
L’apprentissage automatique se glisse dans les passerelles périphériques des réseaux IoT industriels [EDITION ABONNES] Selon Accenture, l’Internet des objets industriel apportera à l’économie mondiale un chiffre d’affaires supplémentaire de 14 200 milliards de dollars d’ici à 2030. Reste que les environnements industriels tels qu’ils existent aujourd’hui présentent un défi majeur quant aux méthodes de récupération et d’analyse des données générées. ... « Il n’y a en général que peu d’intérêt à dépenser temps et argent pour transférer vers le nuage toujours plus de quantités massives de données émises par les machines pour leur analyse, puis à envoyer les résultats obtenus vers la périphérie des réseaux, explique Mike Guilfoyle, directeur d’enquête et analyste chez ARC Advisory Group. Dans la plupart des installations, l’informatique en nuage ne sera ni appropriée, ni nécessaire et encore moins souhaitable. La réalité est que l’implantation d’une intelligence en périphérie de réseau est critique pour une stratégie d’analyse globale réussie. » C’est donc dans ce cadre qu’il faut replacer la récente annonce de la jeune société californienne FogHorn Systems, créée en 2014. La start-up a développé sous le nom de Lighting ML une plate-forme logicielle IIoT pour périphérie de réseaux industriels présentée comme la première à disposer de fonctions d’apprentissage automatique intégrées et d’une compatibilité avec tous les principaux systèmes IIoT pour « edge computing » (automates programmables, équipements de type Raspberry Pi, passerelles IIoT compactes et durcies, PC ou serveurs industriel…). De fait, l’édition Micro de la plate-forme Lightning ML se satisferait de moins de 256 Mo de mémoire. « Non seulement nous démocratisons l’analyse des données en périphérie de réseau mais nous rendons accessible l’apprentissage automatique aux opérateurs industriels, assure David C. King, le CEO de FogHorn. En lançant notre plate-forme Lightning en 2016, nous avons réussi à miniaturiser les fonctions de traitement massif de données qui étaient jusqu’alors disponibles uniquement dans le cloud. Cela a permis à nos clients d’exécuter des analyses puissantes de type Big Data dans leurs réseaux opérationnels (OT) et d’implémenter des services IIoT en périphérie grâce à notre moteur d’analyse CEP pour le traitement d’événements complexes. Avec Lightning ML, nous proposons une offre qui change la donne en combinant l’analyse de flux en temps réel et des fonctions d’apprentissage automatique évoluées au-dessus du moteur CEP. » Dans la pratique, Lightning ML permet aux utilisateurs industriels de porter et d’exécuter des algorithmes propriétaires et des modèles d’apprentissage automatique sur des flux de données réels produits par leurs actifs physiques et leurs systèmes de contrôle/commande industriels, détaille FogHorn. La start-up assure par ailleurs que des personnels non techniques peuvent utiliser ses outils pour générer des recommandations et lancer des actions à partir des informations issues de l’apprentissage. Et ce sans avoir à recourir à des spécialistes des sciences de la donnée, qu'ils soient maison ou tierces parties. La dernière version en date de la plate-forme Lightning, qui peut s’exécuter en toute autonomie ou être connectée à n’importe quel environnement cloud privé ou public, prend par ailleurs en charge les implémentations 32 bits de processeurs à architecture ARM Cortex-A qui, selon FogHorn, sont actuellement les plus utilisées dans les déploiements IIoT. Preuve de l’intérêt que suscite la jeune pousse, FogHorn Systems a bouclé début octobre un tour de table de 30 millions de dollars, mené par Intel Capital et Saudi Aramco Energy Ventures avec le concours de Honeywell Ventures et de tous les précédents investisseurs dont March Capital Partners, GE Ventures, Dell Technologies Capital, Robert Bosch Venture Capital, Yokogawa Electric, Darling Ventures et The Hive. La somme levée porte à 45 millions de dollars le total des fonds injectés dans FogHorn depuis sa création et devrait être utilisée pour doper les ressources d’ingénierie de la société et étendre sa présence à l’international.

