BD**2 : Des BD à BD (des Bases de Données à BIG DATA)
|
|
- Hippolyte Blanchard
- il y a 8 ans
- Total affichages :
Transcription
1 BD**2 : Des BD à BD (des Bases de Données à BIG DATA) Pr Serge Miranda Directeur Master MBDS ( fr.org) Conférence MBDS 2013
2 World is changing : Tiepolo (Un Nouveau Monde; Venise)
3 «Big» DATA? IDC 2012 : 1.8 Ze;a octets 10**24 ont été produits en 2011 (50% de croissance par an) Big data doesn t look like it s just an IT trend, either. Gartner forecasts 4.4m IT jobs will be created globally by 2015 to support big data.
4 VOLUME : Exa- octets /seconde! «Entre les débuts de la culture humaine et 2003, l humanité a produit 5 exa- octets (10**18; 1000 peta) d informayon Aujourd hui nous produisons autant d informayon tous les 2 jours» Eric Schmidt (CEO de Google), Davos 2010 En 2013 : chaque 10 minutes! En 2015 chaque 10 secondes (UC BERKELEY report, Big 2013), Data Pr en Serge 2020 Miranda, Univ de
5 De ans à 2013! Bibliothèque d Alexandrie : tout le savoir Humain! Chaque terrien 2013 aurait (en moyenne) 300 fois la collechon de ceee bibliothèque! 1200 EXAOCTETS 5 piles de CD de la Terre à la Lune (VIKT2013) En 2000 : ¼ des infos du monde étaient numérisées Doublement tous les ans En 2013 : 98%!
6 VOLUME BIG DATA? Chaque Seconde en 2012 sur Internet: requêtes sur Google (3 millions de mails par sec; 10 sites créés par sec) SMS Mails échangés 3000 visites sur Facebook ( 1 milliard «d amis») > 1 heure de video sur YOUTUBE (hébergement d 1,5 milliard de videos) 4000 tweets (140 M/jour) 20 Applicafons smartphones téléchargées 2 CV postés sur Linkedin (188 Millions de CV) et.. 1 usurpafon d idenfté
7 «DATAFICATION» (mise en donnée numérique; géoloc)? CORRELATION (Comment?) >> CAUSALITE (Pourquoi?)! GOOGLE et l algorithme de la grippe (NATURE, 2009) 1 milliard de recherches Google par jour analysées aux USA PrévenHon des incendies à New York Pb des immeubles en sous locahon et vétustes Moins de risques sur ceux qui ont eu un ravalement! «COURTIER de données» (Acxiom, Experian, )
8 EvoluHon société? «La vie des sociétés dans lesquelles règne le mode de produc9on s annonce comme une immense accumulayon de marchandises» Karl Marx Le Capital (1867) RévoluHon industrielle «comme une immense accumulayon de SPECTACLES» Guy Debord (1967) (images, TV, Top Down/BROADCAST) UHlisateur PASSIF «comme une Immense accumulayon d INFORMATIONS temps réel» Réseaux sociaux, NFC et Big Data BOTTOM UP/Narrowcast UHlisateur InteracHf et proachf
9 Plan DATA ecosystem (Mobiquitous informahon systems; Social network) BIG DATA OPEN DATA, LINKED DATA (Web Séman9que), WEB DATA DATA SYSTEMS SQL (et ODMG) NO SQL Hadoop (Ex en Annexe du MBDS2012) NEW SQL Stonebraker (2011) Oracle BIG DATA for the enterprise Microsoq BIG DATA IBM, Teradata RESEARCH Areas References
10 «DATA» roots/key words? 1) «DATA X» : DATA base (19/8/1968 : Ted Codd et Modèle RelaYonnel), DBMS DATA bank DATA warehouse (ETL/DATA Pumping,..) DATA mart DATA mining (OLAP, CorrélaHons,..), Data AnalyHcs, DATA Pumping DATA Systems («SQL», «NO SQL», «NEW SQL» en 2011) DATA mash up DATA SCIENCE 2) «Y DATA»: - Linked DATA, Web DATA (DBpedia, Web SémanHque) - Meta DATA - Open DATA è BIG Data («Data Science» + «Data Business»)
11 VOLUME le début d un «tsunami DATA» Vers le YOTTA De Données 20 petaoctets (10**15) de données traitées chaque jour sur Google (20 fois contenu BNF!) Datawarehouse de WALMART et BD. De la CIA (IDC) 35 zeea octets dans le monde numérique en Milliards d objets tagués en 2020 (1 tera) Ambifon NSA (Service Renseignement USA) : analyse simultanée d un yo;aoctet (10**32) è Vers 10**99 = «Google»> Les nouveaux réseaux communautaires spacio temporels TEMPS REEL ++ d entreprises («Zero mail» chez Atos et Bluekiwi en 2012, Microsoq et) Entre individus (PATH, PAIR, Google+,..) SANTE, TRANSPORT, TOURISME,
12 Un nouvel ESPACE DATA «Déluge» de DATA BOTTOM UP TEMP REEL (2.0, Tags,..) Non structurées (linked data) Gouvernement (Open Data). è «DATA DELUGE SCIENCE massively interdisciplinary coopera9on towards a global approach for interoperability «G.Glinos, EC 2012
13 UN NOUVEAU MONDE mobiquitaire! «Futur mobiquitaire» et «Écosystème endogène du Smartphone» (de la produchon d info à la consommahon d info) En 2011, plus d abonnements au mobile que d habitants sur la planète 2015 : La moihé de la planète aura un smartphone (50% NFC) 1000 Milliards d objets tagués en 2020 MOBIQUITE : MOBIlité et ubiquite USERWARE Instagram (Photo),..
14 Le Futur n est plus ce qu il était! «WEB? au cube» DATA WEB + Capteurs + TAGS «SOLOMO» (SOcial- LOcal- MObile) Déferlante /Déluge BOTTOM UP (crowdsourcing,..) Approches communautaires 2.0 «dynamiques, géolocalisées, contextuelles, temporelles» : tourisme, transport, santé,
15 BIG DATA : the crossing road!
16 BIG DATA? «BIG DATA Refers to data sets whose size is beyond the capabiliyes of the current DB (SQL) technology» C. Thanos, April 2012, Ercim News
17 BIG DATA (Wikipedia) Big data («grosse donnée» ou données massives) est une expression anglophone u9lisée pour désigner des ensembles de données qui deviennent tellement volumineux qu'ils en deviennent difficiles à travailler avec des ou9ls classiques de ges9on de base de données. Dans ces nouveaux ordres de grandeur, la capture, le stockage, la recherche, le partage, l'analyse et la visualisa9on des données doivent être redéfinis. Les perspec9ves du traitement des big data sont énormes, notamment pour l'analyse d'opinions ou de tendances industrielles, la génomique, l'épidémiologie ou la luqe contre la criminalité ou la sécurité 2. Le phénomène Big data est considéré comme l'un des grands défis informayques de la décennie Il engendre une dynamique importante tant par l'administra9on 3, que par les spécialistes sur le terrain des technologies ou des usages 4. OuHl adapté : Graph Databases (en), framework : MapReduce ou Hadoop et systèmes de geshon de bases de données comme BigTable.
