Embed Size (px)
Citation preview
Connected Event RomandieDu Big Data au Smart Data
EPFL – Oct 7, 2015
Du Big Data au Smart DataNicolas Fulpius – Chief Digital Officer
EPFL – Oct 7, 2015
L’accélération de la numérisation impacte notre société
NewBusiness Models
New Waysof Working
CustomerExperience
BusinessProcesses
E2E Connectivity
Devices ApplicationsInfrastructure Plates-formes
Capteurs, Wearables,« Things »
Solutions,applis
Data Storage & Aggregation,Cloud, Data Center
Plates-formes de service,data analytics, APIs
La Chaine de Valeur Digitale
Les Dimensions de la Digitalisation
En 2017, on s’attend à ce que le M-commerceréalise 516 milliards de dollars de transaction.
Le volume de crowdfunding a sextuplé en 2 ans.
Les MOOCs de l’EPFL ont 100x plus d’inscritsque le campus ne compte d’étudiants.
1Md’inscrits aux
MOOCs
01101001100101010011
101010010100010100100100101010010101
100011001010101001
Du Big au Smart DataVers une problématique sociétale
et de l’individu
Big Data
SmartAnalytics
SmartData
Volume
Velocity
Volume
Velocity
Variety
Veracity
Volume
Velocity
Variety
Veracity
Voluntarism
Swisscom comme moteur de la digitalisation en Suisse
E2E Connectivity
Devices ApplicationsInfrastructure Plates-formes
Capteurs, Wearables,« Things »
Solutions,applis
Data Storage & Aggregation,Cloud, Data Center
Plates-formes de service,data analytics, APIs
La Chaine de Valeur Digitale
NewBusiness Models
New Waysof Working
CustomerExperience
BusinessProcesses
Les Dimensions de la Digitalisation
Merci de votre attention
Du Big Data au Smart Data Dr. Adrienne Corboud Fumagalli,
Vice Présidente EPFL, Innovation et valorisation
@EPFL RLC, 7 octobre 2015
Que faire face au déluge ?
The Economist, February 27th - March 5th 2010
Le défi de Noé
Noé a fait le choix des catégories
Marketing 1.0
Marketing 2.0L’opinion
Les sondages
Les attitudes sur le long terme
Les marques
Les sciences sociales et le marketing 3.0
Tracer les data
Activités et Memes
Rapidité davantage que
volume et diversité
Contexte
L’alliance des médias populaires et
du Social Media : un puissant moteur, producteur de données en temps réel
Exemple :
détection de tous
Les réseaux
d’influences
• par communautés
actives graphe 1
• par controverses
graphe 2
• avec les émotions
associées graphe 3
• le réseau nuisible à
l’intérêt de la marque
graphe 4.
Une marque sous influence !
Graphe 1 Graphe 2
Graphe 3 Graphe 4
EPFL Social Media Lab
“…everybody here has other much more important business to take care of.”
http://youtu.be/-ybecKdwj2c
Leaders et opinion publique: le grand fosséNégociations sur le changement climatique (Copenhague)
Le défi de la COP 21 : un débat
citoyen
• développer une pédagogie à l’intention du public,
• assurer transparence et clarté des débats et des
positions de négociation
EPFL Social Media Lab
Cartographie des sentiments
face à la vaccination
Prof. Marcel Salathé, EPFL-SV
Les Traces donnent du
sens
Recommendation: Le Smart Data pour nous
Boi Faltings
Internet et le développement durable
• Le tour des magasins devient virtuel
• Papier remplacé par Ipad/Kindle• Communautés sur réseaux sociaux
27
Ce n’est pas simple…
28
Recommendations
29
Collaborative Filtering• Big data = matrice des achats:
• Gourmande => il faut avoir acheté ≈1% des produits pour trouver des associations fiables.
a b c d e f g h i j k l
Antoine x x x x
Chantal x x x
Francois x x x
Nicole x x x
Pierre x x x x
30
Smart Data
• Apprentissage: trouver un modèle à peu de paramètres qui prédit les articles achetés.
