Rétro-publication. En 2018, j'ai fait une présentation qui couvre un large spectre du monde des données massives.

Voilà pour vous tous, une seconde présentation en points de forme tirée d'une conférence que j'ai donnée. L'enregistrement était horrible alors il n'a pas été conservé.

Comment sont entreposées les données massives ?

  • SGBDR traditionnels: ne permettent pas de stocker ni d'exploiter efficacement des données massives.
  • NoSQL:
    • puissance de calcul
    • parallélisme
    • grappes de calcul.
  • Compromis:
    • Fusion de sources de données est plus difficile.
    • Absence de jointures de tables. - Indexation doit être effectuée par un autre logiciel tel que Lucene
  • Référence: [@han2011survey;@moniruzzaman2013nosql]

Bases de données analytiques

  • Optimisées pour effectuer des calculs statistiques sur des ensembles de données.
  • On les appelle parfois bases de données en colonnes.
  • La plus connue est Apache HBase

hbase_replication_overview Source

  • Référence: [@chang2008bigtable]

Les bases de données de documents

  • Permettent d'entreposer toute l'information par rapport à un évènement ou une profil dans un seul enregistrement.
  • Pas de schémas au préalable.
  • Données faciles à consommer pour une application web.
  • La plus connue est MongoDB

Data Model Design Source

Les graphes

  • Deux types de composantes: des noeuds et des arcs.
  • Chacunes d'elles possède des étiquettes et des propriétés.
  • Représenter des relations entre des entités et des concepts (graphe de propriétés).
  • Web sémantique: associer de la connaissance et des capacités de inférence logique aux pages web
  • [@angles2008survey; berners2001semantic]
  • La plus connue est Neo4j

neo4jgraph Source

Les lacs de données

  • Le lac de données stocke tout type d'information non-structurées:
    • journaux applicatifs de serveurs web,
    • textes, images, vidéos, voix
  • Le plus connu est HDFS, le système de fichiers distribué de Apache Hadoop

hadoop Source

On fait quoi de ces données non-structurées?

Journaux applicatifs

Utilisation d'expressions régulières.

Capture d'écran de la fonctionnalité Grok

Géo-localisation

Capture d'écran de la fonctionnalité GeoIP

Textes et voix

Analyse et traitement du langage naturel

  • Phonologie, Morphologie, Syntaxe, Sémantique,Raisonnement
  • Reconnaissance d'entités [@manning2014stanford].
  • Par exemple: Stanford CoreNLP

CoreNLP

Encodage

  • Sac de mots ou index inversé

InvertedIndex

Images et vidéos

Filtres convolutionnels

cnnweights Source

Palettes de couleurs

colour analysis of google images Source: Steven Kay CC BY 2.0

Identification d'objets

Illustration of the bag of words model for images along with the images clustering procedure Source

Description textuelle

models/research/im2txt at master tensorflow/models GitHub Source [@vinyals2017show;@sivic2009efficient]

Quels algorithmes d'apprentissage automatique sont utilisés sur ces données ?

Regroupement (Clustering)

  • Rassembler des individus en un nombre déterminé de groupes.
  • Avantage: Permet de créer des étiquettes lorsqu'on n'a pas de variable réponse
  • Inconvénient: Le nombre de groupes est choisi à l'avance

Iris flower data set, clustered using k means (left) and true species in the data set (right) Source

Modèles linéaires (GLM)

  • Identifie une relation linéaire entre plusieurs caractéristiques et une variable réponse.
  • Avantage: Tous les coefficient numériques peuvent être expliqués un par un.
  • Inconvénient: Prend pour hypothèse que la relation est linéaire.

Illustration of linear regression on a data set.Source

Arbres de décisions

  • Crée un modèle de décision discret
  • Prédire une variable réponse à partir de décisions
  • Hiérarchique, facile à expliquer

Example diagram for decision tree. Picture created and uploaded by author.Source

  • Note: Les modèles de forêts aléatoires et de gradient boosting construisent plusieurs arbres pour obtenir davantage de précision. Ce sont des modèles très performants, mais difficiles à expliquer.

Réseaux de neurones

  • Formés de composantes appelées neurones (modèles linéaires)
  • Populaires pour l'apprentissage profond.
  • Résultats très difficiles à expliquer (boîte noire)
  • Permettent un très grand nombre de caractéristiques en entrée

HDLTex: Hierarchical Deep Learning for Text Classification Source

Analyse de réseaux sociaux

Traversée de graphes

Trouver le chemin le plus court répondant à une ou plusieurs contraintes.

A non-verbal description of three graph traversal algorithms: randomly, depth-first search, and breadth-first search. Source

Segmentation de graphes

Séparer un graphe en plusieurs sous-graphes en coupant le moins de liens possible.

Graph_comparison

Systèmes de recommendation

Filtrage collaboratif

  • Utiliser les opinions et évaluations d'un groupe pour émettre des recommendations à un individu de ce groupe. [@terveen2001beyond]

Exemple: Easyrec Easyrec_architecture Source

Quelles sont les limites actuelles des algorithmes d'apprentissage automatique ?

Quartet d'Anscombe

  • Quatre ensemble de données [@doi:10.1080/00031305.1973.10478966]
  • Caractéristiques statistiques quasiment identiques
  • En réalité très différents
  • Illustre l'importance de l'exploration des données avant la modélisation

Anscombes_quartet_3[Source: https://en.wikipedia.org/wiki/Anscombe%27s_quartet]

Le biais systémique et la discrimination

Il est de plus en plus facile de cacher la discrimination au travers d'algorithmes. Il suffit d'entraîner l'algorithme sur des données basées sur des décisions passées pour y inclure tous les biais des personnes qui ont prises ces décisions.