18 BIG DATA : Les 3 «V» de M. Stonebraker (2011) et les 4V De Popescu (Variability) «Il y a beaucoup de bruit autour du Big Data. Ce concept a plusieurs significa9ons en fonc9on du type de personnes. Selon moi, la meilleure façon de considérer le Big Data est de penser au concept de trois V. Big Data peut être synonyme de gros Volume. Du teraoctet au petaoctet. Il peut également signifier la rapidité [Velocity] de traitement de flux con9nus de données. Enfin, la troisième significa9on : vous avez à manipuler une grande Variété de données, de sources hétérogènes. Vous avez à intégrer entre mille et deux mille sources de données différentes et l opéra9on est un calvaire. La vérité est que le Big Data a bien trois significa9ons et que les éditeurs n en abordent qu une à la fois. Il est important de connaître leur posi9onnement pour leur poser les bonnes ques9ons.
19 BIG DATA and «4V» VOLUME : Massively distributed architecture required to store data EX : Google, Amazon, Facebook, with 10 to 100 K servers VELOCITY (real Hme)with Extreme query Workload Indicators >> Precise answers Variety Unstructured data (linked data RDF, Open data,..) Semi structured data (XML) Variability Schema EVOLUTION (flexibility,..)
20 DefiniHon BIG DATA by IDC : 5th V!
21 2012 Google* indexe 20 milliards de pages par jour pour répondre à 3,3 milliards de requêtes quo9diennes. Google, c est aussi 425 millions d u9lisateurs de sa messagerie Gmail, disposant chacun d un espace de stockage de 10 Go, soit 4,25 «Eo». Google compte 250 millions de membres sur le réseau social Google+. YouTube recense 800 millions d u9lisateurs qui passent 4 milliards d heures à regarder des vidéos chaque mois Les u9lisateurs de youtube envoient 72 heures de vidéos par minute pour 1,3 milliard de vidéos hébergées en tout. *GOOGLE vient du chiffre mathémayque 1 suivi de 100 Zeros
22 VARIETY du «BIG» Data [FERM2012] WEB DATA : réseaux sociaux (TWITTER, FB, Instagram,..), e- commerce, indexahon, stockage de photos (Instagram), de vidéos, linked data, etc. ex: Google traitait 24 petaoctets de données par jour avec MapReduce en 2009) OPEN DATA données publiques (open data). LINKED DATA (Web Sémanfque) MOBIQUITOUS /TAGGED OBJECT DATA : Internet et objets communicants: RFID, NFC, réseaux de capteurs, journaux des appels en téléphonie; Données des sciences: génomique, astronomie, physique subatomique ex: le CERN annonce produire 15 petaoctets de données par an avec le LHC climatologie ex: le centre de recherche allemand sur le climat gère une base de données de 60 petaoctets données commerciales ex: historique des transachons dans une chaîne d hypermarchés données personnelles ex: dossiers médicaux;
23 Besoins mobiquitaires OLTP/OLCP Temps Réel Géolocalisafon (ContextualisaHon, Temporalité) Réseaux sociaux spacio temporels temps réel (électeurs, spectateurs,..) Approche décisionnelle/oltp temps réel (DATA ANALYTICS) BOTTOM UP Jeux, MarkeHng, CommunicaHon Réseaux sociaux (Twieer, Facebook,..) TAGS NFC,
24 Infographie BIG DATA (Dec 2012) hep:// item / the- future- of- big- data- inf
25 WEB et rêve de Laplace! «Le Web con9ent une descrip9on exhaus9ve du monde passé et présent» Julien Laugel (MFG Labs) Rêve de LAPLACE «Une enyté connaitra parfaitement l état du monde passé et présent pour prévoir son évoluyon»
26 Grands Domaines d applicafon BIG DATA et Projets du MBDS : du moteur de recherche au moteur de LA recherche GénéHque (découverte de 4 gènes liés au cancer du foie,..) médecine (neurosciences : localisahon migraine, ) Epidémies, Pandémies, Catastrophes (Ex SANDY en Oct 2012 avec cartographie inondahons via analyse tweets) Climatologie, Astronomie Océanographie (Expert planton, méduses,..)chimie LinguisHque, Macro- Economie Transport (Projet VAMP) Cartographie temps réel AIDE SOCIALE (Projet FIRST Inde) COMMERCE, TOURISME (Projet MATRIUM, REVE, IMAJEANS); Projet CITY WALLET avec Nice, Vitoria (Espagne) et Bruxelles
27 Recherche scienhfique AVANT Big PROBLEME Etat de l art INTUITION Data VALIDATION par Expérience, simulahon, calculs,
28 Recherche scienhfique avec BIG DATA Analyse informahque de BIG DATA IdenHficaHon de CORRELATIONS nouvelles Générateur d hypothèses Émergence de DECOUVERTES (avec ou pas expérimentahons) SCIENCE demain? Mise en relief de corrélahons Recherche de modèles expliquant les corrélahons
29 GeneraHons Share Differently s era generation Focus on society Friendships are forged through adversity s era generation Focus on community Friendships forged through identification with a cause s era generation Focus on the individual Friendships forged through individual goal accomplishment 2000 s era generation Focus on common interests and SHARING Des rapports de FORCE aux rapports de FLUX (Joel de Rosnay 2012 SURFER LA VIE ) Friendships are created or thrive virtually Big Data 2013 Pr Serge Miranda, Univ de IOGDC Open Data Tutorial
30 BIG DATA et «Village TERRE»! «D une distance de 6 à une distance de 2» (UC BERKELEY) «Expert» (financier, médecin, professeur, guide,..) + «ExperHse» (Data AnalyHcs)!
31 EX1 : Big data et Neurosciences Projet BrainScanr de Jessica et Bradley VOYTEK Analyse de 3,5 millions d arhcles en neurosciences Carte de «proximité stahshque» entre termes neuroscienhfiques Générateur automahque d hypothèses Proximité entre «sérotonine» et «migraine» (2943 arhcles) Proximité entre «striatum» (région cerveau) et «migraine» (4782 arhcles)» è RéorientaHon des travaux de recherche!
32 Ex2: BIG DATA et psycho- linguishque «Emergence des mots chez le bébé?» Deb ROY du MIT a enregistré et filmé son propre bébé pendant 3 ans (jour et nuit!) (90 000H de video et H audio) <200 teraoctets> 70 Millions de mots prononcés Approche d analyse psycho linguisfque d assimilafon et d évolufon du langage chez l être humain (et modèle contextuel)!
33 «Profil numérique et BIG DATA»
34 Exemple: MOODMeter!
35 MOOC? (Massively Open Online Courses) Concept né en 2008 Mise en Oeuvre à l été 2011 à l Université de Stanford aux USA avec une approche pédagogique essenhellement portée sur le contenu de l enseignement diffusé 1 cours gra9uit en Intelligence Ar9ficielle a été suivi par étudiants (finalisé par ) Andrew Ng l un des pionniers, le MOOC répond à une problémahque simple «La demande dans le monde est bien trop grande et notre société est incapable de construire assez d universités pour y répondre».
