Thinkee

Description

Thinkee offre une plate-forme logicielle pour automatiser la surveillance des processus, la collecte des données, la gestion des appareils connectés, l'analyse des données en temps réel, le suivi des interventions, les audits, les alertes pour les dysfonctionnements, la gestion de non-conformité et les rapports automatisés. La plate-forme permet aux utilisateurs de visualiser l'information, de créer des tableaux de bord personnalisés et de prendre des décisions axées sur les données de manière efficace.

Source officielle

https://thinkee.io

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Catégories associées (11)

Concepts associés (21)

Cours associés (106)

Séances de cours associées (1 000)

MOOCs associés (2)

Personnes associées (15)

Publications associées (2)

Start-ups associées (1)

Unités associées (4)

Visualisation de données

vignette|upright=2|Carte figurative des pertes successives en hommes de l'armée française dans la campagne de Russie 1812-1813, par Charles Minard, 1869. La visualisation des données (ou dataviz ou représentation graphique de données) est un ensemble de méthodes permettant de résumer de manière graphique des données statistiques qualitatives et surtout quantitatives afin de montrer les liens entre des ensembles de ces données. Cette fait partie de la science des données.

Analyse des données

L’analyse des données (aussi appelée analyse exploratoire des données ou AED) est une famille de méthodes statistiques dont les principales caractéristiques sont d'être multidimensionnelles et descriptives. Dans l'acception française, la terminologie « analyse des données » désigne donc un sous-ensemble de ce qui est appelé plus généralement la statistique multivariée. Certaines méthodes, pour la plupart géométriques, aident à faire ressortir les relations pouvant exister entre les différentes données et à en tirer une information statistique qui permet de décrire de façon plus succincte les principales informations contenues dans ces données.

Automated decision-making

Automated decision-making (ADM) involves the use of data, machines and algorithms to make decisions in a range of contexts, including public administration, business, health, education, law, employment, transport, media and entertainment, with varying degrees of human oversight or intervention. ADM involves large-scale data from a range of sources, such as databases, text, social media, sensors, images or speech, that is processed using various technologies including computer software, algorithms, machine learning, natural language processing, artificial intelligence, augmented intelligence and robotics.

Data collection

Data collection or data gathering is the process of gathering and measuring information on targeted variables in an established system, which then enables one to answer relevant questions and evaluate outcomes. Data collection is a research component in all study fields, including physical and social sciences, humanities, and business. While methods vary by discipline, the emphasis on ensuring accurate and honest collection remains the same.

Design de l'information

Le design de l'information, ou traitement graphique de l’information, comme « l’art et la science de la préparation de l’information pour qu'elle puisse être utilisée par les êtres humains avec efficience et efficacité ». Le terme est apparu dans les années 1970. Le design d’information signifie à la fois dessin et projet, traduit une information claire et directe. L'information utile n’est pas un accroissement de la quantité d’informations mais au contraire une réduction de cette quantité par des regroupements pertinents.

MoDN-Flip: Optimizing Modular Clinical Decision Support Networks with Decision Flippability Score

Kuan Tung

BACKGROUND. Clinical Decision Support Systems (CDSS) are point-of-care questionnaires that guide consultations to evidence-based predictions with the aim of standardizing care and optimizing resource allocation. The data collected in these tools contain potentially useful insights to further train its predictive algorithms, however, the questionnaire structure biases data with systematic missingness, making it unusable in traditional models. Further, privacy and interoperability issues make it challenging to synergize with data collected in related CDSS tools. The Modular Decision Support Network (MoDN) was previously proposed by our group to address these issues. It can predict diagnoses at each step in a consultation using sequentially encoded questions. However, it lacks the ability to provide information on unencoded questions, such as predicting their importance, which could potentially optimize questionnaire structure. AIM. In this work, we aim to optimize MoDN by deriving a flippability score (FS) which computes the importance of a question in the form of how likely its answer would flip (change) the predicted diagnoses. METHODS & FINDINGS. The FS is computed with the help of MoDN’s feature decoders that predict unknown feature values in the data. The optimal questionnaire order is then derived by feeding MoDN the question with the highest FS. This approach—-MoDN-flip—- is validated on two independent real world CDSS-derived data sets of pediatric outpatients. We show that FS-optimized question order can achieve the baseline predictive performance 14.71% faster (or with 3.53 fewer questions) compared to MoDN with the original question order. FS-optimized questionnaires are also able to improve the cumulative F1 score by 5.24%. Furthermore, we test the utility of FS-optimization when porting MoDN to an imperfectly interoperable data set (i.e. with slightly different questionnaire structures and partially-overlapping feature sets). The results show that the score is valid in a new dataset and can provide better predictive performance at an earlier stages, albeit a slight cost to final performance. CONCLUSION. With the aim of providing data-driven questionnaire optimization for CDSS tools, we propose the flippability score, which indicates the importance of each potential question in a consultation. The experimental results show that FS can express predictive importance of questions and has the potential to significantly optimize questionnaire structure. It is now necessary to evaluate this ordering against human consultation logic.

