Le monitoring global d’un Cloud Hybride complexe, hétérogène passe par une solution analytique dotée des capacités à récolter des différentes informations à large spectre, traversant tous les les silos de données. Ces informations sont analysées par les différentes méthodes de machine learning ayant une aptitude d’analyser, de corréler en temps réel des évènements et prédire des éventuelles anomalies futurs.
Objets connectés et Data Science, quels usages marketing ?
Les objets connectés provoquent un véritable déluge de données. Les techniques de Machine Learning et de Data Science combinées aux technologies Big Data permettent de transformer ces données en connaissance actionnable pour améliorer l’expérience utilisateur, la qualité des produits ou l’efficacité des processus. Quelles données remontent de l’IoT ? quelles techniques permettent d’en extraire de la connaissance utile ? comment cette connaissance peut-elle créer de la valeur ?
Que ce soit dans le domaine de la santé, de la domotique, des véhicules, des réseaux de distribution, la quantité d’objets connectés croît de manière exponentielle. Dans le même temps, les innovations technologiques concourent à augmenter la fréquence et la quantité d’informations captée et exploitable.
Les services rendus à son utilisateur par chaque objet connecté reposent sur la donnée collectée et son analyse. Mais l’accumulation de données que rendent possible les technologies Big Data et la puissance d’analyse qu’offrent les techniques de Deep Machine Learning et de Data Science ouvrent de nouveaux horizons à l’utilisation marketing des données de l’IoT : primes d’assurances tarifées à l’usage, prévisions des ventes de produits frais ou des consommations d’énergie, anticipation des files d’attente en caisse, yield management et pricing dynamique, ...
Ce séminaire prospectif vise à présenter au travers de quelques exemples, les données, les technologies et les techniques sous-jacentes à l’analyse de données massives produites par les objets connectés ainsi que des conseils sur les modalités pratiques de mise en œuvre.
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?IRSST
Présentation au Colloque IRSST 2017 de Geneviève Lefebvre, directrice de projet, Innovation et Transfert au CEFRIO.
http://www.irsst.qc.ca/colloque-2017
Objets connectés et Data Science, quels usages marketing ?
Les objets connectés provoquent un véritable déluge de données. Les techniques de Machine Learning et de Data Science combinées aux technologies Big Data permettent de transformer ces données en connaissance actionnable pour améliorer l’expérience utilisateur, la qualité des produits ou l’efficacité des processus. Quelles données remontent de l’IoT ? quelles techniques permettent d’en extraire de la connaissance utile ? comment cette connaissance peut-elle créer de la valeur ?
Que ce soit dans le domaine de la santé, de la domotique, des véhicules, des réseaux de distribution, la quantité d’objets connectés croît de manière exponentielle. Dans le même temps, les innovations technologiques concourent à augmenter la fréquence et la quantité d’informations captée et exploitable.
Les services rendus à son utilisateur par chaque objet connecté reposent sur la donnée collectée et son analyse. Mais l’accumulation de données que rendent possible les technologies Big Data et la puissance d’analyse qu’offrent les techniques de Deep Machine Learning et de Data Science ouvrent de nouveaux horizons à l’utilisation marketing des données de l’IoT : primes d’assurances tarifées à l’usage, prévisions des ventes de produits frais ou des consommations d’énergie, anticipation des files d’attente en caisse, yield management et pricing dynamique, ...
Ce séminaire prospectif vise à présenter au travers de quelques exemples, les données, les technologies et les techniques sous-jacentes à l’analyse de données massives produites par les objets connectés ainsi que des conseils sur les modalités pratiques de mise en œuvre.
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?IRSST
Présentation au Colloque IRSST 2017 de Geneviève Lefebvre, directrice de projet, Innovation et Transfert au CEFRIO.
http://www.irsst.qc.ca/colloque-2017
Présentation de Frédéric Dulac, Directeur d'Eolas aux Rencontres des décideurs informatiques de l'Isère.