36 MOOC, Mobiquité et BIG DATA Retour temps réel pour professeurs sur ATTENTION des étudiants (eye tracking, émofons,..) Retour temps réel sur exercices Retour temps réel sur Intérêt des cours (au dela de l évaluafon finale) Echanges 2.0 entre étudiants
37 vers les M200C! M2OOC : Mobiquitous MOOC
38 Autres Exemples BIG DATA Déforestafon : projet PlanetarySKIN (7 tera de données satellites) Suivi astronomique en direct : Projet LSST (30 Tera chaque nuit) Micro- organismes marins: Projet GOS (2 teraoctets) Bio Chimie sur 100 millions de molécules : Projet BSrC Cancer du foie :projet ICGC (200 teraoctets) analyse des BD sur tumeurs de 5O types de cancers Détecfon épidémies en temps réel : Projet Healthmap (1 teraoctets) : Suivi progression cholera en HaiH avec 2 semaines d avance (cholera, grippe, dengue,..)
39 OPEN DATA
40 Open Data (Wikipedia) «Une donnée ouverte (en anglais open data) est une informa9on publique brute, qui a voca9on à être librement accessible et réu9lisable. La philosophie pra9que de l'open data préconise une libre disponibilité pour tous et chacun, sans restric9on de copyright, brevets ou d'autres mécanismes de contrôle.»
41 Les données ouvertes dans le Web des données (Wikipedia) Les principaux problèmes de l'exploita9on des données ouvertes sont de l'ordre technique car les données en masse ne peuvent pas être traitées humainement. Le concept de Web des données appliqué aux données ouvertes met en œuvre 3 mécanismes : permeqre l'existence de la donnée sur le réseau à travers une URI unique(cela inclut les URL). diminuer le coût de transforma9on de la données en apportant des formats standards lisible par les machines (comme avec RDF,RDFa ou les Microdonnée dans le HTML5) ; améliorer la qualité de la donnée pour éviter qu'un traitement de mise à disposi9on ne puisse les altérer. Un entrepôt de données même avec des erreurs est préférable qu'un entrepôt biaisé. Ainsi, des mécanisme pour la fréquence et l automa9sa9on des mises à jour de la donnée par les producteurs des données est possible avec un service SPARQL sur ces données. Les données ouvertes ne sont pas contrôlables par leurs producteurs (contrôle des mises à jours) et réellement exploitables par d'autres qu'à la condi9on d'u9liser ces 3 mécanismes.
42 What Makes DATA OPEN? Data Open Format Open The US Government through the Open Government DirecHve ( hep:// memoranda_2010/m10-06.pdf ) defines an open format as one that is pla orm independent, machine readable, and made available to the public without restrichons that would impede the re- use of that informahon.
43 OPEN (DATA) FORMAT? Example Open Formats: PDF for documents (but not data) CSV for data (Excel) Web standards for publishing, sharing or linking HTML, XML, RDF Web standards for syndicahon RSS, Atom, JSON
44 Links to OPEN DATA community W3C egovernment Interest Group hep:// Main_Page Open Data InnovaHon Network on LinkedIn hep://bit.ly/odnetwork
45 Linking Data LINKING DATA goes beyond govt Government Data is currently over ½ the cloud in size (~17B triples), 10s of thousands of links to other data (within and without) hep://linkeddata.org/ Big Data 2013 Pr Serge Miranda, Univ de IOGDC Open Data Tutorial
46 «5 star» LINKED OPEN DATA En 2010, Tim Berners- Lee a donné une échelle de qualité des données ouvertes qui va de zéro à 5 étoiles.
47 Data analyfcs AnalyHcs based on over 1,000,000 datasets from around the world can be seen at hep://logd.tw.rpi.edu/iogds_data_analyhcs
48 (Open) Linked DATA/ Semanfc WEB Variante Open Data issue du Web Séman9que : Open Linked Data
49 Tim Berners- Lee, (Weaving the Web, 2001) on SEMANTIC WEB I have a dream for the Web [in which computers] become capable of analyzing all the data on the Web the content, links, and transac9ons between people and computers. A Seman9c Web, which should make this possible, has yet to emerge, but when it does, the day- to- day mechanisms of trade, bureaucracy and our daily lives will be handled by machines talking to machines. The intelligent agents people have touted for ages will finally materialize
50 «WEB SémanYque» du W3C hep:// Le Web séman9que est un mouvement collabora9f mené par le World Wide Web Consor9um(W3C) 1 qui favorise des méthodes communes pour échanger des données. Le Web séman9que vise à aider l'émergence de nouvelles connaissances en s'appuyant sur les connaissances déjà présentes sur Internet. Pour y parvenir, le Web séman9que met en œuvre le Web des données qui consiste à lier et structurer l'informa9on sur Internet pour accéder simplement à la connaissance qu'elle con9ent déjà 2. Selon le W3C, «le Web séman9que fournit un framework qui permet aux données d'être partagées et réu9lisées entres plusieurs applica9ons, entreprises et groupes d'u9lisateurs». 2 Le Web séman9que propose des langages spécialement conçus pour les données : le RDF (Resource Descrip9on Framework), le OWL(Web Ontology Language), et le XML (extensible Markup Language). HTML décrit les documents et les liens entre eux. RDF, OWL, et XML, en revanche, peuvent décrire également des choses, comme des personnes, des réunions, ou des pièces d'avion.< WIKIPEDIA>
51 WEB SEMANTIQUE? è Un Modele de Données! un FORMAT Commun (Structures des données) Des idenhfiants universels de ressources du Web (URI/ URL) Un Format unique : RDF Un schéma : RDF Un langage de Manipulafon SPARQL OWL
52 «Linked DATA», RDF format and SPARQL [BENE2006] To make data machine processable : - Unambiguous names for resources (that may also bind data to real world objects): URIs (URL) - common data structures to access, connect, describe the resources: RDF (Resource Descripfon Framework) - Access to that data: SPARQL - Define common vocabularies: RDFS, OWL, SKOS - Reasoning logics: OWL, Rules
53 RDF (2008) Defined by W3C January 15th, 2008 Info representahon in the WWW Inherits XML Syntax Exploits URI to idenhfy Resources An RDF graph is a set of triples to describe WEB resources RDF/XML is the W3C recommendahon Simple triple: <subject predicate object> (cf Minsky et linguisyque sur triplet <Sujet><Verbe> <Complément>)
54 RDFS (RDF Schema) To specify vocabularies in RDF Classes/subclasses Resources Range Domain
55 Sparql : SQL- like syntax SPARQL queries for RDF graphs PREFIX dc: hep://purl.org/dc/elements/1.1/ <URI abrégé> SELECT?ftle WHERE { <h;p://example.org/book/book1> dc:ftle?ftle } < liste des triplets> FROM Name of the RDF graph Note : Jena is a Java framework for building Seman9c Web applica9ons; provides an environment for RDF, RDFS and OWL, SPARQL and includes a rule- based inference engine
56 Exemple RDF [MAEV2012] < > Sujet < Prédicat Objet Big Data 2013 Pr Serge Miranda, Univ de Nice Sophia Antipolis
57 Exemple SPARQL [MAEV2012] Langage d interrogation, ajout, modisication et suppression de données RDF. Exemple : Quels sont les Auteurs français nés en 1900? Big Data 2013 Pr Serge Miranda, Univ de Nice Sophia Antipolis
58 SPARQL engine Note : GRDDL (2007) to get RDF triples out of XML documents
59 OWL (Ontology Web Language) Declarafve logic- based language based on RDF Programs (reasoners) to Verify consistency of knowledge Discover implicit knowledge OWL Object properhes SemanHc inherent approach with resasoning capability Appropriate for DATA Exchange (protocols) Cf [ALIMI2012] to model the SE of Global Pla orm
60 DATA WEB (web de données) livre de David Wood Linking Government Data en 2011: le Web des données est passé de quelques 40 millions de triplets RDF au sein de quatre entrepôts de données en 2007 à 203 entrepôts avec plus de 25 milliards de triplets avec 395 millions de liens à la fin 2010.
