Télécharger en tant que PDF, PPTX
Téléchargé parOCTO Technology Suisse
Softshake 2015 - Des small data aux big data - Méthodes et Technologies
Le document traite de l'évolution des données, depuis les small data jusqu'aux big data, et de l'impact de cette transformation sur les méthodes de traitement et d'analyse des données. Il souligne le passage d'une statistique classique à des approches d'apprentissage statistique, ainsi que la nécessité d'adapter les outils technologiques pour gérer des volumes de données toujours plus importants. En conclusion, il met en avant l'importance des capacités d'apprentissage améliorées grâce à ces technologies pour avoir une meilleure compréhension et prédiction des phénomènes.
Contenu connexe
Similaire à Softshake 2015 - Des small data aux big data - Méthodes et Technologies
Softshake 2015 - Des small data aux big data - Méthodes et Technologies
- 1. 1 Tél : +4121 312 94 15 www.octo.com © OCTO 2015 Avenue du théâtre 7 CH-1005 Lausanne - SUISSE Des small data aux big data Méthodes et technologies
- 2. 2 Tél : +4121 312 94 15 www.octo.com © OCTO 2015 Avenue du théâtre 7 CH-1005 Lausanne - SUISSE Benoît Béraud Consultant OCTO Suisse bberaud@octo.com Nicolas Cavallo Consultant OCTO France ncavallo@octo.com
- 3. 3 Pourquoi les bigdata? De la statistique à l’apprentissage Aperçu des technologies Cas client Conclusion
- 4. 4 Pourquoi les bigdata ?
- 5. 5 Source : IntelFree Press
- 6. 6 Source : IntelFree Press
- 7. 7 Source : IntelFree Press
- 8. 8 Un monde quichange Plus de Volume Plus de Vitesse Plus de diVersité Ceci est un constat (les 3V) mais pas une définition du bigdata Quid de la production de valeur ?
- 9.
- 10. 10 Moore à larescousse Mais pas partout … Vive la loi de Moore Des disques dur plus volumineux Des CPUs plus rapides De la RAM de moins en moins chère
- 11. 11 Tout augmente !Sauf… 0 10 20 30 40 50 60 70 1991 1996 1998 2001 2006 Débit(MB/s) Gain : x91 64 MB/s 0,7 MB/s Seagate Barracuda 7200.10 Seagate Barracuda ATA IV IBM DTTA 35010 Gain : x100 000 1990 2010Lire l’intégralité d’un disque prend aujourd’hui 100 à 1000 fois plus de temps qu’il y a 30 ans
- 12. 12 On a besoinde nouveaux outils pour Adresser les limitations d’IO Traiter des volumes gigantesques Réagir de plus en plus vite
- 13. 13 De la statistiqueà l’apprentissage
- 14. 14 « Science ettechniques d'interprétation mathématique de données complexes et nombreuses» définition LeRobert La Statistique STATISTIQUE Activité qui consiste à réunir des données Méthode de traitement et d’interprétation des données
- 15. 15 De 1900 à1950 Décrire des « grands » ensembles de données Les sondages Les Tests Les intervalles de confiance Extrapoler un échantillon à une population mère Statistique descriptive Statistique inférentielle Statistique exploratoire unidimensionnelles bidimensionnelles La méthodologie statistique n’apparait véritablement qu’en 1900. Deux grandes familles émergent alors :
- 16. 16 Evolution du contextetechnologique Des small Data … Au Big Data 1970 -1980 Taille : Ko Les premiers outils informatiques, l’analyse de données se développe (ACP AFC). On explore les données 1980 -1990 Taille : Mo Début de l’intelligence artificielle. Apprentissage des « réseaux de neurones » 1990 -2000 Taille : Go On stocke les données (DataWarehouse), on commence à s’en servir pour l’aide à la décision grâce à la fouille de données (Data Mining ) 2000 - … Taille : To Le nombre de données explose. Le fléau de la dimension oblige la statistique à évoluer 1940 -1970 Taille : Octets <100 individus, <10 variables Modèle linéaire Test
- 17. 17 Les limites dela statistique inférentielle Risque de conclure à des liens artificiels Corrélation fallacieuse Régression fallacieuse p-value concluant systématiquement à une significativité statistique Limites de l’analyse statistique « classique » lorsque les données sont volumineuses Statistique inférentielle Conséquence : la prédiction deviendrait impossible ?
