LA DATA en Alimentation Animale · Les sources actuelles et futures de génération de données I....

Le Mans le, 07/06/2019La data en alimentation animale

LA DATA en Alimentation Animale:

Comment passer de l’illusion d’aujourd’hui aux vraies opportunités de demain?

Histoire de la Data : des cartons aux fichiers à la Data, comment en est-il arrivé là ?

Axel GRANDET – EXAKIS NELITE (Groupe Magellan Partners)


Histoire de la Data : des cartons aux fichiers à la Data, comment

en est-on arrivé là ?

SommairePrésentation

Un peu d’histoire

Toute une démarche

Des idées, des références


Axel GRANDET

+ de 20 ans d’expérience dans le Conseil en Technologies et Services du Numérique

• DECAN / GETRONICS / Exakis Nelite

Directeur de l’agence de Nantes Exakis Nelite depuis 2018

Mes missions :• Représenter le savoir-faire du groupe dans l’Ouest (Pays de Loire, Bretagne,

Normandie, Nord région Aquitaine-Limousin-Poitou-Charentes)

• Animer une équipe d’ingénieurs et experts : Conseil, Technologiques, Pilotage, Accompagnement au Changement

• Définir les orientations stratégiques en lien avec les besoins locaux (nos 4 domaines principaux)


Groupe de Conseil en Organisation et Technologies

A propos de Magellan Partners

900 Personnes > 100M€ de CA

RH FINANCE

DIGITAL

ARCHI

DATA

PRACTICES TRANSVERSES

SÉCURITE

ASSURANCE BANQUE

SANTÉ &SECTEUR PUBLIC

INDUSTRIES & SERVICES

TELECOM & MEDIA

ENERGIE & UTILITIES

Conseil en Organisation & Systèmes d’Information Services IT

MICROSOFT

SALESFORCE

SÉCURITÉ

IOT

IA

Présentation


A propos

d’Exakis Nelite

En quelques chiffres…

Expert depuis 2001

500+ consultants

500+ comptes actifs

65+ M d’€ de CA

4 Centres de Services en France et à l’International

14 Agences dont 11 en France

1 Centre Distribué de Compétences

Think, create, digitize

Présentation


Centre de recherche spécialisé sur l’Intelligence Artificielle et ses applications depuis 1994

• Laboratoire de recherche, labélisé CNRS, sur plusieurs axes de recherche :• Représentation des connaissances et raisonnement • Contraintes et algorithmes d’inférence

• 60 membres

• Notre capacité à mobiliser les expertises du CRIL sur un sujet de recherche complémentaire

PartenariatPrésentation


PréambuleObjectifs

Aucune certitude !

La Data- De l’archivage de dossier à l’optimisation de l’espace (Conversion au format numérique)- Du signal au stockage de l’information- Les premiers besoins d’analyse

L’évolution de la Data : - Levée de toute contrainte (stockage, calcul, accessibilité, etc…)- La donnée est devenue une « devise »- Croissance exponentielle de la data : source très élargie, besoin de référencement- Forte demande de la recherche (la recherche est dans tous les métiers)- Les outils d’analyse sont largement répondus, il reste à savoir ce que l’on cherche…- La donnée est cependant fortement volatile : La sécurité et la maîtrise de la

traçabilité sont de nouveaux enjeux…

Présentation


L’histoire de la DATA

1890 1917Années

60Années

70

Années 90

1995IdemMême

périodeEt

depuis1928

& 1951

Présentation

Un peu d’histoire

Naissance de la Data : Herman Hollerith« Tabulatrice » Référencement US

Naissance d’IBM

Arrivée de l’informatique en entrepriseInventaire

Développement de l’informatiqueAnalyse /optimisationNaissance des SGBD

Prémisse de la BIAnalyse

« Informatiquede gestion »

Arrivée du Net « Ouvert »Inventaire

Développement la BIDéveloppement du Big DataVolumétrie non maîtrisée

Naissance de la bande magnétique : Fritz Pfleumer

1956

Naissance du disque dur : IBM

1999

Le Cloud prend viePartage d’application (Salesforce.com=

2002

Extension du stockageAmazon

Extension des centres de stockageDataCenter


L’évolution de la DATA Présentation

Un peu d’histoire

90%

6M

50To

88%

75%

% des données non analysées dans le monde

% des données créées ces 2 dernières années

Nbre de développeurs embarqués sur des projets IA

Volumétrie de données générée toutes les secondes dans le monde

% entreprises d’ici 2020 (203 Ent.