61 EX : Dataset GOVtrack (USA) GovTrack provides SPARQL access to data on the U.S. Congress - Contains over 13,000,000 triples about legislators, bills, and votes - h;p://
62 EX (GovTrack) : Find Senate bills that either John McCain or Barack Obama sponsored and the other cosponsored [CORNO2008] PREFIX bill: <hep:// PREFIX dc: <hep://purl.org/dc/elements/1.1/> foaf: <hep://xmlns.com/foaf/0.1/> SELECT?Htle?sponsor?status WHERE { {?bill bill:sponsor?mccain ; bill:cosponsor?obama. } UNION {?bill bill:sponsor?obama ; bill:cosponsor?mccain. }?bill a bill:senatebill ; bill:status?status ; bill:sponsor?sponsor ; dc:htle?htle.?obama foaf:name "Barack Obama".?mccain foaf:name "John McCain".}
63 Dataset «DBPEDIA»? DBPEDIA : Données extraites de Wikipedia sous forme RDF DBPedia is an RDF version of informafon from Wikipedia which : - Contains data derived from Wikipedia s infoboxes, category hierarchy, arhcle, abstracts, and various external links - Contains over 130 million triples - Dataset: h;p://dbpedia.org/
64 DBPEDIA [GAND2012] Projets 2012 [GAND2012]): Dataliq.org (ANR) Kolflow (ANR) pluggable to any RDF store (SparQL1.1) ERWAN (visualisafon de données RDF/XML) Mobile DB PEDIA? è Tourisme mobiquitaire et guide temps réel Moteur KGRAM/Corese en Open Source VERROUS? - Modeles pour meta données? - Architectures logicielles ouvertes (stockage, acces,..)
65 DATA SYSTEMS for BIG DATA SQL (SQL2/SQL3) NO SQL (NOT ONLY SQL) NEWSQL
66 Approche Top Down SQL? Approche top down par STRUCTURATION des données /PRE définifon d un Schéma «fixe» (cf Modèle de données) UNIVERS REEL MODELE DE DONNEES SCHEMA
67 Approche Top DOWN SQL (données Structurées) 3 phases pour mise en place BD SQL : 1) CONCEPTION (UML,..) puis 2) Schéma (figé) puis 3) CREATION BD SQL (SQL3) ou ODMG ApplicaHons TRANSACTIONNELLES (OLTP) Propriétés TIPS Propriétés ACID ApplicaHons décisionnelles (OLCP) top down DATAWAREHOUSE DATA MINING
68 Rappels Modèle de données «relahonnel» (de CODD) support SQL «Modèle relafonnel de CODD» è Prérequis à SQL2 «Modèle OR de Chris Date» (3rd manifesto) è Prérequis à SQL3 et ODMG Modèle de Codd (19/8/1968) DOMAINES RELATIONS Aeributs/CP/CE Double définihon formelle
69 Apports des BD SQL2 et SQL3 Propriétés «TIPS» de l approche BD SQL TransacHons, Interface non procédurale (SQL), Persistance, StructuraHon (SCHEMA) «T» : «TRANSACTIONS» Propriétés «ACID» : Atomicité, Cohérence, IsolaHon, Durabilité OLTP (On line Transac9on Processing) Data Warehouse/data Mining (et OLCP : On Line Complex Processing) è Approche TOP DOWN
70 Traitements SQL Non SQL Marché BD SQL et standards OR? (Stonebraker 96 et Gartner) SGBD-OR SGBD- R (1) SQL2 G/P/D (2) SQL3 /Mobiquité SGF SGBD- OO (3) ODMG /CAO Simples Complexes Données (1) : 10 G$ <licences *> en 2010 (20 % de croissance, 60 G $ en 2020) (3) : 1/100 de (1) en 2010 et 2020 (2) : 2x (3) en 2010 ; 2*(1) en 2020! * Marché de 27 Big Data G 2013 dollars Pr Serge Miranda, avec Univ services de et support en 2010
71 Une dichotomie «data system»big DATA /SQL ou une intégrafon? SQL/ DATA BASE MANAGEMENT SYSTEMS (DBMS) et TIPS Données structurées (Tables, Objets, ) : Schéma et modèle Objet RelaHonnel Approche TOP DOWN ApplicaHons transachonnelles avec cohérence ACID et Propriétés TIPS Schema fixe et données structurées Systèmes centralisés et SCALABILITE VERTICALE (Serveur ++ et transachonnel ACID) Interface SQL avec réponses précises Gesfon/PRODUCTION/DECISION (Datawarehouse) Standards SQL3/0DMG (See [ORACLE12] ) NO SQL (Not Only SQL) Données non structurées (accessibles sur le WEB par URL,..) Approche BOTTOM UP Systèmes réparfs et SCALABILITE HORIZONTALE (10K + Servers ) Schema VARIABLE ou pas de Schéma et données non structurées (TEXT), semi- structurées (XML) ou liées (RDF) ApplicaHons DECISIONNELLES avec Données temps réel et SCALABILITE HORIZONTALE (Propriétés BASE et Thèorème CAP) InterrogaHon par machine avec indicahons de réponses et ONTOLOGIES Collaborafon/PARTAGE communautaire/cartographie TEMPS REEL Standards (Linked data : RDF, SPARQL, OWL, )
72 Les 4 «V» de Popescu pour BIG DATA [POPE2012] Alex Popescu, (comme Forrester Research), enrichit les 3 V de Stonebraker pour définir BIG DATA : - Volume: les données dépassent les limites de la scalabilité verhcale des ouhls classiques, nécessitant des soluhons de stockage distribués et des ouhls de traitement parallèles. - Variété: les données sont hétérogènes ce qui rend leur intégrahon complexe et coûteuse. - Vélocité: les données doivent être traitées et analysées rapidement eu égard à la vitesse de leur capture. - Variabilité: le format (Schéma) et le sens des données peut varier au fil du temps.
73 Propriétés «BASE» transachonnelles de Big Data BASE : Basically Available Scalability Eventually consistent Replica consistency; Cross Node Consistency CAP Theorem Consistency, SQL Availability, Parffoning NO SQL
74 Données «COMPLEXES» : SQL3, NO SQL et NEWSQL? Traitements SQL SGBD-OR SQL SQL3 (MIRA2013) NEW SQL Non SQL SGBD- OO ODMG NO SQL Complexes Structurées Top Down Complexes Non Structurées Temps Réel Bottom Up BIG DATA Données
75 NO SQL (Not Only SQL) (1998) Une approche non SQL permeeant la geshon de données de type BIG DATA cf 4 «V» de POPESCU + VARIABILITE + VOLUME + VELOCITE + VARIETE 12
76 NO SQL et les leaders du Web (logiciels Open Source) Google MapReduce et BigTable, Yahoo! Hadoop, S4, Amazon Dynamo, S3, Facebook Cassandra, Hive, Twieer : Storm, FlockDB, LinkedIn : KaŽa, SenseiDB, Voldemort, etc.
