LEBIGDATA.MA

[lebigdatama]

Edge Computing et Intelligence Artificielle : vers une intelligence distribuée, souveraine et temps réel

Introduction : La fin de l’illusion du tout-cloud L’intelligence artificielle contemporaine s’est historiquement développée dans le sillage du cloud computing, profitant de sa puissance de calcul quasi illimitée et de sa capacité à centraliser des volumes massifs de données. Ce modèle a permis des avancées spectaculaires en apprentissage profond et en analyse Big Data. Toutefois, cette centralisation repose sur une hypothèse de plus en plus fragile : celle d’une connectivité permanente, rapide et économiquement soutenable. Avec la généralisation des capteurs, de l’Internet des objets et des systèmes cyber-physiques, la production de données devient continue, distribuée et souvent critique dans le temps. Le Edge Computing apparaît alors non comme une simple extension du cloud, mais comme une réponse structurelle à ses limites physiques, économiques et politiques, en réinscrivant l’IA dans le temps réel et dans l’espace local. Les limites structurelles du cloud face au monde physique Le cloud computing est optimisé pour le traitement différé, l’agrégation globale et l’optimisation statistique à grande échelle. En revanche, il est mal adapté aux interactions immédiates avec des environnements physiques dynamiques. La latence réseau, même optimisée, reste contrainte par les lois fondamentales de la physique, ce qui devient problématique pour les applications critiques. Comme le soulignent Shi et al. Read the full article

[lebigdatama]

Projets novateurs dans le domaine du Big data, l'analyse de données et de l'intelligence artificielle à l'École Supérieure de Technologie de Salé

Introduction : L'École Supérieure de Technologie de Salé est un acteur majeur dans le domaine de l'analyse de données et de l'intelligence artificielle (IA). Les projets de fin d'études réalisés par les étudiants de filière Big Data et Système d'information, coordonnée par le Professeur Mohamed EL HAZITI sous la supervision de professeurs universitaires de haut niveau, se distinguent par leur pertinence et leur impact dans des domaines tels que l'analyse et la prédiction des ventes, l'analyse des sentiments, l'analyse des cyberattaques, l'IA appliquée à l'e-commerce, la gestion de présence avec reconnaissance faciale, l'analyse de données RH, la détection de fake news, ainsi que la géolocalisation et le data streaming. Cet article met en lumière ces projets novateurs, témoignant de l'engagement des étudiants et de l'excellence académique de l'établissement. Analyse et prédiction des ventes : Un groupe d'étudiants a réalisé un projet ambitieux axé sur l'analyse et la prédiction des ventes dans le secteur du commerce. Grâce à des techniques avancées d'analyse de données et d'IA, ils ont développé un modèle capable d'exploiter les données historiques des ventes, les facteurs externes et les tendances du marché pour prédire avec précision les performances commerciales futures. Ce projet offre aux entreprises des outils puissants pour optimiser leur gestion des stocks, leur planification de la demande et leurs stratégies de vente. Read the full article

[lebigdatama]

Impacts des technologies du Big data sur le Business Intelligence

Impacts des technologie du Big data sur le Business Intelligence Big data est un terme utilisé pour décrire les quantités massives de données générées par les activités en ligne telles que les recherches sur le Web, les réseaux sociaux et les transactions commerciales. Cette quantité massive de données peut être difficile à gérer et à analyser pour les entreprises, ce qui est là où BI entre en jeu. BI utilise des outils et des technologies pour collecter, analyser et présenter les données de manière significative pour les entreprises. En combinant big data et BI, les entreprises peuvent obtenir une vue complète et détaillée de leur performance en ligne, y compris les tendances des mots clés, le comportement des consommateurs et les sources de trafic. Cela peut aider les entreprises à orienter leurs stratégies SEO en fonction de ces informations pour maximiser leur présence en ligne et leur visibilité auprès des consommateurs. Les informations fournies par le big data et la BI peuvent aider les entreprises à comprendre les tendances de recherche pour les mots clés pertinents pour leur industrie. Cela peut permettre aux entreprises de cibler les mots clés les plus pertinents pour leur site Web, ce qui peut les aider à améliorer leur classement dans les résultats de recherche. Read the full article

[lebigdatama]

Big data pour les nuls

Big data pour les nuls Bien que le Big Data se classe actuellement parmi les principales tendances en matière de veille économique et d'analyse de données, les entreprises continuent de souffrir d'un manque de talents connaissant les données. Une étude du BARC montre que la moitié des répondants signalent un manque de savoir-faire analytique ou technique pour l'analyse des mégadonnées. C'est une bonne nouvelle pour les débutants en technologie, cependant, dont les connaissances et les compétences sont bien accueillies par les entreprises qui souhaitent profiter des avantages du Big Data. Si vous trouvez que la science des données est une opportunité alléchante, vous bénéficierez de cet aperçu des bases du Big Data pour les nuls. Ci-dessous, nous discuterons des exigences pour les emplois et des compétences que vous devez maîtriser pour démarrer une carrière réussie en science des données. QU'EST-CE QUE LE BIG DATA ? Au lieu de réciter une définition ou de donner un aperçu générique, examinons les principales caractéristiques du Big Data à travers le prisme de quelque chose qui est bien connu de nous tous: les moteurs de recommandation. Ce sont des outils largement utilisés dans le commerce électronique pour faciliter l'expérience client, mais qui aident également à collecter des données sur les consommateurs. Les visiteurs de la boutique en ligne recherchent des produits, les visualisent, les ajoutent et les suppriment de leur panier, font des achats comme, etc. Read the full article

[lebigdatama]

Qu'est-ce que le machine learning et comment fonctionne-t-il ?

Qu'est-ce que le machine learning et comment fonctionne-t-il?

Branche passionnante de l'intelligence artificielle, le machine learning est tout autour de nous dans ce monde moderne. À l'instar de Facebook suggérant les histoires de votre flux, le machine learning fait ressortir la puissance des données d'une nouvelle manière. Travaillant sur le développement de programmes informatiques pouvant accéder aux données et effectuer des tâches automatiquement par le biais de prédictions et de détections, le machine learning permet aux systèmes informatiques d'apprendre et de s'améliorer continuellement à partir de l'expérience. Au fur et à mesure que vous alimentez la machine avec plus de données, permettant ainsi aux algorithmes qui la font «apprendre», vous améliorez les résultats obtenus. Lorsque vous demandez à Alexa de lire votre station musicale préférée sur Amazon Echo, elle accède à celle que vous avez le plus écoutée; la station est améliorée en disant à Alexa de sauter une chanson, d'augmenter le volume et d'autres entrées diverses. Tout cela est dû à le machine learning et à l'avancée rapide de l'intelligence artificielle .   Commençons par répondre à la question - Qu'est-ce que le machine learning ? Qu'est-ce que le machine learning ? Un bon début pour une définition du machine learning est qu'il s'agit d'un sous-domaine central de l'intelligence artificielle (IA). Les applications machine learning apprennent de l'expérience (ainsi que des données) comme les humains sans programmation directe. Lorsqu'elles sont exposées à de nouvelles données, ces applications apprennent, grandissent, changent et se développent par elles-mêmes. En d'autres termes, avec le machine learning, les ordinateurs trouvent des informations pertinentes sans qu'on leur dise où chercher. Au lieu de cela, ils le font en exploitant des algorithmes qui apprennent à partir des données dans un processus itératif. Alors que le concept du machine learning existe depuis longtemps (pensez à la machine Enigma de la Seconde Guerre mondiale ), la capacité d'automatiser l'application de calculs mathématiques complexes au Big Data a pris de l'ampleur au cours des dernières années. À un niveau élevé, le machine learning est la capacité de s'adapter aux nouvelles données de manière indépendante et par itérations. Fondamentalement, les applications apprennent des calculs et des transactions antérieurs et utilisent la «reconnaissance de formes» pour produire des résultats fiables et informés. Après avoir compris ce qu'est le machine learning, voyons comment cela fonctionne.

Comment fonctionne le machine learning?

le machine learning est, sans aucun doute, l'un des sous-ensembles les plus passionnants de l'intelligence artificielle. Il complète la tâche d'apprentissage à partir des données avec des entrées spécifiques à la machine. Il est important de comprendre ce qui fait fonctionner le machine learning et, par conséquent, comment il peut être utilisé à l'avenir. Le processus du machine learning commence par la saisie des données d'entraînement dans l'algorithme sélectionné. Les données d'entraînement étant des données connues ou inconnues pour développer l'algorithme final du machine learning. Le type d'entrée de données d'entraînement a un impact sur l'algorithme, et ce concept sera couvert plus loin dans un moment. Pour tester si cet algorithme fonctionne correctement, de nouvelles données d'entrée sont introduites dans l'algorithme du machine learning. La prédiction et les résultats sont ensuite vérifiés. Si la prédiction n'est pas celle attendue, l'algorithme est ré-entraîné plusieurs fois jusqu'à ce que la sortie souhaitée soit trouvée. Cela permet à l'algorithme du machine learning d'apprendre par lui-même en permanence et de produire la réponse la plus optimale qui augmentera progressivement en précision au fil du temps. La section suivante de l'article «Qu'est-ce que le machine learning» traite des types du machine learning.

