Qu'est-ce que l’internet des objets(IOT)? Quel est la différence entre les données traditionnelles et les données de l’IOT ? Peut-on l’implémenter avec Data Science? Y-a-t-il une différence entre Data Science classique et Data Science pour IOT? Plusieurs questions se pose dans nous allons essayer répondre dans cette article.

 

 

 

Internet des objets

 

Le CERP-IdO « Cluster des projets européens de recherche sur l’Internet des objets » définit l’Internet des objets comme : « une infrastructure dynamique d’un réseau global. Ce réseau global a des capacités d’auto-configuration basée sur des standards et des protocoles de communication interopérables. Dans ce réseau, les objets physiques et virtuels ont des identités, des attributs physiques, des personnalités virtuelles et des interfaces intelligentes, et ils sont intégrés au réseau d’une façon transparente » [4]

Pour Stanford Research Institutue, IOT est une «technologie de rupture », cette rupture s’opèrerait en 4 étapes principales :

* Puces RFID-1 : utilisation privilégiée en logistique pour faciliter les expéditions, les inventaires et prévenir le vol. (échéance originelle 2005)

* Puces RFID-2 : extension de l’usage aux domaines de la sante, de la surveillance….

* IOT 1 : géolocalisation permanente, à l’extérieur et à l’intérieur, pour un suivi permanent des personnes et des objets. (2020)

* IOT 2 : téléopértation et téléprésence, surveillance et maitrise à distance. (2015)

 

IOT n’est pas une seule technologie, il s’agit d’une combinaison d’un ensemble technologies existantes ou en évolution. Parmi ces technologies nous citons :

* RFID

* NFC

* WIFI

* ZIGBEE

* SIGFOX

* BIG DATA

* CLOUD COMPUTING

* INTELLIGENCE ARTIFICIELLE

L’internet des objets est caractérisé par :

* Hétérogénéité: Usage des plates-formes, matérielles et des réseaux différents pour la création des dispositifs.

* Connectivité: permet l'accessibilité et la compatibilité du réseau.

* Intelligence: permet aux objets de répondre d’une manière intelligente à une situation particulière et les aident dans l'exécution de tâches spécifiques

* Changement dynamique: statut et nombre des dispositifs

* Interconnectivité: tout peut être interconnecté avec l'infrastructure globale d'information et de communication

* Échelle énorme: le nombre de dispositifs à gérer et qui communiquent entre eux sera supérieur à celui des dispositifs connectés à Internet.

* Détection: ce qui va permettre la compréhension riche de notre monde complexe.

* Sécurité

Depuis son apparition plusieurs applications IOT ont vu le jour afin de répondre a un ensemble de défis de divers domaines  tel que Sante, Education, Domotique, Agriculture ce qui montre que le champ d’application de l’IOT est quasi illimité. Le tableau au-dessus présente quelques applications IOT, leurs objectifs et domaines d’applications.

 

Application

Domaine

Objectif

Travaux de Recherche

Green House

 

Agriculture

Contrôle des conditions microclimatiques afin de maximiser la production et la qualité des fruits et légumes

River Floods

 

Environnement

Surveillance des variations du niveau de l'eau dans les rivières, les barrages et les réservoirs pendant les jours pluvieux

Medical Fridges

Santé

Contrôle des conditions à l'intérieur des congélateurs stockant les vaccins, les médicaments et les éléments organiques

Smart Parking

Smart City

identification et réservation des espaces disponibles et les plus proches

Home Monitoring system for elderly age

Santé

suivi des personnes âgées à domicile par les médecins, ce qui offre une réduction des couts d’hospitalisation

 

Intelligent Shopping Applications

Commerce

Obtenir des conseils sur le point de vente en fonction des habitudes du client, des préférences, de la présence de composants allergiques ou de dates d'expiration.

Quality of Shipment Conditions

Logistique

Surveillance des vibrations, des coups, des ouvertures de conteneurs ou de la maintenance de la chaîne du froid à des fins d'assurance.

Air Pollution

Environnement

Contrôle des émissions de CO2 des usines, de la pollution émise par les voitures et des gaz toxiques générés dans les exploitations agricoles.

