Du Big Data au Smart Data - Connected Event@EPFL

1. Connected Event Romandie
Du Big Data au Smart Data
EPFL – Oct 7, 2015

3. Du Big Data au Smart Data
Nicolas Fulpius – Chief Digital Officer
EPFL – Oct 7, 2015

4. L’accélération de la numérisation
impacte notre société
New
Business Models
New Ways
of Working
Customer
Experience
Business
Processes
E2E Connectivity
Devices ApplicationsInfrastructure Plates-formes
Capteurs, Wearables,
« Things »
Solutions,
applis
Data Storage & Aggregation,
Cloud, Data Center
Plates-formes de service,
data analytics, APIs
La Chaine de Valeur Digitale
Les Dimensions de la Digitalisation

5. En 2017, on s’attend à ce que le M-commerce
réalise 516 milliards de dollars de transaction.

6. Le volume de crowdfunding
a sextuplé en 2 ans.

7. Les MOOCs de l’EPFL ont 100x plus d’inscrits
que le campus ne compte d’étudiants.
1M
d’inscrits aux
MOOCs

8. 0110100
1100101010011
1010100101000101
00100100101010010101
100011001010101001
Du Big au Smart Data
Vers une problématique sociétale
et de l’individu
Big Data
Smart
Analytics
Smart
Data
Volume
Velocity
Volume
Velocity
Variety
Veracity
Volume
Velocity
Variety
Veracity
Voluntarism

9. Swisscom comme moteur de la
digitalisation en Suisse
E2E Connectivity
Devices ApplicationsInfrastructure Plates-formes
Capteurs, Wearables,
« Things »
Solutions,
applis
Data Storage & Aggregation,
Cloud, Data Center
Plates-formes de service,
data analytics, APIs
La Chaine de Valeur Digitale
New
Business Models
New Ways
of Working
Customer
Experience
Business
Processes
Les Dimensions de la Digitalisation

10. Merci de votre attention

11. Du Big Data au Smart Data
Dr. Adrienne Corboud Fumagalli,
Vice Présidente EPFL, Innovation et valorisation
@EPFL RLC, 7 octobre 2015

12. Que faire face au déluge ?
The Economist, February 27th - March 5th 2010

13. Le défi de Noé

14. Noé a fait le choix des catégories
Marketing 1.0
Marketing 2.0
L’opinion
Les sondages
Les attitudes sur le long terme
Les marques

15. Les sciences sociales
et le marketing 3.0
Tracer les data
Activités et Memes
Rapidité davantage que
volume et diversité
Contexte

16. L’alliance des médias populaires et
du Social Media :
un puissant moteur, producteur de données en temps réel

20. Exemple :
détection de tous
Les réseaux
d’influences
• par communautés
actives graphe 1
• par controverses
graphe 2
• avec les émotions
associées graphe 3
• le réseau nuisible à
l’intérêt de la marque
graphe 4.
Une marque sous influence !
Graphe 1 Graphe 2
Graphe 3 Graphe 4
EPFL Social Media Lab

21. “…everybody here has other much more important business to take care of.”
http://youtu.be/-ybecKdwj2c
Leaders et opinion publique: le grand fossé
Négociations sur le changement climatique (Copenhague)

22. Le défi de la COP 21 : un débat
citoyen
• développer une pédagogie à l’intention du public,
• assurer transparence et clarté des débats et des
positions de négociation
EPFL Social Media Lab

23. Cartographie des sentiments
face à la vaccination
Prof. Marcel Salathé, EPFL-SV

24. Les Traces donnent du
sens

25. Merci de votre attention
adrienne.corboud@epfl.ch

26. Recommendation: Le Smart Data
pour nous
Boi Faltings

27. Internet et le développement durable
• Le tour des magasins devient virtuel
• Papier remplacé par Ipad/Kindle
• Communautés sur réseaux sociaux
27

28. Ce n’est pas simple…
28

29. Recommendations
29

30. Collaborative Filtering
• Big data = matrice des achats:
• Gourmande => il faut avoir acheté ≈1% des produits pour
trouver des associations fiables.
a b c d e f g h i j k l
Antoine x x x x
Chantal x x x
Francois x x x
Nicole x x x
Pierre x x x x
30