Types du machine learning

le machine learning est complexe en soi, c'est pourquoi il a été divisé en deux domaines principaux, l'apprentissage supervisé et l'apprentissage non supervisé. Chacun a un objectif et une action spécifiques au sein du machine learning, produisant des résultats particuliers et utilisant diverses formes de données. Environ 70% du machine learning est un apprentissage supervisé, tandis que l'apprentissage non supervisé varie de 10 à 20%. Une autre méthode moins utilisée est l'apprentissage par renforcement. Cette section de «Qu'est-ce que le machine learning ?» Cet article décrit en détail tous les types du machine learning. Enseignement supervisé Dans l'apprentissage supervisé, nous utilisons des données connues ou étiquetées pour les données de formation. Puisque les données sont connues, l'apprentissage est donc supervisé, c'est-à-dire dirigé vers une exécution réussie. Les données d'entrée passent par l'algorithme du machine learning et sont utilisées pour entraîner le modèle. Une fois que le modèle est formé sur la base des données connues, vous pouvez utiliser des données inconnues dans le modèle et obtenir une nouvelle réponse. Dans ce cas, le modèle essaie de déterminer si les données sont une pomme ou un autre fruit. Une fois que le modèle a été bien formé, il identifiera que les données sont une pomme et donnera la réponse souhaitée. Les principaux algorithmes actuellement utilisés pour l'apprentissage supervisé sont: Régression polynomiale Forêt aléatoire Régression linéaire Régression logistique Arbres de décision K voisins les plus proches Naive Bayes

La partie suivante de l'article le machine learning se concentre sur l'apprentissage non supervisé. Apprentissage non supervisé Dans l'apprentissage non supervisé, les données d'entraînement sont inconnues et non étiquetées - ce qui signifie que personne n'a encore regardé les données. Sans l'aspect des données connues, l'entrée ne peut pas être guidée vers l'algorithme, d'où provient le terme non supervisé. Ces données sont transmises à l'algorithme le machine learning et sont utilisées pour entraîner le modèle. Le modèle entraîné essaie de rechercher un modèle et de donner la réponse souhaitée. Dans ce cas, c'est souvent comme si l'algorithme essayait de casser du code comme la machine Enigma mais sans que l'esprit humain soit directement impliqué mais plutôt une machine. Dans ce cas, les données inconnues sont des pommes et des poires qui se ressemblent. Le modèle entraîné essaie de tous les rassembler afin que vous obteniez les mêmes choses dans des groupes similaires. Les principaux algorithmes actuellement utilisés pour l'apprentissage non supervisé sont: Moindres carrés partiels Fuzzy signifie Décomposition de valeurs singulières K-signifie clustering A priori Classification hiérarchique Analyse des composants principaux Apprentissage par renforcement Comme les types traditionnels d'analyse de données, ici, l'algorithme découvre les données à travers un processus d'essais et d'erreurs, puis décide quelle action entraîne des récompenses plus élevées. Trois composantes majeures composent l'apprentissage par renforcement: l'agent, l'environnement et les actions. L'agent est l'apprenant ou le décideur, l'environnement comprend tout ce avec quoi l'agent interagit, et les actions sont ce que fait l'agent. L'apprentissage par renforcement se produit lorsque l'agent choisit des actions qui maximisent la récompense attendue sur un temps donné. Ceci est plus facile à réaliser lorsque l'agent travaille dans un cadre stratégique solide. Vous comprendrez pourquoi le machine learning est important dans la section suivante de l'article Qu'est-ce que le machine learning.

Pourquoi le machine learning est-il important?

Pour mieux comprendre les utilisations de le machine learning, considérez certains cas d'application de le machine learning: la voiture Google autonome; détection de la cyber fraude; et des moteurs de recommandation en ligne de Facebook, Netflix et Amazon. Les machines peuvent permettre toutes ces choses en filtrant des informations utiles et en les rassemblant en fonction de modèles pour obtenir des résultats précis. Le flux de processus décrit ici représente le fonctionnement du machine learning: L'évolution rapide de le machine learning a entraîné une augmentation ultérieure des cas d'utilisation, des demandes et de l'importance même du machine learning dans la vie moderne. Le Big Data est également devenu un mot à la mode très utilisé ces dernières années. Ceci est en partie dû à la sophistication accrue du machine learning, qui permet l'analyse de gros morceaux de Big Data. le machine learning a également changé la façon dont l'extraction et l'interprétation des données sont effectuées en automatisant des méthodes / algorithmes génériques, remplaçant ainsi les techniques statistiques traditionnelles. Maintenant que vous savez ce qu'est le machine learning, ses types et son importance, passons aux utilisations de le machine learning.

Utilisations de le machine learning

Les résultats typiques des applications du machine learning que nous voyons ou ne comprennent pas régulièrement les résultats de recherche sur le Web, les publicités en temps réel sur les pages Web et les appareils mobiles, le filtrage des courriers indésirables, la détection d'intrusions sur le réseau et la reconnaissance des modèles et des images. Tous ces éléments sont des sous-produits de l'utilisation du machine learning pour analyser des volumes massifs de données. Traditionnellement, l'analyse des données était basée sur des essais et des erreurs, une approche qui devient impossible lorsque les ensembles de données sont vastes et hétérogènes. le machine learning offre des alternatives intelligentes à l'analyse de vastes volumes de données. En développant des algorithmes rapides et efficaces et des modèles basés sur les données pour le traitement en temps réel des données, le machine learning peut produire des résultats et des analyses précis. Conseil : pour en savoir plus sur le Big Data et sur la façon dont il révolutionne les industries à l'échelle mondiale, consultez notre article sur ce qu'est le Big Data et pourquoi vous devriez vous en soucier. Selon un rapport connexe de McKinsey , «Au fur et à mesure que le monde analogique est numérisé, notre capacité à apprendre des données en développant et en testant des algorithmes ne deviendra que plus importante pour ce qui est maintenant considéré comme des entreprises traditionnelles.» Le même rapport cite également l'économiste en chef de Google, Hal Varian, qui appelle ce «kaizen informatique» et ajoute: «tout comme la production de masse a changé la façon dont les produits ont été assemblés, et l'amélioration continue a changé la façon dont la fabrication était faite… donc l'expérimentation continue (et souvent automatique) améliorer la façon dont nous optimisons les processus commerciaux dans nos organisations. » le machine learning est là pour rester.

Certains algorithmes et processus du machine learning

Si vous étudiez ce qu'est le machine learning, vous devez vous familiariser avec les algorithmes et processus du machine learning standard . Il s'agit notamment des réseaux de neurones, des arbres de décision, des forêts aléatoires, des associations et de la découverte de séquences, de l'amplification et de l'ensachage de gradient, des machines vectorielles de support, des cartes auto-organisées, du clustering k-means, des réseaux bayésiens, des modèles de mélanges gaussiens, etc. Pour tirer le meilleur parti du Big Data, d'autres outils et processus du machine learning qui exploitent divers algorithmes comprennent: Qualité et gestion complètes des données Interface graphique pour la création de modèles et de flux de processus Exploration interactive des données et visualisation des résultats du modèle Comparaisons de différents modèles de machine learning pour identifier rapidement le meilleur Évaluation automatisée du modèle d'ensemble pour déterminer les meilleurs interprètes Déploiement facile du modèle pour obtenir rapidement des résultats fiables et reproductibles Une plateforme intégrée de bout en bout pour l'automatisation du processus data-to-decision

Conditions préalables au machine learning

Pour ceux qui souhaitent apprendre au-delà de ce qu'est le machine learning, quelques conditions doivent être remplies pour réussir dans ce domaine. Ces exigences comprennent: Connaissance de base des langages de programmation et de script Connaissance intermédiaire des statistiques et des probabilités Connaissance de base de l'algèbre linéaire. Dans le modèle de régression linéaire, une ligne est dessinée à travers tous les points de données, et cette ligne est utilisée pour calculer de nouvelles valeurs. Compréhension du calcul Connaissance de la façon de nettoyer et de structurer les données brutes au format souhaité pour réduire le temps nécessaire à la prise de décision. Chacun de ces prérequis vous aidera à réussir rapidement la transition vers le machine learning.

Conclusion

Vous vous demandez comment progresser après avoir compris ce qu'est le machine learning ? Envisagez de suivre le cours de certification en machine learning qui vous mettra sur la voie du succès dans ce domaine passionnant. Maîtrisez les concepts et techniques du machine learning, y compris l'apprentissage supervisé et non supervisé, les aspects mathématiques et heuristiques, et la modélisation pratique pour développer des algorithmes et vous préparer au rôle d'ingénieur en machine learning. Vous pouvez également suivre un master en IA et machine learning avec l'Université Purdue en collaboration avec IBM. Ce programme vous donne une connaissance approfondie de Python, du deep learning avec le flux Tensor, du traitement du langage naturel, de la reconnaissance vocale, de la vision par ordinateur et de l'apprentissage par renforcement. Read the full article

[lebigdatama]

Convertir PDF en WORD

Convertir PDF en WORD

Convertissez votre fichier PDF en documents Word modifiables avec le meilleur convertisseur PDF en Word. Conservez les polices, paragraphes, listes, tableaux et colonnes des fichiers PDF dans la sortie Word. Vous pouvez ensuite éditer le document Word, extraire son contenu et republier au format PDF en tant que nouveau document.

Comment convertir un PDF en Word Avec les convertisseurs PDF, vous pouvez convertir des fichiers PDF en documents Word en seulement deux clics de souris. Ajoutez un document PDF que vous êtes prêt à convertir au format DOC en le faisant glisser et en le déposant ou en cliquant sur le bouton "Ajouter un fichier" et en téléchargeant le fichier DOC lors de sa création. Conversion HQ PDF en DOC Cet outil en ligne convertit le PDF au format DOC avec un texte reconnu qui peut être modifié ultérieurement dans presque n'importe quel éditeur de texte. Le niveau de haute qualité de la conversion PDF est alimenté par Icecream PDF Converter. Une fonction OCR automatique est également incluse pour offrir la meilleure expérience de conversion. Convert PDF to Word free! Les convertisseurs PDF en Word en ligne de sont gratuits aussi longtemps que vous le souhaitez. Les utilisateurs peuvent utiliser ce site Web sans aucune limitation ni restriction et sans aucun frais. De plus, vous n'avez pas besoin de créer un compte, de vous inscrire par e-mail ou de fournir des informations personnelles. Ci-après une liste des outils gratuits en ligne pour convertir les PDF en WORD: https://pdf2doc.com/ https://smallpdf.com/pdf-to-word https://www.ilovepdf.com/pdf_to_word https://simplypdf.com/ https://pdfcandy.com/pdf-to-word.html https://pdf2docx.com/ https://www.pdfonline.com/pdf-to-word-converter/ https://convertonlinefree.com/PDFToWordEN.aspx https://www.freepdfconvert.com/pdf-to-word https://easypdf.com/pdf-to-word   Read the full article

[lebigdatama]

Qu'est-ce que le machine learning et comment fonctionne-t-il ?

