l'internet des Objets Connectés 2/3 - Consept

l’internet des Objets Connectés 2/3

Intérêt des capteurs connectés

  •   Les capteurs sans fil offrent une capacité nouvelle : la versatilité des configurations. En s’appuyant sur des solutions ouvertes de communication sans fil, il devient possible de « plugger » des capteurs à la demande, qu’il s’agisse de nouvelles générations d’équipement ou de typologies particulières, dont l’usage est requis pour la mission considérée.
  •   Cette souplesse / versatilité concerne :
  •   les réseaux de capteurs intelligents ayant vocation à monitorer un environnement / à interagir avec lui (zone, axes, sites…)
  •   le combattant débarqué
  •   Les plateformes pilotées voire les plateformes robotisées
  •   les « contenants » (du chargeur au bidon d’essence en passant par le container)… sans oublier la logistique (voir infra).
  •   Cela soulève évidemment l’enjeu des protocoles de communication, de la sécurité et de la capacité de l’infostructure à répondre à cette souplesse et au double enjeu de la capacité (volumétrie de données) et de la cybersécurité.

 

 

SIGFOX – gérer des capteurs abandonnés connectés à distance

  •   SIGFOX, entreprise française créée en 2009, a pour ambition de « connecter le monde physique au monde digital » en offrant une solution de connectivité bas débit, en utilisant un protocole radio qui s’inspire du monde sous-marin avec l’envoi de petits messages sur une longue distance. Sigfox définit ainsi une façon standardisée de collecte des données à partir de capteurs et d’objets avec un ensemble unique et normalisé d’interfaces de programmation d’applications (API).
  •   Basé sur le réseau LPWAN (low-power wide-area network) il a l’avantage d’être efficace en matière énergétique, global, économique et simple d’usage. Il se caractérise par le fait qu’en phase de veille il y a 0 message, 0 émission et ainsi 0 consommation d’énergie. L’amélioration des batteries et la prise en compte de la problématique de la collecte énergétique permet d’imaginer que la « durée de la batterie puisse être alignée sur la durée de l’objet ».
  •   La solution est présentée comme particulièrement résiliente et offrant une grande résistance au brouillage du fait de son protocole (bande ultra étroite – 192 KHz), d’une redondance géographique et de son architecture en réseau collaboratif.
  •   Une donnée de température est réduite à 2 octets, des coordonnées GPS à 6 octets, le statut d’un objet à 1 octet… ce qui permet de produire 140 messages de 12 octets par jour en respectant les normes européennes (consommation plafonnée à 1% du temps de la bande fréquence publique).

 

Machine learning

  •   Face – par exemple – au trop grand nombre de données d’entrées d’une image (cf. nombre de pixels), on s’intéresse aux caractéristiques intermédiaires de l’image = on travaille sur une abstraction de l’image, ce qui permet de la simplifier et donc de la rendre digérable par l’IA.
  •   L’efficacité de l’IA dépend de la conception de ces caractéristiques intermédiaires et de leur capacité à représenter la réalité observée = elle implique le besoin d’experts pour la conception de l’algorithme intermédiaire.

 

                  

Deep learning

  •   En machine learning, on dispose d’un algorithme qui résume l’image, en donne les caractéristiques essentielles, et donc une abstraction. Le réseau neuronal est peu profond.
  •   En deep learning, l’algorithme crée seul ces caractéristiques qui apparaissent spontanément dans les couches supérieures du réseau de neurones.

L’algorithme les découvre seul.

  •   cf. Yann Le Cun (FR) pionnier du deep learning, depuis la fin des années 90. Pas de résultats tangibles avant la rupture de 2012 lors de la compétition de reconnaissance d’image. Il est alors embauché par Facebook en tant que directeur de son labo d’IA.
  •   Raison de l’explosion soudaine du deep Learning : d’une part, le progrès des algorithmes (architecture des réseaux profonds) et des GPU des cartes graphiques, plus puissants que les processeurs d’ordinateurs (d’où la position de NVIDIA dans l’IA), et d’autre part la mise à disposition de banque de données (notamment la banque d’images Image net de Stanford en 2009 : 15 millions d’images, 10.000 catégories).
  •   Réseaux profonds : une centaine de couches et des millions de neurones (encore loin du cerveau humain). Chaque jour, 800 millions d’images uploadées sur Facebook.

 

Source : Le Deep learning – Sciences étonnante #2, par David Louapre 08/04/2016  https://www.youtube.com/watch?v=trWrEWfhTVg