1 – Big Data, que signifie-t-il pour l’entreprise ?

Définissons ici le vocabulaire et les enjeux du Big Data

• « Big Data », sa place dans l’écosystème IT 20 ans après sa définition
• Création de valeur à partir des données massives : IA Générative, processus industriels, Marketing sous
• Raffinage des données massives : définition d’un flux complet de bout en bout
• Le retour de la problématique des volumes (Quetta et Ronna octets)
• Business intelligence ou Big Data : une frontière de plus en plus fine grâce aux iPaaS
• Data Mesh, Edge Des tendances incompatibles ou complémentaires au Big Data ?
• Generative AI & Big Data : Le Big data comme pré-requis à l’Intelligence Artificielle Generative.
• Differences entre Data Fabric / Data Mesh / Data Lake House / Data Lake / Data Warehouse / Big Data

2 – Le stockage des Big Data

Apprenez à stocker et mettre à disposition ces Big Data

• Technologies de stockage distribué : bloc, objet. Hadoop à la genèse mais des évolutions ont été nécessaires.
• Le transactionnel Big Data NoSQL (disque ou in-memory) et NewSQL : vue d’ensemble des types (document, colonne, graph, etc..) et acteurs (MongoDB, Cassandra, Neo4j, Redis, DynamoDB, Couchbase, etc)
• La tendance : les bases de données Séries Temporelles : exemple de TimescaleDB et InfluxDB
• Le futur : les nouvelles bases de données pour l’intelligence Artificielle (Vectorielle)
• La révolution Cloud, le stockage vu comme moins limitant
• Data virtualization et Software Defined Storage : deux alternatives

3 – Les architectures Big Data

Déterminez le positionnement des différentes briques au sein d’une architecture solide

• Le fondement des architectures Big Data : performance, scalabilité, disponibilité
• Typologie des architectures techniques : Lambda, Kappa.. dans une optique de persistance polyglotte
• Panorama des solutions On Premise : écosystème Hadoop en recul (Cloudera, Hortonworks), mais de nombreuses architectures orientées évènementiel et calculs.
• Panorama des nouvelles architectures Cloud : vers une vision plateforme Big Data Analytics (exemple sur Amazon Web Services, Microsoft Azure et Google Cloud Platform)
• Les plateformes Cloud de Data Warehousing comme accélérateurs : exemple de Snowflake
• CAS PRATIQUES : 3 cas d’usages (IoT, Web Marketing, 1 au choix des participants)

4 – Les fondamentaux du traitement et l’analyse des données Big Data

Appréhendez les techniques d’analyse des données indispensables au Big Data

• Fondamentaux du traitement de données Big Data : réalisation d’un calcul distribué MapReduce
• Intelligence Artificielle et Big Data comment les mettre en place conjointement
  • Préparation des données pour l’intelligence Artificielle
  • Limite des Intelligences Artificielles
  • Explication sur un cas pratique, ChatGPT ou Midjourney
• Évolutions du Data Mining vers le Machine Learning : possibilité de traiter plus de données
• Machine Learning en environnement parallèle, importance du In-memory : exemples de Spark, Kafka
• Visualisation des données à valeur ajoutée, l’étape à ne pas oublier lors des initiatives Big Data
• Le cadre juridique des données : exemple du RGPD et autres réglementations
  • Les notions de Protections des données
  • La nécessité de passer par la Privacy by Design

5 – Big Data et méthodologie de projet

Orchestrez les différentes connaissances acquises via une méthodologie spécifique aux projets Data

• Le cadrage des projets Big Data : quels sujets ?
  • Mise en pratique d’un business case complet (sujet au choix des participants)
• Le management des projets de Big Data : quel déroulé de projet ?
• L’organisation des projets Big Data : quels profils et quelles compétences ?
  • Data Scientist, Data Engineer, Data Stewards ou Data Ops, par quoi commencer ?
• Rôle de la DSI dans le Big Data : nécessité d’une évolution.
  • Datalab, Datafabric, organisation Datacentric, quelle organisation ?

Ce programme a été mis à jour le lundi 1er juillet 2024.