Qu'est-ce que le machine learning et comment fonctionne-t-il?

Branche passionnante de l'intelligence artificielle, le machine learning est tout autour de nous dans ce monde moderne. À l'instar de Facebook suggérant les histoires de votre flux, le machine learning fait ressortir la puissance des données d'une nouvelle manière. Travaillant sur le développement de programmes informatiques pouvant accéder aux données et effectuer des tâches automatiquement par le biais de prédictions et de détections, le machine learning permet aux systèmes informatiques d'apprendre et de s'améliorer continuellement à partir de l'expérience. Au fur et à mesure que vous alimentez la machine avec plus de données, permettant ainsi aux algorithmes qui la font «apprendre», vous améliorez les résultats obtenus. Lorsque vous demandez à Alexa de lire votre station musicale préférée sur Amazon Echo, elle accède à celle que vous avez le plus écoutée; la station est améliorée en disant à Alexa de sauter une chanson, d'augmenter le volume et d'autres entrées diverses. Tout cela est dû à le machine learning et à l'avancée rapide de l'intelligence artificielle .   Commençons par répondre à la question - Qu'est-ce que le machine learning ? Qu'est-ce que le machine learning ? Un bon début pour une définition du machine learning est qu'il s'agit d'un sous-domaine central de l'intelligence artificielle (IA). Les applications machine learning apprennent de l'expérience (ainsi que des données) comme les humains sans programmation directe. Lorsqu'elles sont exposées à de nouvelles données, ces applications apprennent, grandissent, changent et se développent par elles-mêmes. En d'autres termes, avec le machine learning, les ordinateurs trouvent des informations pertinentes sans qu'on leur dise où chercher. Au lieu de cela, ils le font en exploitant des algorithmes qui apprennent à partir des données dans un processus itératif. Alors que le concept du machine learning existe depuis longtemps (pensez à la machine Enigma de la Seconde Guerre mondiale ), la capacité d'automatiser l'application de calculs mathématiques complexes au Big Data a pris de l'ampleur au cours des dernières années. À un niveau élevé, le machine learning est la capacité de s'adapter aux nouvelles données de manière indépendante et par itérations. Fondamentalement, les applications apprennent des calculs et des transactions antérieurs et utilisent la «reconnaissance de formes» pour produire des résultats fiables et informés. Après avoir compris ce qu'est le machine learning, voyons comment cela fonctionne.

Comment fonctionne le machine learning?

le machine learning est, sans aucun doute, l'un des sous-ensembles les plus passionnants de l'intelligence artificielle. Il complète la tâche d'apprentissage à partir des données avec des entrées spécifiques à la machine. Il est important de comprendre ce qui fait fonctionner le machine learning et, par conséquent, comment il peut être utilisé à l'avenir. Le processus du machine learning commence par la saisie des données d'entraînement dans l'algorithme sélectionné. Les données d'entraînement étant des données connues ou inconnues pour développer l'algorithme final du machine learning. Le type d'entrée de données d'entraînement a un impact sur l'algorithme, et ce concept sera couvert plus loin dans un moment. Pour tester si cet algorithme fonctionne correctement, de nouvelles données d'entrée sont introduites dans l'algorithme du machine learning. La prédiction et les résultats sont ensuite vérifiés. Si la prédiction n'est pas celle attendue, l'algorithme est ré-entraîné plusieurs fois jusqu'à ce que la sortie souhaitée soit trouvée. Cela permet à l'algorithme du machine learning d'apprendre par lui-même en permanence et de produire la réponse la plus optimale qui augmentera progressivement en précision au fil du temps. La section suivante de l'article «Qu'est-ce que le machine learning» traite des types du machine learning.

Types du machine learning

le machine learning est complexe en soi, c'est pourquoi il a été divisé en deux domaines principaux, l'apprentissage supervisé et l'apprentissage non supervisé. Chacun a un objectif et une action spécifiques au sein du machine learning, produisant des résultats particuliers et utilisant diverses formes de données. Environ 70% du machine learning est un apprentissage supervisé, tandis que l'apprentissage non supervisé varie de 10 à 20%. Une autre méthode moins utilisée est l'apprentissage par renforcement. Cette section de «Qu'est-ce que le machine learning ?» Cet article décrit en détail tous les types du machine learning. Enseignement supervisé Dans l'apprentissage supervisé, nous utilisons des données connues ou étiquetées pour les données de formation. Puisque les données sont connues, l'apprentissage est donc supervisé, c'est-à-dire dirigé vers une exécution réussie. Les données d'entrée passent par l'algorithme du machine learning et sont utilisées pour entraîner le modèle. Une fois que le modèle est formé sur la base des données connues, vous pouvez utiliser des données inconnues dans le modèle et obtenir une nouvelle réponse. Dans ce cas, le modèle essaie de déterminer si les données sont une pomme ou un autre fruit. Une fois que le modèle a été bien formé, il identifiera que les données sont une pomme et donnera la réponse souhaitée. Les principaux algorithmes actuellement utilisés pour l'apprentissage supervisé sont: Régression polynomiale Forêt aléatoire Régression linéaire Régression logistique Arbres de décision K voisins les plus proches Naive Bayes

La partie suivante de l'article le machine learning se concentre sur l'apprentissage non supervisé. Apprentissage non supervisé Dans l'apprentissage non supervisé, les données d'entraînement sont inconnues et non étiquetées - ce qui signifie que personne n'a encore regardé les données. Sans l'aspect des données connues, l'entrée ne peut pas être guidée vers l'algorithme, d'où provient le terme non supervisé. Ces données sont transmises à l'algorithme le machine learning et sont utilisées pour entraîner le modèle. Le modèle entraîné essaie de rechercher un modèle et de donner la réponse souhaitée. Dans ce cas, c'est souvent comme si l'algorithme essayait de casser du code comme la machine Enigma mais sans que l'esprit humain soit directement impliqué mais plutôt une machine. Dans ce cas, les données inconnues sont des pommes et des poires qui se ressemblent. Le modèle entraîné essaie de tous les rassembler afin que vous obteniez les mêmes choses dans des groupes similaires. Les principaux algorithmes actuellement utilisés pour l'apprentissage non supervisé sont: Moindres carrés partiels Fuzzy signifie Décomposition de valeurs singulières K-signifie clustering A priori Classification hiérarchique Analyse des composants principaux Apprentissage par renforcement Comme les types traditionnels d'analyse de données, ici, l'algorithme découvre les données à travers un processus d'essais et d'erreurs, puis décide quelle action entraîne des récompenses plus élevées. Trois composantes majeures composent l'apprentissage par renforcement: l'agent, l'environnement et les actions. L'agent est l'apprenant ou le décideur, l'environnement comprend tout ce avec quoi l'agent interagit, et les actions sont ce que fait l'agent. L'apprentissage par renforcement se produit lorsque l'agent choisit des actions qui maximisent la récompense attendue sur un temps donné. Ceci est plus facile à réaliser lorsque l'agent travaille dans un cadre stratégique solide. Vous comprendrez pourquoi le machine learning est important dans la section suivante de l'article Qu'est-ce que le machine learning.

Pourquoi le machine learning est-il important?

Pour mieux comprendre les utilisations de le machine learning, considérez certains cas d'application de le machine learning: la voiture Google autonome; détection de la cyber fraude; et des moteurs de recommandation en ligne de Facebook, Netflix et Amazon. Les machines peuvent permettre toutes ces choses en filtrant des informations utiles et en les rassemblant en fonction de modèles pour obtenir des résultats précis. Le flux de processus décrit ici représente le fonctionnement du machine learning: L'évolution rapide de le machine learning a entraîné une augmentation ultérieure des cas d'utilisation, des demandes et de l'importance même du machine learning dans la vie moderne. Le Big Data est également devenu un mot à la mode très utilisé ces dernières années. Ceci est en partie dû à la sophistication accrue du machine learning, qui permet l'analyse de gros morceaux de Big Data. le machine learning a également changé la façon dont l'extraction et l'interprétation des données sont effectuées en automatisant des méthodes / algorithmes génériques, remplaçant ainsi les techniques statistiques traditionnelles. Maintenant que vous savez ce qu'est le machine learning, ses types et son importance, passons aux utilisations de le machine learning.

Utilisations de le machine learning

Les résultats typiques des applications du machine learning que nous voyons ou ne comprennent pas régulièrement les résultats de recherche sur le Web, les publicités en temps réel sur les pages Web et les appareils mobiles, le filtrage des courriers indésirables, la détection d'intrusions sur le réseau et la reconnaissance des modèles et des images. Tous ces éléments sont des sous-produits de l'utilisation du machine learning pour analyser des volumes massifs de données. Traditionnellement, l'analyse des données était basée sur des essais et des erreurs, une approche qui devient impossible lorsque les ensembles de données sont vastes et hétérogènes. le machine learning offre des alternatives intelligentes à l'analyse de vastes volumes de données. En développant des algorithmes rapides et efficaces et des modèles basés sur les données pour le traitement en temps réel des données, le machine learning peut produire des résultats et des analyses précis. Conseil : pour en savoir plus sur le Big Data et sur la façon dont il révolutionne les industries à l'échelle mondiale, consultez notre article sur ce qu'est le Big Data et pourquoi vous devriez vous en soucier. Selon un rapport connexe de McKinsey , «Au fur et à mesure que le monde analogique est numérisé, notre capacité à apprendre des données en développant et en testant des algorithmes ne deviendra que plus importante pour ce qui est maintenant considéré comme des entreprises traditionnelles.» Le même rapport cite également l'économiste en chef de Google, Hal Varian, qui appelle ce «kaizen informatique» et ajoute: «tout comme la production de masse a changé la façon dont les produits ont été assemblés, et l'amélioration continue a changé la façon dont la fabrication était faite… donc l'expérimentation continue (et souvent automatique) améliorer la façon dont nous optimisons les processus commerciaux dans nos organisations. » le machine learning est là pour rester.

