Programma

AI is everywhere. Its early invasion of everyday life – from dating to policing – has succeeded beyond its proponents’ wildest dreams. Analytics and machine learning built on “big data” feature daily in the mainstream media.

In IT, BI and analytics vendors are adding artificial intelligence to enhance their offerings and tempt managers with the promise of better or faster decisions. So, how far could AI go? Will it take on a significant proportion of decision making across the entire enterprise, from operational actions to strategic management? What would be the consequences if it did?

In this session, Dr. Barry Devlin explores the challenges and potential benefits of moving from BI to AI. We explore its use in data management; its relationship to data warehouses, marts, and lakes; its emerging role in BI; its strengths and weaknesses at all levels of decision-making support; and the opportunities and threats inherent in its two main modes of deployment: automation and augmentation.

What you will learn:

• Where and why AI has been incorporated into today’s BI and analytics products
• How data preparation and governance benefit from AI
• What AI offers to existing data warehouses and lakes
• The important difference between automation and augmentation
• The dangers of thoughtless automation and benefits of well-considered augmentation
• Ethical considerations in adopting AI in enterprise decision making.

In september 2018 is de ontwikkeling van het OSDU Data Platform gestart door de Open Group. Het OSDU Forum is gestart als een standaard dataplatform voor de olie- en gasindustrie, dat silo’s zal verkleinen en data in het centrum van de exploratie community zal plaatsen. Alle soorten gegevens (gestructureerd en ongestructureerd) van olie- en gasexploratie, ontwikkeling en boorputten worden in dit ene OSDU Data Platform geladen. De data zijn toegankelijk via één set API’s; enkele voor datatypes geoptimaliseerde API’s zullen later worden toegevoegd. Het platform maakt veilige, betrouwbare, wereldwijde en performante toegang tot alle data over de ondergrond en boorputten mogelijk. Het fungeert als een open, op standaarden gebaseerd ecosysteem dat innovatie stimuleert.

Op 24 maart 2021 werd de eerste operationele release gelanceerd op de publieke cloudplatforms van Amazon, Google en Microsoft. Later in 2021 zullen olie- en gasproductiegegevens en gegevens van nieuwe energiebronnen, zoals wind- en zonneparken, waterstof, geothermische energie en CCUS, worden toegevoegd aan dit ene, op open source gebaseerde energiedataplatform. Het OSDU-gegevensplatform fungeert als een ‘system of record’ en is dus de ‘master’ van die gegevens. Deze sessie bespreekt de uitdagingen die gepaard gaan met het opzetten van een dergelijk uitdagend project en platform en de opgedane ervaringen.

• Samenbrengen van alle energiebrongerelateerde data in één OSDU Data Platform resulteert in gemakkelijke toegang voor AI-gebaseerde toepassingen.
• De voordelen van een open source- en real-time-gebaseerd dataplatform.
• Wat is de waarde van een ‘System of Record’?
• Eén set API’s, en datatypes geoptimaliseerde API’s, voor toegang tot alle datatypes; applicaties die overal geïnstalleerd kunnen worden.
• Het OSDU Data Platform is metadata-gestuurd.

In een steeds complexer wordende en onderling verbonden wereld ontstaat toenemende behoefte aan autonome systemen die de mogelijkheden van menselijk beheer te boven gaan. Swarm Intelligence systemen vertrouwen op opkomende intelligencetechnieken voor hun probleemoplossende methoden. Beslissingen die uit deze intelligente systemen voortvloeien, zijn afhankelijk van de gegevens in uw organisatie. Het implementeren van datakwaliteit leidt tot betere data. Maar weet u of de data geschikt zijn voor het doel? Worden de gegevens in de juiste context gebruikt binnen uw BI-systemen?
Een datastrategie is nodig om uw organisatie in staat te stellen op feiten gebaseerde beslissingen te nemen met behulp van datageletterde medewerkers, ondersteund door intelligente systemen. Gamifaction en Data Literacy zijn bedoeld om uw datastrategie uit te leggen. Peter Vieveen leidt u door het proces van het definiëren van zo’n datastrategie aan de hand van het Data Management Body of Knowledge en vertelt hoe u gamification en data literacy kunt gebruiken om de datastrategie uit te leggen aan uw organisatie.

• Concrete aanpak voor een datastrategie
• Het belang van gamification bij een datastrategie
• De vier pijlers van datawijsheid onder gamification
• Succesvol implementeren van de datastrategie met de kennisgebieden van DMBoK
• Ervaringen met het spel Data Mollen voor het opstellen van een datastrategie.

