Aller au contenu principal
Notification
ITPro
  • Ressources IT
  • Newsletter
Se connecter
S’inscrire
  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
Se connecter
S’inscrire
  • Facebook
  • X
  • Linkedin
  • Instagram

Inscrivez-vous

Newsletter iTPro

  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
  1. Accueil
  2. Data & IA
  3. Explorer la maintenance prédictive avec l’IoT

Sommaire

Tech stories

  • Tech Stories

    Open Source Experience 2026 : Quelles solutions open source pour répondre aux grands défis des systèmes d’information ?

  • Tech Stories

    Sous-titres vidéo : formats SRT, VTT et bonnes pratiques

Data & IA

Explorer la maintenance prédictive avec l’IoT

Par

Urszula Radczynska-Gautier
22 février 2016
5 minutes

Les avantages de Hadoop comparés à l’entrepôt de données d’entreprise traditionnel.

Sommaire

La maintenance prédictive, processus qui permet de tout éviter, de la véritable situation de crise aux inefficacités et gaspillages quotidiens, est l’application la plus utile de l’exploitation et de l’analyse d’énormes volumes de données IoT de l’industrie manufacturière. Ne vous laissez pas décourager par les anciens cauchemars des entrepôts de données d’entreprise (EDW) ! S’appuyer sur une infrastructure Hadoop moderne nécessite moins d’investissement initial et offre un plus large potentiel de découverte et d’amélioration progressive.

A moins que ne vous soyez certain que chaque partie de votre chaîne de fabrication atteint son efficacité maximum, l’exploration de la maintenance prédictive avec l’IoT présente une énorme valeur ajoutée. Il y a certainement pire pour s’améliorer que de disposer de plus et de meilleures informations. Vous pourriez argumenter : « Nous collectons déjà des données en provenance de ce qui entoure l’environnement opérationnel : ERP, CRM, EAM et autres acronymes. Tout ce à quoi sert l’EDW! »

C’est exactement ce à quoi servait votre EDW : traiter toute cette information opérationnelle bien organisée. Cependant, l’EDW n’est pas suffisamment agile pour soutenir les cas d’utilisation IoT actuels avec des Big Data. Il ne s’agit pas d’une plateforme d’expérimentation et d’exploration. L’EDW peut refléter le monde tel qu’il est, mais ne peut imaginer comment il pourrait être. 

Vous en doutez? Demandez à vos data scientists et à vos ingénieurs logiciels combien de temps il leur faudrait pour incorporer des données exploitables dans votre EDW afin de commencer le processus d’exploration. Comment analyseraient-ils et stockeraient-ils des données issues de milliers de capteurs de votre usine et de vos activités de back-office, chacune ayant des structures et formats de données différents à des vitesses différentes ? 

C’est à ce niveau qu’intervient l’infrastructure Big Data d’Hadoop, fondamentalement différente. La structure « schema-on-read » d’Hadoop ne nécessite pas par exemple de concevoir à l’avance des structures et des flux, contrairement à un EDW hautement structuré.

Au cours des dix dernières années, les fabricants ont peiné à justifier d’énormes dépenses en développement d’entrepôt de données, ce qui est beaucoup plus difficile que de démontrer la nécessité d’entrepôts physiques. Les estimations du ROI allaient d’hypothèses éclairées à aléatoires et seraient souvent liées au succès d’une initiative dépendant de résultats également difficiles à mesurer, tels que la planification des ventes et de la fabrication. La plupart des projets EDW n’ont pas réussi à atteindre leurs objectifs en termes de temps, de champ d’application ou de budget.

Cette façon de faire n’a plus de raison d’être, l’architecture d’Hadoop étant peu coûteuse et et totalement différente. Sa structure « schema-on-read » permet d’ingérer n’importe quel format de données et de choisir la meilleure façon de les analyser et de les synthétiser au fil de l’exploration. Il n’y a pas d’importantes dépenses initiales associées à la standardisation des structures, KPIs, accès, etc.

En d’autres termes, l’analogie entre un déploiement IoT de type Big Data et la science des données n’est pas l’EDW et les rapports, tableaux de bord et alertes associés. Un déploiement Hadoop est davantage l’étape d’un Proof-of-Concept (PoC) de votre projet EDW, quelque chose pour lequel calculer un ROI n’a pas de sens. Si vous me suivez, comment engager la prochaine étape ?

Lorsque je conseille des entreprises, je commerce par poser une question simple : « Que ferions-nous si nous avions des informations en temps réel, universelles et parfaites ? » (Des données sans erreurs, toutes les données disponibles pour tous, et disponibles à la demande.) Dans ce contexte, l’information comprend les données, ou une information dérivée des données. Supposons que de telles données existent, elles vous permettraient de prédire quoi que ce soit avec de la valeur. Ceci nous oblige à réfléchir où les inefficacités pourraient être, et pas uniquement là où nous savons qu’elles sont. Tentons cet exercice et voyons ce qu’il en ressort!

Revenons à présent à l’hypothèse initiale où des inefficacités sont à prendre en compte et que le ROI ne doit pas être mesuré dans cette phase de PoC, lors de la mise en œuvre d’une infrastructure IoT. Voici comment minimiser les coûts et les risques :

  • Vérifier la capacité à capturer des données en provenance des « objets » en ajoutant des capteurs, réseaux de communication, etc. 
  • Vérifier que vous disposez de journaux de maintenance décrivant les modes/ conditions de défaillance.
  • Utiliser des fournisseurs de logiciels éprouvés avec une large expérience Hadoop
  • Engager des ressources de haut niveau avec une expérience IoT
  • Tirer parti des outils basés sur une interface utilisateur graphique
  • Embaucher de véritables data scientists, pas simplement des statisticiens. Ils doivent connaitre les techniques de machine learning et être capables de décrire les avantages et inconvénients des principales catégories de techniques sans se référer à des notes
  • Engager des spécialistes métier pour collaborer avec vos data scientists
  • S’assurer que les données existantes peuvent être croisées avec de nouveaux types de données.