- 18. 18 Un autre paradigme: l’apprentissage statistique Statistique inférentielle Statistique exploratoire Théorie de l’apprentissage statistique • On n’extrapole plus à une population mère : le modèle suit les données, et non plus l’inverse • La découverte de régularités dans les données permettent de comprendre et/ou de prédire • L’objectif de qualité de la prédiction l’emporte sur la réalité du modèle devenu « boite noire » • Le rééchantillonnage permet de valider les structures
- 19. 19 Un autre paradigme: l’apprentissage statistique Théorie de l’apprentissage statistique Apprentissage non supervisé Apprentissage supervisé
- 20. 20 Validation croisée Objectif: on veut vérifier que notre modèle s’applique à de nouvelles données Besoin de données pour le rééchantillonnage validation croisée Base initiale On crée notre modèle On le teste L’efficacité de notre modèle est mesurée sur des nouvelles donnéesX 10 Validation croisée
- 21. 21 Les méthodes ensemblistes Objectif : Prédire ! Au risque de complexifier le modèle… Besoin de données pour le rééchantillonnage les méthodes ensemblistes X1 X2 X3 X4 X5 Individu 1 3 1 4 0 2 Individu 2 2 2 7 0 1 Individu 3 5 5 4 1 4 Individu 4 3 4 3 1 2 Individu 5 2 6 1 0 3 Vote ou moyenne Prédiction Modèle 1 Modèle 2 Modèle 3 Exemple : les Random Forest Bagging : constitution de plusieurs arbres par tirages aléatoires successifs d’individus
- 22. 22 Besoin de donnéespour le rééchantillonnage les méthodes ensemblistes X1 X2 X3 X4 X5 Individu 1 3 1 4 0 2 Individu 2 2 2 7 0 1 Individu 3 5 5 4 1 4 Individu 4 3 4 3 1 2 Individu 5 2 6 1 0 3 Vote ou moyenne Prédiction Modèle 1 Modèle 2Modèle 3 Exemple : les Random Forest Feature sampling : constitution de plusieurs arbres par tirages aléatoires successifs de variables ATTENTION Les modèles deviennent souvent des « boites noires » POUR EN SAVOIR PLUS Data Science : fondamentaux et études de cas livre OCTO (EYROLLES)
- 23. 23 𝑤 ↓ 1 𝑤 ↓ 2 𝑤 ↓ 𝑃 Le retour desréseaux de neurones 𝑋 ↓ 1 𝑋 ↓ 2 𝑋 ↓ 𝑝 … Un neurone Un réseau de neurones (perceptron) Couche cachée Couche de sortieCouche d’entrée y∑ | 𝑓 ∑ | 𝑓 ∑ | 𝑓 ∑ | 𝑓 … 𝑓 𝑓 𝑓 𝑓 𝑋 ↓ 1 𝑋 ↓ 2 𝑋 ↓ 𝑝 𝑋 ↓ 𝑗
- 24. 24 Layer 4Layer 3Layer2Layer 1 Années 1980 : « à l’époque, c’était bien difficile. Nous n’avions pas de grands ensembles de données, ni d’ordinateurs rapides » (Yann Lecun) De plus en plus utilisé : Reconnaissance vocal : Siri, Cortana, google now, Reconnaissance d’images : google maps (déchiffrer les textes dans le paysage), Deep Face (facebook), googLeNet L’avènement du Deep Learning Le deep learning, un fonctionnement multi-couche
- 25. 25 Description d’images grâceau Deep Learning GoogLeNET, ça c’est du Deep Learning : A group of young people playing a game of frisbee A yellow school bus parked in a parking lot
- 26. 26 Jusqu’à présent, onavait besoin d’énorme base de données supervisée Mais en 2012, « Google Brain » découvre par lui-même le concept de chat… …. En visionnant 10 millions de captures d’écrans de Youtube… non étiquetées ! L’apprentissage non supervisé, plus proche encore de l’apprentissage humain L’apprentissage non supervisé On détecte les objets Avec une seule image, on les nomme Nuage Eléphant Etoile Chat Apprentissage non supervisé Apprentissage supervisé On observe notre environnement
- 27. 27 Pour tirer vraimentparti de la puissance de l’apprentissage statistique, il faut entrer pleinement dans l’ère des big data : plus on a de données, plus les apprentissages peuvent être fins En conséquence, les exigences en termes de stockage et de capacité de traitement sont fortes L’apprentissage a besoin de données Il faut donc maitriser les technologies, et il n’est pas étonnant que les leaders actuels dans la R&D en machine learning soient aussi des leaders technologiques : Google, Facebook…
- 28.
