L’intégration par ScaleOut du service de streaming de jumeaux numériques fonctionnant dans le cloud Azure et la plateforme Microsoft Azure Digital Twins permet aux utilisateurs d’Azure Digital Twins de tirer parti de l’informatique en mémoire et d’étendre leur utilisation des jumeaux numériques pour fournir des analyses en temps réel à grande échelle.
De nombreux domaines d’application de la logistique, de la sécurité, de la santé, de la fabrication, etc. nécessitent une analyse complète des données diffusées par les capteurs et les appareils IoT. Dans de nombreux cas, stocker ces données et les analyser ultérieurement n’est pas assez rapide. De plus en plus, ces données doivent être analysées en temps réel afin que les actions appropriées puissent être prises au moment présent.
RTInsights a récemment rencontré le Dr William Payne, PDG et fondateur de ScaleOut Software, pour discuter des défis de la mise en œuvre de l’analyse de flux en temps réel, des avantages de l’utilisation de jumeaux numériques et de la manière dont l’informatique en mémoire peut aider à fournir des performances en temps réel. Voici un résumé de notre conversation.
RTInsights : étant donné le volume important et croissant de données de flux IoT à traiter, quels sont les principaux problèmes/défis liés à la mise en œuvre de l’analyse de flux en temps réel ?
Payé : Avec la prolifération généralisée des appareils IoT intelligents au sein de systèmes complexes, le besoin d’analyse en continu a augmenté de façon exponentielle. L’analyse de flux doit être capable de passer au crible les données entrantes, d’identifier les problèmes et de fournir des réponses rapides afin que les responsables puissent répondre efficacement aux problèmes et saisir les opportunités. Ils ont besoin de résultats d’analyse à jour pour assurer le bon fonctionnement de leurs systèmes complexes.
Voir également: Digital Twins permet des analyses en temps réel à grande échelle
RTInsights : Comment les gens abordent-ils ce problème aujourd’hui ?
Payé : La plupart des systèmes d’analyse en continu n’effectuent qu’une quantité brute d’analyses en temps réel, c’est-à-dire pendant que les données sont diffusées en continu. Les données contenues dans les fichiers journaux ou les bases de données sont généralement conservées pour une analyse hors ligne, par exemple, en interrogeant une base de données ou en exécutant un code d’analyse par lots à l’aide de techniques de Big Data.
Une limite des technologies d’analyse de flux actuelles est qu’elles ne fournissent pas de réponses rapides qui augmentent la connaissance de la situation pour les gestionnaires de systèmes complexes, comme un système télématique qui suit des milliers de camions dans une flotte. En conséquence, des problèmes importants peuvent survenir, manquer d’analyse en temps réel et ne pas bénéficier de réponses rapides et efficaces.
RTInsights : Comment les jumeaux numériques peuvent-ils aider ?
Payé : Les jumeaux numériques permettent aux développeurs d’applications de faire des introspections plus approfondies sur la télémétrie à mesure qu’ils arrivent tout en simplifiant leur code. Le double modèle numérique est une technologie logicielle qui trouve son origine dans le domaine de la gestion du cycle de vie des produits et fournit une technique convaincante pour organiser le code d’analyse.
Dans l’analyse en continu, il peut être utilisé pour suivre l’état pertinent et dynamique de chaque source de données, généralement un appareil physique, et analyser la télémétrie de cette source de données à mesure qu’elle arrive. En conservant les informations d’état et en se concentrant sur une source de données unique, le code Digital Twin Analytics peut rapidement trouver des modèles significatifs dans la télémétrie qui indiquent les problèmes émergents qui nécessitent une attention et une action. Le jumeau numérique pourrait également encapsuler des algorithmes d’apprentissage automatique pour l’aider à détecter des modèles d’intérêt qui seraient autrement difficiles à identifier.
RTInsights : Quel rôle l’informatique joue-t-elle dans la mémoire ?
Payé : La technologie informatique en mémoire a été développée au cours des dernières décennies pour fournir un stockage de données rapide et évolutif à l’aide d’un calcul de données parallèle intégré. Il fournit une plate-forme idéale pour héberger des jumeaux numériques qui effectuent des analyses en continu. Le stockage de données orienté objet est conforme au double modèle numérique et peut traiter les messages entrants avec une latence ultra-faible tout en évoluant de manière transparente pour gérer plusieurs milliers, voire des millions de sources de données.
RTInsights : En quoi cette utilisation des jumeaux numériques diffère-t-elle d’autres utilisations, telles que la gestion du cycle de vie des produits (PLM) ?
Payé : Dans PLM, Product Lifecycle Management, les jumeaux numériques sont utilisés pour modéliser le comportement de leurs sources de données respectives afin d’aider à concevoir des systèmes complexes tels que des avions, des éoliennes ou une grande usine de fabrication. Dans un flux d’analyse, ils peuvent être utilisés pour suivre les informations d’état dynamiques sur chaque source de données, exécuter du code d’analyse et utiliser l’apprentissage automatique pour identifier des modèles significatifs et générer des alertes pour les responsables.