31
Achats(peu remplie)
U V≈ x
d (traits latents)
d
Clie
nts
Produits
Produits
Clie
nts
Modèle => Prévisions• Supposons 2 traits latents f1 et f2:
a b c d e f g h i j k l
f1 1 0 1 1 0 0 1 0 0 0 0 0
f2 0 1 0 0 1 1 0 1 1 1 0 0
f1 f2
Antoine 0 1
Chantal 1 0
Francois 0 1
Nicole 1 0
Pierre 0 1
0 1 0 0 1 1 0 1 1 1 0 0
1 0 1 1 0 0 1 0 0 0 0 0
0 1 0 0 1 1 0 1 1 1 0 0
1 0 1 1 0 0 1 0 0 0 0 0
0 0 0 0 1 1 0 1 1 1 0 0
32
Big Data
• 100’000 produits, 1 million utilisateurs => Matrice: 100 milliards de paramètres.
• 20 achats/utilisateur: 20 millions de données.
• Modèle à d=5 dimensions latents:
5.5 millions de paramètres: faisable!
• Optimiser la prédiction des achats connus.
33
Failles de l’optimisation
• Evaluation = précision moyenne:– Article populaire: poids = 1000 achats
– Article “long tail”: poids = 2-3 achats
• Modèle optimisé pour être correct sur les articles populaires…
• …mais pas sur les articles “longue traîne”
• recommendation précise, mais pas nouvelle!
34
Apprendre une Taxonomie
• N produits => < 2N paramètres• Achats répétés n’ont pas d’influence.
35
Ontology Filtering (Schickel)
• Performance au laboratoire, sur Movielens:– Bonne précision déjà avec 5 achats au lieu de 40!
• Thèse recomponsé par prix Chorafas.
36
• Tourne sur plus de 40 sites.• Influence sur les ventes par
rapport aux systèmesantérieurs: entre + 30 et + 700%.
• Grace à une forte composantede recommendations “long tail”.
37
En Conclusion
• Smart data = recommendation.
• Clé pour l’évolution de l’ecommerce.
• Techniques (et performances) très variés.
• Attention à l’évaluation:
Critère doit correspondre aux objectifs.
38
Information Équilibrée
ObViz.com
Claudiu Musat
Co-foundateur
spinoff
ObViz
Swisscom & ObViz
40
• Boi Faltings
• Maxime Darçot
• Gaylor Bosson
• Claudiu Musat
• Etudiants en Master à l’EPFL
• Audrey Loeffel
CEO
CTO
Web&
Scalability
Interface
Board of
Directors
• Ph.D & postdoc en IA
• 7 ans d’expérience dans l’industrie
• Prof. EPFL - 30 ans dans la
recherche
• Serial Entrepreneur – Fondateur de
Nexthink et Preddigo
• 2 Masters en Computer Science
Personnaliser la recherche
Swisscom & ObViz
41
État de l’art dans l’industrie
Swisscom & ObViz
42
État de l’art dans la recherche
Swisscom & ObViz
43
“Equilibrer” la Visualisation
Swisscom & ObViz
44
Décisions facilitées
Swisscom & ObViz
45
CONFIANCE
PERÇUE
(SUBJECTIF)
CERTITUDE DE
LA DECISION
TAUX DE
CHANGEMENT
(OBJECTIF)
INTERFACE
PRÉFÉRENCE
(SUBJECTIF)
CONFIANCE
2.06x2.76x1.53x3.67x2.66x6.49x
Swisscom & ObViz
46À la découverte !
Swisscom & ObViz
47
Transparence & Confiance
Swisscom & ObViz
48
(Social) Media Monitoring
Swisscom & ObViz
49
ObViz team 50
With the ObViz business app you can track your image and products in the media. Be notified about perception changes.
