Форум BIG DATA 2019 – центральное событие года по теме больших данных и интеллектуальной аналитики

Экстремальный сплав по потокам данных

В современном бизнесе работа с BigData и Data Science затягивает и несет по течению на огромной скорости.
Но эта река данных таит в себе много опасных подводных камней и водоворотов. Как и из чего построить лодку? Какую команду взять на борт? Как сделать ее быстрой и маневренной?
Какие камни ждут впереди? На эти вопросы я постараюсь ответить в своем выступлении.

Большие данные как топливо для машинного обучения

Инжиниринг данных позволяет полностью раскрыть потенциал Data Science. В докладе проанализируем мировые тренды рынка больших данных. Рассмотрим, как организовано управление данными в мульти-облачных и локальных средах. Остановимся на простом управлении сквозными конвейерами данных – от источников информации до получения бизнес-инсайтов. И продемонстрируем практические примеры внедрения решений Hitachi Vantara в различных отраслях.

Arenadata. От платформы данных к экосистеме цифровых сервисов

Сегодня значительное число компаний уже построили или строят у себя платформу данных (озеро данных), при этом у многих начинается следующий этап развития – цифровая трансформация. И очень часто именно платформа данных становиться первым важным шагом к полностью цифровой компании. За прошедший год мы сильно доработали и развили свою платформу данных с тем, чтобы она смогла стать полноценной основой для построения цифровой компании.

Как построить современную платформу данных на базе проектов с открытым кодом

В настоящий момент решения на базе проектов Open Source становятся все более актуальными и востребованными, в том числе и среди Enterprise клиентов. Сегодня любая современная система, как правило, включает такие технологии, как Hadoop, Kafka, Cassandra и пр. В докладе будут рассмотрены подходы к построению архитектуры современной платформы данных, а также технической реализации вопросов эффективной интеграции компонентов между собой.

Машинное обучение в непрерывном производстве: теория и реальность

Cложные непрерывные производства, например в биохимии – новый этап применения машинного обучения и искусственного интеллекта, помимо розничной торговли, электронной коммерции и дискретных производств. С помощью машинного обучения на таких предприятиях можно решать задачи стабилизации и стандартизации процессов производства, генерировать подсказки операторам для регулировки процессов, а также для увеличения объемов производства и повышения качества конечной продукции.
Спикер представит реальный пример внедрения решения для крупнейшей международной биохимической компании, даст практические рекомендации, а также расскажет о вызовах, с которыми пришлось столкнуться в ходе реализации проекта.

Большие данные, предиктивная аналитика, что дальше?

Мы научились анализировать большие объемы данных и даже в отдельных случаях извлекать из них выгоду. Хайп Big Data сменился планомерной работой по построению полноценных аналитических экосистем. Вопрос, пройден ли качественный скачок или он еще впереди? Как оказаться в авангарде индустрии аналитики больших данных и куда направить инвестиционные потоки: в машинное обучение, в нейросети, в оптимизацию хранения с использованием гибридной инфраструктуры? Как максимально эффективно совместить все преимущества, предлагаемые современными технологиями, и избежать типичных просчетов, и как построить долговременную стратегию развития культуры данных?

Цифровой музей: большие данные, открытость и наука

В рамках научно-просветительского проекта «Музейная ИТ-лаборатория» команда Пушкинского музея совместно с коллегами-из музеев и экспертами по цифровым технологиям из других областей формирует концепцию «умного музея». В 2018 году в Пушкинском разработали стратегию цифрового развития музея. Она предполагает, например, использование виртуальных и голосовых ассистентов на базе технологий ИИ, которые помогут посетителю ориентироваться в музее и в его коллекциях и позволят реализовать новые инклюзивные проекты. Чтобы сделать музей максимально открытым как для обычных посетителей, так и для научного сообщества, планируется реализовать качественную массовую 3D-оцифровку коллекции. Кроме того, проектируется система цифровых сертификатов произведений искусства, которая может стать основой для совершенствования правового регулирования, в том числе на основе блокчейна. В 2019 году будет обновлена система видеонаблюдения, что позволит осуществлять интеллектуальную видеоаналитику и получить точные данные о посетителях и их интересе к различным экспонатам и мероприятиям. Объединение этих данных с информацией из многих других систем и соцсетей обеспечит полный портрет посетителя музея. Анализ аудитории и анализ цифровых образов коллекций с целью получения нового знания во многом основаны на использовании технологий больших данных.

