Machine Learning

IoT Valley Tour
11 Maggio 2016
© 2016 CAMELOT Biomedical Systems S.r.l.
Beyond dashboards:
the analytics of things.
State of the Market: The Internet of Things 2016
Consumatori e aziende vogliono avere informazioni con cui
migliorare le loro vite ed i loro risultati. Non hanno solo bisogno
di dati, ma anche e soprattutto di poterli analizzare per
migliorare le proprie decisioni.
© 2016 CAMELOT Biomedical Systems S.r.l.
The Internet of Things: mapping the
value beyond the hype
McKinsey Global Institute, June 2015
© 2016 CAMELOT Biomedical Systems S.r.l.
“At different levels of technology
(within the “technology stack”), we
expect the division of value
among players will shift over
time, with an increasing share
going to suppliers of software
and analytics.”
The Internet of Things: mapping the
value beyond the hype
McKinsey Global Institute, June 2015
© 2016 CAMELOT Biomedical Systems S.r.l.
CAMELOT, con il suo brand Otus, fornisce soluzioni di predictive e
prescriptive analytics per l’Internet of Things.
Predictive
analytics:
Prescriptive
analytics:
Answers:
«What could happen?»
Answers:
«What should we do?»
Statistical and models and
forecasting techniques to
understand the future.
Optimization and simulation
algorithms to advice on
outcomes and machine
automation.
© 2016 CAMELOT Biomedical Systems S.r.l.
LA SOLUZIONE DI ANALISI PREDITTIVA
CHE MIGLIORA IL TUO BUSINESS
© 2016 CAMELOT Biomedical Systems S.r.l.
L’Offerta
CAMELOT, sfruttando il proprio know-how in Machine Learning per l’analisi di grandi moli di dati,
sviluppa soluzioni di analisi predittiva in grado ottimizzare i processi business dal demand sensing alla
previsione dei consumi energetici, alla rilevazione di clienti a rischio di abbandono.
Il nostro approccio si basa sulla creazione di modelli previsionali che sono ottimizzati per il processo di
interesse, e che integriamo in strumenti web tagliati sulle esigenze del cliente e perfettamente integrati
nel flusso di lavoro e nell’infrastruttura IT del cliente.
I nostri modelli previsionali sono sviluppati sfruttando una piattaforma proprietaria, OTUS, di librerie
software basate su tecniche tratte dal Machine Learning, la statistica e l’ottimizzazione.
Integrazione dei dati
Analisi e predizione
Fruizione
Integrazione di dati da fonti
eterogenee, interne ed esterne
all’ecosistema aziendale
Creazione del modello offline e
predizioni in real time tramite
algoritmi di Machine Learning
Visualizzazione su un cruscotto
web e/o integrazione in sistemi
informativi esistenti
© 2016 CAMELOT Biomedical Systems S.r.l.
Data Science Venn Diagram (Conway, 2010)
© 2016 CAMELOT Biomedical Systems S.r.l.
L’Azienda
Dipendenti
• Tutti con una laurea di cui 14 in materie tecnicoscientifiche (Fisica, Ingegneria e Informatica)
• 10 hanno già conseguito il titolo di dottorato di Ricerca e
2 lo stanno conseguendo.
15
Dipendenti
30% Machine learning
Ricerca
Pubblicazioni
• 40 anni/uomo di ricerca accademica
in Machine Learning accumulata dal
nostro team di data scientists.
40
Anni/uomo
di ricerca
• Oltre 100 le pubblicazioni
scientifiche dei nostri esperti, di
cui oltre 50 in Machine Learning
pubblicazioni
e sue applicazioni
100
1
Mln €
Investimenti in Ricerca e Sviluppo
nell’ultimo triennio
© 2016 CAMELOT Biomedical Systems S.r.l.