Rond 2015 begonnen Nederlandse bedrijven met het migreren van on-premise datawarehouses naar de public cloud. Het is daarbij achter niet altijd vanzelfsprekend dat de fysieke datamodellen die we op basis van deze technologie bouwen exact hetzelfde blijven als we in de on-premise wereld gewend zijn. De nieuwe technologische mogelijkheden maken namelijk niet alleen een nieuwe aanpak mogelijk, maar kunnen ook een anti-pattern zijn binnen bestaande modelleringstechnieken als Kimball of Data Vault. Of ze vragen om een net wat andere aanpak van deze technieken. Het doel van deze sessie is om u inzicht te geven in de (on)mogelijkheden op dit gebied, kijkende naar hoe dit praktisch aangepakt kan worden binnen een oplossing als Snowflake of Google BigQuery.

Voorbeelden van fysieke datamodel onderwerpen die we behandelen zijn:

• Het gebruik van een semi-structured data type als VARIANT in Snowflake: de enabler voor een goede ‘separation of concerns’ tussen efficiënt data opslaan en de schema-on-read laag of Data Vault satellieten.
• De herintroductie van dimensionele, gedenormaliseerde structuren in de integratielaag als we ook een historische staging laag gebruiken.
• De (on)mogelijkheden van partitionering / clustering in BigQuery / Snowflake en waarom deze goed opzetten essentieel is voor schaalbare performance en kosten.
• Het wel of niet gebruiken van hash keys versus integers als surrogaat sleutels.

High lights van deze sessie

• Wat is een ‘moderne manier van datawarehousing’ en hoe verschilt deze van een klassieke aanpak?
• Wat is de functionele rol van elk van de vier lagen van het moderne datawarehouse?
• Wat zijn de belangrijkste voor- en nadelen van de meest gebruikte cloud analytische databases: Snowflake, Google BigQuery, Amazon Redshift and Azure Synapse
• Wat zijn geschikte fysieke datamodellerings technieken om in te zetten per datawarehouse laag (met een focus op Snowflake en BigQuery) en waarom?
• Lessons learned in Snowflake en BigQuery: wat werkt wel en wat niet bij de fysieke implementatie van deze datamodellen?

Op 27 februari 2020 werd in Nederland voor het eerst bij een patiënt het SARS-CoV-2 virus vastgesteld. Al snel werd het belang duidelijk van hoogwaardige data uit de gehele zorgketen bij de bestrijding van de pandemie. Iedereen doet mee: GGD, VWS, RIVM, laboratoria, ziekenhuizen, zorginstellingen, huisartsen, patiëntenfederaties, ICT-leveranciers, enzovoort.

In deze presentatie wordt een kijkje gegeven in de datakeuken van het RIVM. Wat waren de uitdagingen bij het verzamelen van alle ingrediënten en het op smaak brengen en het opdienen op het (dash)bord? Een belangrijk stuk keukengerei daarbij was in elk geval de snelkookpan. Deze sessie gaat in op de ervaringen die zijn opgedaan tijdens de ontwikkeling van het Corona-dashboard en benodigde systemen onder hoge druk en waarbij heel Nederland meekijkt.

• Overzicht van de zorgketen en bijbehorende datastromen.
• Tools en technieken voor harmonisatie en genereren van output bij RIVM.
• De rol van open data en FAIR principes.
• De eerste ervaringen met datavirtualisatie.
• Overzicht van data voor het Corona-dashboard.

Duurzame data-architecturen zijn nodig om het hoofd te bieden aan de veranderende rol van data binnen organisaties en om te profiteren van de nieuwe technologieën en inzichten. Een duurzame data-architectuur is geen data-architectuur die slechts de huidige en alle nieuw geïdentificeerde vereisten ondersteunt, maar een die lang kan overleven, omdat deze eenvoudig is aan te passen en uit te breiden. Als de vereisten voor datagebruik veranderen, kan een duurzame data-architectuur zich aanpassen zonder dat er ingrijpende herontwikkelings- en heropbouwoefeningen nodig zijn. Deze architecturen passen zich aan de veranderende omgeving aan.
Voor het ontwikkelen van duurzame architecturen bestaan geen magische producten. Meerdere productsoorten zijn nodig om dit te realiseren. Tevens zullen andere ontwerpprincipes toegepast moeten worden en bepaalde heilige huisjes zullen eraan moeten geloven. In deze sessie wordt ingegaan op de eisen aan duurzame data-architecturen en hoe deze ontworpen en ontwikkeld kunnen worden.

