Cloud et Big Data au Pôle Systematic - 23 oct. 2013 - Pacte PME

Slide 1

Slide 1 text

1 1 Cloud et Big Data au Pôle Systematic Stefane Fermigier, 23 oct. 2013 - Pacte PME

Slide 2

Slide 2 text

2 Logiciels et technologies numériques pour la compétitivité de l’industrie et des services • Développer les technologies, les entreprises et les marchés du logiciel et du numérique • Transformer, développer par le numérique la compétitivité et l’innovation Missions:

Slide 3

Slide 3 text

No content

Slide 4

Slide 4 text

Positionnement du pôle Systematic

Slide 5

Slide 5 text

4 3 déﬁs et opportunités du GTLL

Slide 6

Slide 6 text

5 L’After PC

Slide 7

Slide 7 text

6 Source: Mary Meeker / Liang Wu

Slide 8

Slide 8 text

7 Source: Mary Meeker / Liang Wu

Slide 9

Slide 9 text

8 900 millions d’activations de terminaux Android en 2013 50 mrd d’objets connectés d’ici 2020 (opportunité globale de 14 000 Mrd de $ d’après Cisco !) 130 mrd de $ de CA pour le cloud public en 2013 (2 mrd d’EUR pour la France) Tendances marché

Slide 10

Slide 10 text

9 Cloud computing (IaaS, PaaS, SaaS, API Web, sécurité, résilience...) OS, middleware et outils de développement pour : smartphones, tablettes, objets communicants Informatique ubiquitaire, internet des objets (IoT) Défis technologiques

Slide 11

Slide 11 text

10 95% des serveurs du cloud Amazon sont sous Linux Emergence d’un écosystème massif autour d’OpenStack (alternative libre à AWS) Autres projets à suivre: Docker, Ceph, Shinken, Graphite... OS libres pour l’embarqué, les mobiles et l’IoT : Linux, Android, Contiki OS, eCos, TinyOS, T-engine, etc. HTML5/JavaScript pour application riches sur desktop et mobiles Impact du LL

Slide 12

Slide 12 text

10 10 Quelques projets cloud AAP FSN Cloud Computing AAP ITEA2 AAP ANR Decentralized cloud AAP FUI AAP ANR Eurostars AAP FUI

Slide 13

Slide 13 text

12 Le Big Data

Slide 14

Slide 14 text

13 Stockage de données massives (NoSQL, NewSQL, SBA) Nouveaux (?) paradigmes pour le traitement massif des informations : MapReduce, algorithmes distribués sur les graphes, langages dédiés Traitement des donnés massives en temps-réel Open Data et Linked Open Data (web sémantique) Dataviz Défis technologiques

Slide 15

Slide 15 text

14 Valorisation des données existantes & nouveaux business models basés sur la collecte de nouvelles données Compatibilité avec la protection de la vie privée Défis économiques et sociétaux

Slide 16

Slide 16 text

15 Ecosystème en hyper-croissance autour d’Apache Hadoop (plusieurs centaines de M$ investis aux USA) Foisonnement de bases NoSQL open source (MongoDB, Redis, Riak, Neo4j, etc.) Ecosystèmes autour du machine learning (Java, Python...) Convergence de vue avec les écosystèmes open data et linked open data, nombreux projets open source Impact du LL

Slide 17

Slide 17 text

15 15 Quelques projets du GT AAP Web 2.0 AAP FEDER AAP FP7

Slide 18

Slide 18 text

17 La Qualité logicielle

Slide 19

Slide 19 text

18 Outillage pour bouchonner, intégrer, automatiser des composants hétérogènes Vérification, preuves de programmes et audit de qualité Agilité, devops Traçabilité du code Lien avec les autres défis : cloud, résilience, mobilité Défis technologiques

Slide 20

Slide 20 text

19 Favoriser les collaborations entre les acteurs (chercheurs, éditeurs, intégrateurs, donneurs d’ordres) Pérenniser et faire croitre les éditeurs innovants Structurer la filière et faire émerger les champions de demain Défis économiques

Slide 21

Slide 21 text

Contact systematic-paris-region.org

Slide 22

Slide 22 text

21 Icônes: The Noun Project (Chris Matthews, Deadtype, Javier Cabezas, Ugur Akdemir, Scott Lewis, Ken Messenger, Remy Médard, Juan Pablo Bravo, Valere Dayan, Brennan Novak, Juan Garces, Alex WaZa, Anton Outkine, Sergi Delgado...) Images: Mary Meeker / Liang Wu (KPCB) Crédits