L’apprentissage automatique se glisse dans les passerelles périphériques des réseaux IoT industriels

[EDITION ABONNES] Selon Accenture, l’Internet des objets industriel apportera à l’économie mondiale un chiffre d’affaires supplémentaire de 14 200 milliards de dollars d’ici à 2030. Reste que les environnements industriels tels qu’ils existent aujourd’hui présentent un défi majeur quant aux méthodes de récupération et d’analyse des données générées. ...

« Il n’y a en général que peu d’intérêt à dépenser temps et argent pour transférer vers le nuage toujours plus de quantités massives de données émises par les machines pour leur analyse, puis à envoyer les résultats obtenus vers la périphérie des réseaux, explique Mike Guilfoyle, directeur d’enquête et analyste chez ARC Advisory Group. Dans la plupart des installations, l’informatique en nuage ne sera ni appropriée, ni nécessaire et encore moins souhaitable. La réalité est que l’implantation d’une intelligence en périphérie de réseau est critique pour une stratégie d’analyse globale réussie. » C’est donc dans ce cadre qu’il faut replacer la récente annonce de la jeune société californienne FogHorn Systems, créée en 2014.

La start-up a développé sous le nom de Lighting ML une plate-forme logicielle IIoT pour périphérie de réseaux industriels présentée comme la première à disposer de fonctions d’apprentissage automatique intégrées et d’une compatibilité avec tous les principaux systèmes IIoT pour « edge computing » (automates programmables, équipements de type Raspberry Pi, passerelles IIoT compactes et durcies, PC ou serveurs industriel…). De fait, l’édition Micro de la plate-forme Lightning ML se satisferait de moins de 256 Mo de mémoire.

« Non seulement nous démocratisons l’analyse des données en périphérie de réseau mais nous rendons accessible l’apprentissage automatique aux opérateurs industriels, assure David C. King, le CEO de FogHorn. En lançant notre plate-forme Lightning en 2016, nous avons réussi à miniaturiser les fonctions de traitement massif de données qui étaient jusqu’alors disponibles uniquement dans le cloud. Cela a permis à nos clients d’exécuter des analyses puissantes de type Big Data dans leurs réseaux opérationnels (OT) et d’implémenter des services IIoT en périphérie grâce à notre moteur d’analyse CEP pour le traitement d’événements complexes. Avec Lightning ML, nous proposons une offre qui change la donne en combinant l’analyse de flux en temps réel et des fonctions d’apprentissage automatique évoluées au-dessus du moteur CEP. »

Dans la pratique, Lightning ML permet aux utilisateurs industriels de porter et d’exécuter des algorithmes propriétaires et des modèles d’apprentissage automatique sur des flux de données réels produits par leurs actifs physiques et leurs systèmes de contrôle/commande industriels, détaille FogHorn. La start-up assure par ailleurs que des personnels non techniques peuvent utiliser ses outils pour générer des recommandations et lancer des actions à partir des informations issues de l’apprentissage. Et ce sans avoir à recourir à des spécialistes des sciences de la donnée, qu'ils soient maison ou tierces parties.

La dernière version en date de la plate-forme Lightning, qui peut s’exécuter en toute autonomie ou être connectée à n’importe quel environnement cloud privé ou public, prend par ailleurs en charge les implémentations 32 bits de processeurs à architecture ARM Cortex-A qui, selon FogHorn, sont actuellement les plus utilisées dans les déploiements IIoT.

Preuve de l’intérêt que suscite la jeune pousse, FogHorn Systems a bouclé début octobre un tour de table de 30 millions de dollars, mené par Intel Capital et Saudi Aramco Energy Ventures avec le concours de Honeywell Ventures et de tous les précédents investisseurs dont March Capital Partners, GE Ventures, Dell Technologies Capital, Robert Bosch Venture Capital, Yokogawa Electric, Darling Ventures et The Hive. La somme levée porte à 45 millions de dollars le total des fonds injectés dans FogHorn depuis sa création et devrait être utilisée pour doper les ressources d’ingénierie de la société et étendre sa présence à l’international.