77 FondaHon APACHE Hadoop, Lucene/Solr, Hbase, Hive, Pig, Cassandra, Mahout, Zookeeper, S4, Storm, KaŽa, Flume, Hama, Giraph Start ups autour de Hadoop en 2012 : Cloudera (76M$ levés), Hortonworks (~20M$), Datameer (12M$), ZeQaset, Drawntoscale,
78 Types de SGBD «NO SQL» Les bases NoSQL visent à passer à l échelle (SCALABILITY) de manière horizontale en relâchant les condi9ons fortes de transac9onnalité (ACID ) aqendues des bases SQL (BASE), et en renonçant au modèle rela9onnel. 4 types de base NoSQL: Clé- valeur (ex: Hadoop, Cassandra,..) < table de hachage> Orientées colonne (Ex : BigTable,..) < stockage par COLONNES pas par lignes> Orientées document (ex: CouchDB, MongoDB,..) DOC = record; Pas de schéma; Ensemble de CLE- VALEUR; Graphe (ex: Neo4j) pour réseaux sociaux. Nœuds/liens/propriétés; pas d opérateurs ensemblistes mais parcours de graphes
79 NO SQL/ Data Systems [Noel2011] Platonic architecture of a DATA SYSTEM? 1) BATCH LAYER : HADOOP (arbitrary computahons, horizontal scalability, map reduchon,..) 2) SPEED LAYER : RIAK, CASSANDRA (NO SQL DB), MONGO DB (NO SQL), H- BASE (incremental algorithms, subset of big data,..) : Conclusion : one store both for operafonal data and analyfcs, REAL TIME in the pocket
80 MAP REDUCE et HADOOP
81 MAP REDUCE (Google 2004) MapReduce est à l origine une technique de programmahon connue de longue date en programmahon fonchonnelle, mais surtout un framework développé par Google pour le CALCUL DISTRIBUE implémentafons en open source: Hadoop (Yahoo! puis Fondafon Apache), Disco (Nokia), MrJob (Yelp!), etc. Autres implémenta9ons de MapReduce intégrées dans les bases de données No SQL: CouchDB, MongoDB, Riak,
82 L écosystème Hadoop
83
84
85 Son rôle consiste à diviser le traitement en 2 étapes : Map : étape d ingeshon et de transformahon des données sous la forme de paires clé/valeur Reduce : étape de fusion des enregistrements par clé pour former le résultat final.
86 Résumé MAP REDUCE Les différentes étapes du traitement vont donc être: - Découper les données d'entrée («spli ng») en «morceaux» parallélisables - Mapper chacun des «morceaux» pour produire des valeurs associées à des clefs. - Grouper («shuffling») ces couples clef- valeur par clef. - Réduire (Reduce) les groupes indexés par clef en une forme finale, avec une valeur pour chaque clef.
87 Exemple simple pour illustrer approche MAP REDUCE
88 Enfin, il nous rester à programmer notre opérafon REDUCE, qui va recevoir la liste des groupes construits après l'opérafon MAP. Dans notre cas, l'opérafon REDUCE va simplement consister à addifonner les valeurs associées à chaque clef comme nous avons associé une valeur de «1» à chaque présence d'un mot dans MAP è cela nous donnera à terme le nombre d occurrences des mots du texte.
89 NEW SQL?
90 «From NO SQL to NEW SQL» Replacing real SQL ACID with either no ACID or ACID lite just pushes consistency problems into the applica9ons where they are far harder to solve. Second, the absence of SQL makes queries a lot of work M.Stonebraker Avec HADOOP, l administrateur est L u9lisateur!
91 Verrous MeHssage Systèmes amphibiens :Passerelles entre SGBD/Datawarehouse TOP DOWN (SQL) et décisionnel/analyhcs BOTTOM UP (NOSQL) MainHen ACID approche SQL Interface SQL++ (Complexité cachée) MainHen Performances boqom up et scalabilité approches NOSQL è «NEW SQL»
92 «From NO SQL to NEW SQL» [RICH2012] ([STON2011] NEW SQL (on top of SQL) : VoltDB de Stonebraker MYSQL Scale DB, NimbusDB, (open Source, in memory RDB), Clustrix, + TERADATA BIG DATA, Oracle BIG DATA, Microsoˆ BIG DATA, IBM Big Data Future is polyglot persistence
93 VOLTDB (Stonebraker 2011) : Designed by DBMS pioneer Mike Stonebraker for organiza9ons that have reached the price/performance limita9ons of general purpose SQL databases, VoltDB is a NewSQL database that combines the proven power of rela9onal processing with blazing speed, linear scalability and uncompromising fault tolerance. VoltDB is the ideal solu9on for high velocity database applica9ons that require 100% accuracy and real- 9me analy9cs. JUIN 2012 : VOLTDB Processes TransacYon par seconde sur Cloud Amazon
94 CTO de Teradata Stephen Brobst (Oct 2012) «Désormais, vous pouvez bénéficier de la puissance de MapReduce et de la facilité d usage de SQL, Avant, avec Hadoop, les seules personnes capables d extraire des données étaient celles qui les avaient placées»
95 Big Data Teradata «Unified Data Architecture», avec intégrahon Hadoop. système de fichiers HDFS (Hadoop Distributed File System), au moyen du langage de requêtage SQL, un langage très familier dans le monde des bases de données. HCatalog, un framework de métadonnées Open Source développé par Hortonworks, et SQL- H, qui permet d analyser des données stockées sur un filesystem HDFS en uhlisant SQL. ASTER, propriété de Teradata, avait inventé et breveté SQL- MapReduce, qui greffe à SQL des fonchonnalités de MapReduce. L appliance Teradata- Aster Big Analyfcs plus de 50 applicahons analyhques pré- intégrées. 15 petabytes de données, réparhes entre les deux bases,
BIG DATA («BD») and DBMS platform
BIG DATA («BD») and DBMS platform ( «De BIG Brother à BIG DATA») Pr Serge Miranda Directeur Master MBDS (www.mbds-fr.org) Conférence 2012-2013 Exa-octets/jour! «Entre les débuts de la culture humaine et
Plus en détailL écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com. Tuesday, July 2, 13
L écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com HUG France 250 membres sur la mailing liste 30 présentations 9 meetups organisés, de 20 à 100 invités Présence de Cloudera, MapR, Hortonworks,
Plus en détailLabs Hadoop Février 2013
SOA - BRMS - ESB - BPM CEP BAM - High Performance Compute & Data Grid - Cloud Computing - Big Data NoSQL - Analytics Labs Hadoop Février 2013 Mathias Kluba Managing Consultant Responsable offres NoSQL
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailBIG DATA. Veille technologique. Malek Hamouda Nina Lachia Léo Valette. Commanditaire : Thomas Milon. Encadré: Philippe Vismara
BIG DATA Veille technologique Malek Hamouda Nina Lachia Léo Valette Commanditaire : Thomas Milon Encadré: Philippe Vismara 1 2 Introduction Historique des bases de données : méthodes de stockage et d analyse
Plus en détailCartographie des solutions BigData
Cartographie des solutions BigData Panorama du marché et prospective 1 1 Solutions BigData Défi(s) pour les fournisseurs Quel marché Architectures Acteurs commerciaux Solutions alternatives 2 2 Quels Défis?
