Tema9 Analitica

Analítica en IoT
"Cada byte de un dato tiene una historia

muy interesante que contar"
Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

IoT: Fundamentos y Aplicaciones wecastelllanos@javeriana.edu.co
Contenido
1. Introducción a la Analítica de Datos en IoT
2. Funciones Analíticas
3. La Inteligencia Artificial y la Analítica de Datos
4. Arquitecturas para Analítica de Datos
5. Herramientas para AD en IoT
6. Lectura de Artículos
7. Quizizz

1
Introducción a la Analítica de Datos
en IoT

La analítica de datos en IoT
1. ¿Qué información se
encuentra en los datos?
Lo importante no 2. ¿Qué no está en los
datos?
son los datos
3. ¿Qué patrones tienen
mismos, sino: los datos?
El valor está en la información

Realmente es el valor que más
le interesa al cliente
A partir de la ciencia de datos
2
Símil Analítica de datos – Elaboración de platos en un restaurante

Analítica de
datos en IoT

3
Funciones analíticas

Funciones Analíticas
1. Preprocesamiento: TAREA: Siguiente
 Filtra eventos de poco interés
clase cada equipo
dice que funciones
 Extrae características analíticas piensan
 Transforma datos a una forma más adecuada implementar en la
 Adiciona atributos a los datos como etiquetas. solucíón
2. Alerta: Inspecciona los datos, si se excede una condición umbral se

genera una alerta.

4
3. Segmentación: Una ventana de segmentación se crea y se establecen
reglas sobre esa ventana.
 Estas ventanas se pueden basar en el tiempo, longitud, pueden ser deslizantes o
por lotes. El uso de ventana facilita el uso de reglas y conteo de eventos.
4. Agrupación: Combina múltiples flujos de datos en uno solo para su

análisis. Ej: Un sistema logístico.

5. Eventos temporales y patrones:
 Analiza una cadena o serie de eventos que constituyan un patrón de interés
 para detectar y ejecutar acciones
 Es análogo a verlo como una máquina de estado donde un patrón de eventos
generan una salida.
6. Seguimiento:
 Analiza cuándo o dónde algo existe
 si un evento ocurre o
 cuándo algo no existe y dónde debería existir.
 De forma que se tenga claridad de su funcionamiento. Ej: Logística.
7. Tendencias:
 Encontrar una regla para detectar un evento basado en series de datos
correlacionados en el tiempo
 Es una función útil para predecir ( p.ej. mantenimiento )

5
8. Analítica profunda:
 se identifican eventos (en tiempo real),
 pueden requerir alarmas o pueden tener otras implicaciones que requieran un
análisis adicional.
 Ejemplo: Sistemas de videovigilancia.
9. Modelado y entrenamiento:
 Algunas de las funciones vistas previamente, pueden ser generadores de inferencia
para un sistema de aprendizaje automático.
 Las cuales son herramientas que se basan en modelos obtenidos de entrenamiento
que son utilizados para análisis en tiempo real.

La Inteligencia Artificial y la
Analítica de Datos

6
La IA y la AD en IoT
¿Qué se les viene a la

mente cuando
escuchan “Inteligencia
Artificial?

 ¿De qué es capaz la inteligencia artificial?

https://www.youtube.com/watch?v=34Kz-PP_X7c

7
https://www.youtube.com/watch?v=sHVwwriaT6k

https://www.youtube.com/watch?v=mWGzicjqAc0

8
 https://www.netflix.com/title/81328723
https://www.dw.com/es/coded-bias-inteligencia-artificial-racista/av-57079221

Clasificación
de los
algoritmos de
inteligencia
artificial

9
La IA y la AD en IoT: Machine learning models
 El objetivo: llegar a una predicción o inferencia de lo que te dice
un conjunto de datos.
Aprendizaje supervisado: los datos de Aprendizaje no

entrenamiento del modelo tiene una supervisado: no tiene
etiqueta asociada con cada entrada. etiqueta para los datos de
entrenamiento.
Utiliza reglas matemáticas para

reducir la redundancia.
Un caso de uso típico es

encontrar grupos de cosas
Gato Perro similares.
El aprendizaje supervisado permite resolver

problemas de clasificación y regresión.


 Los tres usos fundamentales del machine learning son:
1. Clasificación
2. Regresión
3. Detección de anomalías

10
 Clasificación
 Binomial: si elige entre una
de dos categorías (café, té)
 Multi-clase: si hay más de
dos opciones

La IA y la AD en IoT:
 Regresión
 Se utilizan para predecir un valor continuo.
 Por ejemplo, predecir el precio de venta promedio de su casa en
función de los precios de venta de todas las casas en su vecindario y
vecindarios circundantes.
Precio_Micasa = f( Precio de casas del barrio, Pcasas barrios cercanos)
 Existen varias técnicas para formar análisis de regresión:

 Método de mínimos cuadrados
 Regresión lineal
 Regresión logística

11
 Random forests: modelos estadísticos (modelo rápido, bueno para

sistemas con muchos atributos necesarios para la detección de anomalías)
 Redes bayesianas: modelos probabilísticos
 Red neuronal convolucional: Deep learning (para datos de imagen no

estructurados)
 RNN: redes neuronales recurrentes (modelo de aprendizaje profundo

para el análisis de series de tiempo)

La IA y la AD en IoT: Árboles de decisión

 Es un clasificador, en
forma de árbol
 Es cada nodo se prueban
los features
 Las horas simbolizan las
categorías (outputs)

