L'avenir de l'Internet des Objets – Quatre points à prendre en compte

article in Englisharticle in German

Quel avenir pour l'Internet des objets ?

Il ne fait aucun doute que les « objets connectés » ne cessent de se multiplier, accompagnés par une augmentation exponentielle des données. Cette tendance n'affecte pas seulement les consommateurs mais aussi de nombreux secteurs d'activité : santé, industries pétrolière et gazière, transport, aviation, etc.  Pour les entreprises qui cherchent à exploiter ces technologies, la prolifération des capteurs et terminaux intelligents crée de nouvelles formes de valeur tout en faisant apparaître des défis spécifiques. Toutefois, même si ce tsunami de données a le potentiel de transformer le paysage industriel comme jamais auparavant, bien peu d'entreprises disposent à ce jour des technologies nécessaires ou même de business models capables d'exploiter réellement la puissance de l'Internet des objets (IoT).

Comment les entreprises doivent-elles s'informer face à cette invasion de capteurs et terminaux connectés, et comment peuvent-elles s'y préparer dès maintenant – sous peine de se laisser distancer par des concurrents plus réactifs ? Nous vous présentons ci-dessous quatre aspects à surveiller :

Des compteurs intelligents pour une planète plus intelligente

Prenez par exemple les compteurs intelligents/connectés (déjà déployés par m2ocity, lauréat des Talend Data Masters et par Springg) et considérez leur contribution à l'augmentation du volume des données. Ce type d'appareil génère environ 400 Mo de données par an. Pas très spectaculaire... mais les chiffres font rapidement boule de neige !  Un récent rapport de Bloomberg prédit que 680 millions de compteurs intelligents seront installés dans le monde d'ici à 2017, soit (estimation) 280 péta-octets de données générées par ces compteurs chaque année !

Mais vous vous demandez sans doute comment de simples compteurs peuvent contribuer à une planète plus intelligente ? Prenez l'exemple de Springg, une SSII internationale spécialisée dans la gestion des données agricoles, le développement de logiciels et les technologies à base de capteurs. Grâce aux logiciels Talend, Springg peut évaluer les données collectées par les capteurs utilisés dans ses laboratoires mobiles répartis dans le monde entier pour mesurer la composition des sols. À partir de cette connaissance, Springg formule des conseils aux agriculteurs au sujet de leurs terrains et des engrais, ce qui leur permet d'augmenter considérablement leurs cibles de rendement – et de contribuer à l'alimentation du monde.

Données volantes

Vous aimeriez connaître une autre zone de croissance des données de machine à machine ?  Il vous suffit de lever le nez ! Un rapport Wikibon signale que l'industrie aéronautique est prête pour l'innovation sous forme d'analytique des Big Data. Un vol commercial (selon la durée) peut générer jusqu'à 40 To de données qui serviront à analyser le trajet, régler le fonctionnement des réacteurs, identifier des routes plus économiques et réduire le temps passé au sol. (Ce type de prise de décision piloté par les données est également en train de révolutionner l'e-commerce.) Les compagnies aériennes qui seront capables de gérer leurs Big Data en temps réel et les transformer en connaissance bénéficieront un avantage concurrentiel décisif.

Prenez par exemple la compagnie aérienne Air France/KLM. Chacun de ses Airbus A380 est équipé d'environ 24.000 capteurs qui génèrent 1,6 Go de données par vol. La compagnie utilise ces données pour détecter les incidents avant même qu'ils se produisent. En analysant cette masse de données, Air France peut détecter les réparations 10 à 20 jours avant qu'elles deviennent nécessaires.  Cette nouvelle approche évite les immobilisations intempestives des avions, une situation qui a un impact sur les coûts de la société, mais aussi son niveau de service à la clientèle et son chiffre d'affaires.

Apprentissage automatique et science des données

Les données sont le carburant de votre entreprise. Vous devez non seulement en intégrer autant que vous pouvez, mais vous devez aussi les analyser en vue de détecter une connaissance insoupçonnée.  Les techniques de science des données (data science) et d'apprentissage automatique (machine learning) ont tendance à se diffuser dans les entreprises, dans la mesure où celles-ci sont de plus en plus souvent pilotées par les données. L'apprentissage automatique est une forme d'intelligence artificielle (IA) qui permet aux ordinateurs d'enrichir leurs connaissances et de prendre des décisions – par exemple pour automatiser certaines tâches portant sur des données scientifiques.  Et avec le volume de données provenant des milliards de sources de l'Internet des objets (IoT), ce type d'automatisation est certainement une bonne nouvelle !  La librairie de machine learning Spark MLlib est en train de gagner en popularité avec ses nombreux algorithmes d'apprentissage automatique spécialisés dans la segmentation des clients, les prévisions, la classification, les analyses de régression, etc. L'intégration de mécanismes d'apprentissage automatique dans les charges de travail les plus exigeantes va être une étape importante pour les entreprises qui souhaitent exploiter plus efficacement le tsunami de données généré par les objets connectés – et qui sont à la recherche de la proverbiale aiguille [de connaissance] dans la botte de foin [de l'IoT].

Opérationnalisation de l’analytique

Même si nous sommes déjà entrés dans « l'âge d'or » des Big Data, un fait reste surprenant : la plupart des entreprises n'utilisent PAS tout le potentiel de leurs données.  Une récente étude McKinsey a même montré que moins de 1 % des données générées par l'IoT sont utilisées pour les prises de décision ! QUOIIIII ?!

Pourquoi cette situation ? Dans la plupart des cas, les données générées par l'IoT restent confinées à des rôles d'alarme ou de contrôle en temps réel et non à des initiatives d'optimisation ou d'analytique prédictif/prescriptif. Par ailleurs, il y a encore de nombreux défis à relever pour faire de l'apprentissage automatique une réalité universelle.  Les données doivent d'abord être organisées et nettoyées. Passer du modèle à la production peut prendre un certain temps (parfois plusieurs mois !) : les modèles analytiques changent constamment, exigent de multiples mises à jour, et le codage à la main est loin d'avoir disparu... Toutes ces contraintes ne vont pas dans le sens l'entreprise pilotée par les données.  Et pourtant, il existe une solution ! Les entreprises qui appliquent des technologies natives et ouvertes comme celles de Talend pour réaliser l'intégration en temps réel de leurs Big Data en évitant tout codage manuel et en tirant parti des qualités des produits Spark/Spark Streaming et de l'apprentissage automatique Spark, sont prêtes à dégager une meilleure connaissance de leurs données brutes.

Contactez-nous

Vous souhaitez découvrir les nouvelles fonctionnalités de Talend 6.1 en matière d'apprentissage automatique et d'intégration des Big Data en temps réel ?  Suivez notre webinar à la demande.

Share

Leave a comment

Ajouter un commentaire

More information?