Бизнес-форум BIG DATA 2018 –
центральное событие года по теме
больших данных и аналитики

Бурное развитие робототехники и систем искусственного интеллекта, технологий Big Data в сочетании с глобализацией торговли приводит к тому, что все товары и сервисы становятся глобально конкурирующими. Происходит становление глобальных платформ и внедрение парадигмы цифровой экономики. Это означает, что только инновационные товары и услуги смогут приносить доход своим производителям, создавать рабочие места и генерировать доходы для государства.
Так как основой инноваций преимущественно являются технологии, то способность их быстро развивать станет ключевым конкурентным преимуществом людей, компаний и государств. Таким образом, именно экспоненциальные технологии будут определять успешность компаний и целых государств, но применить такие технологии можно только к существующим активам. Реализацию потенциала цифровой экономики РФ обспечат не акселераторы (в сложившихся условиях управление портфельными инвестициями – неподъемная по сложности задача), а «эксполераторы», задачей которых будет объединение активов госкорпораций и гибкости стартапов, финансируемых за счет капитализации получаемой интеллектуальной собственности и ее глобальной коммерциализации в дальнейшем. Технологический задел и человеческий капитал, имеющиеся в России, будут этому способствовать.

Выступление посвящено практическим подходам к применению технологий Big Data, Advanced Analytics и Machine Learning к решению задач на производстве. Примерами будут решения, разрабатываемые для повышения эффективности сталелитейного производства компании НЛМК. Подходы и инструменты, о которых пойдет речь, могут быть использованы для любых типов производств. Будут также рассмотрены отличительные особенности применения вышеперечисленных технологий на сложных производствах в сравнении с банковским и интернет-секторами.

Компания СИБУР расскажет об опыте решения задач нефтехимического производства инструментами big data, о использовании больших данных и Интернета вещей в реализации подходов Индустрии 4.0, а также о технических и организационных особенностях использования больших данных на «цифровом» производственном предприятии.

Светодиодная революция перевернула светотехническую отрасль с ног на голову. Светильники стали электронными приборами, поумнев быстрее, чем многие другие элементы инженерной инфраструктуры города или промпредприятия. Так светотехника стала включенной еще в одну технологическую революцию - IoT и Digital.
Данные, их сбор, управление, анализ - все это играет ключевую роль в новых бизнес-моделях. Достаточно ли просто использовать данные о состоянии приборов для того, чтобы оказывать Lifecycle Services? Или данные, которые могут собираться на объеме в ходе эксплуатации системы освещения сами по себе имеют бизнес-ценность? Heatmaps и анализ поведения посетителей объекта - лишь самые простые примеры.
На чем же производителям строить свой бизнес в будущем: на продаже приборов, услуги или данных?

Значительную, если не бОльшую по объему, долю больших данных составляют данные телеметрии – потоки данных с различных сенсоров. Особенностью таких данных является то, что их, как правило, не целесообразно сохранять в полном объеме – необходимо либо полностью обработать их на лету, либо провести достаточно глубокую предобработку и выделить те данные (или события, описываемые этими данными), которые имеет смысл сохранить для дальнейшего детального анализа. В некоторых случаях результаты предобработки в реальном времени могут нести важную информацию, на которую требуется немедленная реакция, например, возникновение аварийных ситуаций в киберфизических системах. Такие задачи порождают существенный вызов для современных вычислительных систем, так как большинство архитектур как на аппаратном, так и на программном уровне не ориентированы на быструю обработку данных в реальном времени, а плотность потоков данных в современных киберфизических системах непрерывно возрастает по мере усложнения решаемых ими задач. Проекты в этой области ведутся как в академическом сообществе (пример – сотрудничество НИУ ВШЭ и ЦЕРН), так и в индустрии. Какие подходы здесь применяются в настоящее время и в каком направлении может развиваться программно-аппаратное обеспечение для работы с потоками больших данных в модели edge computing?