Machine Learning - Approccio metodologico
Xtrain
Ytrain
Error
measure
Machine
learning
method
𝑓: 𝑥 ↦ 𝑦
𝜀: 𝑥 ↦ 𝑦
Nell’apprendimento da esempi l’obiettivo è
riuscire a trovare una funzione che descriva
bene il rapporto tra input e output non solo
degli esempi di training ma anche di esempi
nuovi (potere di generalizzazione).
© 2016 CAMELOT Biomedical Systems S.r.l.
Tecnologia Proprietaria
Perimetro della tecnologia di Camelot
Otus è la tecnologia proprietaria alla base
delle soluzioni di analisi predittiva di
Camelot
Big Data
Computing
Framework
OTUS è
predisposto per
l’integrazione con
framework
esistenti per la
gestione di grandi
moli di dati
Infrastruttura
IT e
applicazioni
del cliente
Libreria di Machine Learning
Multivariate
Multiple time
regression/classification series analysis Anomaly detection Linear and nonlinear
variable selection
Libreria di Data Fusion
OTUS contiene un modulo dedicato alla raccolta, normalizzazione, pre-elaborazione
e fusione di dati provenienti da fonti eterogenee.
Modello
predittivo
Web
dashboard
dedicata
© 2016 CAMELOT Biomedical Systems S.r.l.
Gestione Configurazioni Hardware
•
•
Machine Learning
POC Developement
Service01
IBM Flex System Enterprise:
•
16 computational nodes
•
Each node equipped with 2 (8-cores) CPU
•
3 TB RAM
Backend
DBs
Data Collection
Light ML Tasks
Service02
Engine01
Virtual Machine currently equipped with
•
128GB RAM
•
2x8 Intel Xeon E5-2680 @ 2.70 GHz
•
800GB Disk
Easily expandable for processing needs
•
•
•
•
Service03
Service04
Tale configurazione si riferisce all’offerta servizi di private-cloud per i
clienti, tramite configurazione di macchine virtuali su server certificato
ISO 27001 e gestito da Camelot.
Su richiesta si possono offrire servizi di progettazione e configurazione
di server di calcolo dedicato in-house per i clienti interessati.
© 2016 CAMELOT Biomedical Systems S.r.l.
Principali Strumenti SW Utilizzati
Automatic Data Collection
External DBs
Efficient Data Storage
Non-relational DB:
•
MongoDB
Currently interfaced with:
• Microsoft SQL Server DB
• Oracle Database
• MongoDB
Multi-Task Management
Task Scheduling and Parallelization
Python based paralellizaztion and
scheduling:
• Celery 3.1
Back-end
Front-end
Interactive Dashboard, RESTful API & Web Service
and Full- Responsive (Mobile-First) Design
Exogenous Sources
Acquiring constant exogenous data from:
•
Forecast.io
•
Open Data
•
Data Aggregators (e.g. Quandl.com)
Easy Access to Results
Distributed
Processing
Web Service developement, based on
Javascript, HTML5, CSS3:
•
Backend: NodeJS Framework
•
Frontend: AngularJS Framework
•
External Libraries: Plot.ly, ?, ?
Machine Learning
Non linear Models, Variable
selection and Decision Trees
Expertise with many Python and C++ libraries:
•
Spark
•
H20
•
L1L2py
•
bigGurls++
•
SKLearn
© 2016 CAMELOT Biomedical Systems S.r.l.
CASE HISTORIES
© 2016 CAMELOT Biomedical Systems S.r.l.
Demand Sensing
Cliente
• Saint Gobain Vetri, multinazionale del
packaging.
Esigenza
• In ambito packaging, migliorare le previsione di vendite al fine di poter
pianificare anticipatamente la produzione ed evitare quindi costose
modifiche dell’ultimo minuto ai piani di produzione
55%
37%
Intervento
• Realizzazione di un modello delle vendite basato sull’integrazione di diverse variabili interne ed
esterne all’ecosistema aziendale del cliente tra cui dati macroeconomici (quali indici finanziari,
tassi di cambio, confidenza dei consumatori), climatici e sociali.