Vos outils Big Data à vous procurer doivent être : 

  • Eprouvés (déploiement en production)
  • Stables
  • Transparents (open source)
  • Auditables
  • Adaptables et intégrables
  • Avec au moins une version majeure par an

Il a beaucoup à considérer sur le sujet, mais les conseils proviennent d’expérience pratique acquise auprès de fabricants tels que KDS, Caterpillar ou Halliburton Landmark, dont les applications de maintenance prédictive fonctionnent aujourd’hui pour améliorer la sécurité, empêcher les catastrophes environnementales et améliorer le rendement d’une usine. De tels bénéfices ne valent-ils pas l’investissement ? 

Tech Stories

Sous-titres vidéo : formats SRT, VTT et bonnes pratiques

Le sous-titrage n'est plus une option mais un levier de croissance : 80 % des vidéos sur les réseaux sociaux sont consommées sans le son. Pourtant, choisir entre le format…

Lire l'article : Sous-titres vidéo : formats SRT, VTT et bonnes pratiques

Ressource IT

SIEM & PME : Comment construire la boîte noire de votre SI ?

Passez à la cybersécurité proactive, transformez la collecte et l’analyse des logs en un bouclier dynamique contre les cybermenaces. Découvrez comment mettre en place une approche SIEM modulaire, évolutive et…

Découvrir la ressource : SIEM & PME : Comment construire la boîte noire de votre SI ?

Inscrivez-vous

Newsletter iTPro

Urszula Radczynska-Gautier

Rédigé par Urszula Radczynska-Gautier

Urszula Radczynska-Gautier est un professionnel IT et rédacteur sur iTPro.fr : Enterprise Sales Manager Pentaho France

Tous ses articles →

Data & IA

À lire également...

  • Microsoft Chairman and CEO Satya Nadella speaks at Microsoft Ignite 2026 in San Francisco - Photo by Dan DeLong
    Copilots et agents IA

    Microsoft Ignite 2026 : l’IA d’entreprise entre dans l’ère des agents

    Par

    Sabine Terrey
    19 novembre 2026
    8 minutes
  • Gouvernance IA et AI Act

    IA en Europe : les Chief AI Officers voient la valeur, mais peinent à la piloter

    Par

    Sabine Terrey
    19 novembre 2026
    4 minutes
  • Un nouveau iTPro.fr pour éclairer vos choix et décisions IT - 2026
    Data & IA

    Un nouveau iTPro.fr pour éclairer vos choix et décisions IT

    Par

    Sabine Terrey
    17 novembre 2026
    2 minutes
  • IA en entreprise la France avance vite mais surveille mal ses chaînes d’approvisionnement
    Observabilité et monitoring

    IA en entreprise : la France avance vite, mais surveille mal ses chaînes d’approvisionnement

    Par

    Sabine Terrey
    13 novembre 2026
    3 minutes
ITPro
  • X
  • Linkedin
  • Facebook
  • Instagram
Se connecter
S’inscrire
  • Cloud & Infrastructure
  • Cybersécurité
  • Data & IA
  • Workplace et Endpoints
  • Ressources IT
  • Espace responsable sécurité
  • Espace DSI
  • Espace Architecte IT
  • Espace IT Manager
  • Espace Responsable Data / IA

Inscrivez-vous

Newsletter iTPro

© iTPro.fr

  • Qui sommes-nous
  • Contact
  • Comité éditorial
  • Régie médias
  • Mentions-légales
  • Gestion et protection des données personnelles
  • Gestion des cookies
Gérer le consentement aux cookies
Pour offrir les meilleures expériences, nous utilisons des technologies telles que les cookies pour stocker et/ou accéder aux informations des appareils. Le fait de consentir à ces technologies nous permettra de traiter des données telles que le comportement de navigation ou les ID uniques sur ce site. Le fait de ne pas consentir ou de retirer son consentement peut avoir un effet négatif sur certaines caractéristiques et fonctions.
Fonctionnel Toujours activé
Le stockage ou l’accès technique est strictement nécessaire dans la finalité d’intérêt légitime de permettre l’utilisation d’un service spécifique explicitement demandé par l’abonné ou l’internaute, ou dans le seul but d’effectuer la transmission d’une communication sur un réseau de communications électroniques.
Préférences
Le stockage ou l’accès technique est nécessaire dans la finalité d’intérêt légitime de stocker des préférences qui ne sont pas demandées par l’abonné ou la personne utilisant le service.
Statistiques
Le stockage ou l’accès technique qui est utilisé exclusivement à des fins statistiques. Le stockage ou l’accès technique qui est utilisé exclusivement dans des finalités statistiques anonymes. En l’absence d’une assignation à comparaître, d’une conformité volontaire de la part de votre fournisseur d’accès à internet ou d’enregistrements supplémentaires provenant d’une tierce partie, les informations stockées ou extraites à cette seule fin ne peuvent généralement pas être utilisées pour vous identifier.
Marketing
Le stockage ou l’accès technique est nécessaire pour créer des profils d’internautes afin d’envoyer des publicités, ou pour suivre l’internaute sur un site web ou sur plusieurs sites web ayant des finalités marketing similaires.
  • Gérer les options
  • Gérer les services
  • Gérer {vendor_count} fournisseurs
  • En savoir plus sur ces finalités
Voir les préférences
  • {title}
  • {title}
  • {title}