– The Economist)


Les sources actuelles et futures de génération de données

I. Sources de données : mails, vidéospostées, achats en ligne, signauxGPS, posts et commentaires sur lesréseaux sociaux…

II. Des applications portées sur toutsupport – accès multiples auxdonnées : téléphone, tablette,objets connectés…

III. Les nouveaux composantsconnectables et utilisés dans lemonde industriel (capteur)

Le big Data était à l’aube d’une massification de la DATA.

L’exploitation de ces informations est aujourd’hui un enjeu important

L’ouverture grâce à l’accès à des sources publiques d’informations (météo, collectivités)

Un usage interne (vos activités), voire privé (recherche, R&D, RH).

La maîtrise de ces informations reste conditionnée par la nature , la confidentialité, la pertinence et la sécurité.

Une conviction cependant

Arrivée rapide de l’IoT « Internet Of Things » : usage professionnel et domestique

Développement des performances réseaux

L’IA au cœur des préoccupations actuelles, entre impatience et espérance…

- Demain/aujourd’hui un véritable moteur au développement !

La réactivité et l’adaptabilité des accès ! Du Chatbot à L’émergence des services cognitifs

- Requêtes effectuées par la Voix *

Les évolutions en cours et à venir

Des constats actuellement

Présentation

Un peu d’histoire


Quelques axiomes de base

11

L’expérience vers la DATA

3

2

1Plateformes éditeur, intégrateurs, solutions, usages

…

Maturité des solutions existantes

Cas d’usage métier

Enjeux business qui se développent

CADRAGE INDUSTRIALISATIONEXPLORATION

Une phase exploratoire estindispensable pour qualifier lelivrable avant l’industrialisation

Digitalisation du métier, du business, demande client…

Maturité de votre réflexion

Présentation

Un peu d’histoire

Toute une démarche


L’ensemble des sujets à adresser dans un projet DATADémarche en itération / des expertises diverses !

Stratégie & Idéation

PlanifierOrganisation d’un Lab, Feuille de

route, Acculturation, identification

des cas

Sourcesde

données

Plateforme

Acquérir & Stocker

Gouvernance

OrganiserPrise de connaissance, Traçabilité,

Sécurisation

Restitution

ExplorerBI d’ Entreprise vs. BI Self-

service vs. Data-

visualization, Data Story

Telling, etc.

Export

Réutiliser & OuvrirReinjection dans le SI, Open-

Data, valorization auprès des

métiers.Data Science & IA

Prédire & PrescrireChat bots, Services cognitifs,

Machine Learning, Analyse

prédictive, etc.

Présentation

Un peu d’histoire

Toute une démarche


Jouer la carte de la complémentarité des compétences !

• De la compréhension des enjeux stratégiques à la mise en œuvre concrète

Expertise Data

Appréhender le patrimoine des données

Construire les modèles d’analyse

Conseilmétier

Construire la vision

Décliner des cas d’usage

Savoir faire les bons choix en fonction des

usages, du patrimoine SI, des exigences de

sécurité et des compétences.

Avec un passage à l'échelle avec agilité et selon

une équation économique viable.

Capacité à animer et identifier les cas

d’usages

Capacité à vous baser sur des

expériences vécues dans des

contextes similaires

Capacité à modéliser et développer des

analyses industrialisables

Garantir la qualité des données

Expertise

Plate forme

Capitaliser sur les Cloud Publics

Faciliter une démarche itérative

Sécuriser, Déployer et

Industrialiser

Exploitation de la DATA

Présentation

Un peu d’histoire

Toute une démarche


Mise en place un système intelligent d’analyse avancée, alimentée des données historiques et temps réel

Quelques Exemples : Maintenance prédictive

11/06/2019

Notre client figure parmi les leaders mondiauxde la conception et la fabrication de batteriesde haute technologie pour l’industrie

A Propos du contexte

Suite à la mise en œuvre d’un Data Lake collectantles données issues de l’outil de GMAO, MES ou defichiers qualité, le client décide de mettre enœuvre un pilote pour le développement d’unalgorithme de maintenance prédictive sur uneligne de production

Contexte & Enjeux

Service Machine LearningOutils Data Science Open Source

Technologies

Architecture solution

Approche : Une démarche en 3 étapes :• Cadrage : Qualification du cas d’usage, Compréhension des spécificités métiers,

Définition de la méthodologie de développement• Expérimentation : Collecte, nettoyage et préparation des données, Evaluation

de la performance des modèles, Ajustement des modèles en mode itératif (5sprints)

• Restitution et préparation à l’industrialisation

Résultats : projet en cours

Le + projet : une approche alliant conseil Métier (Practice Industrie 4.0) ettechnologie pour un développement porté par une équipe pluridisciplinaire (chefde projet, Data Scientist Industrie, Architecte)

Présentation

Un peu d’histoire

Toute une

démarche

Des idées, des référence

s


Mise en place d’une plateforme de Data

Notre client est un leader mondial dans lesproduits et solutions à forte valeur ajoutée enaluminium, dédiés principalement auxmarchés de l’aérospatiale, de l’automobile etde l’emballage.