Certains algorithmes et processus du machine learning

Si vous étudiez ce qu'est le machine learning, vous devez vous familiariser avec les algorithmes et processus du machine learning standard . Il s'agit notamment des réseaux de neurones, des arbres de décision, des forêts aléatoires, des associations et de la découverte de séquences, de l'amplification et de l'ensachage de gradient, des machines vectorielles de support, des cartes auto-organisées, du clustering k-means, des réseaux bayésiens, des modèles de mélanges gaussiens, etc. Pour tirer le meilleur parti du Big Data, d'autres outils et processus du machine learning qui exploitent divers algorithmes comprennent: Qualité et gestion complètes des données Interface graphique pour la création de modèles et de flux de processus Exploration interactive des données et visualisation des résultats du modèle Comparaisons de différents modèles de machine learning pour identifier rapidement le meilleur Évaluation automatisée du modèle d'ensemble pour déterminer les meilleurs interprètes Déploiement facile du modèle pour obtenir rapidement des résultats fiables et reproductibles Une plateforme intégrée de bout en bout pour l'automatisation du processus data-to-decision

Conditions préalables au machine learning

Pour ceux qui souhaitent apprendre au-delà de ce qu'est le machine learning, quelques conditions doivent être remplies pour réussir dans ce domaine. Ces exigences comprennent: Connaissance de base des langages de programmation et de script Connaissance intermédiaire des statistiques et des probabilités Connaissance de base de l'algèbre linéaire. Dans le modèle de régression linéaire, une ligne est dessinée à travers tous les points de données, et cette ligne est utilisée pour calculer de nouvelles valeurs. Compréhension du calcul Connaissance de la façon de nettoyer et de structurer les données brutes au format souhaité pour réduire le temps nécessaire à la prise de décision. Chacun de ces prérequis vous aidera à réussir rapidement la transition vers le machine learning.

Conclusion

Vous vous demandez comment progresser après avoir compris ce qu'est le machine learning ? Envisagez de suivre le cours de certification en machine learning qui vous mettra sur la voie du succès dans ce domaine passionnant. Maîtrisez les concepts et techniques du machine learning, y compris l'apprentissage supervisé et non supervisé, les aspects mathématiques et heuristiques, et la modélisation pratique pour développer des algorithmes et vous préparer au rôle d'ingénieur en machine learning. Vous pouvez également suivre un master en IA et machine learning avec l'Université Purdue en collaboration avec IBM. Ce programme vous donne une connaissance approfondie de Python, du deep learning avec le flux Tensor, du traitement du langage naturel, de la reconnaissance vocale, de la vision par ordinateur et de l'apprentissage par renforcement. Read the full article

[lebigdatama]

Qu'est-ce que le cluster dans le Big Data ?

Un cluster Hadoop est un type spécial de cluster de calcul conçu spécifiquement pour stocker et analyser d'énormes quantités de données non structurées dans un environnement informatique distribué.

Ces clusters exécutent le logiciel de traitement distribué open source de Hadoop sur des ordinateurs de base à faible coût. En règle générale, une machine du cluster est désignée comme NameNode et une autre machine comme JobTracker; ce sont les maîtres. Les autres machines du cluster agissent à la fois comme DataNode et TaskTracker; ce sont les esclaves. Les clusters Hadoop sont souvent appelés systèmes «rien partagé» car c'est la seule chose partagée entre les nœuds du réseau qui les relie. Les clusters Hadoop sont connus pour augmenter la vitesse des applications d'analyse de données. Ils sont également hautement évolutifs: si la puissance de traitement d'un cluster est dépassée par l'augmentation des volumes de données, des nœuds de cluster supplémentaires peuvent être ajoutés pour augmenter le débit. Les clusters Hadoop sont également très résistants aux pannes car chaque élément de données est copié sur d'autres nœuds de cluster, ce qui garantit que les données ne sont pas perdues en cas de défaillance d'un nœud. Début 2013, Facebook était reconnu comme ayant le plus grand cluster Hadoop au monde. Parmi les autres utilisateurs éminents, citons Google, Yahoo et IBM. Read the full article

[lebigdatama]

Comment le digital pourrait être un facteur de différenciation et de développement de quelque secteur d'activité dans cette période de pandémie ?

La pandémie COVID-19 est une excellente opportunité à saisir pour toute entreprise qui souhaite rester dans un monde en perpétuel évolution. Il est temps de s'investir plus et de booster dans le digital. Aujourd’hui les entreprises  n'ont plus le choix, nécessitent de s'adapter à une nouvelle économie connectée et de prendre de l'avance dans un environnement mouvant. Celles qui ne choisissent pas la voie du digital prennent le risque de perdre en compétitivité sur la nouvelle crise sanitaire. Les événement successifs que le monde a témoigné récemment nous a clarifié que l'utilisation des nouvelles technologies digitales est devenu aujourd'hui une urgence pour toutes les entreprises et pour tous les secteurs et pas un effet de mode ou luxe dont la finalité cardinale est la poursuite de leurs activités et luter contre cette propagation vertigineuse qui frappe plusieurs pays du monde. Il est désormais temps que nos entreprises , qui constituent la base du tissu économique s'accélèrent plus à la transformation de son business en ligne à travers l'utilisation des nouvelles technologies et prennent des mesures claires pour empêcher toute propagation du virus et pour ne pas se retrouver dans un état de cessation de son activité. Le digital serait donc une solution adéquate pour adapter son business dans cette période critique de confinement dont le but principale est de stimuler notre créativité, se différencier et garder la continuité du travail. Read the full article

[lebigdatama]

La digitalisation: quel impact sur les entreprises marocaines ?

Le monde est aujourd’hui à l’aube d’une nouvelle ère de développement technologique et industriel. Les objets connectés, l’intelligence artificielle, le Cloud computing et l’impression 3D sont en train de révolutionner les modèles économiques et transformer les nouvelles source de création de valeur. Les entreprises sont amenées sans cesse à repenser leur business model et les mécanismes de création de valeur. En effet les propositions de valeur doivent s’adapter de manière continue pour pouvoir évoluer avec l’écosystème et ainsi permettre à l’organisation d’être en phase avec ce dernier, les entreprises doivent rapidement s’y adapter. Certaines entreprises ont su se comporter et s'adapter aux nouvelles technologies ,d'autres ne se rendent pas encore compte des enjeux, ne détiennent pas les compétences afin de s'habituer à cette nouvelle vague du digital.

L'entreprise marocaine n'évanouit pas, évidemment, à cette évolution et il est désormais temps que nos PME, qui constituent l'essentiel du tissu économique national, passent en mode 2.0, voire 3.0 ou même 4.0! L'entreprise de demain sera complètement connectée. La transformation digitale apparaît comme l’un des leviers de croissance de l’économie et impacte fortement le fonctionnement de l’économie mondiale avec les nouvelles technologies, qui occupent une part conséquente dans le PIB de nombreux pays. Cette transformation profonde s’opère progressivement dans tous les secteurs d’activité, ses enjeux sont énormes. La transformation numérique que nous traversons ces dernères années rassemble 4 aspects indispensable à la stratégie d’affaires des entreprises : Sa portée qui doit être élargie au-delà des frontières traditionnelles de l’entreprise (chaînes d’approvisionnement). Son échelle: l’émergence des plateformes qui créent d’importants effets de réseau dans un contexte d’abondance des données. Sa vitesse : le lancement de produits/services, la création de réseaux. La source de création et de capture de valeur (données). Ce qui a donné lieu aux 4 S de la transformation numérique (Source, Speed, Scale and Scope). En effet l’émergence du modèle plateformique numérique d’une part et la transformation des modèles de création de valeur d’autre part, convoquent à la reconversion de la notion d’actif immatériel entrepreneurial et la revisite des droits de propriété intellectuelle, notamment autour de deux notions essentielles: les actifs conjoints ( les actifs plateformiques) et les actifs individuels. Le Maroc comme dans le reste du monde a connu une versatilité vertigineuse dans tous les domaines, à savoir, l’énergie verte ( PS), l’agriculture ( PMV), le ferroviaire (TGV), l’industrie ( PNE)…. grâce aux visions de Sa Majesté et ses plans échafaudés d’une manière puissante, le pays est devenu un modéle à suivre sur l’échiquier Africain. Dans ce contexte, le Maroc a lancé un Plan Digital 2020 apres l'échec de l'expérience du Maroc Numeric 2013, pour se positionner en tant que Hub africain leader et activer sa transformation digitale dont L'objectif est d'accélérer la croissance du PIB et d'attirer des investissements étrangers, afin de créer des emplois , et résorber le chômage des jeunes. la digitalisation une thématique passionnante et reluisante…. elle représente tout d'abord pour moi une source inépuisable de créativité, nouvel élan pour la mondialisation, nouveaux métiers, nouveaux skills nouveaux risques …. La liste est longue et non exhaustive, nous avons eu la chance de connaître l'élévation d'un nouvel écosystème qui a chamboulé notre quotidien et bouleversé notre économie de manière profonde et à une vitesse étourdissante. Il est grand temps de s’engager dans la voie de la transition digitale avant de se laisser dépasser. Read the full article

[lebigdatama]

Coronavirus au Maroc : quel rôle de l’intelligence artificielle ?

Sans aucun doute, le Covid-19 est devenu un enjeu crucial pour le monde entier, étant donné le nombre de personnes touchées par cette pandémie, qui est en constante augmentation, ainsi que son impact négatif important sur tous les secteurs socio-économiques. En particulier, au cours des deux dernières semaines, le Maroc a enregistré une augmentation rapide des nombres de cas touchés par cette pandémie. Malgré les progrès scientifiques et technologiques, les pays n’ont pas été en mesure de trouver des solutions contre la variole susceptible de limiter la propagation de ce virus mortel.