RTInsights : Pouvez-vous décrire certaines des applications qui pourraient bénéficier de l’utilisation de jumeaux numériques pour l’analyse de diffusion en temps réel ?
Payé : certainement. De nombreuses applications doivent suivre la télémétrie à partir de grands ensembles de sources de données et identifier rapidement les problèmes. Prenons l’exemple d’une application informatique qui suit une flotte de véhicules pour aider les répartiteurs. Cette application peut utiliser des jumeaux numériques pour trouver des problèmes avec les moteurs de camion ou la cargaison, tels que les réfrigérateurs à l’intérieur des camions, ou pour détecter les conducteurs perdus ou fatigués, et bien plus encore.
Les applications de sécurité, physiques et électroniques, doivent détecter les entrées non autorisées ou non sécurisées dans les zones restreintes d’un environnement d’entreprise ou, dans le cas de la cybersécurité, détecter les intrusions au sein d’une infrastructure réseau vaste et complexe.
Les applications de soins de santé qui suivent les dispositifs médicaux, tels que les montres intelligentes et les moniteurs cardiaques, doivent être capables de détecter les problèmes médicaux émergents pour leurs patients sur la base d’une connaissance spécifique des antécédents médicaux et de l’état actuel de chaque patient.
Les systèmes de détection de fraude par carte de crédit doivent être capables d’analyser les transactions par carte de crédit pour détecter un comportement frauduleux potentiel et d’y répondre pendant que les transactions sont en cours sur la base d’informations sur les détails de la transaction et l’historique du titulaire de la carte de crédit.
Les applications d’achat en ligne doivent être capables d’analyser le comportement d’achat en fonction du chemin de clic de chaque acheteur et des préférences connues pour fournir des suggestions de produits à l’instant à partir de l’inventaire de produits existant.
RTInsights : Qu’apporte votre intégration avec Azure Digital Twins ?
Payé : Nous avons créé une intégration passionnante de notre service de streaming de jumeaux numériques en temps réel exécuté dans le cloud Azure et la plateforme Microsoft Azure Digital Twins. Cette intégration permet aux utilisateurs d’Azure Digital Twins (ADT) de tirer parti de la plate-forme informatique en mémoire et d’étendre leur utilisation des jumeaux numériques pour fournir des analyses en temps réel à grande échelle. Ils peuvent utiliser notre plateforme pour créer des modèles de jumeaux numériques qui intègrent des analyses de flux rapides, puis générer automatiquement des modèles Azure Digital Twin au sein de la plateforme ADT.
Notre plateforme informatique en mémoire peut traiter les messages entrants et mettre à jour les informations d’état stockées dans Azure Digital Twins. Nous fournissons également une connexion automatique à Azure IoT Hub, afin que le traitement des messages n’ait pas à être effectué manuellement par les utilisateurs d’ADT.
Voir également: ScaleOut apporte des fonctionnalités en temps réel à Azure Digital Twins
RTInsights : Quels sont les avantages pour les utilisateurs d’Azure Digital Twins et de l’écosystème Azure IoT ?
Payé : Cette intégration offre de nouveaux avantages significatifs dans la rationalisation de votre code d’analyse de flux tout en augmentant considérablement les performances en réduisant la latence et en améliorant l’évolutivité. Les développeurs d’applications peuvent créer du code d’analyse de flux en temps réel en un seul endroit, au sein de notre système informatique en mémoire, et obtenir un accès instantané aux informations d’état d’Azure Digital Twin.
Comme je l’ai mentionné précédemment, nous fournissons également une connectivité à Azure IoT Hub et à d’autres sources de données au sein de l’écosystème Azure IoT. Ainsi, par exemple, notre plate-forme permet aux applications de mettre à jour rapidement et facilement l’état des multiples jumeaux numériques d’Azure dans la hiérarchie ADT plutôt que d’avoir à créer un code spécialisé et plus complexe avec une fonctionnalité sans serveur pour cela.
RTInsights : En quoi votre intégration du machine learning dans cette double solution numérique ajoute-t-elle de la valeur au flux d’analyse ?
Payé : Nous avons intégré une bibliothèque d’apprentissage automatique de Microsoft ML.NET dans notre service de flux de jumeaux numériques afin que chaque jumeau numérique puisse exécuter un modèle ML indépendamment pour l’analyse de télémétrie à partir de sa source de données. Cela offre de nouvelles fonctionnalités importantes pour l’analyse de télémétrie en temps réel.
Par exemple, divers paramètres d’un compresseur d’air peuvent être évalués en continu à l’aide d’un modèle ML formé pour détecter les anomalies et prédire les défaillances potentielles. L’écriture de code d’analyse pour exécuter cette fonction peut être difficile car les interactions entre les paramètres sont souvent subtiles et complexes. Cependant, les algorithmes d’apprentissage automatique peuvent être facilement entraînés pour détecter de telles anomalies. Cela donne aux développeurs d’applications un nouvel outil important pour effectuer des analyses de flux.