• De toegevoegde waarde van data architecture automation tools
• Zeven eisen aan duurzame data-architecturen: definitie onafhankelijk, technologie onafhankelijk, runtime-platform onafhankelijk, distributie onafhankelijk, architectuur onafhankelijk, ontwerpprincipe onafhankelijk en metadata onafhankelijk
• Ontwerpregels voor duurzame transactionele systemen
• Leent IT-ontwikkeling zich voor automation?
• Een metadata-architectuur als onderdeel van een duurzame data-architectuur
• Wat is de rol van een datalake, datahub of datawarehouse in een duurzame data-architectuur?

As the pandemic has proven, digital transformation is possible—and at speed. Many more aspects of business operations have moved online or have enabled remote or no-touch access. This evolution has generated another growth spurt of “big data”, from websites, social media, and the Internet of Things (IoT). With new customer behaviour likely to stick after the pandemic and working from home remaining an important factor, novel approaches to decision-making support are an increasingly important consideration for many organisations.

In this context, the recent growth in interest in and focus on the use of artificial intelligence (AI) and machine learning (ML) across all aspects of business in every industry and government raises important questions. How can AI/ML be applied at management levels in support of decision making? What new possibilities or problems does it present? How far and how fast can businesses move to benefit? What are the downsides?

The seminar

AI, combined with big data, IoT and automation, offer both the threat and the promise of revolutionising all aspects of IT, business and, indeed, society. In this half-day session, Dr Barry Devlin explores what will enable you to take full advantage of emerging AI technology in your decision-making environment. Starting from the familiar worlds of BI and analytics, we position traditional and emerging BI and analytics tools and techniques in the practical application of AI in the business world. Extrapolating from the rapid growth of AI and IoT in the consumer world, we see where and how it will drive business decision making and likely impact IT. Based on new models of decision making at the organisational and personal levels, we examine where to apply augmentation and automation in the roll-out of AI. Finally, we address the ethical, economic and social implications of widespread adoption of artificial intelligence.

Learning objectives

• A comprehensive architectural framework for decision-making support that spans from BI to AI
• A brief primer on the evolution, key concepts, and terminology of AI
• Understanding the relationship between “big data” / IoT / social media and AI /ML and how it drives business value
• Approaches to applying AI to decision making
• Augmentation vs. automation of decision making
• How AI, social media, and IoT impact the IT department
• New technology solutions for business applications using AI and IoT, including embedded BI and edge analytics / social media
• How to evolve today’s BI to future AI-based solutions
• Ethical, economic, and social considerations for using AI to support decision making.

Intended for you

This seminar is of interest to all IT professionals and tech-savvy businesspeople directly or indirectly involved the design, delivery, and innovative use of decision making support systems, including:

• Enterprise, systems, solutions and data architects in data warehouse, data lakes, BI and “big data”
• Systems, strategy and business intelligence managers
• Data warehouse, lake and decision support systems designers and developers
• Tech-savvy business analysts and data scientists.

Course Description

We will send the course materials and meeting instructions well in advance as well as the invitation with hyperlink to join us online. The seminar will start at 09:00 and lasts until 13:00. The online meeting will be available at least one half hour earlier so please log in timely in order to check your sound and video settings beforehand.

1. Architectural Framework and Models for Decision-Making Support
   • Conceptual and logical architecture for information use in decision making
   • How businesspeople really make decisions and take actions
   • Considerations beyond rational choice theory and cognitive biases
   • Organisational models for decision making / action taking
   • Architectural considerations—from traditional BI to operational analytics

2. Applying AI to Decision Making: Top-Level Considerations
   • A brief primer on AI terminology, techniques such as artificial neural networks, and emerging approaches
   • From training to operational use—data and technology options
   • Automation vs. augmentation—the key choice in applying AI
   • AI considerations for operational, tactical and strategic decision-making
   • Positioning AI in relation to Data Warehouses, Lakes, and other constructs

3. Applying AI to Decision Making: The Devil in the Detail
   • AI in information preparation and governance
   • AI in BI and analytics tools
   • Model management
   • Centralisation vs distributed processing approaches
   • Migrating from BI to AI—key steps and options

4. Building the Future of Decision Making with AI—Key Considerations
   • Ethical considerations for analytics and AI in business
   • Specific ethical concerns for AI-driven decision making
   • The dangers of surveillance capitalism
   • Wider ethical concerns for society
   • Potential and possible impacts of AI on the economy and employment.