ObViz team
Swisscom & ObViz
51
Compréhension & Personnalisation
Swis
sco
m, F
oli
enb
ibli
oth
ek
Ville : comment améliorer ma qualité de vie en tant que citoyen-ne ?
Raphaël Rollier, SwisscomAlexandre Bosshard, Ville de Pully
… quels outils d’analyses ?
?
Monde Internet Monde physique
Observatoire de la mobilité à
PullyVisiosafe et son projet à la gare de
Lausanne
Exemple de deux projets Smart City … au service de la mobilité
Raphael Rollier 09/2015
55
Source: Projet d’agglomération Lausanne-Morges
Pully : ville-centre de l’agglomération
Attractivité du centre ville
Raphael Rollier 09/2015
1er siècle après J-C, villa romaine de Pully
En ce temps-là parut un édit de César Auguste, ordonnant un recensement de toute la terre.
La Bible
1969comptage manuel
1969comptage manuel
2015 Boucles de comptage, caméras,
mesures manuelles
1 2
3 4
Enjeux … passer de la photo au film
PRECISION
CONTINUITESPATIALE
CONTINUITETEMPORELLE
MobililtyInsights
SMART CITY … «Observatoire de la mobilité de Pully»
2016
D’où viennent les gens qui passent à Pully ?
Top 5, Communes
1. Lausanne2. Lutry 3. Bourg-en-Lavaux4. Vevey5. Montreux
Top 5, Quartiers de Lausanne
1. Centre-Ville 2. Ouchy3. Montchoisi4. Montriond- Cour5. Sallaz - Vennes
Qui vient à Pully ?
Visiteurs
Pendulaires
Personnesen transit
Pully75%
5%
20%25’000trajets
Perspectives
Raphael Rollier 09/2015
70
Raphael Rollier 09/2015
Projet Smart City… prochains résultats présentés le 3 décembre à Zoug
… quels outils d’analyses ?
Monde Internet Monde physique
Sensing behavioral facts
Comment les visiteurs se comportent?
Compter• Visiteurs #: 246
• Zone / Section
1118
Directions : Entrée / Sortie
• Zone #1 : 18 / 11
Durations
• Temps de visite
• Temps d’attente
• Temps de service
Distances
• Distance Parcourue
• Chemin de visiteurs
Heat maps
• Hot spots
• Zone d'intérêt
Fournir des indications quantitatives et analytiques
Comment ça marche ?
Capture de donnéesEntièrement Anonyme
Intelligence Artificielle
Analyse
Visiosafe A.I.
Capture
PerceptionAction
ApprentissagePublication
Visiosafe Intelligence Artificielle
Cas d'utilisation
Terminals in Switzerland
TERMINALS
Big Data au Smart data
Start-up
Sophia Genetics- Data Driven Medicine
Pryv- Sensitive medical information
management
Faveeo- Collaborative Intelligence for Web &
Social Media
Obviz- Big data and social network analysis to
extract opinions and meaning
RAW Labs- Revolutionary Database query platform
PredictiveLayer- Automated Predictive Analysis
MERCI
@innovaud
www.innovaud.ch
Sophia DDM – Big Data / Smart Data
07.10.2015 CONFIDENTIAL 92
07.10.2015 CONFIDENTIAL 93
Personalized Medicine
Approche taille unique
Approche ciblée
Prédictive
Pronostic
Précision
Personnalisation
93
07.10.2015 CONFIDENTIAL 94
Qu’est ce qu’un Test Génétique ?
Patient
Généticien
NCBIExACCOSMIC…
Docteurs
Sample
Lab Preparation
DNAEnrichment
Sequencing Storage
Alignment
AlgorithmsStatistics
VariantAnnotation
Noise Extraction
Prédictionlikelihood breast cancer
Cancerschoice of drugstreatment plan
Classification
DDMApplication
Capture
95
Différentes technologies – même échantillonNGS Platform
A
Sample prep.
