Big Data — Rétrospective 2018 (Episode 2)
Le Big Data : gagner en temps et en efficacité
Dans l’épisode 1 de cette rétrospective 2018, nous avons dressé le bilan du Big Data en 2018 à travers la pensée de scientifiques et analystes du monde entier.
Les pensées et opinions exprimées précédemment se sont vérifiées. Attardons nous maintenant sur plusieurs cas d’utilisation du Big Data. Soulignant l’adoption croissante de l’analyse commerciale fondée sur les datas, ce que nous appelons de plus en plus “être data-driven”.
Utilisation des GPU pour le traitement Big Data à très haute vitesse
Les GPU standard sont des processeurs graphiques avec au moins 5 000 cœurs de calcul destinés à effectuer le rendu d’image, le traitement vectoriel et les calculs à grande vitesse nécessaires au gaming. Ami Gal, PDG et co-fondateur de SQream a proposé d’utiliser des GPU au lieu de CPU pour le traitement des données à grande vitesse. Si le GPU fonctionne comme prévu, mais que les vecteurs qu’il traite sont en fait dans une base de données avec une requête SQL en plus, cette vitesse supérieure pourrait être mise à profit dans l’analyse des données.
Le principal défi serait de trouver une base de données capable de travailler sur un GPU, et de construire sa propre solution dessus. Cette solution s’est ainsi avérée être une approche efficace lorsqu’un opérateur télécom de plus de 40 millions d’abonnés actifs a souhaité accélérer son analyse commerciale. Le Data Warehouse existant a nécessité 1 à 3 minutes pour effectuer une simple recherche dans une base de données de 14 To contenant les profils des clients, les enregistrements des appels et d’autres données. La base de données SQream a fait le travail en seulement 8 secondes tout en étant capable d’évoluer jusqu’à 40 To avec facilité !
Le Big Data : une promesse d’importants revenus pour l’industrie pétrolière et gazière
De nos jours, l’exploration géologique a évolué, elle n’en est plus à se contenter de forer sur des gisements (de test) pour tenter de localiser des sources de pétrole ou de gaz. Maintenant, d’énormes volumes d’images sismiques 2D, 3D et 4D sont traités pour identifier le spectre des gisements de pétrole/gaz et maximiser les chances de trouver des traces sismiques productives — les points favorables au forage, qui n’étaient pas identifiés auparavant. Ainsi dit, l’infrastructure IoT, l’informatique de pointe, les modèles ML et les solutions d’analyse Big Data combinés peuvent minimiser les dépenses de l’industrie pétrolière et gazière et maximiser ses revenus. Le Big Data permet l’utilisation des données météorologiques et géologiques publiques pour prédire les zones dans lesquelles se trouve pétrole et gaz, sans même effectuer des explorations coûteuses.
L’autre domaine important de l’application des solutions Big Data dans l’industrie pétrolière et gazière est la maximisation du rapport coût-efficacité de toutes les opérations. Les capteurs IoT sur les forages et les canalisations, sur les stations de pompage et dispersés dans les champs de forage pétrolier permettent d’analyser l’efficacité de l’équipement utilisé et de maximiser le retour sur investissement. Il est préférable de remplacer la tête de forage par une tête plus robuste dès qu’elle rencontre la couche de granit dense plutôt que de payer pour la réparation et la révision complète de l’équipement si le problème est découvert trop tard.
La sécurité du traitement de l’huile est le troisième domaine d’application, car les caméras intelligentes et les capteurs peuvent analyser les schémas normaux de traitement de l’huile et alerter les opérateurs /arrêter les opérations immédiatement si quelque chose tourne mal. Il s’agit d’un énorme bond en avant par rapport aux systèmes d’analyse post-incident et d’alerte externe largement adoptés auparavant.
Le Big Data en pharmaceutique : un large éventail d’applications
L’industrie pharmaceutique nage au milieu des données et s’efforce activement de les utiliser à bon escient grâce à la puissance de l’analyse prédictive qui repose sur le Big Data. Les cas d’utilisation peuvent inclure des prescriptions personnalisées, le choix des bons patients pour les essais cliniques, la corrélation des volumes de prescription, ainsi que des activités auxiliaires comme la logistique, le marketing et la vente de nouveaux médicaments. La principale complication est la stricte nécessité de se conformer à de multiples réglementations concernant les données personnelles des patients et le fait que les ventes dépendent largement des recommandations du médecin.
Voici comment les grandes entreprises pharmaceutiques pourrait surmonter ces défis grâce au Big Data :
- Un moteur de recommandation personnalisé pourrait être construit pour tirer parti de la vision à 360° des patients, y compris leurs antécédents médicaux, leurs antécédents familiaux, etc. pour émettre des ordonnances personnalisées adaptées à leurs cas particuliers.
- Le mécanisme de sélection des patients pour les essais cliniques pourrait être grandement amélioré, à la place de l’approche bureaucratique existante. Si l’algorithme d’IA est capable d’identifier les individus qui peuvent bénéficier le plus efficacement des tests de dépistage de drogues, ou d’ajouter un groupe sous-représenté qui n’a pas participé à la recherche auparavant, la valeur des résultats finaux sera grandement accrue.
- Les réseaux de régression peuvent être utilisés pour tester les interactions possibles de diverses mélanges chimiques pendant le développement du médicament expérimental. Ce qui prend des décennies de nos jours, peut-être raccourci à des années ou des mois, tout en réduisant considérablement le risque potentiel pour les patients testés.
- Les gens n’achètent pas de médicaments s’ils ne sont pas malades et une fois qu’ils le sont, ils achètent ce que le médecin leur prescrit. Comme la propagation de la maladie n’est pas linéaire, il est essentiel de recourir à l’analyse prédictive pour évaluer comment les différents médecins prescrivent les médicaments et récompenser les ambassadeurs de la marque afin de stimuler davantage les ventes.
- Une formation continue des modèles de ML requis est nécessaire pour s’assurer que l’analyse prédictive est au maximum de son efficacité. Une erreur peut coûter une vie humaine. L’amélioration constante de la précision des prévisions est essentielle pour l’industrie pharmaceutique.
En tirant parti de toutes les données accessibles au public, en plus des données stockées sur les patients, les sociétés pharmaceutiques peuvent identifier les domaines d’intérêt auparavant mal desservis et les utiliser à leur plein potentiel.
