Programma-inhoud

With so much new data being captured across the enterprise and multiple self-service and data science initiatives being undertaken, something has to know and track what’s going on and what’s available in an increasingly complex data landscape.  At the same time, people need the ability to publish what data and what artefacts (ETL jobs, data preparation jobs, analytical models, dashboards, etc) currently exist to encourage re-use and prevent re-invention.  This session shows how information catalogue software can be used to publish data and artefacts to manage and organise a multi-platform analytical environment. 

This session will cover:

• What is an information catalogue?
• Information catalogue capabilities, e.g. automatic data profiling, automatic tagging and data classification, automatic data indexing, faceted search, data marketplaces, artefact publishing
• Information Catalog technology offerings
• How does a in Information catalogue help govern a data lake?
• Creating a governed information value chain using an information catalogue
• Key roles and responsibilities – Information producers, information consumers and governance
• Publishing data and analytics as a service
• Integrating disparate metadata via Open Metadata and Governance
• Integrating the catalog with data management, data science, and BI technologies
• Consumer trust – Accessing business glossaries and metadata lineage

With the growth of machine learning and artificial intelligence, you may think we have more and better analytic insight than ever before. We do, but there’s a catch. The models used by data mining and deep learning use the language of probability and inference. We may be used to sales forecasts and budget predictions, but in the future our data will be more like weather forecasts and sporting predictions – open to change and chance.

In this session, we explore what business and IT need to know about these new analytics. We will consider the advantages and pitfalls of building decision support in an uncertain world, looking at issues with data quality, data visualization and regulatory compliance as relevant issues. The session will cover:

• Why machine learning is different to BI
• Sources of uncertainty in machine learning
• Probability and Data Literacy
• Communicating probabilities
• Uncertainty and visualization

Blockchains bestaan inmiddels negen jaar en nu pas beginnen veel mensen zich bewust te worden van hun potentieel. Ook na uren studie en video’s bekijken zit men vaak nog met talloze brandende vragen. Wat voor impact zullen blockchains op uw business hebben? Kan onze organisatie zelf voordeel behalen uit deze technologie? In zijn presentatie geeft Sam Wouters een eenvoudige uitleg over waarom blockchains bestaan, hoe ze werken en wat men er mee kan doen. Hij zal vooral dieper ingaan op de relatie tussen Blockchains en Data, en Business Intelligence.

• Waarom bestaan blockchains?
• Hoe werken open blockchains zoals Bitcoin?
• Hoe werken permissioned blockchains zoals Hyperledger?
• Welke impact zullen blockchains hebben op data infrastructuur?
• Hoe kunnen blockchains gebruikt worden voor Business Intelligence?
• Hoe zit het met blockchains en GDPR?

Omdat de laatste tijd AI steeds meer ingezet wordt, zal Cor Baars in deze sessie aandacht besteden aan wat AI en BI elkaar te bieden hebben.

AI draait op dit moment vooral om Deep Learning, een gelaagde variant van Machine Learning gebaseerd op Neurale Netwerken. Door een netwerk te trainen met voorbeelden vormt het een competentie, doorgaans het classificeren van bijvoorbeeld beelden of gebeurtenissen. Aan de trainingsvoorbeelden worden eisen gesteld en we zullen zien hoe BI een rol kan spelen bij het maken van geschikt trainingsmateriaal.

Of u laat zich als Data Scientist assisteren door een reeds getrainde AI! We zullen verschillende voorbeelden zien van op AI gebaseerde systemen die een deel van het werk van Data Scientists kunnen overnemen.

En voor de echte fijnproever is er de mogelijkheid om zelf een AI te trainen met eigen voorbeelden en deze vervolgens een deel van het BI werk te laten uitvoeren. Typische voorbeelden hiervan zijn anomaliedetectie in fraudeonderzoek en het bepalen wanneer er onderhoud aan machines moet plaatsvinden. We zullen diverse platformen zien die het een en ander mogelijk maken. Tenslotte kijken we wat AI-technologie BI te bieden heeft in de nabije toekomst.