A
B A
B A
B B
96
97
‘Machine Learning’ / Maths
Précision
Reproductible
Robuste
Rentable
Mutualize Dataplus de complexité -> Précision
Securité / Données PrivéesImpacte à long terme des fuites d’information
Réseau – partage entre laboratoiresBénéficier de l’expérience des autres
07.10.2015 CONFIDENTIAL 98
Differentes Hopitaux:
Big Data –> Clinical Diagnostics
Information d’un patient
aujourd’huiBénéficie à tous les patients
demain
Intégration du
savoirPremier
diagnostic
Autre
information
Information
génomique
Du big au Smart data
99
07/10/2015 CONFIDENTIAL 100
Diagnostiques - Du big au Smart data
>20,000 patients aidés en 2015
GenomicInformation
Other MedicalInformation
+
Ioannis Xenarios
SIB Swiss Institute of Bioinformatics
Vital-IT and Swiss-Prot group
SIB Swiss Institute of Bioinformatics 2015
56 groups
700 scientists
More than
400 between
Lausanne and
Geneva
SIB Swiss Institute of Bioinformatics 2015
56 groups
700 scientists
SIB missions
• To provide core databases, software and services worldwide
• To provide key competencies and research support
To provide world-
class core bioinformatics
resources to the life
science community
• To federate Swiss bioinformatics researchers
• To train first-rate researchers
To lead and
coordinate the field
of bioinformatics in Switzerland
To provide core databases, software and services
worldwide
• World-renowned encyclopedia of
protein sequences and functional
information
• > 540,000 curated protein sequences
• ~ 220,000 curated literature
references
• ~ 800,000 visits per month
• A central hub linking to over 140
other resources worldwide
• A team of over 50 biocurators,
developers, IT and support staff
Enabling Big Data - the Swiss-Prot group
4000 years of evolution of biocuration,
Structuring knowledge
Challenge 1: knowledge representation
genes and genomes
proteinscomplexes
chemicalsreactions
pathways
systems
UniPathway
● In databases
● The level of erroneous annotation is
higher in automatically annotated
databases than in manually expert curated ones
● In literature
● Not every published findings is latter
confirmed independently ...
Challenge 2: Errors, Mistakes, Imprecisions
Swiss-Prot people
Ioannis Xenarios
Director
Alan BridgeLydie Bougueleret Sylvain Poux Nicole Redaschi
Operation DirectorHead of Curation
Head of AutomationHead of Development
Ioannis Xenarios
The Vital-IT group (Lausanne)
To provide key competencies & research support to the
national life science community
Vital-IT : A “cloud” HPC
• > 6’000 cores
• >1’400 software maintained
as RPM release
• > 6 PB near-line/archive data
An infrastructure distributed over western Switzerland
The infrastructure iscentrally managedfrom Lausanne
Vital-IT supports the technology plateforms
• Technology platforms are located in the
the different universities, at the EPFL
• Genomics (sequencing)
• Proteomics
• Screening and imaging
• Bioinformatics "core" facilities
• Biostatistics
• Data growth (raw unprocessed)
• from 1TB/week (2007)
• to >32 TB /week (2014)
• 42 TB/week Q1 2015
Need to archive >10-25 years
Vital-IT infrastructureAnd Competence
Platforms of Ecole polytechnique Fédérale de Lausanne
Platforms of University of Lausanne
LGTF1,PAF2, PMF3, BCF4, PMF5
Platforms of University of Fribourg
NGS1, BugFri4
Platforms of Bern
NGS1, IFBU4
PCF2, BSF3, BBCF4
Platforms of Geneva University
iGE3-genomics (ex-NCCR genome)1, PCF/BPRG2
Platforms specificities1: Genomics2: Proteomics3: Screening and imaging4:Bioinformatics Core facilities5: Protein Modeling Facility
People at Vital-IT
Christian Iseli Marco Pagni Mark IbbersonNicolas Guex Brian Stevenson
HPC
OncoGenomics
Personalized
Genomes
Metagenomics
Metabolic Models
Evidence-based
BioMedecine
Computational
Systems Biology
Roberto Fabbretti Jérôme DauvillierRobin Liechti
hardware software development data analysis