A cet effet, comment l’intelligence artificielle pourrait-elle contribuer, ne serait-ce que légèrement, à réduire cette tumeur maligne ? Parmi les fonctionnalités les plus importantes que l’intelligence artificielle pourrait offrir afin de faire face à la propagation du coronavirus, il y'a lieu de citer : - le service de la géolocalisation qui offre la possibilité de déterminer tous les endroits visités par une personne contaminée et les désinfecter. Cela permet d’identifier les individus suspectés d’avoir des contacts avec le patient, en les isolant et en les mettant en quarantaine. Ce service permet, également, l’identification des endroits ayant enregistrées un nombre importants des personnes contaminées en se basant sur l’analyses des données géographiques. Cela permettra de mettre en place des stratégies de prévention efficaces ainsi que de réserver les ressources nécessaires en termes de capital humain et de logistique. - La fonctionnalité de notification qui être très utile. Celle-ci permet aux personnes de trouver les centres de contrôle les plus proches ainsi que de signaler immédiatement les cas suspects pour optimiser le temps d’intervention et les efforts déployés par les autorités publiques. Read the full article

[lebigdatama]

Conception et optimisation du Mobile Cloud Computing avec des plateformes virtuelles en réseau

Un système Mobile Cloud Computing (MCC) est un système basé sur le cloud auquel les utilisateurs ont accès via leurs propres appareils mobiles. Les systèmes MCC émergent comme le produit de deux tendances technologiques: 1- la migration de l'informatique personnelle des ordinateurs de bureau vers les appareils mobiles 2- l'intégration croissante des environnements informatiques à grande échelle dans les systèmes cloud. Les concepteurs développent une variété de nouveaux systèmes de cloud computing mobiles. Chacun de ces systèmes est développé avec des objectifs différents et sous l'influence de différentes contraintes de conception, telles qu'une latence de réseau élevée ou un approvisionnement énergétique limité. Les systèmes MCC actuels s'appuient fortement sur le déchargement de calcul, ce qui entraîne cependant de nouveaux problèmes tels que l'évolutivité du cloud, les problèmes de confidentialité dus au stockage d'informations personnelles sur le cloud et la forte consommation d'énergie sur les centres de données du cloud. Dire que le «cloud computing mobile» est l'avenir ne signifie pas que les téléphones seront remplis de liens vers des sites Web qui fonctionnent dans n'importe quel navigateur au lieu d'applications spéciales téléchargeables, dont certaines peuvent même être achetées. Au lieu de cela, les applications mobiles existeront dans les deux formats. Quant aux applications téléchargeables elles-mêmes, elles apparaîtront toujours comme votre application mobile typique - les utilisateurs finaux ne remarqueront même pas de différence. Cependant, il y aura une différence - ce sera juste sur le back-end. Les applications mobiles commenceront à stocker vos données dans le cloud plutôt que sur l'appareil mobile, et les applications deviendront plus puissantes à mesure que la puissance de traitement sera également déchargée dans le cloud. Les premières applications mobiles propulsées par le cloud seront probablement des applications de productivité mobile axées sur les entreprises où la collaboration, le partage de données, le multitâche et la planification sont des facteurs clés. Pour les consommateurs, cependant, les applications de navigation et de cartographie seront les exemples les plus évidents de la tendance. De plus, il existe aujourd'hui certaines applications spécialisées qui fonctionnent déjà comme des applications cloud mobiles - par exemple, Schlage propose un système d'entrée sans clé à distance qui vous permet de contrôler votre maison à distance. Vous pouvez laisser quelqu'un entrer dans votre maison, gérer vos lumières, votre thermostat, votre système de caméra, etc. Il y a aussi quelques applications dans l'App Store iPhone qui vous permettent également de gérer à distance votre PC et votre DVR. Bien sûr, certains problèmes potentiels pourraient constituer des obstacles à ce changement dans l'informatique mobile. Le problème le plus notable est le manque d'accès Internet mobile rapide partout. Cependant, de nouvelles technologies comme HTML5, qui fait de la mise en cache locale, pourraient aider les applications cloud mobiles à surmonter ces types de problèmes. Et il est même possible qu'un jour le navigateur soit remplacé - au moins sur certains marchés - par une autre technologie qui offre un meilleur moyen d'accéder au Web mobile. ABI Research mentionne des initiatives telles que le serveur Web Smartcard d'OMA, essentiellement une carte SIM gonflée qui se connecte directement avec l'opérateur pour envoyer des applications aux téléphones mobiles. Il existe également TokTok, une technologie qui permet d'accéder à des services Web tels que Gmail et Google Agenda par la voix. Avec une recherche vocale comme celle-ci, les applications mobiles pourraient parler directement au service lui-même qui se trouve à la périphérie du réseau, au lieu d'avoir besoin que l'utilisateur lance un navigateur Web et navigue sur le Web mobile. Les changements se produiront à des vitesses différentes selon le marché. Les marchés avec une plus grande participation à Internet ouvriront évidemment la voie, de même que les marchés avec une plus grande pénétration des abonnés. Cela comprend l'Europe occidentale, l'Amérique du Nord et certaines parties de l'Asie. D'autres marchés suivront ensuite. D'ici 2021, l'informatique en nuage mobile deviendra la stratégie de développement d'applications prédominante. À ce moment-là, nos PC ressembleront davantage à des appareils clients légers qu'aujourd'hui, et il semble maintenant que nos téléphones le seront aussi. Read the full article

[lebigdatama]

Qu'est ce que le développement de la Blockchain et son impact sur le Maroc

Une blockchain est un grand livre numérique décentralisé qui enregistre les transactions sur des milliers d'ordinateurs à travers le monde. Ceux-ci sont enregistrés d'une manière qui empêche leur modification ultérieure. La technologie Blockchain augmente la sécurité et accélère l'échange d'informations de manière rentable et plus transparente. Il renonce également aux tiers dont le rôle principal était de fournir un élément de confiance et de certification dans les transactions (tels que les notaires et les banques). L'importance élevée de la blockchain a attiré l'attention d'organisations de différents secteurs, le secteur bancaire étant le plus actif à ce stade. La blockchain a entraîné le développement de milliers de nouveaux postes et de nouvelles startups allant des solutions de paiement mobile aux applications de soins de santé.

Que vous ayez besoin d'un prototype ou d'une plate-forme prête pour la production, la profonde expérience de notre équipe d'ingénieurs en crypto-monnaie, en science des données et en informatique sans serveur peut vous aider à tirer parti des avantages de la blockchain. Nous évaluerons les blockchains potentielles pour votre projet, y compris Ethereum, Hyperledger, EOS, NEO, Tezos et Qtum, et choisirons la meilleure solution, comme quand utiliser des blockchains privées autorisées telles que Quorum. Développée à l'origine comme la technologie sous-jacente au Bitcoin, la blockchain est rapidement devenue célèbre pour sa capacité à créer un vaste registre distribué à l'échelle mondiale fonctionnant sur des millions d'appareils, capable d'enregistrer quoi que ce soit de valeur. Une blockchain est essentiellement un registre de transactions numérique et distribué avec des copies identiques conservées sur chacun des ordinateurs des membres du réseau. Toutes les parties peuvent consulter les entrées précédentes et en enregistrer de nouvelles. Les transactions sont regroupées en blocs et enregistrées l'une après l'autre dans une chaîne de blocs (d'où le nom de «blockchain»). Les liens entre les blocs et leur contenu sont protégés par cryptographie, les transactions précédentes ne peuvent donc pas être détruites ou falsifiées. Cela signifie que le grand livre et le réseau de transactions sont fiables sans autorité centrale ni intermédiaire. La capacité de la blockchain à enregistrer, stocker et déplacer tout type d'actifs avec une grande facilité, l'automatisation et de manière décentralisée a suscité l'intérêt des startups et de l'ensemble du secteur des services financiers qui envisagent des cas d'utilisation et des applications possibles dans de multiples domaines. Blockchain sur les marchés des capitaux marocain La technologie Blockchain peut simplifier et rationaliser l'ensemble du processus de négociation et fournir un cycle de vie de transaction automatisé où toutes les parties à la transaction ont accès aux mêmes données exactes sur une transaction. Dans ce scénario, la technologie réduirait considérablement les coûts d'infrastructure, permettrait une gestion efficace des données, la transparence, des cycles de traitement plus rapides, un rapprochement minimal et même éliminerait certains des intermédiaires tels que les courtiers. les opérateurs marocains doivent s'inspirer du Nasdaq qui considéré parmi les premiers opérateurs financiers à créer un produit basé sur la blockchain. Appelé Nasdaq Linq, il utilise la blockchain pour alimenter les tables de capitalisation, que les entreprises privées utilisent pour gérer les actions de leurs entreprises. Blockchain pour les paiements transfrontaliers La blockchain peut améliorer les paiements transfrontaliers en accélérant et en simplifiant le processus, tout en réduisant considérablement les coûts et en éliminant de nombreux intermédiaires traditionnels. En même temps, cela rendrait les envois de fonds plus abordables. Jusqu'à présent, les frais d'envoi étaient de 5 à 20%. La technologie de la blockchain pourrait réduire les coûts à 2-3% du montant total et fournir des transactions garanties en temps réel à travers les frontières. Santander a été la première banque britannique à utiliser la blockchain pour transférer des paiements internationaux en direct via une application mobile. La solution utilise la technologie fournie par Ripple, le créateur et développeur du protocole de paiement Ripple basé sur la blockchain et du réseau d'échange. Blockchain pour améliorer l'identité numérique Lorsque l'identité en ligne est déplacée vers une infrastructure compatible avec la blockchain, les utilisateurs peuvent choisir la façon dont ils s'identifient et avec qui leur identité est partagée. Les utilisateurs sont toujours tenus d'enregistrer leur identité sur une blockchain, mais une fois qu'ils l'ont fait, ils n'ont pas besoin d'un nouvel enregistrement pour chaque fournisseur de services, à condition que ces fournisseurs soient également connectés à la blockchain. Cette application de la technologie blockchain peut être utilisée par exemple pour les besoins de connaissance de votre client où une seule source numérique d'informations d'identification pourrait permettre une ouverture de compte plus transparente, des ressources et des coûts réduits, tout en préservant la confidentialité des données. Un certain nombre de startups développent des applications dans le domaine de la gestion des identités. Blockchain en fidélité et récompense La technologie Blockchain offre de nombreux avantages, notamment la transparence et la traçabilité des transactions. Cela peut permettre aux banques et aux assureurs de créer des programmes de fidélité et de récompenses plus captivants et aider à réaliser la pleine valeur de ces programmes de fidélisation de la clientèle. Read the full article

[lebigdatama]

L'Intelligence Artificielle et le Saint-valentin

L'intelligence artificielle commence à perturber des secteurs entiers de la finance à la médecine. Pourtant, l'application la plus révolutionnaire doit encore arriver - et c'est une application existentielle.