Plus en détailBig data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique
Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai
Plus en détailMapReduce. Malo Jaffré, Pablo Rauzy. 16 avril 2010 ENS. Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15
MapReduce Malo Jaffré, Pablo Rauzy ENS 16 avril 2010 Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15 Qu est ce que c est? Conceptuellement Données MapReduce est un framework de calcul distribué
Plus en détailAVRIL 2014. Au delà de Hadoop. Panorama des solutions NoSQL
AVRIL 2014 Panorama des solutions NoSQL QUI SOMMES NOUS? Avril 2014 2 SMILE, EN QUELQUES CHIFFRES 1er INTÉGRATEUR EUROPÉEN DE SOLUTIONS OPEN SOURCE 3 4 NOS EXPERTISES ET NOS CONVICTIONS DANS NOS LIVRES
Plus en détailNoSQL. Introduction 1/23. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)
1/23 2/23 Anne-Cécile Caron Master MIAGE - BDA 1er trimestre 2013-2014 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche
Plus en détailGroupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be
Groupe de Discussion Big Data Aperçu des technologies et applications Stéphane MOUTON stephane.mouton@cetic.be Recherche appliquée et transfert technologique q Agréé «Centre Collectif de Recherche» par
Plus en détailMe#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on
Me#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on Thierry Badard, PhD, ing. jr Centre de Recherche en Géoma6que Conférence ITIS - Big Data et Open Data au coeur
Plus en détailHADOOP ET SON ÉCOSYSTÈME
HADOOP ET SON ÉCOSYSTÈME Mars 2013 2012 Affini-Tech - Diffusion restreinte 1 AFFINI-TECH Méthodes projets Outils de reporting & Data-visualisation Business & Analyses BigData Modélisation Hadoop Technos
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailNoSQL. Introduction 1/30. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)
1/30 2/30 Anne-Cécile Caron Master MIAGE - SGBD 1er trimestre 2014-2015 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche
Plus en détailIntroduction à MapReduce/Hadoop et Spark
1 / 36 Introduction à MapReduce/Hadoop et Spark Certificat Big Data Ludovic Denoyer et Sylvain Lamprier UPMC Plan 2 / 36 Contexte 3 / 36 Contexte 4 / 36 Data driven science: le 4e paradigme (Jim Gray -
Plus en détailBigdata et Web sémantique. les données + l intelligence= la solution
Bigdata et Web sémantique les données + l intelligence= la solution 131214 1 big data et Web sémantique deux notions bien différentes et pourtant... (sable et silicium). «bigdata» ce n est pas que des
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
Plus en détailBIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation
BIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation - définition - étapes - impacts La révolution en cours du big data - essai de définition - acteurs - priorités
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailBD 2: des Bases de Données à Big Data
BD 2: des Bases de Données à Big Data Professeur Serge Miranda Département Informatique Université de Nice Sophia Antipolis Directeur du Master MBDS (www.mbds-fr.org) MOOC 2014-2015 sur plateforme FUN
Plus en détailTables Rondes Le «Big Data»
Tables Rondes Le «Big Data» 2012-2013 1 Plan Introduc9on 1 - Présenta9on Ingensi 2 - Le Big Data c est quoi? 3 - L histoire 4 - Le monde du libre : Hadoop 5 - Le système HDFS 6 - Les algorithmes distribués
Plus en détailLes journées SQL Server 2013
Les journées SQL Server 2013 Un événement organisé par GUSS Les journées SQL Server 2013 Romain Casteres MVP SQL Server Consultant BI @PulsWeb Yazid Moussaoui Consultant Senior BI MCSA 2008/2012 Etienne
Plus en détailMapReduce. Nicolas Dugué nicolas.dugue@univ-orleans.fr. M2 MIAGE Systèmes d information répartis
MapReduce Nicolas Dugué nicolas.dugue@univ-orleans.fr M2 MIAGE Systèmes d information répartis Plan 1 Introduction Big Data 2 MapReduce et ses implémentations 3 MapReduce pour fouiller des tweets 4 MapReduce
Plus en détailAcquisition des données - Big Data. Dario VEGA Senior Sales Consultant
Acquisition des données - Big Data Dario VEGA Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailLes bases de données relationnelles
Bases de données NO SQL et SIG : d un existant restreint à un avenir prometteur CHRISTIAN CAROLIN, AXES CONSEIL CAROLIN@AXES.FR - HTTP://WWW.AXES.FR Les bases de données relationnelles constituent désormais
Plus en détailBig Data. Cyril Amsellem Consultant avant-vente. 16 juin 2011. Talend 2010 1
Big Data Cyril Amsellem Consultant avant-vente 16 juin 2011 Talend 2010 1 Big Data Architecture globale Hadoop Les projets Hadoop (partie 1) Hadoop-Core : projet principal. HDFS : système de fichiers distribués
Plus en détailBig Data : utilisation d un cluster Hadoop HDFS Map/Reduce HBase
Big Data : utilisation d un cluster cluster Cécile Cavet cecile.cavet at apc.univ-paris7.fr Centre François Arago (FACe), Laboratoire APC, Université Paris Diderot LabEx UnivEarthS 14 Janvier 2014 C. Cavet
Plus en détailNoSQL : hype ou innovation? Grégory Ogonowski / Recherches Octobre 2011
NoSQL : hype ou innovation? Grégory Ogonowski / Recherches Octobre 2011 Sommaire Introduction Théorème CAP NoSQL (principes, mécanismes, démos,...) Ce que nous avons constaté Recommandations Conclusion
Plus en détailTHÈSE. présentée à TÉLÉCOM PARISTECH. pour obtenir le grade de. DOCTEUR de TÉLÉCOM PARISTECH. Mention Informatique et Réseaux. par.
École Doctorale d Informatique, Télécommunications et Électronique de Paris THÈSE présentée à TÉLÉCOM PARISTECH pour obtenir le grade de DOCTEUR de TÉLÉCOM PARISTECH Mention Informatique et Réseaux par
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en détailLa rencontre du Big Data et du Cloud
La rencontre du Big Data et du Cloud Libérez le potentiel de toutes vos données Visualisez et exploitez plus rapidement les données de tous types, quelle que soit leur taille et indépendamment de leur
Plus en détailJDev Atelier Datalift
JDev Atelier Datalift RDF, Linked (Open) Data & Datalift Your business JDev technologists. - 6 septembre Powering 2013 progress Le Linked Data Publier des données structurées sur le Web en les reliant
Plus en détailProgrammation parallèle et distribuée (Master 1 Info 2015-2016)
Programmation parallèle et distribuée (Master 1 Info 2015-2016) Hadoop MapReduce et HDFS Note bibliographique : ce cours est largement inspiré par le cours de Benjamin Renaut (Tokidev SAS) Introduction
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailFINI LA RÉCRÉ PASSONS AUX MÉGADONNÉES
1 FINI LA RÉCRÉ PASSONS AUX MÉGADONNÉES «Dans le concret, projets de transformation vers le BigData» V1-10/03/15 ABED AJRAOU CONNAISSEZ-VOUS PAGESJAUNES? CONNAISSEZ-VOUS PAGESJAUNES? LES MEGADONNEES RÉPONDENT
Plus en détailDéploiement d une architecture Hadoop pour analyse de flux. françois-xavier.andreu@renater.fr
Déploiement d une architecture Hadoop pour analyse de flux françois-xavier.andreu@renater.fr 1 plan Introduction Hadoop Présentation Architecture d un cluster HDFS & MapReduce L architecture déployée Les
Plus en détailAPI04 Contribution. Apache Hadoop: Présentation et application dans le domaine des Data Warehouses. Introduction. Architecture
API04 Contribution Apache Hadoop: Présentation et application dans le domaine des Data Warehouses Introduction Cette publication a pour but de présenter le framework Java libre Apache Hadoop, permettant
Plus en détailLe BigData, aussi par et pour les PMEs
Parole d expert Le BigData, aussi par et pour les PMEs Stéphane MOUTON, CETIC Département Software and Services Technologies Avec le soutien de : LIEGE CREATIVE Le Big Data, aussi par et pour les PMEs
Plus en détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
Plus en détailLe traitement du Big Data inclue la collecte, la curation, le stockage, l enrichissement, le croisement, la partage, l analyse et la visualisation.