Сельское хозяйство и агропромышленный комплекс России демонстрируют устойчивую тенденцию роста, являясь одним из драйверов экономики. Руководство нашей страны возлагает надежды на рост за счет цифровой трансформации сельского хозяйства и применения передовых технологий точного земледелия и робототехники, IoT, агроскаутинга и др. Ситуация становится еще более комплексной в животноводстве, где на спектр применяемых технологий оказывают дополнительное влияние биотехнологии.
Все перечисленные выше задачи базируются на использовании гетерогенных потоков больших данных, требующих использования современных технологий поддержки принятия решений и прогнозной аналитики (машинное обучение, нейронные сети и т.д.). При этом создание онтологий, как неотъемлемого инструмента комплексной аналитики больших данных, пока остается за рамками пристального внимания и автоматизации.
Потребность в онтологиях очевидна и на уровне государственных структур, например, онтология UNSPSC, которая в российских условиях может подойти различным государственным органам.
В докладе представлен анализ создания онтологий для больших данных в сельском хозяйстве, который создает предпосылки перевода онтологических проектов за рамки экспериментов в прикладную плоскость.

Я расскажу о том, как применение больших данных изменяет ландшафт разработки лекарств и практику их применения. Уже сейчас анализ больших данных используется при открытии новых лекарств, в ходе их разработки, анализа эффективности, безопасности и экономической целесообразности применения. Расскажу о проблемах, которые решают большие данные, и ограничениях, с которыми связано их применение.

Развитие информационных технологий позволяет существенно повысить качество образования. Давно уже идут дискуссии о преимуществах, недостатках и возможностях трансформации традиционных аудиторных занятий. Сегодняшние студенты «с рождения» пользуются смартфонами и планшетами, и в интернете по большинству теоретических и практических дисциплин часто можно найти более полную, точную и актуальную информацию, чем может рассказать на лекции преподаватель. Бывает так, что информация в интернете и подается более эффектно и эффективно, чем на занятиях. Интересно ли студентам? Успевают ли они за преподавателем? Доступно ли излагается материал? Насколько студенты вовлечены в образовательный процесс на аудиторных занятиях? Эти вопросы в эру цифрового образования выходят на первый план. Однако еще недавно контролировать уровень вовлеченности студентов было практически нереально – например, только в московских учебных корпусах Финансового университета занятия идут ежедневно с 8.30 до 22.00 более чем в 500 аудиториях.
Финансовый университет расскажет об опыте разработки и внедрения облачного сервиса, который постоянно анализирует поток данных с видеокамер, установленных в аудиториях, с помощью моделей машинного обучения идентифицирует лица студентов, распознает их эмоции и определяет уровень вовлеченности, а затем агрегирует данные по студенческим группам, факультетам, курсам и т. п., визуализируя результаты в виде системы интерактивных панелей.

Выступление посвящено особенностям внедрения аналитики больших данных на примере сети магазинов DIY. Успешное внедрение аналитики данных в компании дает колоссальный возврат инвестиций, не сравнимый ни с какой другой областью автоматизации. Но как сделать это правильно?

Наталья на кейсах расскажет о применении аналитики больших данных в HR, о последующих изменениях и о новых возможностях HR в организациях. Уже сейчас видно влияние экспоненциального технического роста на деформирование задач HR и изменение профессии вплоть до самых неожиданных форм.

Основная проблема почти всех компаний – это отсутствие не инструментов, а специалистов, способных сделать что-то полезное для бизнеса. Почти все предлагаемые инструменты заточены на программистов, которых не хватает сейчас и не будет хватать еще много лет. Платформа Loginom делает сложную аналитику доступной массвому пользователю, но в первую очередь тем, кто разбирается в бизнесе.

На сегодня все больше предприятий задумываются о создании цифровых двойников своих производств, однако такой подход предполагает сложное математическое моделирование, большое количество знаний о системе на различных уровнях, что приводит к большой ресурсоемкости проекта. В то время как машинное обучение, технологии анализа больших данных во многом кажутся «серебряной пулей» для решения задач с большим объемом данных, не требующих глубоких знаний о процессе. Компания Visiology расскажет о реализации проекта с применением обоих подходов по оптимизации селективности непрерывного химического производства в реальном времени, выполненного для компании СИБУР.

Перестаньте бояться больших данных! Главная проблема Big Data в реальных задачах – очень мало нужных данных, пригодных для анализа, и очень много препон для доступа к ним.
«Почему вы до сих пор не начали копить данные?»
Поговорим о том, как уже сегодня начать хранить данные, чтобы завтра эффективно ими воспользоваться.
«Какие данные являются критичными для вашего бизнеса?»
Обсудим инерцию данных, поскольку: не собираем данные – теряем деньги.
В своем выступлении эксперт компании Naumen рассмотрит вопрос управления информационными потоками предприятия. Разрушит заблуждения о природе больших данных. Предложит участникам решение, как заставить данные работать – разберет архитектуру решения построения работы с данными из реальных проектов.
В завершении представит историю успеха и экономический эффект от использования распределенных вычислений для технологий машинного обучения и семантического анализа на больших данных.