31. Smart Data
• Apprentissage: trouver un modèle à peu de
paramètres qui prédit les articles achetés.
31
Achats
(peu remplie)
U V
≈ x
d (traits latents)
d
Clients
Produits
Produits
Clients

32. Modèle => Prévisions
• Supposons 2 traits latents f1 et f2:
a b c d e f g h i j k l
f1 1 0 1 1 0 0 1 0 0 0 0 0
f2 0 1 0 0 1 1 0 1 1 1 0 0
f1 f2
Antoine 0 1
Chantal 1 0
Francois 0 1
Nicole 1 0
Pierre 0 1
0 1 0 0 1 1 0 1 1 1 0 0
1 0 1 1 0 0 1 0 0 0 0 0
0 1 0 0 1 1 0 1 1 1 0 0
1 0 1 1 0 0 1 0 0 0 0 0
0 0 0 0 1 1 0 1 1 1 0 0
32

33. Big Data
• 100’000 produits, 1 million utilisateurs =>
Matrice: 100 milliards de paramètres.
• 20 achats/utilisateur: 20 millions de données.
• Modèle à d=5 dimensions latents:
5.5 millions de paramètres: faisable!
• Optimiser la prédiction des achats connus.
33

34. Failles de l’optimisation
• Evaluation = précision moyenne:
– Article populaire: poids = 1000 achats
– Article “long tail”: poids = 2-3 achats
• Modèle optimisé pour être correct sur les articles
populaires…
• …mais pas sur les articles “longue traîne”
• recommendation précise, mais pas nouvelle!
34

35. Apprendre une Taxonomie
• N produits => < 2N paramètres
• Achats répétés n’ont pas d’influence.
35

36. Ontology Filtering (Schickel)
• Performance au laboratoire, sur Movielens:
– Bonne précision déjà avec 5 achats au lieu de 40!
• Thèse recomponsé par prix Chorafas.
36

37. • Tourne sur plus de 40 sites.
• Influence sur les ventes par
rapport aux systèmes
antérieurs:
entre + 30 et + 700%.
• Grace à une forte composante
de recommendations “long
tail”.
37

38. En Conclusion
• Smart data = recommendation.
• Clé pour l’évolution de l’ecommerce.
• Techniques (et performances) très variés.
• Attention à l’évaluation:
Critère doit correspondre aux objectifs.
38

39. Information Équilibrée
ObViz.com
Claudiu Musat
Co-foundateur
spinoff

40. ObViz
Swisscom & ObViz
40
• Boi Faltings
• Maxime
Darçot
• Gaylor
Bosson
• Claudiu Musat
• Etudiants en Master à l’EPFL
• Audrey Loeffel
CEO
CTO
Web&
Scalability
Interface
Board of
Directors
• Ph.D & postdoc en IA
• 7 ans d’expérience dans l’industrie
• Prof. EPFL - 30 ans dans la
recherche
• Serial Entrepreneur – Fondateur de
Nexthink et Preddigo
• 2 Masters en Computer Science

41. Personnaliser la recherche
Swisscom & ObViz
41

42. État de l’art dans l’industrie
Swisscom & ObViz
42

43. État de l’art dans la recherche
Swisscom & ObViz
43

44. “Equilibrer” la Visualisation
Swisscom & ObViz
44

45. Décisions facilitées
Swisscom & ObViz
45
CONFIANCE
PERÇUE
(SUBJECTIF)
CERTITUDE DE
LA DECISION
TAUX DE
CHANGEMENT
(OBJECTIF)
INTERFACE
PRÉFÉRENCE
(SUBJECTIF)
CONFIANCE
2.06x2.76x1.53x3.67x2.66x6.49x

46. Swisscom & ObViz
46
À la découverte !

47. Swisscom & ObViz
47
Transparence & Confiance

48. Swisscom & ObViz
48

49. (Social) Media Monitoring
Swisscom & ObViz
49

50. ObViz team 50
With the ObViz business
app you can track your
image and products in the
media. Be notified about
perception changes.