12
 150 observaciones de flores de la planta iris
 Existen tres tipos de clases de flores iris: virginica, setosa y
versicolor.
 Hay 50 observaciones de cada una.
 El largo y el ancho del pétalo en cm como variables numérica
Virginica - Setosa - Versicolor


 Construcción de
modelo  Datos
 Modelo, usado para
predicciones
 Si Petal.Length=2 y
Petal.Width=3
setosa versicolor setosa virginica

13
La IA y la AD en IoT: Random forests
Idea: Generar un numero importante de árboles, entrenarlos y

calcular el promedio de su salida.
 Construcción de los RF
 A cada árbol se le asigna:
1. una parte aleatoria de los datos (tree bagging)
2. una parte aleatoria de los features (feature sampling)

La IA y la AD en IoT: Random forests

14
La IA y la AD en IoT: Uso según la aplicación

La IA y la AD en IoT: Comparación de algoritmos

15
Taller

Taller Analítica
 Leer el artículo y responder las siguientes preguntas
1. ¿Cuál es la fuente de los datos?
2. ¿Qué algoritmo/método usaron para la analítica de datos?
3. ¿Qué plataforma usaron para la analítica?
4. ¿Qué información proveen después de la analítica? O ¿Para qué
sirve la analítica desarrollada?
Trabajo en equipo Leer Socializar

16
Arquitecturas para Analítica de
Datos

Arquitecturas para Analítica de Datos

1. Rules engines
Se definen reglas y se producen acciones
2. Stream Processing
nodos u operadores (procesan datos y entregan eventos)
3. Complex Event Processing
4. Lambda Architecture

17
Arquitecturas para AD: 1. Rule Engine

Arquitecturas para AD: 2. Stream Processing

Spark: Framework para procesamiento de datos por lotes
Útil cuando se usa Machine learning
https://kafka.apache.org/documentation/

18
Arquitecturas para AD: 3. Complex event processing (CEP)
“Aggregating, processing, and analyzing massive streams of data in
order to gain real-time insights from events as they occur”
Eventos
Event
cloud
Relaciones
causales
Patrones

Arquitecturas para AD: 3. Complex event processing (CEP)

 Ejemplo
• Lighting
• Alarms
• Sensores de temp Predice el comportamiento de
• Clima en tiempo real los ocupantes
• Fecha y hora
Optimiza el uso de
las luces y el AA
Smart building
19
Arquitecturas para AD: 4. Lambda architecture
Topología Híbrida:
Procesamiento batch
Y stream processing
Procesa datos en tiempo real (tanto como sea

posible)
Procesa eventos (no divide en lotes)

Arquitecturas para AD: SPARK

 https://www.edureka.co/blog/spark-tutorial/

20
Herramientas para AD en IoT

Herramientas para AD en IoT: Plataformas

 Survey of IoT platforms supporting artificial intelligence

21

https://realpython.com/pyspark-intro/
22

Casos de uso

23
Ejemplos Analítica de datos
 Ejemplos:
 https://us-
b.demo.qlik.com/QvAJAXZfc/opendoc.htm?document=qvdocs%2FRetail%20Store%20Performance.qvw
&host=demo11
 https://sense-demo.qlik.com/sso/sense/app/0d7358d2-28de-4fa8-9297-
82e2301ca846/sheet/QjWmAPS/state/analysis
 https://pentaho-
dashboards.hitachivantara.com/pentaho/plugin/chicagoCrime/api/main?userid=pentaho&password=
demo
Casos de uso
 https://iotfutura.com/2019/02/iot-y-bigdata/
 https://www.softwareadvice.com/resources/iot-data-analytics-use-cases/

Ejemplo de analítica
 Developing an IoT Analytics System with MATLAB, Machine
Learning, and ThingSpeak
 https://la.mathworks.com/company/newsletters/articles/develo
ping-an-iot-analytics-system-with-matlab-machine-learning-and-
thingspeak.html

24
Bibliografía
1) Perry Lea. Internet of Things for Architects.

25

Tema9 Analitica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema9 Analitica

Cargado por

Copyright:

Formatos disponibles

Analítica en IoT

"Cada byte de un dato tiene una historia

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

La analítica de datos en IoT

El valor está en la información

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

La analítica de datos en IoT

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

2. Alerta: Inspecciona los datos, si se excede una condición umbral se

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

4. Agrupación: Combina múltiples flujos de datos en uno solo para su

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

¿Qué se les viene a la

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

 ¿De qué es capaz la inteligencia artificial?

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Aprendizaje supervisado: los datos de Aprendizaje no

Utiliza reglas matemáticas para

Un caso de uso típico es

El aprendizaje supervisado permite resolver

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

La IA y la AD en IoT: Machine learning models

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Precio_Micasa = f( Precio de casas del barrio, Pcasas barrios cercanos)

 Existen varias técnicas para formar análisis de regresión:

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

 Random forests: modelos estadísticos (modelo rápido, bueno para

 Redes bayesianas: modelos probabilísticos

 Red neuronal convolucional: Deep learning (para datos de imagen no

 RNN: redes neuronales recurrentes (modelo de aprendizaje profundo

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

La IA y la AD en IoT: Árboles de decisión

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Virginica - Setosa - Versicolor

La IA y la AD en IoT: Árboles de decisión

setosa versicolor setosa virginica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Idea: Generar un numero importante de árboles, entrenarlos y

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

La IA y la AD en IoT: Random forests

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

La IA y la AD en IoT: Comparación de algoritmos

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Trabajo en equipo Leer Socializar

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Arquitecturas para Analítica de Datos

3. Complex Event Processing

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica

Pontificia Universidad Javeriana Eduardo Castellanos, PhD. Ing. electrónica