2022

Alpine: Efficient In-Situ Data Exploration in the Presence of Updates

Anastasia Ailamaki, Matthaios Alexandros Olma, Antonios Anagnostou

The ever growing data collections create the need for brief explorations of the available data to extract relevant information before decision making becomes necessary. In this context of data exploration, current data analysis solutions struggle to quickly pinpoint useful information in data collections. One major reason is that loading data in a DBMS without knowing which part of it will actually be useful is a major bottleneck. To remove this bottleneck, state-of-the art approaches perform queries in situ, thus avoiding the loading overhead. In situ query engines, however, are index-oblivious, and lack sophisticated techniques to reduce the amount of data to be accessed. Furthermore, applications constantly generate fresh data and update the existing raw data files whereas state-of-the art in situ approaches support only append-like workloads. In this demonstration, we showcase the efficiency of adaptive indexing and partitioning techniques for analytical queries in the presence of updates. We demonstrate an online partitioning and indexing tuner for in situ querying which plugs to a query engine and offers support for fast queries over raw data files. We present Alpine, our prototype implementation, which combines the tuner with a query executor incorporating in situ query techniques to provide efficient raw data access. We will visually demonstrate how Alpine incrementally and adaptively builds auxiliary data structures and indexes over raw data files and how it adapts its behavior as a side-effect of updates in the raw data files.

ACM New York, NY, USA2017

Statistical graphics

Statistical graphics, also known as statistical graphical techniques, are graphics used in the field of statistics for data visualization. Whereas statistics and data analysis procedures generally yield their output in numeric or tabular form, graphical techniques allow such results to be displayed in some sort of pictorial form. They include plots such as scatter plots, histograms, probability plots, spaghetti plots, residual plots, box plots, block plots and biplots. Exploratory data analysis (EDA) relies heavily on such techniques.

Science des données

La science des données est l'étude de l’extraction automatisée de connaissance à partir de grands ensembles de données. Plus précisément, la science des données est un domaine interdisciplinaire qui utilise des méthodes, des processus, des algorithmes et des systèmes scientifiques pour extraire des connaissances et des idées à partir de nombreuses données structurées ou non . Elle est souvent associée aux données massives et à l'analyse des données.

Langage de programmation de haut niveau

En programmation informatique, un langage de programmation à haut niveau d'abstraction généralement appelé langage de haut niveau est un langage de programmation orienté autour du problème à résoudre, qui permet d'écrire des programmes en utilisant des mots usuels des langues naturelles (très souvent de l'anglais) et des symboles mathématiques familiers. Un langage de haut niveau fait abstraction des caractéristiques techniques du matériel utilisé pour exécuter le programme, tels que les registres et les drapeaux du processeur.

Statistique descriptive

La statistique descriptive est la branche des statistiques qui regroupe les nombreuses techniques utilisées pour décrire un ensemble relativement important de données. L'objectif de la statistique descriptive est de décrire, c'est-à-dire de résumer ou représenter, par des statistiques, les données disponibles quand elles sont nombreuses. Toute description d'un phénomène nécessite d'observer ou de connaître certaines choses sur ce phénomène. Les observations disponibles sont toujours constituées d'ensemble d'observations synchrones.

Science des données