51. ObViz team
Swisscom & ObViz
51
Compréhension &
Personnalisation

52. Swisscom,Folienbibliothek
Ville : comment améliorer ma qualité
de vie en tant que citoyen-ne ?
Raphaël Rollier, Swisscom
Alexandre Bosshard, Ville de Pully

53. … quels outils d’analyses ?
?
Monde Internet Monde physique

54. Observatoire de la mobilité à
Pully
Visiosafe et son projet à la gare de
Lausanne
Exemple de deux projets Smart City
… au service de la mobilité

55. Raphael Rollier 09/2015
55
Source: Projet d’agglomération Lausanne-Morges
Pully : ville-centre de l’agglomération

56. Attractivité du centre ville

57. Raphael Rollier 09/2015

58. 1er siècle après J-C, villa romaine de Pully
En ce temps-là parut un édit de César Auguste,
ordonnant un recensement de toute la terre.
La Bible

59. 1969
comptage manuel

60. 1969
comptage manuel
2015
Boucles de comptage, caméras,
mesures manuelles

61. 1 2
3 4

62. Enjeux … passer de la photo au film
PRECISION
CONTINUITE
SPATIALE
CONTINUITE
TEMPORELLE
Mobililty
Insights

63. SMART CITY
… «Observatoire de la mobilité de Pully»
2016

66. D’où viennent les gens qui passent à Pully ?

67. Top 5, Communes
1. Lausanne
2. Lutry
3. Bourg-en-Lavaux
4. Vevey
5. Montreux
Top 5, Quartiers de
Lausanne
1. Centre-Ville
2. Ouchy
3. Montchoisi
4. Montriond- Cour
5. Sallaz - Vennes

68. Qui vient à Pully ?
Visiteurs
Pendulaires
Personnes
en transit
Pully
75%
5%
20%
25’000
trajets

69. Perspectives

70. Raphael Rollier 09/2015
70

71. Raphael Rollier 09/2015

72. Projet Smart City
… prochains résultats présentés le 3 décembre à Zoug

73. … quels outils d’analyses ?
Monde Internet Monde physique

74. Sensing behavioral facts

76. Comment les visiteurs se comportent?
Compter
• Visiteurs #: 246
• Zone / Section
1118
Directions : Entrée / Sortie
• Zone #1 : 18 / 11
Durations
• Temps de visite
• Temps d’attente
• Temps de service
Distances
• Distance Parcourue
• Chemin de visiteurs
Heat maps
• Hot spots
• Zone d'intérêt

78. Fournir des indications quantitatives et analytiques

79. Comment ça marche ?

80. Capture de données
Entièrement Anonyme
Intelligence Artificielle
Analyse
Visiosafe A.I.

81. Capture
PerceptionAction
ApprentissagePublication
Visiosafe Intelligence Artificielle

82. Cas d'utilisation

83. Terminals in Switzerland
TERMINALS

84. Get quantitative insights on your visitors
alain@visiosafe.com
www.visiosafe.com

85. Big Data au Smart data
Start-up

87. Sophia Genetics
- Data Driven Medicine
Pryv
- Sensitive medical information
management

88. Faveeo
- Collaborative Intelligence for Web &
Social Media
Obviz
- Big data and social network analysis to
extract opinions and meaning

89. RAW Labs
- Revolutionary Database query platform
PredictiveLayer
- Automated Predictive Analysis

90. MERCI
@innovaud
www.innovaud.ch

92. Sophia DDM – Big Data / Smart Data
07.10.2015 CONFIDENTIAL 92

93. 07.10.2015 CONFIDENTIAL 93
Personalized Medicine
Approche taille unique
Approche ciblée
Prédictive
Pronostic
Précision
Personnalisation

94. 07.10.2015 CONFIDENTIAL 94
Qu’est ce qu’un Test Génétique ?
Patient
Généticien
NCBI
ExAC
COSMIC
…
Docteurs
Sample
Lab
Preparation
DNA
Enrichment
Sequencing Storage
Alignment
Algorithms
Statistics
Variant
Annotation
Noise
Extraction
Prédiction
likelihood breast cancer
Cancers
choice of drugs
treatment plan
Classification
DDM
Application

