3 DE OCTUBRE DE 2015.NET CONF UY, MONTEVIDEO, URUGUAY PABLO CÉSAR GARCÍA BRIOSSO (@PC_GARCIA) RESEARCH MANAGER & CHIEF ARCHITECT Machine Learning & BigData.

3 DE OCTUBRE DE 2015.NET CONF UY, MONTEVIDEO, URUGUAY

PABLO CÉSAR GARCÍA BRIOSSO (@PC_GARCIA)RESEARCH MANAGER & CHIEF ARCHITECT

Machine Learning & BigData aplicados a proyectos en el Agro, Minería y Ciudades Inteligentes

22

Nuestra infraestructura…

Revolution analyticsHDP 2.3

StorSimple 8100

Inv NInv 2

SoftLayerFIWARE

AzureHADOOP

TelefonicaFIWARE

Internet

CO

CT

CS

CMTX

RPythonOtros

33

Ej 1: Control de riego

Sensor humedad y estación meteorológica

Datos meteorológicos: humedad, temperatura, radiación solar y velocidad del viento.

44

Ej 1: Control de riego

55

Ej 2: Lobesia Botrana

TP TN FP FNTest 1 95.78% 97.71% 4.22% 2.29%Test 2 95.81% 96.95% 4.19% 3.05%Test 3 94.3% 93.16% 5.67% 6.84%

Confusion Matrix

6

Ej 3: Dinámica de la ciudad

6

77

Ej 4: Estimación de la producción

LOS DESAFÍOS DE PONER EN PRODUCCIÓN LOS MODELOS

1 – Ajustarse a lo que el algoritmo predictivo está protegiendo

2 – Persistir el Workspace

3 – Encapsular el algoritmo en R y exponerlo como un servicio

4 – Recuperar artefactos diversos

5 – Escalar, escalar, escalar

8

9

REVOLUTION ANALYTICS

10

11

12

DEMOPoniendo en producción código R usando node.JS

¡¡MUCHAS GRACIAS!!

http://www.fiware.org/mundus/

fiware-mundus-req@lists.fi-ware.org