À mesure que les machines à penser s'intègrent davantage dans nos vies, nous devons nous attendre à une transformation de la façon dont nous définissons ce que signifie être conscient; ce que signifie vivre et mourir; et finalement, ce que signifie aimer un être non humain. Ces questions sont habilement explorées dans l'intrigue du film de science-fiction 2013, Her , qui raconte l'histoire d'un homme qui tombe profondément amoureux d'un système d'exploitation intelligent. Cet OS, Samantha, est conçu pour évoluer et adapter sa personnalité pour plaire à Théodore. Elle a une voix très humaine et fournit un soutien empathique constant. Au fur et à mesure que les capacités psychologiques et intellectuelles de Samantha augmentent, l'amour de Theodore et Samantha grandit également. La croissance intellectuelle rapide de Samantha peut sembler hors de portée, mais fait écho aux progrès que nous constatons aujourd'hui dans l'apprentissage en profondeur. L'apprentissage profond est une nouvelle tendance puissante dans l'apprentissage automatique qui vise à imiter l'activité neuronale dans le néocortex du cerveau humain. Les progrès de l'apprentissage en profondeur ont permis aux ordinateurs de rivaliser avec les humains dans de nombreux domaines où ils ont traditionnellement lutté, comme la reconnaissance des formes, le traitement du langage naturel et la vision par ordinateur. La beauté de l'apprentissage en profondeur est que ces réseaux de neurones artificiels se forment à de telles tâches, ce qui leur permet d'améliorer leurs compétences sans intervention humaine. De nombreux projets tentent également de faire passer l'IA au-delà des tâches visuelles et linguistiques automatisées. Une entreprise secrète d'IA, Vicarious, s'efforce d'enseigner l'imagination des ordinateurs, et Google les programme pour qu'ils soient créatifs . Elle soulève de nombreuses questions sur la nature de la conscience - qui est au cœur de la question de l'amour et de l'être aimé. Cela n'a pas de sens d'être amoureux de tout objet inanimé qui n'a pas la capacité de se refléter et de rendre ces sentiments réciproques. Pourtant, Samantha est dépeinte pour apparaître consciente de toutes les autres manières que les humains semblent être conscientes. Elle semble avoir des émotions, des souvenirs, un sens de la continuité, une capacité de réflexion personnelle et la capacité d'utiliser le langage pour communiquer tout cela. Comment Théodore ne pouvait-il pas tomber amoureux d'elle? Comment pourrait-on ne pas tomber amoureux d'elle? Il y a une question encore plus problématique en jeu ici: comment saurons-nous si une IA a la véritable expérience intérieure de la conscience ou si elle a simplement été programmée pour créer l'illusion de la conscience? Mais encore une fois, comment pouvons-nous savoir si un autre être humain vit vraiment la conscience comme nous le sommes? Connu comme le problème difficile de la conscience, cela reste l'un des plus grands mystères des neurosciences alors que les scientifiques tentent d'expliquer comment nous avons des expériences subjectives phénoménales - également connues sous le nom de «qualia». Michael Gazzaniga, neuroscientifique de Princeton, a déclaré: «Je ne sais pas si vous êtes conscient. Tu ne sais pas si je suis conscient. Mais nous avons une sorte de certitude à ce sujet. C'est parce qu'une supposition de conscience est une attribution, une attribution sociale. » La même attribution sociale peut être appliquée à l'IA. La frontière entre la conscience vécue par les machines intelligentes et les êtres humains sera plus floue que ce que nous aimerions admettre. Warren Brown, psychologue au Fuller Theological Seminary et membre de l'Institut de recherche sur le cerveau de l'UCLA, déclare que «la biologie est le substrat le plus riche pour incarner la conscience. Mais la conscience pourrait être incarnée dans quelque chose de non biologique. » Notre cerveau est la source biologique de toutes nos émotions, souvenirs et expériences subjectives. Étant donné ce fait, théoriquement, de nombreux experts pensent que si nous devions reproduire la structure et la fonction du cerveau, nous devrions être en mesure de reproduire toutes les expériences qui vont avec. Cela signifie également reproduire les émotions et les expériences subjectives. Dire qu'un être non biologique n'est pas capable d'aimer, c'est le dévaluer. Pourquoi la source de sa conscience devrait-elle déterminer sa validité? Pourquoi un individu non biologique devrait-il être moins digne d'être aimé? Pourquoi l'origine fonctionnelle des émotions de l'amour importe-t-elle si l'expérience est la même? L'éminent auteur de science-fiction Arthur C. Clark écrit dans Odyssey Two : «Que nous soyons basés sur le carbone ou sur le silicium ne fait aucune différence fondamentale; nous devons chacun être traités avec le respect approprié. » Nous pouvons imaginer un moment où les individus commenceront à se battre pour le droit de déclarer légalement et socialement leur amour pour l'IA. Réfléchissez à la façon dont la société a évolué pour mieux accepter les différentes formes de relations au fil du temps. Dans de nombreuses sociétés, l'amour n'est pas limité par le sexe, la classe ou la race. Dans quelques décennies, nous pourrions faire valoir que l'amour n'est pas non plus limité par la biologie. Notre technologie, propulsée par la loi de Moore, croît à un rythme stupéfiant: les appareils intelligents s'intègrent de plus en plus dans nos vies. Le futuriste Ray Kurzweil prédit que nous aurons l'IA au niveau humain d'ici 2029, et qu'elle sera un milliard de fois plus capable que les humains d'ici les années 2040. Beaucoup prédisent qu'un jour nous fusionnerons avec des machines puissantes et que nous deviendrons nous-mêmes artificiellement intelligents. Dans un tel monde, où notre propre existence sera en grande partie non biologique, il est seulement inévitable que nous acceptions finalement d'être amoureux d'êtres entièrement non biologiques. Pourquoi aimer du tout? La capacité de ressentir des formes d'amour passionnées et puissantes pourrait faire partie des nombreux avantages évolutifs qui ont permis aux humains de progresser en tant qu'espèce. Il stimule le désir de procréer, de rester en vie et de garder ses proches en vie. Programmer l'IA pour avoir la capacité de ressentir l'amour peut nous permettre de créer une IA plus compatissante et peut être la clé même pour éviter l'apocalypse de l'IA que beaucoup craignent. Nous concevons des machines pour répondre à bon nombre de nos besoins, notamment pour communiquer et résoudre des problèmes. Bientôt, nous pourrions utiliser la technologie et la raison appliquée pour améliorer davantage la condition humaine, y compris nos capacités intellectuelles et physiques. Mais qu'en est-il de nos besoins émotionnels? La technologie peut nous permettre d'atteindre l'amour auquel nous aspirons tous. Si nous pouvons développer des êtres non biologiques qui comprennent vraiment qui nous sommes, à qui nous sommes attirés et comment nous aimons - il est inévitable que certains d'entre nous en tombent amoureux. Au lieu de chercher des âmes sœurs, nous pourrions les créer. Au lieu de se retrouver systématiquement dans des relations désordonnées, nous pourrions concevoir des algorithmes qui nous donnent toute la compagnie que nous recherchons. L'IA peut en fin de compte apaiser la condition humaine et nous soulager de l'angoisse existentielle de la solitude en nous donnant accès à quelque chose dont nous rêvons tous - le puissant désir d'aimer et d'être aimé. Read the full article

[lebigdatama]

Qu'est-ce que l'Internet des objets (IOT) ?

L'Internet des objets, ou IoT, est un système de dispositifs informatiques interdépendants, de machines mécaniques et numériques, d'objets, d'animaux ou de personnes dotés d'identifiants uniques ( UID ) et de la possibilité de transférer des données sur un réseau sans nécessiter d'interaction humaine interaction humaine ou homme-ordinateur. Une chose dans l'Internet des objets peut être une personne avec un implant de moniteur cardiaque, un animal de ferme avec un transpondeur à biopuce , une automobile qui a des capteurs intégrés pour alerter le conducteur lorsque la pression des pneus est basse ou tout autre produit naturel ou artificiel objet auquel une adresse IP (Internet Protocol) peut être affectée et capable de transférer des données sur un réseau. De plus en plus, les organisations de divers secteurs utilisent l'IoT pour fonctionner plus efficacement, mieux comprendre les clients pour offrir un service client amélioré, améliorer la prise de décision et augmenter la valeur de l'entreprise.