95. Capture
95

96. Différentes technologies – même échantillon
NGS Platform
A
Sample prep.
A
B A
B A
B B
96

97. 97
‘Machine Learning’ / Maths
Précision
Reproductible
Robuste
Rentable

98. Mutualize Data
plus de complexité -> Précision
Securité / Données Privées
Impacte à long terme des fuites d’information
Réseau – partage entre laboratoires
Bénéficier de l’expérience des autres
07.10.2015 CONFIDENTIAL 98
Differentes Hopitaux:
Big Data –> Clinical Diagnostics

99. Information d’un patient
aujourd’hui
Bénéficie à tous les patients
demain
Intégration du
savoir
Premier
diagnostic
Autre
information
Information
génomique
Du big au Smart data
99

100. 07/10/2015 CONFIDENTIAL 100
Diagnostiques - Du big au Smart data
>20,000 patients aidés en 2015
Genomic
Information
Other Medical
Information
+

101. Ioannis Xenarios
SIB Swiss Institute of Bioinformatics
Vital-IT and Swiss-Prot group

102. SIB Swiss Institute of Bioinformatics 2015
56 groups
700 scientists
More than
400 between
Lausanne and
Geneva

103. SIB Swiss Institute of Bioinformatics 2015
56 groups
700 scientists

104. SIB missions
• To provide core databases, software and services
worldwide
• To provide key competencies and research
support
To provide world-
class core bioinformatics
resources to the life
science community
• To federate Swiss bioinformatics researchers
• To train first-rate researchers
To lead and
coordinate the field
of bioinformatics in Switzerland

106. To provide core databases,
software and services
worldwide
• World-renowned encyclopedia of
protein sequences and functional
information
• > 540,000 curated protein sequences
• ~ 220,000 curated literature
references
• ~ 800,000 visits per month
• A central hub linking to over 140
other resources worldwide
• A team of over 50 biocurators,
developers, IT and support staff
Enabling Big Data - the Swiss-Prot group

107. 4000 years of evolution of biocuration,
Structuring knowledge

108. Challenge 1: knowledge representation
genes and genomes
proteins
complexes
chemicals
reactions
pathways
systems
UniPathway

109. ● In databases
● The level of erroneous annotation is
higher in automatically annotated
databases than in manually expert
curated ones
● In literature
● Not every published findings is latter
confirmed independently ...
Challenge 2: Errors, Mistakes, Imprecisions

110. Swiss-Prot people
Ioannis Xenarios
Director
Alan BridgeLydie Bougueleret Sylvain Poux Nicole Redaschi
Operation Director
Head of Curation
Head of Automation
Head of Development
Ioannis Xenarios

111. The Vital-IT group (Lausanne)
To provide key competencies
& research support to the
national life science community

112. Vital-IT: A “cloud” HPC
• > 6’000 cores
• >1’400 software maintained
as RPM release
• > 6 PB near-line/archive data
An infrastructure distributed over western Switzerland
The infrastructure is
centrally managed
from Lausanne

113. Vital-IT supports the technology plateforms
• Technology platforms are located in the
the different universities, at the EPFL
• Genomics (sequencing)
• Proteomics
• Screening and imaging
• Bioinformatics "core" facilities
• Biostatistics
• Data growth (raw unprocessed)
• from 1TB/week (2007)
• to >32 TB /week (2014)
• 42 TB/week Q1 2015
Need to archive >10-25 years

114. Vital-IT infrastructure
And Competence
Platforms of Ecole polytechnique Fédérale de Lausanne
Platforms of University of Lausanne
LGTF1,PAF2,PMF3,BCF4, PMF5
Platforms of University of Fribourg
NGS1,BugFri4
Platforms of Bern
NGS1,IFBU4
PCF2,BSF3,BBCF4
Platforms of Geneva University
iGE3-genomics (ex-NCCR genome)1, PCF/BPRG2
Platforms specificities
1: Genomics
2: Proteomics
3: Screening and imaging
4:Bioinformatics Core facilities
5: Protein Modeling Facility

115. People at Vital-IT
Christian Iseli Marco Pagni Mark IbbersonNicolas Guex Brian Stevenson
HPC
OncoGenomics
Personalized
Genomes
Metagenomics
Metabolic Models
Evidence-based
BioMedecine
Computational
Systems Biology
Roberto Fabbretti Jérôme DauvillierRobin Liechti
hardware software development data analysis
Computational
Genomics
Scientific vizualisation
Neuro-genomics