Инструментарий прогнозирования выручки в FiNN FLARE
Инструмент прогнозирования выручки для финско-российского ретейлера одежды FiNN FLARE построен компанией IT Pro на базе технологий Microsoft и облачной платформы Azure с использованием предварительно подготовленных внутренних и внешних исторических данных. Решение позволило повысить частоту и скорость формирования краткосрочного прогноза продаж для оперативного принятия управленческих решений.
Особое внимание в докладе будет уделено:

• ценности построенного решения для бизнеса;
• вопросу качества и достаточности данных для прогнозирования;
• процессу определения внутренних и внешних факторов, влияющих на прогнозируемые величины;
• применению облачных технологий при создании прогнозных моделей.

Инструментарий прогнозирования выручки в FiNN FLARE
Инструмент прогнозирования выручки для финско-российского ретейлера одежды FiNN FLARE построен компанией IT Pro на базе технологий Microsoft и облачной платформы Azure с использованием предварительно подготовленных внутренних и внешних исторических данных. Решение позволило повысить частоту и скорость формирования краткосрочного прогноза продаж для оперативного принятия управленческих решений.
Особое внимание в докладе будет уделено:

• ценности построенного решения для бизнеса;
• вопросу качества и достаточности данных для прогнозирования;
• процессу определения внутренних и внешних факторов, влияющих на прогнозируемые величины;
• применению облачных технологий при создании прогнозных моделей.

Современное общество часто задается вопросом – в какой фазе шестого технологического уклада мы находимся и как со всем этим связана цифровая экономика? На мой взгляд, ответ на этот вопрос заключается в том, что мы уже находимся на пороге перехода в фазу роста, и для этого созрели все предпосылки в виде большого объема накопленной информации и современных технологий работы с большими данными, но ментальной готовности для решительных шагов еще нет. Цифровая революция уже наступила, и она выдвигает ряд тезисов, которые определяют ее направление движения, а мы с вами являемся ее непосредственными участниками. В нашем случае это программа цифровой экономики РФ, где указаны восемь направлений для активного продвижения вперед. В презентации я расскажу о том, как наша компания на практике участвует в цифровизации экономики.

Трансформация бизнеса и экономики под влиянием современных технологий больших данных приводит к изменениям в государственном управлении. ФНС России активно внедряет передовые цифровые технологии, использует новые знания от имеющихся данных в целях повышения прозрачности экономики, реализации новых проектов.

Технологии искусственного интеллекта обеспечат автоматизированное решение некоторых сложных задач, которые ранее могли быть успешно решены исключительно человеком, обладающим определёнными интеллектуальными способностями. Это задачи распознавания образов, принятия решений в непредвиденных условиях, извлечение знаний и некоторые другие. Однако полноценная замена человека на автоматизированную систему допустима лишь в том случае, если существует механизм подтверждения соответствия функциональных возможностей системы возможностям квалифицированного оператора при решении конкретной прикладной задачи.

Многие компании в России внедрили платформы управления большими данными. Тем не менее, далеко не все проекты в области аналитики Big Data стали успешными из-за сложности новых технологий для большинства бизнес-пользователей. Доклад будет посвящен подходам и лучшим практикам, значительно упрощающим доступ и управление большими данными для сотрудников компаний, не обладающих продвинутыми навыками в области Data Science и Machine Learning.

Бурное развитие рынка больших данных развило во множестве организаций потребность в дополнительной аналитике, в то же время понимание задач и подходов к их решению являются догоняющим элементом по отношению к следованию модным трендам. «Давайте сейчас загрузим данные, а потом разберемся, что с ними делать» – это типичный подход в большинстве компаний, начинающих использовать технологию, и это является помимо прочего причиной большого количества неудачных проектов. В своем докладе Евгений Степанов расскажет о видении и стратегии компании Micro Focus в части построения современных хранилищ данных и аналитических систем, ориентированных на будущее.

