Exploiter les données IoT de la périphérie vers le cloud et vice-versa

L'Internet des objets (IoT) offre le potentiel d'améliorer considérablement de nombreuses tâches aussi diverses que la maintenance préventive des appareils électroniques aux feux de circulation intelligents pour aider à réduire la congestion.

En tant que Pinakin Patel, responsable de l'ingénierie des solutions pour MapR dit, de nombreux cas d'utilisation nécessitent la collecte de données de capteurs à partir de périphériques périphériques qui sont envoyées via une connexion réseau à une application centralisée pour analyse avant qu'une action ne soit effectuée ; souvent de retour au bord.

Cette méthodologie classique d'entrée, de traitement et de sortie est bien comprise, mais tout environnement IoT peut être un défi de gestion des données en raison des énormes volumes de données qui sont créés et des latences inhérentes à la distribution mondiale.

Données IoT plus volumineuses

Les défis de l'agrégation de données à partir d'appareils destinés aux consommateurs, comme les technologies portables et les thermostats intelligents, sont bien compris. Pour ces types d'appareils, le volume de données est dû au grand nombre d'appareils, et chaque appareil individuel ne crée pas nécessairement beaucoup de données.

Cependant, il existe un nouvel ensemble de défis pour les appareils IoT qui génèrent des mégaoctets ou des gigaoctets de données par seconde. Par exemple, l'analyse en temps réel de la vidéo, de l'audio et de la « détection et télémétrie de la lumière » (LIDAR) sont tous des domaines où les flux entrants pourraient submerger les architectures de stockage de données traditionnelles.

Certes, l'infrastructure devra changer, car ces volumes de données dépasseront probablement la bande passante disponible pour agréger les données dans un référentiel central. Les véhicules, les appareils médicaux et les plates-formes pétrolières sont de parfaits exemples de sources de données qui nécessitent une architecture beaucoup plus puissante que celles dont ont besoin les appareils destinés aux consommateurs. Et à mesure que ces flux de données IoT atteindront les clouds centralisés pour le traitement, ce seront de plus en plus l'intelligence artificielle et l'apprentissage automatique qui aideront à trouver des informations et à générer les actions ultérieures.

Exemple de soins de santé

Cependant, parler dans l'abstrait en ce qui concerne l'IoT est difficile car chaque cas d'utilisation aura des pilotes et des exigences différents. Au lieu de cela, regardons quelques exemples concrets comme indicateur des types de défis impliqués.

La détection et le traitement précoces des maladies chroniques, telles que les maladies cardiaques, peuvent sauver des vies et réduire le coût des soins de santé. Deux des plus gros problèmes sont la coordination des soins et la prévention des hospitalisations pour les personnes atteintes de maladies chroniques. Plusieurs essais utilisent des capteurs moins chers qui peuvent surveiller les signes vitaux des patients et envoyer ces données avec la lecture de l'électrocardiogramme (ECG) sur les réseaux cellulaires en tant que flux régulier vers les applications dans le cloud.

Ces applications de diagnostic et de surveillance analysent les signes vitaux et les lectures ECG de chaque patient tout en tenant compte des données historiques des dossiers médicaux. Les flux de données dans le système comprennent des flux en temps réel, des données historiques, des données de patients et des données de référence créées en agrégeant d'énormes volumes d'analyses précédentes d'autres patients.

Dans cet exemple, comme beaucoup d'autres dans le paysage de l'IoT, les cliniciens ont besoin d'un flux de travail qui collecte des données, les regroupe et apprend sur toute une population d'appareils pour comprendre les événements et les situations. Dans ce scénario, la détection d'une anomalie telle qu'une surmédication ou des signes avant-coureurs d'un événement cardiaque imminent peut nécessiter plus d'intelligence à la périphérie afin qu'ils puissent réagir très rapidement à ces événements.

Les chercheurs ont construit une plate-forme qui utilise des éléments communs pour traiter à la fois les données de flux et de lots au sein d'une matrice de données commune qui peut aider à gérer toutes les données de la même manière, contrôler l'accès aux données et appliquer l'intelligence de manière hautement performante et évolutive. .

Exemple automobile

Cette approche Data Fabric est également exportée dans d'autres applications IoT. Par exemple, Mojio — The IoT Connected Car vise à créer un écosystème qui permettra aux secteurs de l'automobile, des assurances et des télécommunications de prospérer ensemble. Mojio prévoit de connecter 500 000 véhicules à sa plate-forme cloud dans une première phase qui donnera accès à différents types de données comportementales, diagnostiques et contextuelles en fonction des besoins.

Par exemple, des données comportementales où le dispositif télématique de Mojio recueille des informations sur la vitesse, la direction et les entrées de freinage pour déterminer le niveau de fatigue d'un conducteur et émettre des alertes. Les données sur le comportement de conduite à long terme peuvent également être utilisées pour aider l'utilisateur à adopter un style de conduite plus économe en carburant et à calculer le risque par les compagnies d'assurance.

Convergence et tissus

Dans les deux scénarios ; les chercheurs en soins de santé et les ingénieurs de voitures connectées examinent de nouvelles façons de créer les applications de nouvelle génération. Au cœur de ces projets se trouvent plusieurs technologies courantes, notamment un stockage de données à l'échelle du cloud, une base de données puissante et un streaming persistant intégré pour créer de nouvelles possibilités pour les développeurs d'entreprise cherchant à concevoir, développer et déployer des applications qui étaient impossibles jusqu'à présent.

La combinaison de ces éléments est souvent appelée plate-forme de données convergée et commence à être adoptée dans un plus large éventail de cas d'utilisation de l'IoT. Ces plates-formes offrent des avantages, notamment la création d'une structure de fichiers à IOPS élevé et à faible latence pour les applications informatiques hautes performances. Un autre avantage réside dans les scénarios d'analyse en temps réel où une fabrique de données peut simultanément ingérer, stocker, analyser, traiter et décider, sans faire de copies.

À mesure que les données IoT passent de la périphérie au cloud et vice-versa, les entreprises devront oublier les architectures monolithiques du passé et considérer la convergence comme le point de départ pour fournir l'échelle nécessaire à de nouveaux cas d'utilisation innovants.

L'auteur de ce blog est Pinakin Patel, responsable de l'ingénierie des solutions pour MapR.

À propos de l'auteur

Pinakin Patel est à la tête de l'ingénierie des solutions pour MapR. Il a plus de 25 ans d'expérience dans le monde des données et dans la manière dont les organisations tirent de la valeur de cette ressource commerciale essentielle.