaux, etc.
Doug Laney, « 3D Data Management: Controlling Data Volume, Velocity, and Variety. », 2001 research report, META Group (now Gartner)
Samsung 16TB
(Technologie SSD)
Le plus large HD

Big Data 3 P
● PERSONNALISATION
– Prise en compte personnalisée du comportement, pour proposer, suggérer
et recommander
● PREDICTION / PREVISION
– Explication de phénomènes, Simulation des tendances et Prévision des
conséquences
● PREVENTION
– Proposition de mesures, d’actions anticipatives pour limiter l’impact d’un
phénomène

Big Data – étude d'opportunité de
Recherche (index de volume de
recherche google)
https://www.google.com/trends/
Le marché du Big Data s'élèverait à 40 milliards de dollars pour l'année 2015
et il connaitra, selon les prévisions, une croissance de 14% chaque année jusqu'en 2020

Big Data -
Un domaine au carrefour
de plusieurs disciplines et d'expertises
IoT/IoE
Digital Humanities
Social Networking
Information
Systems
Computational
Linguistics

Big Data -
IoT/IoE
Digital Humanities
Social Networking
Information
Systems
Cloud &
Grid
Computing
Computational
Linguistics

Big Data -
IoT/IoE
Digital Humanities
Social Networking
Information
Systems
KM
Data
Management
Cloud &
Grid
Computing
Computational
Linguistics

Big Data -
IoT/IoE
Digital Humanities
Social Networking
Information
Systems
Maths &
Statistics
& OR
Computational
Linguistics
KM
Data
Management
Cloud &
Grid
Computing

Big Data -
IoT/IoE
Digital Humanities
Social Networking
Software
engineering
Information
Systems
Maths &
Statistics
& RO
Computational
Linguistics
KM
Data
Management
Cloud &
Grid
Computing

Big Data – Positionnement
Séminaire

Architecture Big Data
(Real Time Processing)
Big Data Zone
ata
ke
(Batch Processing)

Processus Big Data
© Amir Gandomi, et al. 2015, International Journal of Information Management
● L'enregistrement sur les disques des data nodes n'est pas
toujours un pré-requis du traitement (real time in memory
processing) !

●
Démarche INDUCTIVE/INFERENTIELLE (typique dans les Big Data) :
Les données (observations) sont collectées sans formuler préalablement
d'hypothèse et les explications sont dérivées de ces données par
généralisation des faits observés pour produire un modèle scientifique de la
réalité dit prévisionnel.
– alias : observationnelle, corrélative, régressive
● Par opposition à la Démarche DÉDUCTIVE (alias expérimentale) qui représente le monde
naturel selon une vue théorique et cherche à vérifier certaines hypothèses quant aux causes
d'un phénomène. Ces hypothèses sont ensuite testées au cours de l'analyse, et c'est par le jeu
de leurs acceptations/rejets que se construisent les théories explicatives. Les scientifiques qui
pratiquent cette approche sont qualifiés de rationalistes.
(Patterns Discovery)
Démarche Big Data

Big Data – Paradigm Shift
Séminaire

Volume - Big Data « data-intensive »
Paradigm shift : Data Locality
Principle 1 : spread data across a cluster of computers
Principle 2 : keep work physically close to the data
(partition/fragmentation)
● Le volume des données (en PétaOctets 10^15 Octets) et la complexité
des calculs sont plus importants que la fréquence des calculs (en
milliers). Et les traitements parallèles ne partagent pas les données
initiales seulement des résultats intermédiaires.
Data at Rest

Volume - Big Data Paradigm shift :
Synchronous batch processing
Data at Rest

Big Data Map Reduce vs
Grid Computing
● Analyse asynchrone en lots sur des données réparties
(asynchronous batch processing « compute-intensive »)
● Les traitements (en lots) sont distribuées en parallèle sur des
serveurs fixés et les données sont envoyées à ces serveurs
pour traitement, la data locality n'est pas prioritaire !!
● Compute-intensive : La fréquence des calculs (en millions)
prévaut sur le volume des données. Et les traitements
parallèles peuvent partager des données sur le réseau.
● Asynchrone : Le client n'attend pas le résultat, il est notifié
quand c'est prêt
● Les temps de réponse varient entre plusieurs heures à
quelques jours

Variété - Big Data :
multitude des formats de données
OLAP
non-structuré semi-structuré structuré