Retrouvez ici la vidéo de la présentation : http://bit.ly/1u469so
Sensibilisation à la veille documentaire (Doctorants SHS, juin 2022)Alain Marois
Support de formation pour la séance Veille du cycle de formations aux doctorants SHS du site Université de Lyon. Juin 2022. 3h (des supports de TD complètent)
Veille Commerciale - Commercialisation Produit TechnologiqueFrancis Belime
Avant de lancer un nouveau produit sur le marché, la recherche d’informations commerciales sur les concurrents, leur stratégie et leurs solutions produits est une démarche clé qui doit être organisée afin de mieux positionner les avantages compétitifs et le message commercial de l’entreprise. Cette veille peut aussi conduire à collecter des données stratégiques sur le marché, ses tendances et les clients cibles. Plus ou moins structurée dans les entreprises technologiques, le retour sur investissement d’une démarche de veille commerciale peut se calculer facilement en tenant compte des dépenses engagées dans des actions marketing mal ciblées ou encore une campagne de prospection fondée sur des fichiers de prospects peu ou mal qualifiés. De plus, avec l’émergence du web 2.0, de nombreux outils sont aujourd’hui disponibles gratuitement et l’action de veille, de manière générale, devient une activité facilement accessible pour toute entreprise, peu importe sa taille et son secteur d’activité.
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
Support de présentation de l'atelier-conférence sur la veille sur les réseaux sociaux. CCI de Rennes, 9 avril 2013. Présentation préparée par Lionel Myszka de Webpatron.com
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...Philippe Beraud
Avec l'agilité et l'échelle du Cloud, la capacité des machines à analyser rapidement et à répondre des quantités sans précédent de données devient indispensable comme la fréquence, l'échelle et la sophistication des cyberattaques ne cessent d'augmenter. Extraire les signaux d'un attaquant de milliards d'événements de log en quasi réel temps depuis un stockage à l'échelle du Pétaoctet est une tâche ardue.
L'application des algorithmes de Machine Learning aux vastes quantités de données issues des logs et de la télémétrie recueillies par les différents services donne une connaissance et une capacité de détection d'anomalies sans précédent pour identifier les comportements malveillants ou les entités malveillantes ; appelez-les hackers, attaquants, logiciel malveillant, comportement indésirable, etc. Ces techniques contribuent à identifier les menaces plus efficacement que d'autres approches pilotées par logiciel pour défendre les services Cloud de Microsoft, son infrastructure et ses clients.
Cette session s’intéressera à la façon dont le Machine Learning et désormais le Transfer Learning peuvent être appliqués à la Cybersécurité à chaque niveau de défense (prévention, détection et remédiation) et illustrera comment cela se traduit dans les services proposés à nos clients.
Comment l’intelligence artificielle réinvente la fouille de texteAntidot
La fouille de texte a déjà prouvé son intérêt pour tirer le sens des contenus et les enrichir avec des informations contextuelles, ce qui facilite la navigation, la recherche et aujourd’hui la recommandation automatique d’information. Cependant, les approches conventionnelles sont complexes à mettre en œuvre et coûteuses à exploiter pour une qualité pas toujours au rendez-vous.
Grâce aux nouvelles approches statistiques issues du machine learning, la classification automatique de documents et l’extraction d’entités nommées deviennent très accessibles et bien plus qualitatives.
Antidot vous présentera deux retours d’expérience sur ces nouvelles approches dans des contextes clients opérationnels dans le domaine de l’information juridique avec le CAIJ (Centre d’Accès à l’Information Juridique du Québec) et dans le domaine de la presse avec l’hebdomadaire Le Point.
tl;dr
* Le Lean Startup nous a permis d'affiner / de découvrir les problèmes des utilisateurs, et de construire un MVP après une phase de customer discovery
* Il est indispensable d'accélérer le cycle Build Measure Learn pour construire le produit
* Les patterns des Géant du Web sont puissants pour maîtriser et accélérer le build (Feature Flipping, TDD, Continuous Integration, DevOps, Monitoring, Usine de Développement, Pizza Team)
* L'obsession de la mesure implique des changements organisationnels (le backlog évolue, les DODs contiennent des validations sur les mesures, les décisions sont pilotées par les mesures)
* Les apprentissages doivent être rigoureux, en prenant attention de ne pas polluer certaines mesures par des tests sur plusieurs hypothèses simultanément
Lien vers la vidéo : http://tv.octo.com/videos/lean-startup-applique-elcurator/
(Son de mauvaise qualité)
Présentation de Frédéric Dulac, Directeur d'Eolas aux Rencontres des décideurs informatiques de l'Isère.