In deze sessie zal Cor Baars het volgende bespreken:

• Deep Learning: Machine Learning in lagen om competenties te ontwikkelen
• BI voor AI: Met BI geschikte trainingsvoorbeelden voor Deep Learning maken
• AI voor BI: Kant-en-klare AI om de Data Scientist te ondersteunen
• BI voor AI voor BI: Train de AI met uw eigen voorbeelden om BI werk uit te voeren
• AI en BI in de nabije toekomst

Het vakgebied Data & Analytics is volop in ontwikkeling: Business Intelligence en Datawarehousing lijkt compleet verdrongen te worden door Big Data, Data Science, Machine Learning en AI. Op technologisch vlak is dat te verklaren, gezien de doorbraak van krachtige hybride dataverwerkingsplatformen en technologieën zoals, Spark, Drill, NoSQL, microservices, streaming data, datavirtualisatie plus decommoditisering van AI en Analytics.

We lijken echter veel van wat we de afgelopen 25 jaar geleerd hebben alweer vergeten te zijn: technologie is slechts een onderdeel van “the mix”. Werken vanuit een sterke business case, relevante use cases, conceptueel, logisch en technisch modelleren van data, bepalen van datakarakteristieken en dataroutes plus de implementatie in de organisatie zijn cruciaal om echt succesvol te worden met Data & Analytics. Met de veelheid aan Data & Analytics technologieën lijken we soms door de bomen het bos niet meer te zien en vergeten we voldoende aandacht te besteden aan deze thema’s.

In deze sessie gaan we in op vier praktijkcases waarin we laten zien hoe moderne Data & Analytics technologieën niet het doel, maar het middel zijn om business waarde te creëren. Hoe gaat u vanuit een startsituatie (inflexibele datawarehouses, complex BI-landschap, wildgroei aan Big Data en AI toepassingen, behoefte aan control, datamanagement en sneller te reageren op nieuwe Data & Analytics behoeften van de business) naar een POC-, Pilot- en implementatiefase? Leer van een pensioenuitvoerder, Academisch Ziekenhuis, verzekeraar en zoetwarenbedrijf hoe zij deze stappen hebben doorlopen.

• Datagedreven versus procesgedreven organisaties: een schijnbare tegenstelling?
• De valkuilen van moderne Data en Analytics-toepassingen: technologie, kennis en complexiteit
• De business case voor Data en Analytics
• Vier praktijkcases: leren, proeven, doen.

In deze praktijksessie geven we een kijkje onder de motorkap van Data Science & A.I. door in te gaan op verschillende use cases, die verder gaan dan standaardvoorbeelden. Aan de hand van verschillende projecten van Anchormen laten we zien welke resultaten bereikt kunnen worden. Ook geven we inzicht in het stappenplan achter de verwerking van data, aan de hand van voorbeelden waarbij gebruik is gemaakt van het Dataiku platform.

Uit de wereld van big data is de laatste jaren een enorme hoeveelheid technologieën voortgekomen. Van simpele filesystemen via high-end in-memory analytical engines tot streaming database servers. Niet al deze oplossingen kunnen nuttig gebruikt worden binnen datawarehouse en business intelligence systemen, maar vele wel. Maar welke en waar? Waar kunnen bijvoorbeeld oplossingen zoals Kafka en streaming databases goed ingezet worden en wanneer is Spark nuttig? En hoe voorkomen we dat al deze nieuwe technologieën geïsoleerde oplossingen worden die weinig tot niet geïntegreerd zijn met het huidige BI-systeem? In deze sessie bespreken we hoe en waar deze technologieën effectief en efficiënt toegepast kunnen worden binnen bestaande BI-systemen.

• Het labyrint van bigdata-opslag technologieën, inclusief Hadoop, Kudu, NoSQL, multi-model databases
• Een overzicht van streaming database servers, zoals Apache Apex, Samza SQL, SQLStream en Tibco StreamBase
• Kunnen SQL-on-Hadoop engines, zoals Impala, Presto en Spark SQL, dienst doen als vervanging voor klassieke SQL databaseservers?
• Welke rol kunnen NoSQL-producten spelen binnen een BI-systeem?
• Met welke technologieën gaan we dark data en fast data te lijf?