Views
3 years ago

A Economia Digital em Portugal 2018

  • Text
  • Permite
  • Resultados
  • Plataforma
  • Desafios
  • Economia
  • Portugal
  • Forma
  • Digital
  • Dados
  • Tecnologia

a economia digital 10

a economia digital 10 em portugal 2018 1.1 Big Data | Analytics ARQUITETURA DA SOLUÇÃO COM A REPRESENTAÇÃO DAS DIFERENTES CAMADAS E TECNOLOGIAS ENVOLVIDAS REDE DE ACESSO (EDGE) VUEFORGE EGAM (PLATAFORMA - Ecossistema Hadoop) REDE CORPORATIVA ATIVO ELÉTRICO DISPOSITIVO STREAMING COMPUTING IOT GATEWAY EDGE SERVICES INTEGRAÇÃO DE DADOS ARMAZENAMENTO DE DADOS ANÁLISE & VISUALIZAÇÃO TRANSFORMAÇÃO E CONEXÃO SISTEMAS CORPORATIVOS Processamento de Dados Aplicações Armazenamento de Dados Segurança TRANSFORMAÇÃO E CONEXÃO DADOS Infraestrutura Fonte: Altran O EGAM é uma solução de gestão de ativos e manutenção preditiva para o setor de energia por forma a gerir, prever e prevenir falhas nos ativos da rede elétrica de uma framework 1 , modelos físicos (standards internacionais) e analíticos otimizados para o setor energético, e que serviu de base para o cálculo do índice de condição, para diferentes ativos da rede, através da aquisição de parâmetros e dados de operação. Tecnologia Nesta solução foram usadas diversas tecnologias, em função das diferentes camadas da arquitetura implementada (em cima). Para a transformação de dados nos diferentes processos de etl foram utilizados: Kafka, Spark, Storm, R, Pentaho Data Integration (PDI) e Oozie. Para a integração de dados de diferentes fontes foram utilizados: Kafka, Sqoop, Storm, PDI, Python e R. Para o armazenamento dos dados foram utilizados Hive e PostgreSQL, enquanto que na visualização dos dados e analítica, foram utilizados D3, Angular JS, R e Spark. Resultados Alinhamento da solução com modelo de saúde e criticidade utilizado ao nível do grupo de DNO's para obtenção do índice da condição, sendo parametrizável a vários tipos de ativos da rede elétrica, como transformadores de potência e disjuntores; Criação de uma plataforma web para análise de ativos, incluindo mapas de localização geográfica, KPIs de condição, risco atual e futuro; Implementação de arquitetura de big data para aquisição, ingestão, análise de dados provenientes dos ativos da rede elétrica, assente em tecnologia de computação distribuída. Com esta iniciativa pretende-se contribuir para uma diminuição significativa dos custos associados à reparação e manutenção de ativos, uma vez que se torna possível acompanhar a evolução

11 a economia digital da condição dos mesmos e intervir proativamente, diminuindo o tempo de paragem dos ativos e possibilidade de dano permanente. Os ensinamentos adquiridos serviram como modelo base no desenvolvimento de novos projetos em manutenção preditiva, acabando por potenciar o alargamento do âmbito a outros equipamentos e setores. Distribuição dos ativos por nível de saúde e respetiva matriz de risco em portugal 2018 1.1 Big Data | Analytics Coordenação/Autoria: Jorge Afonso e Filipe Mendes, Altran 1 https://www.ofgem.gov.uk/system/files/ docs/2017/05/dno_common_network_asset_indices_methodology_v1.1.pdf Localização geográfica dos ativos da rede Visualização das pontuações e fatores aplicados a diversos componentes do ativo CGI Modelação Preditiva Recurso a tecnologia user friendly que permite uma excelente organização dos estudos na forma de projetos, de um modo claro e percetível em todas as fases até ao output final Desafios Criar um modelo de machine learning que permita traçar o perfil dos vários clientes em fase de incumprimento de crédito, onde este perfil deverá identificar e segmentar os clientes em quatro a cinco clusters por forma a segmentá-los de acordo com as suas características e tipo de recuperação. Um dos objetivos será fornecer à instituição financeira, um conhecimento aprofundado sobre quem são os seus clientes com crédito em incumprimento, possibilitando à mesma desenhar uma estratégia ou ajustar a sua atual estratégia de recuperação de crédito, minimizando os custos inerentes e maximizando os seus resultados relativamente ao crédito recuperado, consequentemente diminuir as imparidades de crédito. O modelo deverá ainda classificar e detetar clientes em risco de serem classificados como devedores, antes mesmo destes entrarem em situação de incumprimento com as suas responsabilidades, permitindo desta forma agir proativamente e não reativamente. Atuando na raíz e início do problema, e não após o incumprimento. O modelo de machine learning deverá ainda sugerir qual o melhor canal de comunicação para abordagem do mesmo na sua recuperação, e orientar os clientes de forma multicanal. O tratamento dos dados e organização dos mesmos foi feito em SAS Enterprise Guide, até à construção final da ABT (Analise Base Table). Este projeto foi construído de forma a reproduzir a informação toda à data pretendida. A maior dificuldade foi aceder a um elevado número de tabelas com informação dispersas em vários datamarts, assim como o conhecimento a adquirir sobre a metadata no espaço de tempo a que nos tinha sido proposto. Todo o tratamento dos dados, bem como a preparação, A modelação preditiva permite uma excelente organização dos estudos na forma de projetos, de um modo claro e percetível em todas as fases até ao output final

REVISTA COMUNICAÇÕES

UPDATE

© APDC. Todos os direitos reservados. Contactos - Tel: 213 129 670 | Email: geral@apdc.pt