Les infrastructure du Big Data Le «Big Data» vise à tirer un avantage concurrentiel au travers de méthodes de collecte, d analyse et d exploitation des données qu on ne pouvait utiliser jusqu à présent
Plus en détailLe nouveau visage de la Dataviz dans MicroStrategy 10
Le nouveau visage de la Dataviz dans MicroStrategy 10 Pour la première fois, MicroStrategy 10 offre une plateforme analytique qui combine une expérience utilisateur facile et agréable, et des capacités
Plus en détailSystèmes Répartis. Pr. Slimane Bah, ing. PhD. Ecole Mohammadia d Ingénieurs. G. Informatique. Semaine 24.2. Slimane.bah@emi.ac.ma
Ecole Mohammadia d Ingénieurs Systèmes Répartis Pr. Slimane Bah, ing. PhD G. Informatique Semaine 24.2 1 Semestre 4 : Fev. 2015 Grid : exemple SETI@home 2 Semestre 4 : Fev. 2015 Grid : exemple SETI@home
Plus en détailL offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence
L offre décisionnel IBM Patrick COOLS Spécialiste Business Intelligence Le marché du Business Intelligence L enjeux actuel des entreprises : devenir plus «agiles» Elargir les marchés tout en maintenant
Plus en détailBig Data. Concept et perspectives : la réalité derrière le "buzz"
Big Data Concept et perspectives : la réalité derrière le "buzz" 2012 Agenda Concept & Perspectives Technologies & Acteurs 2 Pierre Audoin Consultants (PAC) Pierre Audoin Consultants (PAC) est une société
Plus en détailPanorama des solutions analytiques existantes
Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement
Plus en détailBig Graph Data Forum Teratec 2013
Big Graph Data Forum Teratec 2013 MFG Labs 35 rue de Châteaudun 75009 Paris, France www.mfglabs.com twitter: @mfg_labs Julien Laugel MFG Labs julien.laugel@mfglabs.com @roolio SOMMAIRE MFG Labs Contexte
Plus en détailOffre formation Big Data Analytics
Offre formation Big Data Analytics OCTO 2014 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél : +33 (0)1 58 56 10 00 Fax : +33 (0)1 58 56 10 01 www.octo.com 1 Présentation d OCTO Technology 2 Une
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailBusiness Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012
Business Intelligence, Etat de l art et perspectives ICAM JP Gouigoux 10/2012 CONTEXTE DE LA BI Un peu d histoire Premières bases de données utilisées comme simple système de persistance du contenu des
Plus en détailLes quatre piliers d une solution de gestion des Big Data
White Paper Les quatre piliers d une solution de gestion des Big Data Table des Matières Introduction... 4 Big Data : un terme très vaste... 4 Le Big Data... 5 La technologie Big Data... 5 Le grand changement
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailOrganiser vos données - Big Data. Patrick Millart Senior Sales Consultant
Organiser vos données - Big Data Patrick Millart Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be
Plus en détailMonétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data?
Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Les Big data Démystifier les Big data.
Plus en détailDocument réalisé par Khadidjatou BAMBA
Comprendre le BIG DATA Document réalisé par Khadidjatou BAMBA 1 Sommaire Avant propos. 3 Historique du Big Data.4 Introduction.....5 Chapitre I : Présentation du Big Data... 6 I. Généralités sur le Big
Plus en détailBig Data On Line Analytics
Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution
Plus en détail10. Base de données et Web. OlivierCuré [ocure@univ-mlv.fr]
10. Base de données et Web 313 Evolution de l'information Ordre de grandeur : 314 1Mo : 1 gros roman 200Mo : ce que mémorise un être humain dans sa vie. 900Mo : information contenue dans le génome d'une
Plus en détailCatherine Chochoy. Alain Maneville. I/T Specialist, IBM Information Management on System z, Software Group
1 Catherine Chochoy I/T Specialist, IBM Information Management on System z, Software Group Alain Maneville Executive I/T specialist, zchampion, IBM Systems and Technology Group 2 Le défi du Big Data (et
Plus en détailEmergence du Big Data Exemple : Linked Open Data
16/05/2014 Une approche interdisciplinaire des grandes masses de données (Défi Mastodons) Mokrane Bouzeghoub DAS INS2I / MI 1 Emergence du Big Data Exemple : Linked Open Data Accès à plusieurs BD scientifiques
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailTechnologies du Web. Ludovic DENOYER - ludovic.denoyer@lip6.fr. Février 2014 UPMC
Technologies du Web Ludovic DENOYER - ludovic.denoyer@lip6.fr UPMC Février 2014 Ludovic DENOYER - ludovic.denoyer@lip6.fr Technologies du Web Plan Retour sur les BDs Le service Search Un peu plus sur les
Plus en détailIntroduction Big Data
Introduction Big Data SOMMAIRE Rédacteurs : Réf.: SH. Lazare / F. Barthélemy AXIO_BD_V1 QU'EST-CE QUE LE BIG DATA? ENJEUX TECHNOLOGIQUES ENJEUX STRATÉGIQUES BIG DATA ET RH ANNEXE Ce document constitue
Plus en détailL Art d être Numérique. Thierry Pierre Directeur Business Development SAP France
L Art d être Numérique Thierry Pierre Directeur Business Development SAP France La Transformation Numérique «Plus largement, l impact potentiel des technologies numériques disruptives (cloud, impression
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Cloud et scalabilité Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département d informatique Conservatoire
Plus en détailBUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise
BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la
Plus en détailIntroduction aux algorithmes MapReduce. Mathieu Dumoulin (GRAAL), 14 Février 2014
Introduction aux algorithmes MapReduce Mathieu Dumoulin (GRAAL), 14 Février 2014 Plan Introduction de la problématique Tutoriel MapReduce Design d algorithmes MapReduce Tri, somme et calcul de moyenne
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2014) Marc Parizeau, Département de génie électrique et de génie informatique Plan Mégadonnées («big data») Architecture Hadoop distribution
Plus en détailJava et les bases de données
Michel Bonjour http://cuiwww.unige.ch/~bonjour CENTRE UNIVERSITAIRE D INFORMATIQUE UNIVERSITE DE GENEVE Plan Introduction JDBC: API SQL pour Java - JDBC, Java, ODBC, SQL - Architecture, interfaces, exemples
Plus en détailEvolution et architecture des systèmes d'information, de l'internet. Impact sur les IDS. IDS2014, Nailloux 26-28/05/2014 pascal.dayre@enseeiht.