Retrouvez ici la vidéo de la présentation : http://bit.ly/1u469so
Sensibilisation à la veille documentaire (Doctorants SHS, juin 2022)Alain Marois
Support de formation pour la séance Veille du cycle de formations aux doctorants SHS du site Université de Lyon. Juin 2022. 3h (des supports de TD complètent)
Veille Commerciale - Commercialisation Produit TechnologiqueFrancis Belime
Avant de lancer un nouveau produit sur le marché, la recherche d’informations commerciales sur les concurrents, leur stratégie et leurs solutions produits est une démarche clé qui doit être organisée afin de mieux positionner les avantages compétitifs et le message commercial de l’entreprise. Cette veille peut aussi conduire à collecter des données stratégiques sur le marché, ses tendances et les clients cibles. Plus ou moins structurée dans les entreprises technologiques, le retour sur investissement d’une démarche de veille commerciale peut se calculer facilement en tenant compte des dépenses engagées dans des actions marketing mal ciblées ou encore une campagne de prospection fondée sur des fichiers de prospects peu ou mal qualifiés. De plus, avec l’émergence du web 2.0, de nombreux outils sont aujourd’hui disponibles gratuitement et l’action de veille, de manière générale, devient une activité facilement accessible pour toute entreprise, peu importe sa taille et son secteur d’activité.
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
Support de présentation de l'atelier-conférence sur la veille sur les réseaux sociaux. CCI de Rennes, 9 avril 2013. Présentation préparée par Lionel Myszka de Webpatron.com
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...Philippe Beraud
Avec l'agilité et l'échelle du Cloud, la capacité des machines à analyser rapidement et à répondre des quantités sans précédent de données devient indispensable comme la fréquence, l'échelle et la sophistication des cyberattaques ne cessent d'augmenter. Extraire les signaux d'un attaquant de milliards d'événements de log en quasi réel temps depuis un stockage à l'échelle du Pétaoctet est une tâche ardue.
L'application des algorithmes de Machine Learning aux vastes quantités de données issues des logs et de la télémétrie recueillies par les différents services donne une connaissance et une capacité de détection d'anomalies sans précédent pour identifier les comportements malveillants ou les entités malveillantes ; appelez-les hackers, attaquants, logiciel malveillant, comportement indésirable, etc. Ces techniques contribuent à identifier les menaces plus efficacement que d'autres approches pilotées par logiciel pour défendre les services Cloud de Microsoft, son infrastructure et ses clients.
Cette session s’intéressera à la façon dont le Machine Learning et désormais le Transfer Learning peuvent être appliqués à la Cybersécurité à chaque niveau de défense (prévention, détection et remédiation) et illustrera comment cela se traduit dans les services proposés à nos clients.
Comment l’intelligence artificielle réinvente la fouille de texteAntidot
La fouille de texte a déjà prouvé son intérêt pour tirer le sens des contenus et les enrichir avec des informations contextuelles, ce qui facilite la navigation, la recherche et aujourd’hui la recommandation automatique d’information. Cependant, les approches conventionnelles sont complexes à mettre en œuvre et coûteuses à exploiter pour une qualité pas toujours au rendez-vous.
Grâce aux nouvelles approches statistiques issues du machine learning, la classification automatique de documents et l’extraction d’entités nommées deviennent très accessibles et bien plus qualitatives.
