4 étapes pour dériver des actions à partir des données IoT

Aujourd'hui, les appareils génèrent plus de données IoT que les réseaux sociaux. Chaque appareil peut envoyer des données plusieurs fois par seconde. Avec des millions d'appareils connectés, une plate-forme de traitement de données typique peut être nécessaire pour gérer des milliards d'événements entrants chaque jour.

Même si le traitement de cette quantité de données est évidemment un défi technologique considérable et en aucun cas anodin, il est clair que les données de l'appareil elles-mêmes - même lorsqu'elles sont stockées sous une forme prétraitée - ne sont pas quelque chose d'actionnable. Pour obtenir des informations exploitables, les données collectées doivent être analysées.

Un type de tâche qui peut être efficacement abordé avec l'analyse de données dans l'IoT est la détection d'anomalies . Son objectif est d'identifier un comportement inhabituel dans les appareils connectés qui diffère de manière significative de ce qui a été observé auparavant ou de ce qui est attendu.

Source :Bosch.IO

Tout va bien avec mes tondeuses à gazon connectées ?

Regardons un exemple tiré d'un de nos projets de détection d'anomalies. Nous avons appliqué nos algorithmes à une flotte de tondeuses à gazon autonomes (ALM). À l'aide de l'un de nos services Bosch IoT Analytics, les anomalies peuvent être calculées pour cette flotte de tondeuses à gazon compatibles IoT au cours de la saison de tonte. À cette fin, les données utilisées contiennent des messages d'état et d'erreur envoyés par les tondeuses à gazon utilisées au backend dans le cloud.

Supposons que chaque semaine, notre service soit configuré pour identifier les dix principales anomalies dans ces données. Les tondeuses à gazon qui apparaissent à plusieurs reprises dans la liste des principales anomalies peuvent être automatiquement marquées et organisées dans une liste. Le personnel de service et/ou les responsables qualité peuvent alors les inspecter manuellement. De plus, les résultats de la détection d'anomalies peuvent être analysés pour des modèles significatifs et regroupés en catégories d'incidents.

Par exemple, des modèles particuliers de messages d'état et d'erreur peuvent indiquer que le micrologiciel des tondeuses individuelles doit être mis à jour ou que les tondeuses n'ont pas été configurées correctement. En regroupant les modèles observés en catégories, des stratégies de solution - c'est-à-dire des actions spécifiques - peuvent leur être associées et déclenchées automatiquement chaque fois que les modèles apparaissent dans les données d'événement. Cela peut entraîner la diffusion active du dernier micrologiciel sur la tondeuse concernée ou le contact proactif du client (à condition qu'il ait donné son consentement) pour proposer l'assistance d'un technicien de service. Ce sont des moyens d'augmenter la satisfaction des clients.

Source :Bosch.IO

Comment détectez-vous les anomalies dans les données de votre appareil ?

L'analyse des données - et la détection des anomalies en particulier - n'est pas une procédure mais plutôt un nom générique pour un certain nombre d'algorithmes et de transformations visant à extraire des connaissances implicites cachées dans les données. Il existe de nombreux types d'anomalies et de nombreux domaines de problèmes différents avec leurs données spécifiques et leurs formulations de problèmes.

Le processus d'analyse des données implique de nombreuses étapes et utilise des technologies très différentes - des transformations de format aux algorithmes sophistiqués d'apprentissage automatique et à la construction de visualisations précieuses. En règle générale, un processus d'analyse de données comprend les étapes suivantes :

Étape 1 :Rendre les données de l'appareil disponibles

Après avoir connecté vos appareils, les données envoyées par ces appareils doivent être transférées sur différents canaux, puis stockées de manière cohérente dans une base de données avant de pouvoir être traitées.

Étape 2 :Pré-traitement des données de l'appareil

Dans le processus global d'analyse, diverses tâches de prétraitement des données peuvent expliquer la plupart des difficultés. C'est pourquoi il est important de choisir ou de développer une technologie pour un développement et une exécution efficaces de tels scripts. Cette étape est conçue pour résoudre de nombreux problèmes, tels que le nettoyage des données et la génération de fonctionnalités spécifiques au domaine. Il est souvent appelé « data wrangling », qui est défini comme une exploration et une transformation itératives des données pour permettre l'analyse.

Étape 3 :Analyser les données de l'appareil

Cette étape du processus se concentre sur la recherche d'anomalies dans les données d'entrée tout en choisissant un algorithme d'exploration de données approprié et en affinant ses paramètres.

Étape 4 : visualiser les données de l'appareil

Enfin et surtout, les données doivent être visualisées pour l'utilisateur final. Ce faisant, il est important de choisir des techniques visuelles adaptées à la tâche à résoudre et au domaine de problème respectif.

Source :Bosch.IO Source :Bosch.IO

La détection d'anomalies n'est qu'une première étape vers des cas d'utilisation d'analyse IoT plus complexes, tels que la maintenance prédictive. Une fois que les appareils qui se comportent de manière anormale ont été identifiés, ils doivent être explorés par des experts du domaine et classés en classes de problèmes. Si possible, les informations sur la solution du problème doivent également être annotées. Compiler les informations de maintenance et les fusionner avec ces données et les résultats de l'analyse permet la construction d'un ensemble de données propre et riche. À son tour, cet ensemble de données peut être utilisé pour créer un modèle de prédiction du type requis pour les solutions de maintenance prédictive.

De plus, non seulement ces résultats de détection d'anomalies mettent en évidence des problèmes, mais ils peuvent également orienter les experts du domaine vers de nouvelles opportunités (commerciales). Si des anomalies spécifiques apparaissent dans différents appareils de manière systématique, cela peut indiquer qu'une certaine fonctionnalité est manquante. Dans le cas des tondeuses à gazon autonomes, des anomalies systématiques apparaissant dans un sous-groupe pourraient être causées par un motif répété de topographie spéciale dans les jardins tondus. Par conséquent, ceux-ci peuvent nécessiter un module complémentaire algorithmique pour la tondeuse à gazon qui peut être vendu en tant que fonctionnalité avancée.

Nous avons récemment publié un livre blanc sur la « Détection d'anomalies avec des données d'événements dans l'Internet des objets » qui a suscité beaucoup d'intérêt. Il se concentre sur les défis et les meilleures pratiques pour les étapes de traitement mentionnées ci-dessus et comprend des observations que j'ai faites dans divers projets d'analyse de données.

Télécharger le livre blanc