 

Data Science

Data Science est décrite lors du premier atelier international sur la science des données pour l'internet des objets , organisée dans le cadre de la conférence internationale de l'IEEE sur les systèmes ad hoc et de capteurs mobiles (MASS ) en octobre 2016, est « un domaine interdisciplinaire qui comprend des techniques d'acquisition, de stockage, d’analyse, de gestion et publication des données. Les données peuvent être analysées à l'aide de l'apprentissage automatique, de l'analyse des données et des statistiques - optimisation des processus et optimisation de leur puissance dans des scénarios plus vastes. ”[1]

Internet des objets et Data Science

La quantité de données générées par l’internet des objets est gigantesque, ce qui entraînera une demande croissante d'analyses de données. Ce qui indique que  l’IOT  est un  formidable  cas d’application  des techniques de data science.

Différences entre Data science Classique et Data Science dédié à l’IOT : [2]

Une différence importante entre les données traditionnelles et les données générées par l'IoT est que ces dernières peuvent être livrées en temps réel, ce qui est essentiel pour certains secteurs tels que la banque, les télécommunications et la défense. Comme les deux types de données sont différents, les méthodes fondamentales de stockage et de traitement doivent être différentes. 

Mécanisme de stockage

Les données traditionnelles sont finies et jusqu'à présent, de nombreuses organisations avaient leurs propres centres de données pour stocker les données traditionnelles. Avec l'avènement du cloud , de nombreuses entreprises optent progressivement pour le stockage en cloud. Bien que les données traditionnelles conviennent parfaitement aux centres de données traditionnels, les données IoT sont mieux adaptées au cloud car leur volume ne cesse d'augmenter. 

Mécanisme de traitement

Les données traditionnelles peuvent être traitées à l'aide de langages d'interrogation standard tels que SQL et des analyses peuvent être créées à l'aide de langages de programmation standard. Il n’est pas nécessaire d’acquérir de nouvelles connaissances pour effectuer l’analyse traditionnelle des données. La situation est un peu plus ardue avec les données IoT, que beaucoup de gens qualifient également de Big Data Hadoop , à ce jour est le framework le plus répandu pour le traitement de données volumineuses, mais beaucoup d’entre eux n’en restent pas à ses débuts. Interroger les données IoT n’est pas une tâche facile, car la technologie n’a pas encore évolué et des investissements considérables sont nécessaires pour rendre les outils conviviaux.

Malgré leurs différences, les analyses traditionnelles peuvent dans certains cas compléter les analyses IoT. Dans un sens, les données IoT deviennent également des données historiques après un certain temps.  IoT et Big Data Analytics est toujours en cours d'examen et il y a beaucoup de prudence.

Défis de cette implémentation: [2]

Sécurité : Les organisations doivent prendre des mesures préventives pour éviter toute fuite de données susceptible d'attirer de manière indésirable l'attention des cybercriminels, avant de mettre en place une stratégie efficace de science des données en réduisant les chances de stockage des données dans des lieux non sécurisés ou en fournissant un accès à des tiers externes.

Echelle : Les appareils et les capteurs IoT génèrent des données volumineuses toutes les secondes et les organisations doivent mettre en œuvre une meilleure approche pour la journalisation de ces données volumineuses. Si l’échelle des données n’est pas gérée avec une meilleure approche, elle peut saturer même les solutions de Big Data les plus volumineuses disponibles à ce jour.

Augmentation du coût d'investissement : Les coûts ne constituent certainement pas une préoccupation majeure pour les entreprises qui envisagent de mettre en œuvre l'IOT, mais ils sont encore essentiels pour quelques-unes d'entre elles. Il est vrai que la mise en œuvre de l'IOT prend en compte la croissance des revenus, mais il ne faut pas oublier que cela pourrait augmenter les coûts d'investissement en fonction de la complexité et de la nouveauté de la solution de science des données en cours de développement.

Manque de compétences en science des données : Il n’y aura pas assez de scientifiques qualifiés diplômés des universités capables de donner un sens aux données IoT pour aider les organisations à prendre des décisions plus éclairées.

 

Figure:  Data Science for IOT [2]

 

Sources :

 

Auteur:

Fatima Zahra Fagroud,  Student

HASSAN 2 University, Casablanca,

Faculty of Sciences  Ben M'Sik. Morocco