IoT et Intelligence Artificielle : une combinaison efficace

IoT et Intelligence Artificielle :
une combinaison efficace

Le monde de l’Internet of Things (IoT) encore appelé les objets connectés n’a eu de cesse de se développer depuis ses balbutiements en 1999, et prend particulièrement son essor depuis 2015.

Les objets connectés envahissent progressivement notre quotidien et les déploiements se multiplient, que ce soit dans le domaine de la maison, du transport, de la santé, ou de l’industrie.

Les applications restent, cependant, simples à ce stade. Son avènement, nous amène à nous demander si, et comment, l’utilisation de technologies issues de l’Intelligence Artificielle, telles que le Machine Learning ou le Deep Learning, permettraient de mettre à profit la masse gigantesque d’informations envoyées par ces objets communicants.

Panorama des objets connectés et de leurs applications

Depuis la première mention d’objet communicant dans les années 90 jusqu’à aujourd’hui, l’internet des objets a envahi tous les domaines : domotique, véhicules, énergie, vêtements, industrie, bâtiment, santé, sécurité….

Comme l’indique la projection ci-dessous, le marché est appelé à se développer dans tous les secteurs.

Les chiffres sont parlants: le marché est destiné à croître de manière importante dans les années à venir.

Le cabinet Forbes fournit les perspectives suivantes :

Toutefois, même si le nombre d’objets connectés déployés est important, les utilisations qui en découlent restent aujourd’hui simples. Il s’agit d’applications plutôt basées sur la restitution brute de données sans apport fonctionnel démarquant.

On retrouve dans le grand public des objets connectés utilisés pour monitorer la température de la maison, pour programmer des thermostats, pour monitorer son propre poids… Mais ces applications restent dans le domaine du suivi unitaire de données.
Dans l’industrie ou le monde professionnel, les applications en production sont majoritairement orientées visualisation : construire des graphes de données historisées provenant des objets connectés, afficher des objets sur une carte, afficher la température instantanée d’une salle de réunion, …

Toutefois, les usages véritablement avancés restent à venir.

D’après les spécialistes du domaine³, il est possible d’identifier 5 phases de déploiement d’un projet IoT :

  • Collect ;
  • Transport ;
  • Store ;
  • Analyze ;
  • Archive.

Sur la base de cette classification, on peut estimer que la majorité du grand public ou du l’industrie est arrivée à maturité sur la phase « Store » : les données sont stockées et restituées tel quel. Des historiques de données sont disponibles. Les objets connectés sont utilisés pour faire du monitoring.

Les acteurs les plus avancés du marché commencent à développer des applications un peu plus intelligentes et basées sur la gigantesque masse de données récupérables via les objets connectés, mais ils restent en avance de phase par rapport à un environnement actuellement focalisé sur l’acquisition de données et les applications simples.

La prochaine grande étape sera la phase d’analyse dans laquelle il sera possible d’exploiter pleinement les historiques de données pour prédire des situations et donc de réagir de manière pro-active plutôt que réactive, notamment dans le domaine professionnel.

IA et objets connectés : démultiplier la puissance des applications

Au-delà de la simple analyse des données qui consiste à étudier l’évolution des métriques dans le temps et identifier quelques corrélations, la masse de données récupérables et déjà récupérées grâce aux objets connectés ouvre les portes à l’Intelligence Artificielle.

En effet, le Machine Learning plus encore que les autres domaines de l’Intelligence Artificielle, nécessitent de gros volumes de données pour pouvoir être efficaces.

Aujourd’hui, en 2019/2020, le domaine de l’IoT a atteint un seuil de données collectées qui permet d’envisager une utilisation efficace de ces technologies, et ainsi de faire un bond dans les usages et applications des objets connectés.

En combinant les données issues des objets connectés et des données contextuelles extérieures (météo, calendrier, …), et en exploitant la masse de données historisées sur les objets et machines déjà connectés, il est possible de faire des prédictions précises sur un domaine particulier et obtenir des fonctionnalités avancées basées sur ces prédictions.

 

Voici quelques exemples de fonctionnalités qu’il est possible d’activer aujourd’hui ou dans un futur proche :

  • Maintenance prédictive de machines,de véhicules ou de bâtiments ;
  • Efficacité énergétique des bâtiments ;
  • Optimisation du taux d’occupation des bâtiments ;
  • Résilience Urbaine et ville intelligente ;
  • Gestion prévisionnelle des stocks ;
  • Suivi du parcours des produits / optimisation de parcours produit.

