IoT & analyse de données : le machine learning est-il un passage obligé ?

L’internet des objets représente aujourd’hui des millions d’objets connectés qui chaque jour génèrent un déluge de données. Quelle exploitation peut-on en faire pour créer de la valeur demain ? La question anime les entreprises. Le machine learning apparaît comme la réponse.

 

Tendances de recherche sur la requête « machine learning » entre été 2015 et été 2017.

Analyse de données Vs machine learning

L’évolution des recherches Google sur le machine learning ces deux dernières années témoigne de l’engouement pour ce concept. Dès lors, de nombreuses entreprises évaluent l’opportunité d’intégrer cette évolution majeure dans le traitement des données issues d’objets connectés.
En réalité, avant de se lancer dans l’implémentation de systèmes compliqués basés sur l’auto-apprentissage, il convient d’apprécier l’utilisation qui est faite de l’analyse de données traditionnelle. Car bien exploitée, celle-ci permet d’appréhender une situation en profondeur.

 

Alertes et rapports

Le premier stade de l’analyse de données consiste à centraliser ces données dans un outil qui permet de générer des rapports d’activités quotidiens, hebdomadaires, mensuels… Ces rapports permettent de prévenir des dysfonctionnements, de guider vos décisions et d’évaluer votre stratégie au fil du temps. Malheureusement ces rapports sont souvent isolés dans un système dédié et ne sont généralement accessibles qu’à une poignée d’initiés.
Prenons l’exemple d’un data centre. Un système de gestion de données alerte un opérateur d’un serveur défectueux et le rapport d’activité présente l’ensemble des serveurs défectueux durant une période donnée.

 

Intégration dans le système d’information

Le second stade de l’analyse de données consiste à mettre à disposition ces données au cœur des outils de l’entreprise. Plus besoin de s’identifier dans un système isolé. Les informations sont transmises au bon moment et à la bonne personne. Le nombre d’utilisateurs capables d’exploiter ces informations augmente ainsi considérablement.

Reprenons notre exemple de data centre, le technicien en charge de la maintenance des serveurs reçoit l’alerte sur l’existence d’une panne au sein même de son système habituel.

Là où l’analyse traditionnelle des données s’appuie sur l’expertise humaine pour déceler les corrélations entre les variables, elle se révèle toutefois peu efficace pour traiter des données très changeantes, peu structurées ou très nombreuses. En effet, le traitement des données relevées par l’IoT requière souvent la mise en corrélation de dizaines de données avec des facteurs extérieurs soit des millions de valeurs à traiter. Le machine learning confie cette analyse à un algorithme auto-apprenant capable de traiter cette quantité de données.

 

Quand le machine learning démultiplie le potentiel des données

Une nouvelle famille de logiciels a fait récemment son apparition en apportant une fonction inédite et essentielle à l’IoT : la prédiction. En analysant toutes les données produites par les capteurs et en les comparant avec les données du passé, les logiciels dits « auto-apprenant » sont capables par comparaison de détecter les symptômes d’apparition d’un incident et de prévenir avant qu’il n’apparaisse.

Au sein d’un data centre, le technicien chargé des serveurs sera prévenu du danger d’apparition d’une panne sur un serveur donné. Le système proposera les actions correctives possibles pour éviter la panne.

L’étape suivante consiste à supprimer l’intervention humaine dans le processus. Lorsque le logiciel identifie un risque d’incident, il est capable de modifier de lui-même le fonctionnement du système et ainsi éviter la panne. Il n’est plus nécessaire d’envoyer d’alerte.

Dans le cas du data centre, l’algorithme identifie qu’un incident va se produire, une surchauffe par exemple, et modifie lui-même la température ambiante afin d’éviter la panne.

 

Comment cela fonctionne-t-il ?

Une entreprise se fixe un objectif, comme diminuer sa consommation d’eau ou d’énergie. Grâce à un cycle « test / erreur » l’algorithme analyse les données produites, les compare à son historique et modifie le comportement avant de réaliser un nouveau test. C’est ainsi qu’il peut de lui-même optimiser le fonctionnement d’un système. Il apprend et détermine les combinaisons de variables qui permettent d’atteindre l’objectif.
Le machine learning est à privilégier sur l’analyse traditionnelle de données lorsque vous poursuivez objectif sans toutefois que l’expertise humaine parvienne à identifier les leviers à activer pour l’atteindre.

Ce type de comportement logiciel constitue la première étape vers l’intelligence artificielle dont les applications sont multiples et restent pour la plupart à inventer.

Laisser un commentaire

Optimization WordPress Plugins & Solutions by W3 EDGE