Les données en arrière-plan

Why Should I Trust You? Source

[@ribeiro2016should]

Comment vos données sont réellement utilisées ? La bonne façon

Prévenir la fraude

  • Détection d'anomalies
  • Algorithmes rapides qui évoluent avec les nouveaux modèles de fraude: apprentissage machine et service web pour livrer les résultats lors de la transaction.
  • Inconvénient: Les modèles doivent être simples.

Airbnb Engineering & Data Science: Architecting a Machine Learning System for Risk

  • Enjeu chez AirBNB: Les valeurs réponses observées (Ground truth) ne sont pas exactes, ce qui biaise le modèle et n'identifie pas correctement la fraude potentielle.
  • Leur conseil: Enregistrer toutes les transactions, si une nouvelle variable est identifiée comme vecteur de fraude potentielle, il y a un historique de disponible.
  • Conséquence: AirBNB conserve sur une longue période l'ensemble de leurs données transactionnelles.
  • Avantage: Ce sont des données issues d'une relation d'affaires.

Éducation: Parcours de l'étudiant

  • Types de données recueillies
    • Travaux, examens, notes
    • Préférence et style d'apprentissage
    • Inscriptions
    • Échecs et reprises
    • Enseignant
  • Utilisations
    • Modéliser la probabilité d'un échec ou d'un décrochage [@yang2013turn]
    • Suggérer du matériel personnalisé à l'étudiant

      it uses clustering algorithms to categories the students according to their learning capacity, needs, style and preferences Référence: How Machine Learning is Making Learning Interactive?

Éducation: Adapter la pratique de l'enseignant

  • Aide à la résolution de problèmes

Much of our current educational system can be described as "memorize, regurgitate, and forget." Students learn to "study for the test. [...] Computers are very good in storage, retention, and regurgitation."

Référence: Moursund, D.G. (2005, 2006). Brief introduction to educational implications of Artificial Intelligence. (CC BY-NC)

Le futur de l'éducation

  • L'humain ne peut plus compétitionner l'ordinateur pour plusieurs tâches
  • Nouveaux modes d'enseignement: ce qui différencie l'humain

Jack Ma on the future of education

Soins de santé

Les algorithmes d'apprentissage profond peuvent identifier des tumeurs cancéreuses dans l'imagerie médicale.

Ex: Meilleure détection du cancer du sein

Deep Learning System Improves Breast Cancer Detection Source

Enjeu: il faut le consentement du patient pour partager les images.

Entretien préventif

  • Manufacture: bris d'équipement
  • Services publics: électricité, aqueduc, voirie. Exemple: [@garcia2006simap;@zhang2016road]
  • Énergie: oléoducs et gazoducs [@el2014artificial]
  • Services publics: usage par les citoyens

Machine Learning for Predictive Maintenance

Comment vos données sont réellement utilisées ? La mauvaise façon

Weapons of math destruction

Weapons of math destruction, which O’Neil refers to throughout the book as WMDs, are mathematical models or algorithms that claim to quantify important traits: teacher quality, recidivism risk, creditworthiness but have harmful outcomes and often reinforce inequality, keeping the poor poor and the rich rich. They have three things in common: opacity, scale, and damage. They are often proprietary or otherwise shielded from prying eyes, so they have the effect of being a black box. They affect large numbers of people, increasing the chances that they get it wrong for some of them. And they have a negative effect on people, perhaps by encoding racism or other biases into an algorithm or enabling predatory companies to advertise selectively to vulnerable people, or even by causing a global financial crisis. Review: Weapons of Math Destruction

La bulle de confort

Systèmes de recommendations:

  • Vont limiter la curiosité et l'exploration en maximisant la probabilité que le prochain choix de l'algorithme soit apprécié. Ex: Amazon, Netflix
  • Solution potentielle: tenir compte de la cusiosité et de la diversité dans l'algorithme Poster [@menk2015hybrid]
  • Vont éviter de choquer l'utilisateur avec des opinions divergentes des siennes. Ex: Facebook [@nguyen2014exploring]

Segmentation de graphe:

  • Les réseaux sociaux vont utiliser cette technique pour limiter les interactions dans un sous-graphe.
  • Ex: Malgré des milliers d'abonnements Facebook ou Twitter, on voit toujours des publications des mêmes comptes.

La surveillance de masse

Les gouvernements utilisent le prétexte de la détection de nouveaux modèles de criminalité pour demander de plus en plus de données sur l'usage des moyens de communications par les citoyens.

the future-orientation increasingly severs surveillance from history and memory and the quest for pattern-discovery is used to justify unprecedented access to data

[@doi:10.1177/2053951714541861]

The NYPD is notorious for its intransigence on open records requests from the press and the public, particularly concerning documentation about the department’s extensive use of surveillance technology. In recent years, lawsuits have been filed to disclose information about the department’s network of surveillance cameras, its use of X-ray scanners in public, and the deployment of facial recognition technology

Transparency Advocates Win Release of NYPD “Predictive Policing” Documents

La prédiction des récidivistes

  • Le modèle le plus utilisé (COMPAS) est secret, propriété de l'entreprise Northpointe, et n'est précis qu'à 60%
  • Le modèle a un fort biais ethnique

Les "Fake News"

  • Le combat contre la "fausse actualité" pourrait glisser facilement vers la censure.
  • En particulier si les données d'entraînements sont étiquetées de façon subjective avec:

Modern machine learning for natural language processing is able to do things like translate from one language to another, because everything it needs to know is in the sentence its processing - Ian Goodfellow, OpenAI

References

Voir bibliographie ici

Article suivant