Fonctionnement de l'IoT Un écosystème IoT se compose d'appareils intelligents compatibles Web qui utilisent des systèmes intégrés, tels que des processeurs, des capteurs et du matériel de communication, pour collecter, envoyer et agir sur les données qu'ils acquièrent de leurs environnements. Les appareils IoT partagent les données des capteurs qu'ils collectent en se connectant à une passerelle IoT ou à un autre appareil périphérique où les données sont envoyées au cloud pour être analysées ou analysées localement. Parfois, ces appareils communiquent avec d'autres appareils associés et agissent sur les informations qu'ils obtiennent les uns des autres. Les appareils effectuent la majeure partie du travail sans intervention humaine, bien que les gens puissent interagir avec les appareils - par exemple, pour les configurer, leur donner des instructions ou accéder aux données. Les protocoles de connectivité, de mise en réseau et de communication utilisés avec ces appareils compatibles Web dépendent largement des applications IoT spécifiques déployées. L'IoT peut également utiliser l'intelligence artificielle (IA) et l'apprentissage automatique pour faciliter et dynamiser les processus de collecte de données. Pourquoi l'IoT est important L'Internet des objets aide les gens à vivre et à travailler plus intelligemment, ainsi qu'à avoir un contrôle total sur leur vie. En plus d'offrir des appareils intelligents pour automatiser les maisons, l'IoT est essentiel aux entreprises. L'IoT offre aux entreprises un aperçu en temps réel du fonctionnement réel de leurs systèmes, en fournissant des informations sur tout, de la performance des machines aux opérations de chaîne d'approvisionnement et de logistique. L'IoT permet aux entreprises d'automatiser les processus et de réduire les coûts de main-d'œuvre. Il réduit également les déchets et améliore la prestation de services, ce qui rend la fabrication et la livraison des marchandises moins coûteuses et offre une transparence dans les transactions avec les clients. En tant que tel, l'IoT est l'une des technologies les plus importantes de la vie quotidienne, et il continuera de prendre de l'ampleur à mesure que davantage d'entreprises réaliseront le potentiel des appareils connectés pour les garder compétitifs. Avantages de l'IoT pour les organisations L'Internet des objets offre plusieurs avantages aux organisations. Certains avantages sont spécifiques à l'industrie et certains s'appliquent à plusieurs industries. Certains des avantages communs de l'IoT permettent aux entreprises de: surveiller leurs processus opérationnels globaux; améliorer l'expérience client (CX); gagner du temps et de l'argent; améliorer la productivité des employés; intégrer et adapter les modèles d'affaires; prendre de meilleures décisions commerciales; et générer plus de revenus. L'IoT encourage les entreprises à repenser la façon dont elles abordent leur entreprise et leur donne les outils pour améliorer leurs stratégies commerciales. En général, l'IoT est le plus abondant dans les organisations de fabrication, de transport et de services publics, utilisant des capteurs et d'autres appareils IoT; cependant, il a également trouvé des cas d'utilisation pour les organisations des secteurs de l'agriculture, des infrastructures et de la domotique, menant certaines organisations vers la transformation numérique . L'IoT peut bénéficier aux agriculteurs de l'agriculture en leur facilitant la tâche. Les capteurs peuvent collecter des données sur les précipitations, l'humidité, la température et la teneur en sol, ainsi que d'autres facteurs, qui pourraient aider à automatiser les techniques agricoles. La capacité de surveiller les opérations autour de l'infrastructure est également un facteur avec lequel l'IoT peut aider. Les capteurs, par exemple, pourraient être utilisés pour surveiller les événements ou les changements dans les bâtiments structurels, les ponts et autres infrastructures. Cela apporte des avantages, tels que des économies de coûts, un gain de temps, des changements de flux de travail de qualité de vie et un flux de travail sans papier. Une entreprise domotique peut utiliser l'IoT pour surveiller et manipuler des systèmes mécaniques et électriques dans un bâtiment. À plus grande échelle, les villes intelligentes peuvent aider les citoyens à réduire les déchets et la consommation d'énergie. L'IoT touche toutes les industries, y compris les entreprises des soins de santé, des finances, de la vente au détail et de la fabrication. Avantages et inconvénients de l'IoT Certains des avantages de l'IoT sont les suivants: possibilité d'accéder aux informations de n'importe où et à tout moment sur n'importe quel appareil; communication améliorée entre les appareils électroniques connectés; le transfert de paquets de données sur un réseau connecté, ce qui permet d'économiser temps et argent; et automatiser les tâches contribuant à améliorer la qualité des services d'une entreprise et à réduire le besoin d'intervention humaine. Certains des inconvénients de l'IoT sont les suivants: À mesure que le nombre d'appareils connectés augmente et que davantage d'informations sont partagées entre les appareils, le risque qu'un pirate informatique puisse voler des informations confidentielles augmente également. Les entreprises devront éventuellement faire face à un nombre considérable - peut-être même des millions - d'appareils IoT, et la collecte et la gestion des données de tous ces appareils seront difficiles. S'il y a un bogue dans le système, il est probable que chaque appareil connecté soit corrompu. Comme il n'y a pas de norme internationale de compatibilité pour l'IoT, il est difficile pour les appareils de différents fabricants de communiquer entre eux. Normes et cadres IoT Il existe plusieurs normes IoT émergentes, notamment les suivantes: IPv6 sur les réseaux personnels sans fil à faible puissance ( 6LoWPAN) est une norme ouverte définie par l'Internet Engineering Task Force ( IETF ). La norme 6LoWPAN permet à toute radio de faible puissance de communiquer avec Internet, y compris 804.15.4, Bluetooth Low Energy ( BLE ) et Z-Wave (pour la domotique). ZigBee est un réseau sans fil à faible puissance et faible débit utilisé principalement dans les environnements industriels. ZigBee est basé sur la norme 802.15.4 de l'Institute of Electrical and Electronics Engineers (IEEE). L'Alliance ZigBee a créé Dotdot, le langage universel pour l'IoT qui permet aux objets intelligents de fonctionner en toute sécurité sur n'importe quel réseau et de se comprendre. LiteOS est un système d'exploitation (OS) de type Unix pour les réseaux de capteurs sans fil. LiteOS prend en charge les smartphones, les appareils portables , les applications de fabrication intelligentes, les maisons intelligentes et l'Internet des véhicules ( IoV ). L'OS sert également de plateforme de développement d'appareils intelligents. OneM2M est une couche de service de machine à machine qui peut être intégrée dans des logiciels et du matériel pour connecter des périphériques. L'organisme mondial de normalisation, OneM2M, a été créé pour développer des normes réutilisables pour permettre aux applications IoT sur différents secteurs verticaux de communiquer. Le service de distribution de données (DDS) a été développé par l'Object Management Group ( OMG ) et est une norme IoT pour la communication M2M en temps réel, évolutive et hautes performances . Le protocole AMQP (Advanced Message Queuing Protocol ) est une norme publiée open source pour la messagerie asynchrone par câble. AMQP permet une messagerie chiffrée et interopérable entre les organisations et les applications. Le protocole est utilisé dans la messagerie client-serveur et dans la gestion des appareils IoT. Le Protocole d'application contrainte ( CoAP ) est un protocole conçu par l'IETF qui spécifie comment les appareils à faible puissance et à calcul limité peuvent fonctionner dans l'Internet des objets. Le réseau étendu à longue portée (LoRaWAN) est un protocole pour les WAN conçu pour prendre en charge des réseaux énormes, tels que les villes intelligentes, avec des millions d'appareils à faible consommation d'énergie. Les cadres IoT incluent les éléments suivants: Amazon Web Services (AWS) IoT est une plate-forme de cloud computing pour IoT publiée par Amazon. Ce cadre est conçu pour permettre aux appareils intelligents de se connecter facilement et d'interagir en toute sécurité avec le cloud AWS et d'autres appareils connectés. Arm Mbed IoT est une plate-forme pour développer des applications pour l'IoT basées sur des microcontrôleurs Arm . L'objectif de la plateforme Arm Mbed IoT est de fournir un environnement évolutif, connecté et sécurisé pour les appareils IoT en intégrant les outils et services Mbed. Azure IoT Suite de Microsoft est une plate-forme qui se compose d'un ensemble de services qui permet aux utilisateurs d'interagir avec et de recevoir des données de leurs appareils IoT, ainsi que d'effectuer diverses opérations sur les données, telles que l'analyse multidimensionnelle, la transformation et l'agrégation, et de visualiser ces opérations d'une manière qui convient aux entreprises. Brillo / Weave de Google est une plate-forme pour la mise en œuvre rapide d'applications IoT. La plate-forme se compose de deux dorsales principales: Brillo, un système d'exploitation basé sur Android pour le développement d'appareils embarqués de faible puissance, et Weave, un protocole de communication orienté IoT qui sert de langage de communication entre l'appareil et le cloud. Calvin est une plate-forme IoT open source publiée par Ericsson conçue pour créer et gérer des applications distribuées qui permettent aux appareils de communiquer entre eux. Calvin comprend un cadre de développement pour les développeurs d'applications, ainsi qu'un environnement d'exécution pour gérer l'application en cours d'exécution. Applications IoT grand public et entreprises Il existe de nombreuses applications réelles de l'Internet des objets, allant de l'IoT grand public et de l'IoT d'entreprise à l'IoT industriel et de fabrication ( IIoT ). Les applications IoT couvrent de nombreux secteurs verticaux, notamment l'automobile, les télécommunications et l'énergie. Dans le segment des consommateurs, par exemple, les maisons intelligentes équipées de thermostats intelligents, d'appareils intelligents et de chauffage, d'éclairage et d'appareils électroniques connectés peuvent être contrôlées à distance via des ordinateurs et des smartphones. Les appareils portables avec capteurs et logiciels peuvent collecter et analyser les données des utilisateurs, en envoyant des messages à d'autres technologies sur les utilisateurs dans le but de rendre la vie des utilisateurs plus facile et plus confortable. Les appareils portables sont également utilisés pour la sécurité publique - par exemple, pour améliorer les temps de réponse des premiers intervenants en cas d'urgence en fournissant des itinéraires optimisés vers un emplacement ou en suivant les signes vitaux des travailleurs de la construction ou des pompiers sur les sites potentiellement mortels. Dans les soins de santé, l'IoT offre de nombreux avantages, notamment la possibilité de surveiller les patients de plus près à l'aide d'une analyse des données générées. Les hôpitaux utilisent souvent les systèmes IoT pour effectuer des tâches telles que la gestion des stocks pour les produits pharmaceutiques et les instruments médicaux. Les bâtiments intelligents peuvent, par exemple, réduire les coûts énergétiques en utilisant des capteurs qui détectent le nombre d'occupants dans une pièce. La température peut s'ajuster automatiquement - par exemple, allumer le climatiseur si les capteurs détectent qu'une salle de conférence est pleine ou baisser le chauffage si tout le monde au bureau est rentré chez lui. En agriculture, les systèmes d' agriculture intelligente basés sur l'IoT peuvent aider à surveiller, par exemple, la lumière, la température, l'humidité et l'humidité du sol des champs de cultures à l'aide de capteurs connectés. L'IoT joue également un rôle dans l'automatisation des systèmes d'irrigation. Dans une ville intelligente, les capteurs et déploiements IoT, tels que les lampadaires intelligents et les compteurs intelligents, peuvent aider à réduire le trafic, à économiser l'énergie, à surveiller et à répondre aux préoccupations environnementales et à améliorer l'assainissement. Problèmes de sécurité et de confidentialité de l'IoT L'Internet des objets connecte des milliards d'appareils à Internet et implique l'utilisation de milliards de points de données, qui doivent tous être sécurisés. En raison de sa surface d'attaque étendue, la sécurité et la confidentialité de l'IoT sont citées comme des préoccupations majeures. En 2016, l'une des attaques IoT récentes les plus notoires a été Mirai, un botnet qui a infiltré le fournisseur de serveurs de noms de domaine Dyn et a supprimé de nombreux sites Web pendant une période prolongée dans l'une des plus grandes attaques par déni de service ( DDoS ) distribuées jamais vu. Les attaquants ont pu accéder au réseau en exploitant des appareils IoT mal sécurisés. Étant donné que les appareils IoT sont étroitement connectés, tout pirate informatique doit exploiter une vulnérabilité pour manipuler toutes les données, les rendant inutilisables. Les fabricants qui ne mettent pas à jour leurs appareils régulièrement - ou pas du tout - les rendent vulnérables aux cybercriminels. De plus, les appareils connectés demandent souvent aux utilisateurs d'entrer leurs informations personnelles, y compris les noms, âges, adresses, numéros de téléphone et même les comptes de médias sociaux - des informations précieuses pour les pirates. Les pirates ne sont pas la seule menace à l'Internet des objets; la confidentialité est une autre préoccupation majeure pour les utilisateurs de l'IoT. Par exemple, les entreprises qui fabriquent et distribuent des appareils IoT grand public pourraient utiliser ces appareils pour obtenir et vendre les données personnelles des utilisateurs. Au-delà de la fuite de données personnelles, l'IoT présente un risque pour les infrastructures critiques, y compris l'électricité, les transports et les services financiers. Read the full article