Varieté - Big Data Paradigme shift :
Schema on Run/Read (aka ELT)
● Avec le Big Data - Schema on Run/Read (aka ELT) :
– Collecte des données non ou semi-structurées depuis les sources
– Stockage les données brutes sans structures explicites
– Compatible avec la démarche inductive (zéro hypothèse)
– Exploration et Analyse les données « programmatoirement » le
programme s'adapte au format et pas l'inverse !!
– Stockage dans une structure cible pour de futures analyses
– Cycle de vie court et flexible
Par contre La Business Intelligence suit le paradigme « Schema on Load/Write » (aka
ETL). L'Objet & les dimensions d'analyse sont pré-organisées selon l’utilisation
envisagée, Collecte des données de production structurées selon un format intial et
Stockage dans un hyper-cube structuré. A chaque fois que les données évoluent, il y a
nécessité de mise à niveau du datawarehouse et remise en question de la stratégie
d’organisation de l’information (Cycle de vie très long et rigide)

Vélocité - Big Data paradigm shift :
Real Time Analysis Processing (RTAP)
● Les données (événements) arrivent vers les calculs et sont traitées
à la volée avant même d'être stockées
● Les traitements peuvent accueillir plusieurs millions d'événements
par seconde.
Pattern recognition/correlation/scoring rules
Data in Motion

Val
Recommandation
de services/produits
Prévision Catastrophes naturelles
...
Prévision des évolution
des épidémies
Traitement des échanges boursiers
Sécurité territoriale
Mesure de la Perception du citoyen
Mesure de la Satisfaction du client
Anticiper les pics
de la circulation
Sécurité du citoyen
Valeur

Exemple pratique : Calcul de la
carte du bonheur par pays
Un échantillon
Json de Tweeter
Un dictionnaire
d'émotion

Exemple pratique : Calcul de la carte du
bonheur par pays (en 7 mini-requêtes HiveQL)
I) Charger Dictionnaire d'émotion
create table dictionary (word string, rating int)
ROW FORMAT DELIMITED FIELDS TERMINATED BY 't';
LOAD DATA LOCAL INPATH '/home/hadoop/AFINN.txt' into TABLE dictionary;
II) Charger Tweets depuis stockage flume
create external table load_tweets(id BIGINT, text STRING, country STRING)
ROW FORMAT SERDE 'com.cloudera.hive.serde.JSONSerDe' LOCATION '/user/flume/tweets'
Tokeniser les tweets
create table split_words as select id as id, split(text,' ') as words, country from load_tweets;
Applatir les mots des tweets
create table tweet_word as
select id as id, word, location from split_words LATERAL VIEW explode(words) w as word;
III) Croiser Tweets & Dictionnaire
create table tweet_word_join as
select tweet_word.id, tweet_word.word, country, dictionary.rating
from tweet_word LEFT OUTER JOIN dictionary ON(tweet_word.word =dictionary.word);
Calculer moyenne score de chaque Tweet
create table tweet_rating_avg as
select id, country, AVG(rating) as rating from tweet_word_join GROUP BY id, country order by rating
DESC;
Calculer moyenne score de chaque Pays
create table location_rating_avg as
select country, AVG(rating) as rating from tweet_rating_avg GROUP BY country order by rating DESC;
-Like

Big Data &
visualisation « Dataviz »
http://www.mastersindatascience.org/blog/10-cool-big-data-visualizations/

Big Data &

Big Data &
http://www.theguardian.com/world/interactive/2011/mar/22/middle-east-protest-interactive-timeline

Big Data &
Not all Arab tweeters agreed with Mona Eltahawy views of feminism in the Arab world
Visualizing Big Data:
Social Network Analysis
by Michael Lieberman, 2014

Big Data – un écosystème de
nouveaux concepts et technologies

Dev Ops Engineer
Builds the cluster
Data Analyst
SQL & NoSQL guru
Big Data Developer/
Insight Developer
Insight Developer,
Productise insight
Data Scientist
Data Manager,
Machine learning expert
Data Innovator
Business Analyst,
Data Value services
INFRA DATA ENGINEERING DATA SCIENCE DATA INNOVATION
Big Data – Quels Profils et
Compétences ?

● Pour devenir Spécialiste de Big Data
– Un Statisticien devra apprendre à manipuler des données
distribuées et qui ne tiennent pas en mémoire RAM d'une
seule machine
– Un analyste métier ingénieur BI (ou analyste d'affaires -
Business Analyst) devra apprendre à écrire et exécuter
des algorithmes décisionnels à l'échelle et faire du
reporting sur des données stockées en format brute
– Un DBA devra apprendre à manipuler des données non-
structurées
– Un ingénieur Génie Logiciel devra apprendre la
modélisation statistique et la communication des résultats
© Prof. Bill Howe
Big Data – Quels Profils et
Compétences ?

