Le device IoT : Valeur ou commodité ? (suite et fin)

Allons plus loin dans l’analyse !

Aujourd’hui, il ne faut pas se leurrer, l’IoT, en particulier au travers des réseaux LPWan, met à destination des utilisateurs finaux (end-users) des data que j’ose appeler des valeurs brutes.

Ce sont, soit des données de géolocalisation, soit des valeurs de température, voire de chocs, de pression, d’humidité, … mais ce sont toujours des valeurs brutes, non traitées en volume. Elles sont traitées dans le Cloud, ou plutôt formatées dans le Cloud, dans le cadre d’historiques, de KPI, sous forme de camembert, courbes, histogrammes, mais très rarement (y compris dans le cloud) traitées en masse au travers de process de Machine Learning ou d’Intelligence Artificielle.

La seule solution pour bénéficier de data en masse dans le Cloud est de pouvoir bénéficier de data provenant de centaines de milliers de devices sur des actifs de même catégorie, pour pouvoir anticiper à partir de phases d’apprentissage, leur futur comportement collectif. Il faut que ces actifs soient de nature similaire : il n’y a pas d’intérêt à travailler sur des données concernant à la fois des palettes, des tourets ou des remorques.

C’est très difficile aujourd’hui, car le nombre d’actifs connectés en LPWan est trop faible pour en tirer vraiment un enseignement à partir des techniques de IA/ML. De plus cela ne permet pas de prévoir un comportement d’un actif spécifique (à l’unité) en temps réel. Il suffirait pour ce faire, allez-vous me dire, de transférer des data d’un actif connecté dans le Cloud et d’appliquer ces techniques de système intelligents.

Il faudrait changer de paradigme : passer d’une masse de données d’un groupe d’actifs à une masse de données d’un seul actif.

Et c’est là que le bât blesse !

Un des capteurs phare, et ce n’est pas le seul, pourvoyeur de data permettant d’appliquer ces approches ML/IA est l’accéléromètre 3D.

La difficulté réside dans le fait que la quantité de data produite par l’Accéléromètre 3D est beaucoup trop volumineuse pour la bande passante du réseau LPWan. Et on sait que plus on a de data, mieux on se trouve en matière de IA/ML !

En effet 30 minutes de data produite par un Accéléromètre 3D sature les réseaux LPWan pendant 1 an !

On ne peut pas donc pas traiter ce type de data dans le Cloud, car le « bottle neck » est sévère ! La technologie actuelle ne permet pas d’atteindre cet objectif.

La solution ?

Traiter ce type de data dans le device avec des techniques de IA/ML, tout en maitrisant la consommation d’énergie !

Ce sera, de notre point de vue, un des moyens d’augmenter la valeur créée et de passer de la donnée brute à la donnée intelligente, c’est-à-dire le comportement ou l’usage.

Pour ce faire, il n’y a qu’une solution : Maitriser l’ensemble de la chaine du device : mécanique, HW, SW et énergie.

Une raison de plus de travailler avec nous !

Let’s ffly4u !

Bon weekend. Olivier