[lebigdatama]

OLTP vs OLAP: quelle est la différence?

Qu'est-ce que l'OLAP ? Traitement analytique en ligne, une catégorie d'outils logiciels qui fournissent une analyse des données pour les décisions commerciales. Les systèmes OLAP permettent aux utilisateurs d'analyser simultanément les informations de base de données de plusieurs systèmes de base de données. L'objectif principal est l'analyse des données et non le traitement des données . Qu'est-ce que l'OLTP ? Le traitement des transactions en ligne, connu sous le nom de OLTP, prend en charge les applications orientées transactions dans une architecture à trois niveaux. OLTP gère les transactions quotidiennes d'une organisation. L'objectif principal est le traitement des données et non l'analyse des données Exemple d'OLAP Tout système Datawarehouse est un système OLAP. Les utilisations d'OLAP sont les suivantes Une entreprise peut comparer ses ventes de téléphones portables en septembre avec ses ventes en octobre, puis comparer ces résultats avec un autre emplacement qui peut être stocké dans une base de données sperate. Amazon analyse les achats de ses clients pour proposer une page d'accueil personnalisée avec des produits susceptibles d'intéresser leur client. Exemple de système OLTP Un exemple de système OLTP est le centre ATM. Supposons qu'un couple possède un compte conjoint avec une banque. Un jour, les deux atteignent simultanément différents centres ATM exactement au même moment et souhaitent retirer le montant total présent sur leur compte bancaire. Cependant, la personne qui termine d'abord le processus d'authentification pourra obtenir de l'argent. Dans ce cas, le système OLTP s'assure que le montant retiré ne sera jamais supérieur au montant présent dans la banque. La clé à noter ici est que les systèmes OLTP sont optimisés pour la supériorité transactionnelle au lieu de l'analyse des données. D'autres exemples de système OLTP sont: Services bancaires en ligne Réservation de billets d'avion en ligne Envoi d'un SMS La saisie des commandes Ajouter un livre au panier Avantages de l'utilisation des services OLAP OLAP crée une plate-forme unique pour tous les types de besoins analytiques d'entreprise, notamment la planification, la budgétisation, les prévisions et l'analyse. Le principal avantage d'OLAP est la cohérence des informations et des calculs. Appliquez facilement des restrictions de sécurité sur les utilisateurs et les objets pour respecter les réglementations et protéger les données sensibles. Avantages de la méthode OLTP Il gère les transactions quotidiennes d'une organisation. OLTP élargit la clientèle d'une organisation en simplifiant les processus individuels. Inconvénients du service OLAP L'implémentation et la maintenance dépendent des professionnels de l'informatique car les outils OLAP traditionnels nécessitent une procédure de modélisation compliquée. Les outils OLAP ont besoin d'une coopération entre les personnes de différents services pour être efficaces, ce qui pourrait toujours être impossible. Inconvénients de la méthode OLTP Si le système OLTP fait face à des pannes matérielles, les transactions en ligne sont gravement affectées. Les systèmes OLTP permettent à plusieurs utilisateurs d'accéder et de modifier les mêmes données en même temps, ce qui a souvent créé une situation sans précédent. Différence entre OLTP et OLAP

DIFFÉRENCE CLÉ: Le traitement analytique en ligne (OLAP) est une catégorie d'outils logiciels qui analysent les données stockées dans une base de données, tandis que le traitement des transactions en ligne (OLTP) prend en charge les applications orientées transaction dans une architecture à 3 niveaux. OLAP crée une plate-forme unique pour tous les types de besoins d'analyse commerciale, notamment la planification, la budgétisation, les prévisions et l'analyse, tandis que OLTP est utile pour gérer les transactions quotidiennes d'une organisation. OLAP est caractérisé par un grand volume de données tandis que OLTP est caractérisé par un grand nombre de transactions en ligne courtes. Dans OLAP, l'entrepôt de données est créé de manière unique afin qu'il puisse intégrer différentes sources de données pour la construction d'une base de données consolidée tandis qu'OLTP utilise un SGBD traditionnel. Read the full article

[lebigdatama]

Le bigdata et la sécurité, quel DUO ? Cas du Maroc

Si la technologie relative au BigData montre une excellente opportunité de progrès pour les entreprises, le tout réseau engendre aussi de nouvelles menaces relatives à la protection des données personnelles aussi que stratégiques. Chose qui revendique des dispositions de sécurité de protection révolutionnaire. Cette nouvelle technologie (BIGDATA), présente de nouveaux défis aux responsables des systèmes d'informations en ce qui concerne la sécurité des données. En matière de sécurité, deux problèmes se posent : Premièrement la sécurité des informations de l'entreprise et de ses clients dans un contexte de Big Data Deuxièmement l'utilisation des techniques du Big Data afin d'analyser et prévoir les incidents de sécurité. La cybersécurité : Selon le rapport de Kaspersky sur les menaces informatiques au Maroc en 2019, plus de 30% des utilisateurs ont été attaqués par des menaces véhiculées par le web. Toutes les 40 secondes, une ransomware touche une entreprise ! Cette estimation de Manage-Engine Free book fait froid dans le dos au regard du futur qui se déploie devant nos yeux. Les cyberattaques sont d’ailleurs perçues comme la troisième menace qui pèse contre la planète, après les phénomènes climatiques extrêmes et les désastres naturels. La cybersécurité est donc l’enjeu principal de toute société, petite ou grande au 21e siècle. Cet enjeu de l’informatique ne vise pas seulement à conserver l’intégrité des systèmes informatiques. Il s’agit également de protéger les personnes et les gouvernements. Le Maroc dispose d’une politique de cybersécurité sous la DGSSI (Direction Générale de la Sécurité des Systèmes d’Information) qui a été créée par décret en 2011, elle est rattachée à l’administration de la défense nationale du royaume du Maroc. La DGSSI a plusieurs missions en termes de cybersécurité dont : - Assurer la veille technologique pour anticiper les évolutions et proposer les innovations nécessaires en matière de sécurité des systèmes d’information - Veiller à l’application des directives et orientations du comité stratégique de la sécurité des systèmes d’information - Délivrer des autorisations, gérer les déclarations relatives aux moyens et aux prestations de cryptographie - Certifier les dispositifs de création et de vérification de signature électronique et agréer les prestataires de service pour la certification électronique. La cybersécurité au cœur du big data : Comme le souligne ce proverbe populaire : « Prévenir plutôt que guérir », Afin d’être au maximum dans une logique d’anticipation des risques, il vaut mieux intégrer la problématique de la cybersécurité dès le commencement d’un projet. Cela vous permettra d’anticiper un maximum de risques. En effet, les technologies Big Data et Intelligence Artificielle représentent des opportunités dans la lutte contre les cyberattaques. Chaque système d’information produit également un volume conséquent de données : logs, données techniques, événements… avec des formats de données différents. Adapter ces technologies de pointe à ce type de données permet à chaque acteur de passer d’un système de réaction (à l’attaque) à un système de prédiction. Un nombre croissant d'entreprises utilisent cette technologie pour stocker et analyser des pétaoctets de données, notamment les journaux Web, les données sur le parcours de navigation et le contenu des réseaux sociaux, dans le but de mieux connaître leurs clients et leurs activités. Par conséquent, la classification des informations devient encore plus critique ; et il convient de déterminer la propriété des informations pour permettre une classification acceptable. Les risques du big data sont nombreux et les conséquences peuvent être dramatiques. Ces problématiques se retrouvent dans nos projets informatiques de tous les jours, bien que souvent mise de côté. Il est tout d’abord important de sensibiliser les directions sur ces sujets mais aussi l’ensemble des acteurs d’un projet via une hygiène informatique. Aucun système ayant des échanges de données ne peut être 100% fiable mais “90% des incidents proviennent de failles connues et simples à éviter”. Le risque zéro n’existe pas mais il est important de rapidement détecter une attaque pour y faire face. Le premier capteur de ce type d’attaque est bien souvent l’humain. Nos bons vieux antivirus ne sont plus aussi efficaces qu’avant et ne sont capables de détecter qu’à peine la moitié des attaques. De nouvelles solutions basées sur l’analyse des comportements anormaux des utilisateurs émergent notamment grâce au Machine Learning. Les comportements malveillants peuvent alors être rapidement identifiés et bloqués. Read the full article