Datafari est un moteur de recherche open source big data. Il peut être utile aussi bien pour indexer votre disque dur, que les partages réseaux de votre boîte, mais aussi des données du web. De nombreux connecteurs disponibles le rende multisource (sharepoint, smb, BDD, web…). La différence avec Elasticsearch ? C’est une couche au-dessus: Datafari va non seulement proposer un moteur de recherche, mais aussi le framework pour le crawling, la gestion de la sécurité, une interface web, et une interface d’administration complète. Dans ce workshop d’initiation, nous vous présenterons l’outil et son architecture, puis nous plongerons directement dans le bain: installation de Datafari CE sur vos postes, premières indexation et configuration, et customisation de l’interface graphique. Avec tout ça, vous pourrez rentrer chez vous avec une brique facile à installer et vous permettant d’avoir une fonction de recherche multisources et multiformats.

les participants doivent venir avec une machine d’au moins 8Go de RAM. De préférences, les machines doivent être sous Linux pour pouvoir faire la phase d’installation. Si les machines sont sous windows, on sautera l’étape d’installation.

Le but de cet atelier est de fournir un apercu complet de la plateforme Machine Learning Open Studio (MLOS) d’ActiveEon. MLOS permet aux ingénieurs et scientifiques de données de créer rapidement des workflows d’inteligence artificielle (IA). Il fournit un ensemble de tâches génériques de machine learning et deep learning qui peuvent être reliées entre eux pour créer des workflows IA pour différentes applications, telles que : la détection de fraude, la détection d’anomalies, la reconnaissance d’images, etc. MLOS est prêt à utiliser des bibliothèques machine et deep learning, telles que scikit-learn, PyTorch, TensorFlow, Keras, CNTK, entre autres.

Application developers making use of open source components need to know whether those components comprise security vulnerabilities, understand their risk in the particular application context and mitigate accordingly. This vulnerability management can be automated using an open source solution called vulnerability-assessment-tool, developed by SAP and open sourced in 2018. This solution requires a vulnerability database with detailed information about the vulnerable source code and the respective security patch, all of which is difficult to obtain due to non-reliable standard sources of advisories and vulnerability data (such the National Vulnerability Database, NVD). In our previous research work, we treated source code changes as documents in natural language processing, potentially ignoring the structured nature of source code, in order to populate the database. We will give a brief overview of the directions of our most recent work, where we incorporate the semantic properties of code into our analysis by leveraging on state-of-the art approaches to generate distributed code representations by analyzing and aggregating paths extracted from the abstract syntax tree of the code.

Dans cette session, nous discuterons des tendances actuelles en matière d’intelligence artificielle et verrons comment celles-ci peuvent être appliquées dans l’industrie du voyage. En commençant par la modélisation des choix des voyageurs et les systèmes de recommandation, puis en abordant les sujets comme l’apprentissage par renforcement et la génération de données. Nous montrerons comment ces techniques peuvent être exploitées pour améliorer l’expérience du voyage et du voyageur.

Cet atelier introduit le fonctionnement des processeurs graphiques embarqués (GPU), et comment ils peuvent être programmés de manière relativement bas niveau sous un système Linux. Des exemples de code seront présentés: programmation de « shaders » OpenGL ES, compilation et construction d’un système embarqué complet avec Buildroot, ainsi que des exemples de traitement d’images caméra en temps réel avec V4L2 et GStreamer…

Pré-requis:

Les personnes intéressées par les exemples de codage doivent venir avec un ordinateur portable fonctionnant sous un système Linux (par exemple, Debian 9, Ubuntu 18, Fedora 29,…) avec un espace disque disponible (environ 20 Go). Il s’agit d’une session technique dans laquelle de nombreux exemples de programmation seront présentés.

Les participants peuvent suivre la présentation sans aucun équipement. Tous les documents et le code présentés seront publiés, de manière à pouvoir être reproduits ultérieurement.

Les participants souhaitant participer à une session de codage en direct auront besoin d’un ordinateur portable sous Linux (testé avec Ubuntu 18). 20 Go d’espace disque disponible sont nécessaires pour exécuter toutes les démos.

