Internet of Things (IoT)

Donner aux data scientists les outils pour s’exprimer dans l’IoT

Share this post:

Sans outils analytiques, la vraie valeur de l’Internet des Objets ne peut émerger. Grâce à la plateforme IoT d’IBM, les data scientists disposent des instruments pour développer leurs modèles et tirer parti de Watson.

Avec l’Internet des Objets (IoT, pour Internet of Things), un des enjeux est bien sûr de savoir gérer les problématiques liées aux réseaux, aux capteurs, à l’acquisition des données, etc. Mais la valeur ajoutée de l’IoT se situe dans l’exploitation de toutes les données ainsi récupérées. Le premier niveau d’utilisation est simple : générer des alertes sur des seuils de température ou lorsqu’un réservoir est vide, par exemple. Aller plus loin suppose d’ajouter des outils analytiques : c’est ce que propose IBM avec le composant IBM Watson IoT Platform Analytics Service, disponible sur IBM Cloud.

 

Corrélation des données

Exploiter Analytics Service nécessite dans un premier temps de préparer les données en amont, de les formater, pour qu’elles puissent être utilisées dans la durée par les applicatifs. Si une sonde de température indiquant sa valeur en degré Celsius est remplacée par un modèle l’affichant en Kelvin, le traitement mis en oeuvre ne doit pas nécessiter de changements. La plateforme stocke au format brut l’ensemble des données qui arrivent des capteurs afin de pouvoir réintégrer certaines données (avec leur historique) si elles s’avèrent précieuses. Si le data scientist – c’est une de ses fonctions – doit appliquer des filtres pour collecter les données qui lui sont nécessaires, il est cependant intéressé par ces données brutes qui lui permettent d’identifier des corrélations. Cette étape de détection permet ainsi au data scientist de choisir le bon modèle pour effectuer l’analyse la plus adaptée aux exigences des cas d’usage.

Si toutes les données issues des devices sont conservées, elles ne sont pas stockées sur les mêmes architectures que les données filtrées. Ces dernières doivent être accessibles pour des traitements en quasi-temps réel, leur coût de stockage est donc plus élevé, ce qui rend indispensable l’étape de filtrage. D’autant que la taille des données est très variable : une machine outil dans un système Scada envoie des informations lourdes et à une fréquence très élevée, contrairement à un capteur de température utilisant un réseau de communication Low Range par exemple.

 

Des modèles d’analyse à inventer

Le composant Analytics Service contient par défaut de multiples modèles d’analyse. Typiquement, ils permettent d’évaluer une tendance afin d’anticiper une panne par exemple, ou de prévoir qu’une cuve sera bientôt vide. Surtout, grâce à ce module, le data scientist peut définir et tester de nouveaux modèles – à base de statistiques, de machine learning, etc. – et s’en servir pour livrer aux utilisateurs finaux des tableaux de bord avec les indicateurs utiles à leur métier (anticipation de panne, optimisation des processus…).

L’objectif est donc de fournir au data scientist tout ce dont il a besoin pour définir le bon modèle analytique en fonction du cas d’usage. Dans certains cas, la notion de preuve intervient. Autrement dit, prédire une panne ne suffit pas, il faut pouvoir expliquer pourquoi cette panne va se produire (en cas d’audit, par exemple). Dans d’autres cas, cette notion de traçabilité n’est pas indispensable et un autre modèle, plus simple et plus rapide, pourra être mis en oeuvre.

Autre facteur qui influe sur le choix d’un modèle analytique : la réaction au changement. Par exemple, si un bruit inhabituel apparaît sur une machine, certains modèles d’analyse de bruits seront certes plus efficaces en temps normal, mais exigeront plus de temps d’analyse.

Cette couche Analytics Service intéressera également les partenaires de l’entreprise. Un business partner pourra monter un cas d’usage spécifique par rapport à un marché de niche, en créant ses propres modèles d’analyse, sans devoir se préoccuper de la gestion de la plateforme IoT. Il récupère ainsi les informations qui l’intéressent, et peut se consacrer au développement de son application.

Le composant Analytics service est une option d’IBM Watson IoT platform qui permet à nos clients d’intégrer leurs propres modèles pour traiter leur cas d’usage. Certains clients cependant préfèrent mettre en place des applications verticales. IBM propose également des solutions verticalisées, comme IBM TRIRIGA Building Insights, qui embarque des modèles analytiques spécifiques à la gestion des bâtiments (Optimisation des flux énergétiques, Rationalisation de l’occupation des locaux, Gestion des assets).

Pour en savoir plus, visitez la page « Transformation numérique et Internet des Objets »

 

Field Application Engineer, IBM Watson IoT

More Internet of Things (IoT) stories
12 janvier 2021

La compréhension du langage et IBM

Nous avons publié une série de nouveautés sur nos services d’Intelligence Artificielle IBM Watson autour du traitement du langage naturel. Le communiqué de presse est disponible ici. Mais, je voulais revenir sur deux de ces annonces plus en détail. Watson Assistant Enhanced-Model Watson Discovery Reading Comprehension Un nouveau modèle amélioré de classification d’intention pour Watson […]

Continue reading

12 janvier 2021

Intelligence artificielle et Hybrid Multi-Cloud

L’hybrid Multi-cloud est devenu une réalité pour les entreprises et représente la futur génération des architectures IT. Ce rapport d’IDC montre bien que la phase 2 du « Move to Cloud » dans laquelle les entreprises sont entrées est Multi Public ou Multi Public-Private Cloud. The Road to Hybrid Multicloud L’intelligence artificielle de son coté a, ces […]

Continue reading

24 novembre 2020

Succès des projets d’IA : quand le Cloud et le Edge montrent leur complémentarité

Suite au webinar co-organisé par IBM et IDC sur le sujet du cloud et de l’edge computing au service de l’industrialisation des projets Data & IA dont vous pouvez trouver le replay ici : https://weevents.idc.com/d/27qc9p?RefID=IBM-track  IDC nous présente une synthèse de l’intérêt de l’usage de ces technologies combinées comme accélérateurs des projets d’Intelligence Artificielle. Le […]

Continue reading