Dans le cadre d’un programme TransformationDigitale visant à appliquer les concepts del’Industrie 4.0, notamment autour de systèmesd’analyse avancée et prédictifs, la mise en placed’une plateforme Data est un prérequis essentielpour collecter et analyser les données

A Propos du contexte Contexte & Enjeux

Architecture solutionApproche :

• Mise à disposition de compétences et d’expertise autour de ladéfinition de l’architecture

• Mise en place d’une gouvernance de la donnée

Résultats :

• Une plateforme big data évolutive reposant sur les standards

Le + du projet :

• Capacité à mobiliser des compétences techniques et métier pour biencerner les besoins actuels et futurs

• Maitrise des services composant un ensemble cohérent

Présentation

Un peu d’histoire

Toute une

démarche


s


Conception et mise en œuvre d’un Data Lake

Ressource fondamentale, l’énergie est enperpétuelle évolution. Face aux grands défisdu monde actuel, elle a un rôle clé à jouer quiexige qu’elle s’adapte à de nouveaux besoins


Afin de permettre aux équipes data science detravailler sur les données, nous avonsimplémenté un entrepôt centralisé pour lestockage des données industrielles

Contexte & Enjeux

Data Lake StoreData Lake AnalyticsData FactoryLogic Apps

Technologies

Estimation: 50 To pour Q1 2018

Volumétrie

Présentation

Un peu d’histoire

Toute une

démarche


s

Approche : Cadrage des besoins techniques et conception centre de donnéesindustrielles dans une optique de valorisation des données à partir d’intelligenceartificielle.

Résultats : Conception et mise en œuvre de la solution adossée une offre de servicepour héberger les données industrielles des différentes entités Métier


-

IA et DATA au service de la Biodiversité

Filiale de la Société des Eaux de Marseille etspécialiste de solutions digitales métiers dansles domaines de l’eau, de l'assainissement, del’énergie et de l’environnement, SOMEI(Société Méditerranéenne d’Etudes etd’Informatique) contribue à l'amélioration dela qualité du service public.

A Propos du projet

Pour mesurer la qualité de la biodiversité et del’environnement, SOMEI s’appuie sur ledéploiement de ruches connectées, dont lesdonnées fournissent des informations sur lasanté des abeilles et leurs écosystèmesenvironnants

Contexte & Enjeux

P.BI, Machine Learning

TechnologiesApproche : Dans un but d’analyse, SOMEI souhaite développer une applicationainsi qu’un tableau de bord apportant de précieuses informations sur la santé dela ruche et de l’écosystème environnant. En équipant les ruches de capteurs IoT etd’un concentrateur de données, les transformant ainsi en véritable ruchesconnectées, SOMEI contribue à l’étude des abeilles dans leur cadre de vie naturel.

Résultats : Sur les conseils d’Exakis Nelite, SOMEI utilise le Cloud, la solutionMicrosoft Power BI et le service Azure Machine Learning pour analyserl’environnement et le comportement des abeilles.

Le + du projet: Mise en œuvre d’une démarche Machine Learning de A à Z(compréhension métier, collecte et préparation des données, entraînement dumodèle, industrialisation, reporting d’analyse).


Plus simplement.. entre vos mains,

Ressource fondamentale, l’énergie est enperpétuelle évolution. Face aux grands défisdu monde actuel, elle a un rôle clé à jouer quiexige qu’elle s’adapte à de nouveaux besoins


Afin de permettre aux équipes data science detravailler sur les données, nous avonsimplémenté un entrepôt centralisé pour lestockage des données industrielles

Contexte & Enjeux

Présentation

Un peu d’histoire

Toute une

démarche


s

Moyen : des données (Excel suffit), un outil de « DataViz »

Résultat : une visualisation pour une analyse, mais là, tout reste à faire ;)

Formalisation desdonnées

Interprétation / calcul

Modélisation

Représentationde la donnéeinterprétée


A vous de faire émerger vos données dans vos organisations

LA DATA en Alimentation Animale · Les sources actuelles et futures de génération de données I....

Documents

Transcript of LA DATA en Alimentation Animale · Les sources actuelles et futures de génération de données I....