• Integrazione del modello all’interno di una soluzione web integrata con il sistema informatico di
pianificazione della produzione del cliente
• Realizzazione di una dashboard web, integrata all’interno del framework SAPUI5 del cliente, per il
monitoraggio delle vendite e visualizzazione, modifica o conferma delle previsioni generate dal
modello.
prima
dopo
Tech Cloud
Risultati
• Riduzione dell’errore percentuale nella stima delle vendite di ben 18 punti percentuali rispetto alla
previsione manuale realizzata in precedenza dal team commerciale dell’azienda
SAP
OTUS
noSQL
© 2016 CAMELOT Biomedical Systems S.r.l.
Churn detection B2B market
in collaborazione con
Esigenza
• In ambito telco, riconoscere preventivamente i clienti business propensi a passare ad un altro operatore telefonico
(churn detection) al fine di mirare le campagne promozionali solo a tali clienti, per minimizzare il numero di tariffe
scontate su clienti che non se ne sarebbero andati.
Intervento
• Clusterizzazione della customer base
• Selezione, pre-elaborazione ed integrazione di diverse variabili descrittive del cliente
(Traffico dei mesi passati, Contatti da e verso l’operatore telefonico, Anagrafica,
Copertura di rete, Tariffe, Storico dei cambi piano)
• Realizzazione di un modello che permette di ordinare i clienti in base al rischio di churn
stimato
• Identificazione delle variabili maggiormente rilevanti per la previsione del rischio di
churn
• Integrazione del modello in un simulatore di scenari al fine di ottenere i parametri
ottimali di targeting e di gestione della campagna
Bottom
Middle
Top
Media Popolazione
4,0
3,0
2,0
1,0
0,0
0,5%
2%
5%
Cut-off della lista ritornata dal modello
Tech Cloud
OTUS
Risultati
• Aumento della churn detection maggiore di 2,5 volte rispetto alla scelta casuale sui primi 5 percentili.
noSQL SAS
© 2016 CAMELOT Biomedical Systems S.r.l.
Manutenzione predittiva
Esigenza
in collaborazione con
• In ambito telco, prevedere i messaggi di allarme generati dagli apparati della rete di accesso in concomitanza di guasti
sulle celle
Intervento
• Realizzazione di un modello che permette di ordinare gli allarmi in base al
rischio di guasto stimato
• Identificazione delle variabili maggiormente rilevanti per la previsione del
rischio di guasto
• Integrazione del modello per individuare tutte le celle che sicuramente non
presenteranno eventi di allarme
• Identificazione di un piano di manutenzione predittivo («risolvere i problemi
prima che si verifichino»), in cui è determinato dove assegnare le risorse
limitate a disposizione.
Risultati
• Previsione degli allarmi: individua un sottoinsieme di celle del 25% su cui la sensibilità è superiore al 50%
• Individuazione dei casi negativi: individua un sottoinsieme di celle del 70% con un’accuratezza prossima al
© 2016 CAMELOT Biomedical Systems S.r.l.
90%
IoT Valley Tour
Oggi dimostreremo tre nostre soluzioni di analytics sviluppate per
diversi scenari applicativi ed in collaborazione con diversi partner:
• Previsione dei consumi energetici
• Wearables per Healthcare & Wellness
• Travel security
© 2016 CAMELOT Biomedical Systems S.r.l.
Contatti
CAMELOT Biomedical Systems S.r.l.
[email protected]
[email protected]
Tel: +39 010 869 5741
Fax: +39 010 869 5742
www.camelotbio.com
Milano
Via Bisceglie 76
20152 Milano
www.otustechnology.com
Pescara
Lungomare Papa Giovanni XXIII, 25
65126 Pescara
Genoa
Via al Ponte Reale 2/24
16124 Genova
© 2016 CAMELOT Biomedical Systems S.r.l.