С ростом количества данных и многообразия их форматов на рынке появилось множество решений для работы с ними. Это, в свою очередь, усложнило задачу правильного подбора продуктов для разнородных задач, обеспечения их совместимости и работоспособности в течение всего жизненного цикла.
В качестве решения нами была предложена концепция универсальной платформы данных Arenadata Unified Data Platform. Перед ее разработчиками были поставлены очень простые требования:

• работать с любыми типами\форматами данных,
• иметь возможность загружать данные в необходимом режиме,
• масштабироваться при росте обьема хранимых данных без модернизации архитектуры системы,
• иметь модульную структуру,
• работать с любыми инструментами и типами аналитической нагрузки.

Arenadata Unified Data Platform будет впервые представлена на конференции BIG DATA 2018.

В докладе будет представлена архитектура и техническая реализация Arenadata Unified Data Platform, позволяющая осуществлять запросы к данным, находящимся на разных технологических уровнях (In-memory, MPP, Hadoop), через единую точку входа.
Будут рассмотрены примеры работы запросов, планов запросов и скорости выполнения.

В докладе будет представлена архитектура и техническая реализация Arenadata Unified Data Platform, позволяющая осуществлять запросы к данным, находящимся на разных технологических уровнях (In-memory, MPP, Hadoop), через единую точку входа.
Будут рассмотрены примеры работы запросов, планов запросов и скорости выполнения.

Транспортные расходы – одна из составляющих цены товара. Благодаря снижению транспортных расходов компании сохраняют высокий уровень рентабельности и получают конкурентные преимущества на рынке. Технологии Fast Data позволяют достичь этих целей быстро и эффективно.
В докладе будет рассказано об ИТ-решении, внедренном в крупнейшем грузоперевозчике. Оно предназначено для повышения эффективности планирования затрат, точности прогнозирования перевозок и оперативного анализа остатков на складах. Решение каждую секунду обрабатывает свыше 500 операций, что позволяет в режиме реального времени прогнозировать загрузку 180 складов по всей России на неделю вперед с точностью до конкретного груза.
Архитектура решения разработана с использованием Hortonworks Data Platform с Apache Spark, Hadoop, Kafka и БД SnappyData.

Большие данные представляют из себя весьма ценный объект гражданско-правового оборота в эпоху цифровой экономики. При этом их оборот никак специально не регулируется. Остается открытым вопрос, кому они принадлежат. Кто-то полагает, что большие данные не имеют владельца, и их можно свободно использовать. Другие считают, что они принадлежат ИТ-компаниям, которые тратят деньги на их сбор. Защитники прав человека полагают, что данные могут принадлежать только самим пользователям. Есть также мнение, что они должны принадлежать государству. До настоящего времени единого подхода нет.
Возможно, обозначенные выше вопросы должны быть решены не на уровне закона, а на уровне судебной практики, которая может более гибко адаптироваться к новым вызовам. Именно поэтому знаковым кейсом стало решение Арбитражного суда Москвы, вступившее в силу 29 января 2018 по иску «ВКонтакте» к компании ООО «Дабл», которое разрабатывало и применяло программное обеспечение для анализа большого объема данных из ВК в коммерческих целях, а затем продавало информацию банкам, которые, в свою очередь, использовали ее при оценке кредитоспособности заемщиков.
Спикером будет подробно разобран этот прецедентообразующий кейс, а также представлены альтернативные подходы (в т.ч. в рамках GDPR) к тому, какую информацию относить к охраняемым персональным данным и как соотносятся эти два вида цифровых данных.

Применение передовых методов аналитики способно революционизировать бизнес-операции. В докладе рассматривается важность построения системы хранения больших данных, курирования данных, необходимое программное обеспечение и методы анализа. Эти аспекты важны для перехода от методов традиционной бизнес-аналитики к построению аналитических озер данных.

Все больше компаний пытаются автоматизировать процессы с помощью машинного обучения, однако не все проекты завершаются успешно. Как бизнесу обойти основные подводные камни в процессе внедрения машинного обучения?
Наша команда создала несколько десятков проектов machine learning, поэтому знает, как эффективно применять алгоритмы машинного обучения в разных индустриях и для разных бизнес-задач, а также как выстраивать процессы.
На основании нашего опыта мы расскажем об этапах внедрения машинного обучения и основных подводных камнях на пути реализации проекта, чтобы компании могли успешно его реализовать и получить все преимущества от внедрения.