Apache Kafka, développé à l’origine par LinkedIn puis open sourcé en 2011, a réussi en quelques années à se faire une place de choix dans les architectures orientées données modernes. Au delà d’un bus à messages, Apache Kafka est un véritable écosystème permettant la mise en place de plateformes de streaming distribuées. Utiliser Apache Kafka comme un simple bus à messages serait se priver de ce qui fait de Kafka un être à part. En partant de quelques cas d’usages, nous verrons à quel point il est aisé d’intégrer Kafka à une architecture existante et surtout pourquoi essayer Kafka c’est l’adopter. Pendant cette session, nous passerons à travers les différents concepts d’Apache Kafka (Broker, Topic, Partition, Topic, Consumer, Consumer Groups), plongerons dans ce qui fait la spécificité de Kafka (notamment les topics compactés et la dualité stream / table) , détaillerons les procédés de passage à l’échelle et ferons un tour d’horizon de l’écosystème (Streams, Connect, KSQL, etc). Nous verrons enfin à quel point il est facile d’intégrer Kafka dans une architecture existante.

Pré-requis:

un laptop, avec un environnement docker fonctionnel ainsi qu’un environnement de développement java. Nous pensons aborder l’utilisation de Kafka avec d’autres langages ( javascript, python) mais java reste quand même le langage principal dans l’écosystème kafka. »

Concevoir mon Objet Connecté dans le plus grand FabLab de la Côte d’Azur: conception, prototypage, réalisation (3x1h)

L’essor de l’IOT et de l’infrastructure intelligente a généré de grands volumes de données complexes. Les solutions traditionnelles peinent à faire face à ce changement, ce qui entraîne une baisse des performances et une augmentation des coûts. Dans cet exposé, nous examinerons ce type de données provenant de capteurs intelligents installés dans les usines réelles. Les participants apprendront comment créer un pipeline de données pour l’analyse et la visualisation. À la fin de cette session, nous pourrons configurer un pipeline de données hautement évolutif pour les données de séries chronologiques complexes avec des performances de requêtes en temps réel.

Cette fois ci, c’est décidé, vous vous lancez. Votre produit IoT va changer le monde. Bien. Mais par ou commencer? Protocoles, passerelle, sécurité, activation, plateforme, cloud ça fait beaucoup… Pas de panique, on va regarder ensemble.

Du fait de la versatilité des marchés adressés, l’agilité opérationnelle est indispensable à la réussite industrielle. Cette agilité a un coût en termes de complexité et d’hétérogénéité des systèmes d’information et de contrôle. De plus, parallèlement au déploiement de l’automatisation, on constate une évolution des métiers de la fabrication: les produits sont fabriqués en quantités moindres mais avec de plus grandes variations. Face à cette complexité, l’être humain trouve de plus en plus sa place en tant que superviseur : il garantit le bon fonctionnement du système dans sa globalité en étant capable de débloquer au plus vite la moindre situation anormale. Néanmoins, l’IA et les systèmes basés sur des règles s’avèrent fournir des « compléments » intéressants pour les aider à se concentrer sur les problèmes réels et leurs causes possibles. En essayant d’éliminer les faux positifs dans l’alerting, véritable fléau de la supervision automatique, nous pouvons fournir des « assistants » véritablement utiles qui aident à diminuer le stress. Hurence, spécialiste reconnu des systèmes Big Data, met en place un système hybride, mélangeant règles et apprentissage supervisé, qui: détecte les situations anormales sur la ligne de production en temps réel; fournit une aide au diagnostic en temps réel sur l’origine potentielle des anomalies et les actions correctives à prendre. Ce système repose sur une architecture Big Data légère et temps réel capable de: traiter en temps réel les grands volumes de données industrielles qui pilotent l’usine exploiter l’expérience accumulée par les opérateurs grâce à l’utilisation d’un moteur de règles embarquer des apprentissages supervisés afin d’améliorer automatiquement la détection des situations anormales et leur diagnostic, avec l’objectif de réduire la quantité de faux positifs.