116. Repertoire of (longitudinal) ‘omics data available
Proteome
Transcriptome
(mRNA, isoforms, edits,
miRNA, lincRNA, …)
Cytokines
Metabolome
Genome &
Epigenome
Microbiome
Viriome
EMR / EHR
PERSONAL DATA
« PRECISION »
MEDICINE
Antibody-ome
Environment
(exposome)
Etc’ome
nutriome
• Improve biological and medical
knowledge
• Improve disease definition
• Discovery diagnostic markers
• Discovery prognostic markers
• Understanding early pathophysiology
• Disease stratification
• Patient stratification
• New therapeutic leads
• Adapt therapies to the above
Slide from the Clinical Bioinformatics
Head Jacqui Beckmann (SIB)

117. Private and Public partners are essential sources of funding

118. EvénementConnect
Lausanne, EPFL, 7 octobre 2015
Du Big Data au Smart Data
Etat des lieux, nouveaux défis
MichelJaccard

119. 119Protection des donnees – la loi actuelle

120. 120Protection des donnees – la loi actuelle

121. 121Protection des donnees – les principes de base
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent à l’étranger

122. 122Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Croissance exponentielle
Caractère personnel (permanent) ?

123. 123Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Hébergement ? Stockage dans le cloud ?
Indexation ? Chiffrement ?

124. 124Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Pas qu’un seul «maître»,
Pas qu’un seul fichier

125. 125Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Aucun traitement ne peut-il vraiment être justifié
par principe ?

126. 126Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Caractère artificiel du consentement donné (en ligne)
Absence de précision sur la finalité | les utilisations
futures

127. 127Protection des donnees – Nouveaux defis
données personnelles
traitement
maître de fichier
motif justificatif
consentement
niveau de protection équivalent
Appréciation politique, sociale, culturelle
Analyse au cas par cas nécessaire (dans les faits),
pas de blanc seing par pays (Safe Harbor !)

128. 128Protection des donnees – Nouveaux defis
Droit à l’oubli ?

129. 129Protection des donnees – Nouveaux defis
Cybersécurité ?

130. 130Protection des donnees – Nouveaux defis
Surveillance ?

131. 131
Données personnelles ? Pas nécessairement…
Protection des donnees – big data

132. 132
Données fiables (et utiles) ? Pas forcément…
Protection des donnees – big data

133. 133
Données personnelles ? Probablement, par analyses (anonymes ?) et recoupements…
Protection des donnees – SMART DATA

134. 134Protection des donnees – big data | SMART DATA
Données personnelles, par moments – Comment régler la question de
l’assujettissement à la réglementation ? Et qui joue le rôle du «maître du
fichier» ?
Comment s’assurer d’un consentement véritable sans connaître la finalité du
traitement au moment de la collecte des données, puisqu’elle dépendra des
analyses | recoupements?
Comment assurer le droit d’accès à des fractions de données éparpillées,
sachant que celui qui compile les bases de données ou les met à disposition
n’est pas forcément celui qui procède aux analyses | recoupements ?

135. 135Protection des donnees – big data | SMART DATA
Evolution ?
Consentement présumé pour
toute utilisation des données qui
serait «reconnaissable» au
moment de leur collecte
Certification par des tiers (de
confiance ?)
Renforcement des sanctions

136. 136Protection des donnees – big data | SMART DATA

137. 137Protection des donnees – big data | SMART DATA
Big Bang ?
Sécurisation des données,
indépendamment de leur
caractère personnel ou non
«opting out» généralisé
Données sensibles avec
devoirs spécifiques (santé ?
géolocalisation ?)
Renforcement des droits de
la personnalité

138. 138Protection des donnees – big data | SMART DATA
Solutions
technologiques
«Privacy by design»
«Privacy by default»
Atout majeur pour
les sociétés suisses

139. 139
MICHEL JACCARD
id est avocats
Email Michel.Jaccard@idest.pro | Michel.Jaccard@protonmail.ch
URL www.idest.pro
Twitter @idestavocats
Questions

140. 140
Merci pour votre visite!