Computational
Genomics
Scientific vizualisationNeuro-genomics
Repertoire of (longitudinal) ‘omics data available
Proteome
Transcriptome
(mRNA, isoforms, edits, miRNA, lincRNA, …)
Cytokines
Metabolome
Genome & Epigenome
Microbiome
Viriome
EMR / EHR
PERSONAL DATA
« PRECISION » MEDICINE
Antibody-ome
Environment(exposome)
Etc’ome
nutriome
• Improve biological and medical knowledge
• Improve disease definition
• Discovery diagnostic markers
• Discovery prognostic markers
• Understanding early pathophysiology
• Disease stratification
• Patient stratification
• New therapeutic leads
• Adapt therapies to the above
Slide from the Clinical BioinformaticsHead Jacqui Beckmann (SIB)
Private and Public partners are essential sources of funding
Evénement Connect
Lausanne, EPFL, 7 octobre 2015
Du Big Data au Smart DataEtat des lieux, nouveaux défis
Michel Jaccard
119Protection des donnees – la loi actuelle
120Protection des donnees – la loi actuelle
121Protection des donnees – les principes de base
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent à l’étranger
122Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Croissance exponentielleCaractère personnel (permanent) ?
123Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Hébergement ? Stockage dans le cloud ?Indexation ? Chiffrement ?
124Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Pas qu’un seul «maître»,Pas qu’un seul fichier
125Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Aucun traitement ne peut-il vraiment être justifié par principe ?
126Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Caractère artificiel du consentement donné (en ligne)Absence de précision sur la finalité | les utilisations futures
127Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Appréciation politique, sociale, culturelleAnalyse au cas par cas nécessaire (dans les faits), pas de blanc seing par pays (Safe Harbor !)
128Protection des donnees – Nouveaux defis
Droit à l’oubli ?
129Protection des donnees – Nouveaux defis
Cybersécurité ?
130Protection des donnees – Nouveaux defis
Surveillance ?
131
Données personnelles ? Pas nécessairement…
Protection des donnees – big data
132
Données fiables (et utiles) ? Pas forcément…
Protection des donnees – big data
133
Données personnelles ? Probablement, par analyses (anonymes ?) et recoupements…
Protection des donnees – SMART DATA
134Protection des donnees – big data | SMART DATA
Données personnelles, par moments – Comment régler la question de
l’assujettissement à la réglementation ? Et qui joue le rôle du «maître du
fichier» ?
Comment s’assurer d’un consentement véritable sans connaître la finalité du
traitement au moment de la collecte des données, puisqu’elle dépendra des
analyses | recoupements?
Comment assurer le droit d’accès à des fractions de données éparpillées,
sachant que celui qui compile les bases de données ou les met à disposition
n’est pas forcément celui qui procède aux analyses | recoupements ?
135Protection des donnees – big data | SMART DATA
Evolution ?
Consentement présumé pour
toute utilisation des données qui
serait «reconnaissable» au
moment de leur collecte
Certification par des tiers (de
confiance ?)
Renforcement des sanctions
136Protection des donnees – big data | SMART DATA
137Protection des donnees – big data | SMART DATA
Big Bang ?
Sécurisation des données,
indépendamment de leur
caractère personnel ou non
«opting out» généralisé
Données sensibles avec
devoirs spécifiques (santé ?
géolocalisation ?)
Renforcement des droits de
la personnalité
138Protection des donnees – big data | SMART DATA
Solutions
technologiques
«Privacy by design»
«Privacy by default»
Atout majeur pour
les sociétés suisses
139
MICHEL JACCARD
id est avocats
Email [email protected] | [email protected]
URL www.idest.pro
Twitter @idestavocats
Questions
140
Merci pour votre visite!