Технология, инерция, конъюнктура и маркетинг

Наблюдая в течение многих лет за развитием технологии баз данных, я убедился в наличии нескольких факторов, мешающих этому развитию. Во-первых, это инерция, заставляющая людей пользоваться устаревшими средствами при наличии более уместных вариантов. Во-вторых, это конъюнктура, приводящая к массовому увлечению вещами, объективно того не заслуживающими. И, наконец, это маркетинг, вынуждающий людей пользоваться тем, что объективно им не требуется. К сожалению, все эти факторы вредят не только людям, использующим технологии баз данных, но и исследователям, их развивающим. В докладе на ряде примеров иллюстрируются все эти факторы.

Что умеет и чему учится ИИ в онкоскрининге

Медицинское оборудование для лучевой диагностики всех московских поликлиник связано в общий цифровой контур Единым радиологическим информационным сервисом (ЕРИС). Полученные снимки и сделанные по ним медицинские заключения могут анализироваться с помощью технологий машинного обучения.
В докладе будет рассказано о результатах проекта по применению искуственного интеллекта в онкоскрининге, о вы­водах, которые мы сде­лали, и тех задачах, где мы пытае­мся расширить «компе­тенцию» ИИ в диагнос­тике. А также о том, каким образом мы до­бились высокой точно­сти выполнения задач системой обработки естественного языка и какими должны быть обучающие выборки для алгоритмов поиска патологий на медици­нских изображениях.

Машинное обучение на службе агропрома

Искусственный интеллект в последние годы начал покорять сельское хозяйство: роботы, компьютерное зрение и системы машинного обучения находят применение в агропроме. Современное сельское хозяйство — это огромная отрасль. Чтобы накормить быстрорастущее население в несколько миллиардов людей, защитить скот и сельскохозяйственные посевы жизненно необходимы современные информационные технологии. Наше правительство ставит амбициозную цель роста агропромышленного сектора экономики и экспорта сельхозпродукции на зарубежные рынки, а это трубует соблюдения высоких стандартов производства и качества продуктов. Машинное обучение как нельзя лучше решает такие вопросы, как учет поголовья скота, и даже помогает в мониторинге здоровья поголовья. Как именно? Об этом пойдет речь в докладе.

«Почтовый» таргетинг на Big Data

Почта России предоставляет широкий спектр услуг: кроме привычных отправлений писем и посылок мы предлагаем финансовые и страховые продукты, предоставляем ряд государственных услуг, продаем авиа и железнодорожные билеты и товары народного потребления и др. Для обеспечения этой деятельности по всей стране в ИТ-системах более чем 42 тыс. отделений Почты России ежедневно формируются десятки миллионов транзакционных записей.
Для решения задачи таргетинга важно было выбрать нужные данные из этого огромного массива и реализовать целевую систему Big Data. Создание такой системы позволило не потеряться на аналитических просторах алгоритмов, анализов и корреляций, а четко работать над поиском полезных сведений. Аналитическая система СУМК собирает различные данные о потребительской активности по адресу почтового ящика и выявляет признаки проживающих. Мы знаем, кому будут интересны детские товары, а кому – автозапчасти, кто любит кулинарию как хобби, а кто – как гурман. Система, разработанная командой аналитиков Почты России, не имеет аналогов в нашей стране.

Корпоративное управление данными во времена Big Data

Big Data, как любая зонтичная технология, стала не то чтобы уходящей натурой, просто привычным пейзажем. Но большие данные породили много толков и ажиотажные волны и дали толчок развитию новых технологий – NoSQL, распределенные фай­ловые системы и обработка in-memory, про­дви­нутая аналитика на основе машинного обучения, интернет вещей, обработка потоков данных и неструк­тури­ро­ванной информации, озера данных, логические хра­ни­лища данных и лаборатории данных, Data Science и искус­ствен­ный интеллект. Причем часто прародительница уже не упо­минается.
Как в связи с этим развитием меняется объект управления данными, какие новые задачи возникают в различных секторах корпоративного управления данными (архитектура и моделирование данных, интеграция данных, ведение мастер-данных, обеспечение качества данных, управление мета­дан­ными)? Что стало нашими реалиями, а что является возможной перспективой?
Об этом поговорим несколько подробнее…

Счастье клиентам и прибыль бизнесу – моделируем Customer Lifetime Value

В мире всеобъемлющей персонализации управление CLV – это новый вызов и одна из основных задач для бизнеса. Как найти точки воздействия на клиента и при этом не потеряться в потоке данных и сложных моделях? На эти и другие вопросы Лидия Храмова ответит в своем выступлении.