Big Data – Eldorado pour la
R&D et l'Innovation
Séminaire

Nuage des topics liés à 15
conférences sur le Big Data de 2016
Analyse de 1692 occurrences de 443 mots du domaine (sans doublons) au total

cloud 50 2,96%
computing/tation 39 2,30%
analysis/tics 36 2,13%
application(s) 36 2,13%
system(s) 28 1,65%
semantic(s) 26 1,54%
architecture(s)/al 24 1,42%
management/ing 24 1,42%
learning 23 1,36%
service 23 1,36%
network/ing 21 1,24%
web/2 21 1,24%
business 20 1,18%
model/lling 20 1,18%
security 17 1,00%
social 17 1,00%
privacy 16 0,95%
enterprise 15 0,89%
method/ologies 15 0,89%
knowledge 14 0,83%
smart 13 0,77%
recommendations/der 9 0,53%
virtual/isation 7 0,41%
iot 6 0,35%
sensor/itive 6 0,35%
trust/ed/worthy 6 0,35%
interoperability 2 0,12%
Topics liées à 15
conférences sur le Big
Data de 2016 – top 30

data enterprise
applications
learning
model/lling techniques/logy
mobile
scale/able
0
20
40
60
80
100
120
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
Distribution des apparitions de mots dans les CFP
mot
fréquenced'apparition
science/tist 13 0,77%
bioinformatics/logical/logy/medical/metrics 12 0,71%
health 8 0,47%
market/ing 8 0,47%
transport/ation8 0,47%
energy 7 0,41%
home 7 0,41%
ehealth 5 0,30%
governance 5 0,30%
healthcare 5 0,30%
cities 3 0,18%
econometrics/nomics 3 0,18%
human 3 0,18%
medical 3 0,18%
banking 2 0,12%
hospitals 2 0,12%
industrial 2 0,12%
Topics liées à 15 conférences sur le
Big Data de 2016 – par domaine

Top 20 des topics liées à 10 études
d'opportunités Big Data (282 pages,
115.623 mots)
service(s)
value/able/ed
computation/al/ally
tool/kit
0,00%
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
distribution des apparitions des mots dans les études d'opportunité Bi
mots
fréquenced'apparition
privacy/vate/tivally 554 4,91%
governance/nment 392 3,48%
analytic/al/ze.. 370 3,28%
social/itycs/etal/etally/ities/economic/logical/ethnical311 2,76%
global/ization/lly/world 287 2,54%
decision/ding/cisive 283 2,51%
individual/lized 251 2,23%
usability/er/sable/age/ed/ful/fulness220 1,95%
policy/maker/making 213 1,89%
science/tific/tifically 208 1,84%
protection/tected/tecting/tective 2011,78%
system/ic/ematic/emacally 1881,67%
computation/al/ally 167 1,48%
secure/ly/ing/ities 167 1,48%
acces/ssibility/ssible 164 1,45%
digital/lisation/tally/tised 163 1,45%
Marketing 159 1,41%
predict/able/ted/ting/tive/tion/tor 154 1,37%
Mobile 125 1,11%

Big Data Opportunité 1 - Services
(446 occurrences)
risk
price/cing/stats/discrimination
production/ve/ivity
smart/er/erplanet/meter/phone
devices
bank/ing
transport/ation/ing
car/automtive/mobile
telecom
interoperability
interconnect/ed/ting/tivity
0 10 20 30 40 50 60 70 80 90 100
Nombre d'occurrences dans les études d'opportunité Big Data
Apparition
OpportunitéBigData

Big Data Opportunité 2 – Security
& Privacy protection (396
occurrences )
risk
crime/minal
fraud/ulent
surveillance
account/ability/ant
prevent/tion/ting/tive
anomalies
anonymise/sation
trust/ed/ing/ees
terrorism/ist
cameras
0 10 20 30 40 50 60 70 80 90 100
Apparition
OpportrunitéBigData

Big Data Opportunité 3 - Smart
Governement (350 occurrences)
citizen
population
civil/ian/ized/rights
regulatate/lation/lating/lator/latory
popular/rity/rly
democracy/tic/tization/tized
political/ciations/tics
vote/r
0 10 20 30 40 50 60 70 80
Apparition
OpportunitéBigData

Big Data Opportunité 4 - Health
(176 occurrences)
medical
genome/tic/ticist/alogy/e
bioinformatics/logical/logy/med/medical/metric/tech
senior
clinical/cian
epicentre/demic/demics/miologic/logical
pharmacy/ceutical/cogenomics
doctor
cancer
0 5 10 15 20 25 30 35 40 45
Opportunité Big Data
Apparition