Antidot vous présentera deux retours d’expérience sur ces nouvelles approches dans des contextes clients opérationnels dans le domaine de l’information juridique avec le CAIJ (Centre d’Accès à l’Information Juridique du Québec) et dans le domaine de la presse avec l’hebdomadaire Le Point.
tl;dr
* Le Lean Startup nous a permis d'affiner / de découvrir les problèmes des utilisateurs, et de construire un MVP après une phase de customer discovery
* Il est indispensable d'accélérer le cycle Build Measure Learn pour construire le produit
* Les patterns des Géant du Web sont puissants pour maîtriser et accélérer le build (Feature Flipping, TDD, Continuous Integration, DevOps, Monitoring, Usine de Développement, Pizza Team)
* L'obsession de la mesure implique des changements organisationnels (le backlog évolue, les DODs contiennent des validations sur les mesures, les décisions sont pilotées par les mesures)
* Les apprentissages doivent être rigoureux, en prenant attention de ne pas polluer certaines mesures par des tests sur plusieurs hypothèses simultanément
Lien vers la vidéo : http://tv.octo.com/videos/lean-startup-applique-elcurator/
(Son de mauvaise qualité)
Monitoring Cloud Hybride par analyse predictive et intelligence artificielle
1. MONITORING GLOBAL DES
CLOUD HYBRIDE & MULTI-CLOUD
PAR ANALYSE PREDICTIVE &
INTELLIGENCE ARTIFICIELLE
Thèse Mastère Spécialisé
Expertise en Cloud Computing
Marie Phuong VUONG
Décembre 2017
2. Présentation du contexte .
Pourquoi cette approche
Etat actuel du monitoring .
Les nouveaux besoins .
Analyse predictive &
Intelligence Artificielle
Conclusion d
PLAN
2
Marie Phuong VUONG 2
3
4
1
5
5. Contexte
Marie Phuong VUONG 5
Caractéristiques d’un environnement complexe
➔ Hétérogène, évolutif, distribué, dynamique et réparti
➔ Les outils de monitoring classiques ne sont plus suffisants
Quel outil et quel moyen pour un Monitoring
Global de ces environnements complexes ?
Cloud Hybride
➔ Composé par un ensemble d’éléments
On-Premise ou Cloud Privé (interne, externe)
Et Cloud Public
Multi-Cloud
➔ Multiples fournisseurs (i.e Amazon AWS, Microsoft Azure
ou GCP...)
6. Monitoring Moderne
Big Data &
Machine
Learning
Collecte de
l’ensemble
des
événements
Analyse
prédictive &
Intelligence
Artificielle
Solution pour le monitoring global
Marie Phuong VUONG 6
10. Etat actuel des outils de monitoring
◎ Un Monitoring actuel siloté
Infrastructure
Monitoring
Application
Monitoring
Log
Monitoring
Cloud
Monitoring
Marie Phuong VUONG 10
Infrastructures x Applications x Logs x Clouds
Monitoring
Regroupé
& Corrélé
11. Nouveaux enjeux
Monitoring
Automatisé
Visibilité transversale
Analyse prédictive
Big Data
Machine Learning
Intelligence artificielle
ENJEUX METIERS
Agilité de déploiement & continuité service
➔ Détection automatique des composants
➔ Détection proactive des alertes et prédictivité
EXPLOSION DES DONNÉES
Millions d’alertes, phénomène d’alertes fatigue
➔ Analyse & extraction : éliminer les faux-positif
➔ Apprentissage : corrélation des alertes
DEVOPS & CLOUDOPS
Fonctionnement CI/CD
➔ Vision inter-disciplinaire
Marie Phuong VUONG 11
13. Analyse prédictive
Avec le Big Data et les puissances de calcul, le Machine Learning est capable
d’avoir des modèles de prédiction de plus en plus précis
● Détection des anomalies proactive
● Alertes comportements anormaux présents
● Prédire les comportements anormaux futurs
Entrainement de
modèle prédictif
comportement
Cloud Hybride
Modèle de
monitoring par
analyse
prédictive
Données
machines
massives
Log, ressources, flux...
Marie Phuong VUONG 13
14. Un apprentissage continu par l’IA
Collectes
des
données
Analyse
des
données
Elaboration &
Déploiement
du modèle
Résolution &
Prescription
Application
de correction
Detections &
Alertes
App
cpu,mem
VM
cpu,mem
SLA
Métrique
KPI
Actions
Mesures
Services
Cloud
Marie Phuong VUONG 14
Base consolidée
de Monitoring