- 29. 29 Comment faire encoreplus ? Stratégies de montée en puissance Scale-up Scale-out
- 30. 30 Nouveaux problèmes Toute solutionamène de nouveaux problèmes. Loi de Murphy Pas ACID Atomicity Coherency Isolation Durability Théorème CAP Coherency Availability Partition Nouveaux paradigmes Drivers Tests MapReduce
- 31. 31Image from -http://mm-tom.s3.amazonaws.com/blog/MapReduce.png 3 étapes : Une étape « Map » où les données au format d’entrée sont découpées au format clef/valeur Une étape « Shuffle » qui opère une passe de tri et regroupe les données par clef Une étape « Reduce » qui agrège les différents résultats par clef et produit le résultat final MapReduce MapReduce est une façon de formaliser un traitement pour être efficace lors d’une exécution distribuée. Ce n’est pas une technologie, ni un algorithme, ni une implémentation
- 32. 32 Application orientée Flux évènementiel Applicationorientée Transaction Application orientée Calculs Application orientée Stockage Stockage distribué Share nothing eXtreme Transaction Processing Programmation parallèle Event Stream Processing Univers « standard » SGBDR, Serveur d’application, ETL, ESB Le diamant Big Data (1/2) 10 To en ligne 3.000 TPS 10 threads/core1.000 évts/s
- 33. 33 Application orientée Flux évènementiel Applicationorientée Transaction Application orientée Calculs Application orientée Stockage Le diamant Big Data (2/2) In Memory Redis. Memcached, GemFire/Geode, Spark NoSQL NewSQL MongoDB, CouchDB, Cassandra, Hbase, Neo4j. CEP, ESP Spark Streaming, Storm, Flink, Samza, Heron Parrallel database Teradata, Vertica
- 34. 34 Technologies vs solutions Lestechnologies sont au service du métier et non l’inverse, à nous de faire le bon choix. Chacune de ces technologies ont été pensées pour répondre à un problème métier.
- 35. 35 Cas client –analyse de signaux faibles
- 36.
- 37.
- 38. 38 Données à prédire: prestations de mutuelle
- 39. 39 Traitement des donnéesclient EXEMPLE DE COURBE DISCRETISÉE
- 40.
- 41. 41 Modèle prédictif RECHERCHE DEPRÉDICTEURS Calculs de similarité 10.8 12.6 12.4 12.6 Séries Google Trends exogènes Série à modéliser
- 42. 42 Champ sémantique Client CROISEMENTDES DONNÉES CLIENT ET EXOGÈNES Construction pour un type d’acte (Hospitalisation, Pharmacie, Optique ou Dentaire) Caractéristiques : Noeuds : mots-clefs les plus corrélés à la série client Liens : mots-clefs liés Force des liens : corrélations entre mots-clefs Optique Santé Evénements de vie
- 43. 43 Modèle prédictif APPRENTISSAGE DUMODÈLE Le modèle de prédiction des dépenses de santé est une combinaison linéaire des séries exogènes les plus corrélées.
- 44. 44 Quelle capacité dumodèle à prédire de nouvelles données ? Client
- 45. 45 Quelle capacité dumodèle à prédire de nouvelles données ? Client
- 46. 46 Cette approche estuniverselle. Elle s’applique à chaque série temporelle pouvant être reliée à la sphère digitale par les recherches sur les moteurs de recherche.
- 47. 47 Est-ce fiable ? Quelleconfiance peut-on avoir dans ces nouveaux systèmes ?
- 48.
- 49. 49 Un système complexe,nécessitant une attention particulière Des boucles de feedback pouvant fausser le système Un monde en constante évolution
- 50. 50 Un nouveau regardsur le monde
- 51.
- 52. 52 Jakob von Uexküll: le « savoir » d’une espèce dépend de ses capacités perceptives Un monde de plus en plus multidimensionnel vision de l’hommevision de la mouchevision du mollusque La technologie accroît notre capacité de perception des phénomènes physiques, chimiques, sociaux : accéléromètre, oxymètre, activité sur les réseaux sociaux… sont autant de moyens de perception, de moins en moins coûteux vision grâce aux machines
- 53. 53 Chaque année, 2exabytes de données sont générés dans le monde Avec le cloud, l’accès à la donnée s’affranchit potentiellement de toute contrainte géographique La constitution d’une mémoire collective numérique ? Evoque la constitution d’une mémoire collective numérique ubiquitaire, qui dépasse largement nos capacités de mémorisation individuelles
- 54. 54 Les algorithmes d’apprentissagesstatistiques sont de plus en plus puissants, s’appliquent à tout type de données Grâce à la technologie, l’accès à la donnée est de plus en plus aisée et nous disposons d’une puissance de calcul incroyable Conclusion Les capacités d’apprentissage apportent un nouveau regard sur le monde