Partie III
Angel Assistance :
Une Architecture intégrée
IoT-Big Data
pour la vidéo-protection des personnes âgées
Séminaire
Prof. Karim Baïna

© Karim Baïna 2016 Partie III : 2/14
La SociétéLa Société
● Angel Assistance : SARL créée en Août 2013
● Jeune Entreprise Innovante : 4 Brevets + 2 en
cours
● Angel Assistance Établissements : SARL créé en
Octobre 2014
● Localisation : Nancy et Metz
● Type de clientèle : Établissements et Particuliers
● Offre : Service aide à la détection de chute par
vidéo-protection et assistance pour seniors fragiles
● URL : www.angel-assistance.fr

Pyramide des âges en France -
2060
Estimation de la pyramide des âges en 2060 (courbe rouge) et comparaison avec la pyramide de 2007, INSEE
en 2015 :
12.000.000 personne
aura plus de 60 ans
18 % de la population
en 2060,
Ils seront
+1/3 de la population

Trajectoires de la dégradation desTrajectoires de la dégradation des
capacités physiquescapacités physiques
« World Report On Ageing and Health », World Heath Organisation, 2015

Décès (2015)
12000
Fractures du col du fémur
+55.000
Hospitalisations
+125 000
Interventions médicales
+500 000
Personnes Chuteuses à répétition
+3 Millions
On considère ici qu'une personne
âgée (senior) a plus +75 ans, seuil
en Europe où les problèmes de
santé commencent à s'aggraver.
Le retard des secours aggrave
les conséquences de la chute.
L’intervention rapide grâce à
un détecteur de chute peut éviter
26% des hospitalisations soit 325M€
et 80% des décès.
La Chute Chez les SeniorsLa Chute Chez les Seniors

Silver economySilver economy
● Du fait du vieillissement de la population,
la demande d’aménagement du domicile,
de produits et de services liés à
l’autonomie devrait doubler en l’espace
d’une vingtaine d’années.
« La Silver Économie, une opportunité de croissance pour la France », Rapport du
CGSP (Commissariat général à la stratégie et à la prospective), Décembre 2013

Solution Angel AssistanceSolution Angel Assistance
● Solution propriétaire d’aide à la détection
des chutes et service d’assistance
● Service testé et validé dans plusieurs
EHPAD
● Détection des chutes et de situations
risquées

Supportés financièrement par
● Programme R&D
● Programme accélération startup

Qualification : Chute
Situation risquée
Procédure d’interventionProcédure d’interventionProcédure d’intervention
SLA = 5 Minutes max
Service 24H / 7J – 5 mnService 24H / 7J – 5 mn

Qualification : Chute
Situation risquée Procédure d’intervention
5 Minutes
Solution Angel AssistanceSolution Angel AssistanceSolution Angel AssistanceSolution Angel Assistance
Détection chutes
Détection situations risquées

Bilan spécifique auBilan spécifique au
GROUPE SOS SeniorsGROUPE SOS Seniors
6 mois 4 chambres
● 14 Chutes Détectées
– 64 % jour / 36 % nuit
– Assistance en 5 minutes
● 22 Chutes Évitées
– Prévention chutes
● + de 3 Hospitalisations Évitées
● Bonne Acceptation, Sentiment de sécurité
– Résident
– Famille
– Personnel

Benchmark des Offres
de télé-assistance
Le senior doit
appuyer sur un
bip d'alerte pour
communiquer en
cas d'incident
le capteur vidéo
analyse le
comportement
du patient et
déclenche
l'alerte
des capteurs portés par
le patient (accéléromètre,
signaux biologiques) ou
environnementaux
(présence, sol, portes)
déclenchent l'alerte

Architecture macro

L'étude de Cas Angel-Assistance
vs 5V
● Vélocité/Volume
– Flux Caméra HD * 24H * 7j * Nombre Résidents
● Véracité
– Le vidéo-détecteur est couplé avec l'opérateur humain
● Valeur
– sécuriser les personnes âgées et leur éviter des
hospitalisation
● Variété (autres capteurs)
– ne fait pas partie des problématiques actuellement

Merci pour votre attention
made with :
Séminaire
Prof. Karim Baïna

Karim Baina Seminaire BigData IoT ISIMA Juillet 2016

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (19)

Similaire à Karim Baina Seminaire BigData IoT ISIMA Juillet 2016

Similaire à Karim Baina Seminaire BigData IoT ISIMA Juillet 2016 (20)

Plus de Karim Baïna

Plus de Karim Baïna (17)

Karim Baina Seminaire BigData IoT ISIMA Juillet 2016