Grâce à l’utilisation combinée de Machine Learning et de l’IoT, il est possible aujourd’hui, et dans un futur proche, d’adresser les fonctionnalités identifiées comme « High Potentiel » (« haut rendement court terme »), et « High gestation » (« Haut rendement long terme »).

Bien sûr, pour que ces fonctions soient techniquement réalisables, il faut avoir prévu dans les projets IoT de coupler les objets connectés à un système de stockage BigData combiné à un mécanisme de traitement distribué puissant capable de traiter les masses gigantesques de données telles que les plateformes HADOOP/Spark.
Ça n’est qu’à cette condition que les véritables usages avancés seront accessibles.

Dans un second temps, lorsqu’une phase de prédiction et de collecte de données sur les résultats des actions qui auront été entreprises suite aux prédictions sera disponible, il sera possible d’atteindreun pallier plus élevé encore où les outils pourront non seulement prédire des situations, mais encore suggérer des actions à mettre en place pour éviter les situations à risque ou pour optimiser des écosystèmes.

 

On peut imaginer des systèmes d’aide à la gouvernance qui proposeraient des fonctions de ce type :

  • Suggestion anticipée d’approvisionnement en fonction de la mode, des tendances, des saisons, de la météo … ;
  • Planning automatisé de maintenance de véhicules ou de bâtiments ;
  • Suggestion d’action pro-active à mettre en place pour mitiger un risque : Prévention des pics de pollution, prévention d’inondations … ;
  • Asservissement automatique d’un bâtiment pour optimiser la consommation d’énergie en maintenant le confort des usagers ;
  • Suggestion automatisée de modification de plans de circulation dans une ville ;

Tous les secteurs de marché sont concernés.

Ces fonctionnalités avancées seront accessibles dans un futur proche à condition de prévoir dès à présent la récupération de données utilisables sur les retours d’actions entreprises en réaction à des prédictions.

IA embarquée : vers des objets intelligents autonomes

Le challenge qui va occuper les années à venir sera de déporter l’intelligence de prédiction et de décision dans les objets connectés eux-mêmes, les transformant en objets autonomes.

En effet, à ce stade, et pour quelques années encore, toute l’intelligence de prédiction est déportée dans des applications qui s’exécutent côté serveur et qui exploitent des modèles de Machine Learning.

L’intelligence est donc centralisée sur un datacenter distant des objets, et le réseau est un élément primordial et limitant pour réaliser des objets autonomes fiables.

Des études menées actuellement portent sur le déport de cette intelligence dans les objets eux-mêmes : les calculs de Machine Learning qui s’appuient sur les énormes masses de données seraient toujours réalisés sur des clusters de calcul surpuissants, dans des datacenters distants. Néanmoinss le modèle en résultant pourrait, lui,  être intégré directement dans les objets autonomes si tant est qu’il soit suffisamment léger et peu consommateur en ressources.

L’exécution d’un modèle de Machine Learning requiert beaucoup moins de ressources que la création de celui-ci. Toutefois, le minimum de ressources en RAM et CPU reste aujourd’hui élevé et incompatible avec des composants de petite taille et de petite capacité.

C’est un véritable défi technique. En attendant, les premiers objets autonomes seront probablement les véhicules, qui disposeront de toute l’intelligence embarquée nécessaire au pilotage automatique d’une voiture dans un environnement réel.

Les véhicules ont la particularité d’être suffisamment spacieux et de pouvoir embarquer l’énergie nécessaire pour y intégrer des systèmes de calculs puissants, ce qui « facilite » le déploiement des modèles de Machine Learning à l’intérieur de ceux-ci.

C’est une première étape qui permettra de valider la viabilité d’objets intelligents autonomes.

L’intelligence sera ensuite portée dans des objets de plus en plus miniaturisés pour rendre des services de plus en plus avancés.

Le monde des objets connectés et de l’IoT a aujourd’hui atteint un niveau de maturité charnière. Le déploiement des objets et les données collectés sont donc suffisants pour envisager des usages très avancés en ouvrant les portes à toutes les technologies de l’intelligence artificielle à condition d’avoir un cluster de traitements puissant pour exploiter les données.

La combinaison des objets connectés et de mécanismes d’intelligence artificielle permettent d’envisager dans les prochaines années des applications très avancées d’aide à la décision, de suggestion d’action, voire même des « majordomes » automatisés pour tous les secteurs de marché.

A plus long terme, il est possible d’envisager des objets autonomes intelligents qui pourraient fonctionner connectés ou non et ainsi offrir des fonctionnalités très avancées quelle que soit la situation.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *