Azure IoT Edge
Le système Azure IoT Edge est un service des objets connectés (IoT) qui repose sur IoT Hub. Dévoilé il y a un an, il est sorti de sa bêta et devient disponible pour toutes les entreprises ! Microsoft a aussi annoncé le passage en open source de la solution.
Le cloud computing VS le edge computing
Rappelons que le cloud computing permet d’exploiter la puissance de calcul de serveurs distants au travers d’un réseau, généralement Internet. Aujourd’hui, avec la multiplication des données et l’arrivée des objets connectés, l’on voit apparaître de plus en plus le edge computing. Un système qui permet d’intégrer une couche d’intelligence artificielle au moment du traitement des données dans le cloud mais de plus en plus directement à la source. L’objectif est d’intégrer une capacité de calcul et d’analyse dans les objets et capteurs eux-mêmes ou à proximité en temps réel. Nous faisons alors face, non plus à une architecture centralisée, mais à une architecture distribuée qui favorise le transfert rapide et sécurisé des données.
Azure IoT Edge
Azure IoT Edge est un système innovant de Microsoft servant à déporter les calculs sur les gateways qui connectent les objets plutôt que dans le cloud. L’intégration de ce service permet donc d’appliquer l’intelligence artificielle et le machine Learning au plus près des objets connectés.
Ce service prend en charge le déploiement de votre propre code sur les périphériques et fonctionne sur le même modèle de programmation que les autres services Azure IoT. Il prend en charge Java, .NET Core 2.0, Node.js, C et Python. Vos développeurs peuvent ainsi coder dans un langage qu’ils connaissent déjà et utiliser la logique métier existante sans avoir à l’écrire à partir de zéro.
Un des modules Azure Machine Learning prédit l’échec d’un appareil et détecte des anomalies à partir de données de capteurs sur l’appareil IoT Edge simulé. L’intelligence artificielle déportée sur les périphérique IoT amène la simplification des données puisqu’elles sont désormais filtrées. Les appareils IoT, avec ce module, ne sont plus soumis à une intelligence globale mais peuvent s’adapter à une situation particulière. Le périphérique sera alors capable de répondre à des situations d’urgence sans avoir à remonter jusqu’au datacenter.
La méthode Crisp
Afin de parvenir à déployer le système Azure IoT Edge, le méthode crisp peut-être mise en place. Souvent utilisée en Data Science, va permettre de gérer des données. Cette méthode est agile et itérative. Chaque itération apporte de la connaissance métier supplémentaire qui permet de mieux aborder l’itération suivante. Ce modèle se compose de six étapes :
Premièrement il est important de comprendre les éléments métiers et les problématiques que la Data Science vise à résoudre ou à améliorer. La 2nd étape est une phase qui vise à déterminer et comprendre les données à analyser (identifier la qualité, faire le lien entre les données etc.). La 3ème phase est la construction du Data Hub qui prépare les données en les regroupant (classement des données en fonction de critères choisis), en les nettoyant et en les recodant pour les rendre compatibles avec les algorithmes qui seront utilisés. Toutes ces données doivent en effet être centralisées dans une base de données structurée et qui porte le nom de Data Hub. C’est à ce moment-là qu’apparaît la 4ème étape : la modélisation. Elle comprend le choix, le paramétrage ainsi que le test de différents algorithmes. Une fois toutes ces étapes réalisées, on passe à l’évaluation qui constitue la 5ème phase de notre méthode. Cette évaluation vise à vérifier le modèle afin de s’assurer qu’il répond aux objectifs déterminés. Enfin, la dernière et 6ème étape est le déploiement. Cette étape finale consiste à mettre en production notre processus.
La concurrence
D’autres sociétés ont bien compris le sujet, à commencer par Amazon avec son offre AWS Greengrass ou encore l’entreprise Cisco qui propose du Edge Computing dans ses routeurs et le nomme Fog Computing. GE Digital propose également ses solutions nommées Predix Machine et IBM n’est pas en reste avec Quarks.
Autres articles
Retour d’expérience sur le passage de Python à Cython
Le mardi 6 juillet 2021
Contexte
Je suis Leader Technique et mon équipe est en charge de l’évolution ainsi que de la maintenance de distributeurs automatiques de billets. Nous travaillons sur des automates conçus en 2004 et 2007, qui ont aujourd’hui des ressources limitées. Le contexte projet fait que ces automates ont une combinatoire de vente très importante.
La découverte d’une organisation full Scrum
Le lundi 31 mai 2021
Dans le cadre d’un projet en collaboration avec l’un de nos clients, j’ai pu découvrir une organisation d’équipe « Scrum » telle que je ne l’avais jamais pratiqué auparavant. Il s’agissait d’une équipe pleinement autogérée.
Nous devions travailler en collaboration avec deux équipes de développement, en organisation Scrum et sur un même produit.
Le but était d’enrichir le produit afin qu’il soit de la meilleure qualité possible, et ce, en respectant les délais impartis par le client. J’ai donc pu confronter nos méthodologies.
La méthodologie agile
De mon expérience de chef de projet, j’ai travaillé sur des projets industriels, orientés vers le naval militaire ou les systèmes embarqués. Ces projets sont difficilement réalisables en agilité : il s’agit souvent de cycles en V classiques avec une seule itération de développement et en travaillant sur un cahier des charges clair et défini dès le début des développements.
Zoom sur la Data Science : comprendre la science des données
Le jeudi 8 avril 2021
Qu’est-ce que la Data Science ?
La Data Science s’est développée avec l’arrivée des volumes massifs de données et ce grâce au Big Data. La science des données consiste en l’extraction d’informations à partir de données prenant différentes formes : des données structurées, des images, des sons… En utilisant des modèles statistiques ainsi que le machine learning. Elle regroupe plusieurs méthodes provenant de domaines tels que les mathématiques, les statistiques ou l’informatique.
