.jpeg)
Technologie
IoT, IA et Big Data : faire la part des choses
5 minutes
L’Internet des Objets - ou Internet of Things, pour « IoT » - n’est pas une “nouvelle technologie” à proprement parler, malgré l’engouement autour de ses fonctionnalités ces dernières années.
Depuis l’avènement de l’informatique, fin des années 1990 et sa mise en place progressive dans les entreprises, il a toujours été question de connecter le monde physique, l’environnement, au cloud : des serveurs physiques externalisés sur lequel on peut stocker de la data. Autrement dit, les données doivent pouvoir aller d’un serveur à un autre. En d’autres termes, derrière le cloud, il y a forcément des machines.
À l’origine, il s’agissait de connecter des ordinateurs à des services. Depuis, les smartphones s’y sont ajoutés tout comme, au fil du temps, des objets plus spécifiques, à la fois pour le grand public et dans le domaine professionnel.
Le terme IoT a commencé à se faire connaître plus largement dans les années 2010. Entre 2014 et 2015, il connaît un pic, une sorte d’inflation sémantique. Et cela, alors que le Bluetooth ou la technologie RFID (que l’on retrouve dans les antivols par exemple) existaient depuis longtemps via le processus de transfert d’informations « Machine to Machine » (MtoM), sans que cela ne devienne une expression à la mode.
Mais l’IoT a permis à la fois de transmettre des données d’un objet à un serveur et de mesurer l’environnement grâce à des capteurs. Les efforts très importants en recherche et développement, notamment en France, et la création de nouveaux réseaux spécifiques à l’IoT (Sigfox, LoRa) ont alors ouvert une nouvelle voie à la collecte des données sur le terrain. Ils sont notamment adaptés pour les capteurs d’humidité, de température ou de consommation. Ces réseaux permettent aux objets connectés de consommer très peu d’énergie, entraînant des coûts relativement limités par capteur.
Le Big Data n’est pas un serveur unique qui contiendrait toutes les données du monde. Il s’agit d’une terminologie qui s’applique à toutes les données que les individus et les organisations produisent tous les jours et qui s’agglutinent dans les serveurs.
Ces données, par leur ampleur, ne sont pas analysables par l’homme, mais uniquement par des algorithmes. Les GAFA (Google, Apple, Facebook, Amazon) ont ainsi été les premiers à se lancer dans la bataille des mégadonnées numériques. Celles-ci ont pour eux une valeur marketing et de développement de leurs outils. Ils peuvent alors proposer des publicités de plus en plus ciblées et mettre au point de nouveaux usages adaptés à leur audience. C’est notamment le cas d’Instagram (propriété de Facebook) avec la vente de produits directement depuis les photos. Connaître les goûts et les attentes d’une catégorie de personnes permet de créer des contenus pertinents et, par conséquent, à plus forte valeur ajoutée en termes de publicité.
Aujourd’hui, la plupart des entreprises se servent de cette richesse, par leurs propres services ou en confiant cette tâche à des sociétés spécialisées. Pas toujours pour le meilleur lorsque l’on repense au scandale de Cambridge Analytica révélé en 2018 et des données récoltées par cette entreprise sur Facebook.
Parmi d’autres types de données se trouvent notamment toutes celles accumulées par les objets connectés. Elles ne sont pas seulement transmises d’un capteur à un ordinateur. Elles sont soumises à un cycle toujours identique : Récoltées par les capteurs ; nettoyées ; stockées dans des serveurs (Big Data) ; transformées ; analysées ; et enfin diffusées ;
Dans le cadre de l’intelligence artificielle, les données ont notamment pour but de comprendre et d’anticiper les erreurs récurrentes d’une machine. Les capteurs enregistrent et transmettent les données de fréquence et de nature des pannes. L’IA enregistre les récurrences de causes et d’effets, les apprend et apporte elle-même des solutions avant que la panne ne se reproduise.
Aujourd’hui, la plupart des organisations et des entreprises ont compris l’importance des données qui leur appartiennent. Toute la question est donc de savoir ce qu’on en apprend et comment cette compréhension peut faire naître une intelligence artificielle (IA).
Pour cela, les algorithmes analysent les données qui entraînent des récurrences. Ils déterminent ensuite les actions de l’IA répondant à des comportements logiques. L’IA n’est pas une entité qui travaille seule, elle a besoin d’une masse de données considérable et d’une répétition des comportements des objets connectés.
Cette technologie nécessite aussi une analyse humaine faisant naître de nouveaux métiers, à commencer par les data scientists qui réalisent un traitement statistique des données. Il est alors possible de corréler les données à d’autres et ainsi de déterminer des programmes algorithmiques améliorant l’IA. Les process industriels en bénéficient pour leurs machines, notamment pour automatiser des chaînes de production.
Si bien qu’aujourd’hui apparaît une nouvelle terminologie : l’AIoT, pour intelligence artificielle des objets. Soit la combinaison de l’IoT et du Big Data. Comme on a pu le voir, cette liaison entre les deux est présente par nature.
Les données n’ont en effet pas vocation à rester stockées sans avoir une utilité. Celle-ci est bien sûr d’ordre analytique en premier lieu : connaître ses tendances de production, ses clients, leurs goûts. Dans un second temps, il faut pouvoir apprendre de ses données pour en faire un vecteur décisionnel ou d’automatisation à travers l’IA.
Faire la part des choses entre l’IoT, le Big Data et l’IA est important car si chacune de ces technologies se relie aux autres, elles répondent individuellement à des étapes bien différentes et déterminantes au cours d’un cycle de données.
L'IoT collecte vos données dans le monde physique pour les envoyer dans le cloud, sans rien de plus lors de cette étape. Est-ce utile de s’arrêter là ? Non, mais cela reste possible. De leur côté, le Big Data et l’IA ont besoin des données. Ces technologies sont finalement interdépendantes pour avoir un intérêt.
