De l'Edge au Cloud : maîtriser les pipelines de données IoT

L'Internet-des-Objets (IoT) peut transformer une large gamme de tâches — de la maintenance prédictive d'appareils ménagers aux signaux de trafic intelligents qui fluidifient la congestion.

Selon Pinakin Patel, lead Solutions Engineering chez MapR, la plupart des scénarios IoT commencent avec des données de capteurs s'écoulant des devices edge vers un moteur d'analytique centralisé, qui déclenche ensuite des réponses — souvent de retour à l'edge.

Si le modèle input-process-output est standard, les déploiements IoT peuvent tendre les systèmes de data management dus aux volumes massifs de données et la latence qui vient avec la distribution mondiale.

Données IoT plus grosses

Agréger des données depuis des devices consommateurs — wearables, thermostats intelligents, etc. — est familier ; le volume provient du nombre pur d'appareils plutôt que de la sortie de données individuelle.

De nouveaux défis émergent quand les devices produisent des mégaoctets ou gigaoctets par seconde, comme les flux vidéo, audio ou LIDAR temps réel qui peuvent dépasser les solutions de stockage conventionnelles.

L'infrastructure doit évoluer : les flux high-volume satureront la bande passante existante, nécessitant des architectures robustes — pensez véhicules, équipements médicaux, et plateformes offshore. Une fois dans le cloud, l'IA et le ML deviennent essentiels pour extraire des insights et orchestrer des actions automatisées.

Exemple santé

Les discussions abstraites peuvent obscurcir la réalité ; chaque cas d'usage IoT a ses drivers et besoins uniques. Examinons des scénarios concrets pour illustrer les défis typiques.

La détection précoce et le traitement de maladies chroniques — comme les maladies cardiaques — peuvent sauver des vies et couper les coûts. Les obstacles clés sont la coordination des soins et la prévention des admissions hospitalières. Des programmes pilotes déploient des capteurs abordables qui streament signes vitaux et lectures ECG sur réseaux cellulaires vers des applications cloud-based.

Ces plateformes de diagnostic évaluent les vitaux temps réel et ECGs aux côtés des dossiers médicaux historiques des patients. Les flux de données combinent streams live, données archivées, métriques patient individuelles, et datasets de benchmark compilés depuis de vastes repositories de scans antérieurs.

Les cliniciens ont besoin d'un workflow qui gather, agrège, et apprend à travers une large cohorte d'appareils pour repérer les événements critiques. Détecter des anomalies — comme surdosage ou incidents cardiaques imminents — demande de l'intelligence edge-side pour une réponse rapide.

Des chercheurs ont développé une plateforme qui unifie le stream et batch processing dans un seul data fabric, permettant une gestion de données consistante, un contrôle d'accès granulaire, et une intelligence scalable, haute performance.

Exemple automobile

La même stratégie data-fabric s'applique ailleurs, comme la plateforme Connected Car de Mojio, qui unit les parties prenantes automotive, assurance et telecom. Mojio vise 500 000 véhicules dans son premier rollout, délivrant des données comportementales, diagnostiques et contextuelles sur mesure.

La télématique de Mojio capture vitesse, direction et freinage pour évaluer la fatigue conducteur et déclencher des alertes. Les données de conduite agrégées long terme peuvent guider les utilisateurs vers des habitudes plus fuel-efficient et permettre aux assureurs de quantifier le risque.

Convergence et fabrics

Les chercheurs santé et ingénieurs auto sont pionniers d'applications next-gen. Leur fondation partagée inclut des data stores cloud-scale, bases de données robustes, et streaming persistant intégré — empowerant les développeurs pour architecturer, builder, et déployer des solutions auparavant inatteignables.

Collectivement, ces composants forment une plateforme de données convergée, de plus en plus adoptée à travers divers scénarios IoT. De telles plateformes délivrent des file fabrics high-IOPS, low-latency pour workloads compute-intensive et permettent de l'analytique real-time qui ingère, stocke, analyse, traite, et agit — tout sans dupliquer les données.

Quand les données IoT traversent edge, cloud, et retour, les organisations doivent abandonner les monolithes legacy et embrasser la convergence pour scaler les cas d'usage innovants.

L'auteur de ce blog est Pinakin Patel, head of Solutions Engineering pour MapR.

À propos de l'auteur

Pinakin Patel est le head of Solutions Engineering pour MapR. Il a plus de 25 ans d'expérience dans le monde de la data et comment les organisations extraient de la valeur de cette ressource business critique.