PROGRAMME
Jour 1
DÉFINITIONS ET CONCEPTS• Concepts, implications d’une informatique interfacée avec le réel
• Enjeux des objets connectés
- Optimiser les processus et la consommation de ressources
- Maitriser des risques
- Faire émerger de nouveaux business models
• Cas d’usages
- Framework d’usages : monitoring, alertes, exécution de scénarios
- Cas d’usages par grands secteurs d’activité : industrie, assurance, santé
• Problématiques techniques
- Fabrication de l’objet ou utilisation d’un objet issu d’un éditeur : intégration au SI
- Distribution de l’objet
LANCER SON PROJET D’OBJET CONNECTÉ• Démarche Lean Startup
- Pour aller au plus vite vers les utilisateurs
- Pour découvrir ses cas d’usages en collaboration avec ses clients
• Mettre en place un pilote
- Avec objet sur étagère
- Avec prototypage rapide
BÂTIR UNE PLATEFORME INTERNET DES OBJETS• Concevoir l’objet
- Design : recourir à un designer industriel
- Prototype : Arduino, assemblage de composants, code embarqué
- Industrialisation : sous-traitance en Chine
• Problématiques techniques de l’objet
- Capacité CPU, capacité de stockage interne
- Intelligence embarquée : quel système ? Quel dispositif de mise à jour ?
- Autonomie, batterie
- Précision des mesures. Sémantique
- Arbitrer la présence d’une IHM
- Durée de vie. Résistance à l‘eau, au sable, aux chutes
- Sécurité
- Respect des normes et standards
• Communication entre l’objet et son BackEnd
- Connectivité mono / bidirectionnelle. Gestion du mode déconnecté
- Protocole de communication : central, P2P
- Portée, fiabilité, stabilité
- Protocole banalisé : WiFi, BLE, RFID, NFC, etc.
- Protocole spécialisé : Enocean, Lora, SigFox, etc.
• BackEnd de collecte massive de données
- OpenAPI
- Lambda architecture, NoSQL, etc.- Architecture scalable
• Application mobile « compagnon »
- Développement iOS / Android
- Communication locale en Bluetooth Low Energy
• Intégration au SI
- Capacité du SI à absorber la charge issue de la collecte massive
- Architecture d’intégration
TRAITER LES DONNÉES ISSUES DE L’OBJET• Stockage et Big Data avec Hadoop
• Cas de recours au Cloud
• Analyse des données : Machine Learning, calcul distribué, Deep Learning, calcul GPU