Evolution et architecture des systèmes d'information, de l'internet. Impact sur les IDS IDS2014, Nailloux 26-28/05/2014 pascal.dayre@enseeiht.fr 1 MVC et le web 27/05/14 2 L'évolution des systèmes informatiques
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailUtiliser une WebCam. Micro-ordinateurs, informations, idées, trucs et astuces
Micro-ordinateurs, informations, idées, trucs et astuces Utiliser une WebCam Auteur : François CHAUSSON Date : 8 février 2008 Référence : utiliser une WebCam.doc Préambule Voici quelques informations utiles
Plus en détailQlikView et Google Big Query : Une réponse simple, rapide et peu coûteuse aux analyses Big Data
QlikView et Google Big Query : Une réponse simple, rapide et peu coûteuse aux analyses Big Data Qui sommes-nous? Société de stratégie et de consulting IT spécialisée en ebusiness, Cloud Computing, Business
Plus en détailÀ PROPOS DE TALEND...
WHITE PAPER Table des matières Résultats de l enquête... 4 Stratégie d entreprise Big Data... 5 Intégration des Big Data... 8 Les défis liés à la mise en œuvre des Big Data... 10 Les technologies pour
Plus en détailLe Web de Données Dan VODISLAV Université de Cergy-Pontoise Master Informatique M2 Plan
Le Web de Données Dan VODISLAV Université de Cergy-Pontoise Master Informatique M2 Plan RDF sur le Web Micro-formats Micro-données RDFa Vocabulaires communs Dublin Core, FOAF, SKOS Linked Open Data Architecture
Plus en détail11/01/2014. Le Big Data Mining enjeux et approches techniques. Plan. Introduction. Introduction. Quelques exemples d applications
Plan Le Big Data Mining enjeux et approches techniques Bernard Dousset Professeur des universités Institut de Recherche en Informatique de Toulouse UMR 5505 Université de Toulouse 118, Route de Narbonne,
Plus en détailSQL Server 2012 et SQL Server 2014
SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation
Plus en détailIntroduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza
Introduction à ORACLE WAREHOUSE BUILDER Cédric du Mouza Avant de commencer à travailler avec le produit, il est nécessaire de comprendre, à un haut niveau, les problèmes en réponse desquels l outil a été
Plus en détailBases de Données. Stella MARC-ZWECKER. stella@unistra.u-strasbg.fr. Maître de conférences Dpt. Informatique - UdS
Bases de Données Stella MARC-ZWECKER Maître de conférences Dpt. Informatique - UdS stella@unistra.u-strasbg.fr 1 Plan du cours 1. Introduction aux BD et aux SGBD Objectifs, fonctionnalités et évolutions
Plus en détailHadoop dans l entreprise: du concept à la réalité. Pourquoi et comment?
Hadoop dans l entreprise: du concept à la réalité. Pourquoi et comment? Jean-Marc Spaggiari Cloudera jms@cloudera.com @jmspaggi Mai 2014 1 2 Avant qu on commence Agenda -Qu est-ce que Hadoop et pourquoi
Plus en détailÉvaluation d une architecture de stockage RDF distribuée
Évaluation d une architecture de stockage RDF distribuée Maeva Antoine 1, Françoise Baude 1, Fabrice Huet 1 1 INRIA MÉDITERRANÉE (ÉQUIPE OASIS), UNIVERSITÉ NICE SOPHIA-ANTIPOLIS, I3S CNRS prénom.nom@inria.fr
Plus en détailInnovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France
Innovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France 2013 SAP AG. All rights reserved. Customer 1 Rôles et Attentes Instantanéité BIG DATA Users IT Real Time SAP HANA
Plus en détailLes termes du cloud CUMULO NUMBIO 2015 O. COLLIN
Les termes du cloud CUMULO NUMBIO 2015 O. COLLIN Agenda Pe$t glossaire du cloud : termes qui seront u$lisés lors de ce5e école Virtualisa$on CMP Environnement Bioinforma$que Linux Comment les machines
Plus en détailEmergence du Big Data Exemple : Linked Open Data
1 CNRS - Misionpour l'interdisciplinarité Mokrane Bouzeghoub 1 Une approche interdisciplinaire des grandes masses de données (Défi Mastodons) Mokrane Bouzeghoub DAS INS2I / MI Ecole de L Innova.on Thérapeu.
Plus en détailTransformation IT de l entreprise BIG DATA, MÉTIERS ET ÉVOLUTION DES BASES DE DONNÉES
Transformation IT de l entreprise BIG DATA, MÉTIERS ET ÉVOLUTION DES BASES DE DONNÉES M a l g r é s o n ca r act è r e en apparence multiforme un enjeu central s est progressivement affirmé en matière
Plus en détailEditing and managing Systems engineering processes at Snecma
Editing and managing Systems engineering processes at Snecma Atego workshop 2014-04-03 Ce document et les informations qu il contient sont la propriété de Ils ne doivent pas être copiés ni communiqués
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailCassandra et Spark pour gérer la musique On-line
Cassandra et Spark pour gérer la musique On-line 16 Juin 2015 @ Paris Hammed RAMDANI Architecte SI 3.0 et BigData mramdani@palo-it.com +33 6 80 22 20 70 Appelez-moi Hammed ;-) (Sidi Mo)Hammed Ramdani @smramdani
Plus en détailInstructions Mozilla Thunderbird Page 1
Instructions Mozilla Thunderbird Page 1 Instructions Mozilla Thunderbird Ce manuel est écrit pour les utilisateurs qui font déjà configurer un compte de courrier électronique dans Mozilla Thunderbird et
Plus en détailTransformez vos données en opportunités. avec Microsoft Big Data
Transformez vos données en opportunités avec Microsoft Big Data 1 VOLUME Augmentation du volume de données tous les cinq ans Vélocité x10 4,3 Nombre d appareils connectés par adulte VARIÉTÉ 85% Part des
Plus en détailEMC Forum 2014. EMC ViPR et ECS : présentation des services software-defined
EMC Forum 2014 EMC ViPR et ECS : présentation des services software-defined 1 2 3 4 5 Software is Eating the World Marc Andreessen co-fondateur de Netscape Les entreprises qui utilisent efficacement le
Plus en détailIntroduction aux bases de données
Introduction aux bases de données Références bibliographiques Jeff Ullman,Jennifer Widom, «A First Course in Database systems», Prentice-Hall, 3rd Edition, 2008 Hector Garcia-Molina, Jeff Ullman, Jennifer
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailhttp://blog.khaledtannir.net
Algorithme de parallélisations des traitements Khaled TANNIR Doctorant CIFRE LARIS/ESTI http://blog.khaledtannir.net these@khaledtannir.net 2e SéRI 2010-2011 Jeudi 17 mars 2011 Présentation Doctorant CIFRE
Plus en détailQuels choix de base de données pour vos projets Big Data?
Quels choix de base de données pour vos projets Big Data? Big Data? Le terme "big data" est très à la mode et naturellement un terme si générique est galvaudé. Beaucoup de promesses sont faites, et l'enthousiasme
Plus en détailVMware ESX : Installation. Hervé Chaudret RSI - Délégation Centre Poitou-Charentes
VMware ESX : Installation VMware ESX : Installation Créer la Licence ESX 3.0.1 Installation ESX 3.0.1 Outil de management Virtual Infrastructure client 2.0.1 Installation Fonctionnalités Installation Virtual
Plus en détail