Upload
others
View
14
Download
0
Embed Size (px)
Citation preview
OFFRE UMANIS
BIG DATA & INTELLIGENCE ARTIFICIELLE
1
LE BIG DATA ET LA DATASCIENCE
2
Une évolution pour Umanis
Une révolution pour nos clients
UMANIS, UNE VISION UNIQUE
3
UNE EXPERTISE UNIQUEINNOVATION
• Station-U : Notre Labo R&D, BIG Data, IA et digital, c’est quatre laboratoires (Paris,
Lyon, Tours et Toulouse).
• Ce sont quarante docteurs en mathématiques appliquées, en informatique, en
traitement du signal et en Machine Learning
• Un directeur de la R&D qui pilote les comités mensuellement
→ Le tout pour une recherche orientée client amenant :
4
IMPLÉMENTATIONUNE EXPERTISE UNIQUE
40 projets innovants sur les Agents conversationnels
(ChatBots), IoT, Blockchain
50 projets de migration / modernisation de plateformes
techniques
Plus de 500 projets BIdans les 4 dernières années
Plus de 200 projets Cloud depuis 2 ans dont 50 Infrastructures d’envergure
Plus de 160 projets Big Data et Intelligence Artificielle en 2017
Ingérer Stocker Analyser
5
LES PROBLÉMATIQUES SONT LES MÊMES
LE BIG DATA
• Prédire le futur
• Identifier les anomalies
• Optimiser les processus
• Prioriser les actions
6
UMANIS, C’EST 25 ANS D’EXPERTISE DANS LA DATA
Un engagement dans l’Open Innovation
Des partenariats avec tous les GAFAM
Un ADN unique
Un partenariat avec de nombreux Laboratoires de Recherche
Un laboratoire interne de R&DUmanis est le leader français
de la Data On-Premise
et dans le Cloud
7
NOTRE OFFRE
ACCOMPAGNEMENT DE NOS CLIENTS DANS
L’IMPLÉMENTATION DE PROJETS BIG DATA & INTELLIGENCE
ARTIFICIELLE
QUELLE EST L’INTERVENTION D’UMANIS ?
8
Accompagner les clients dans la mise en œuvre de leurs projets Big Data et Intelligence Artificielle
9
Outils d’ETL (SSIS, Talend,…)
DatawarehouseSQL Server, Teradata, Oracle…
Extract LoadTransform
Stockage et
process
élastiquesHDFS, Blob Storage…
Outils
de visualisation
Datamarts
Applications
Data Lakes
Outils d’ingestion
Transform Machine
Learning
Machine Learning
Temps réel
Gestion de l’IoT
Machine Learning
Deep Learning
CONSEIL ET RÉALISATION EN ARCHITECTURE BIG DATA
ANALYSE DES DONNÉES À DISPOSITION
10
Notre objectif : vous donner les outils pour…
Support Vector
Machines
Régressions linéaires, logistiques
Améliorer la qualité
des infrastructures et des services
Anticiper les évolutions, prédire et prescrire
Mieux comprendre
les citoyens, les infrastructures, les entreprises
Arbres de décisions
Naïve Bayes classification
Deep Learning
MISE À DISPOSITION D’ÉQUIPES POINTUES
11
Notre équipe : Une équipe certifiée, maîtrisant théorie et pratique
SAS / R / R Server / Python / SQL / CNTK / SCALA …
Microsoft Data Science Summit, Atlanta, Septembre 2016
Train The Trainer Program – R Server, Sunnyvale, Octobre 2016
Cortana Analytics Workshop, Seattle, Septembre 2015
Formée aux dernières technologies
Engagée profondément dans le succès du client
Expérimentée grâce à des projets complexes
Algorithmes prédictifs en temps réel
Machine Learning sur des données non structurées
Problématiques métiers et algorithmes complexes
Plus de 2/3 des prestations avec engagements
Reconnaissance dans la qualité du delivery
ECOSYSTÈME BIG DATA & PARTENAIRE
UN RÉSEAU D’EXPERTS,D’ARCHITECTES, DE DATA SCIENTISTS ET DE PARTENAIRES AU SERVICE DE LA RÉVOLUTION DIGITALE
12
13
Plateforme de stockage et de calcul distribuée
• Projets Open Source : Apache Hadoop
• Partenaires
• Pure players : MapR, Cloudera, Hortonworks, Pivotal
• GAFAM et Leaders : Microsoft, IBM, Google, Amazon, Oracle
Base de données NoSQL
• Dépasser les limitations des bases de données relationnelles (Passage à
l’échelle, flexibilité du schéma, etc.)
• Trois types
• Base de données orientées document : MongoDB, Couchbase
• Base de données clé valeur : HBase, Cassandra,
• Base de données graphe : Neo4J,
Moteurs de recherche
• Accès aux données de l’entreprise comme on le fait naturellement sur Google
• Indexer toutes les données de l’entreprise afin de pouvoir y accéder
simplement et rapidement (Base de données client, RH, informations
financières, mails, etc.)
UN RÉSEAU DE PARTENAIRES SOLIDES
14
ZOOM SUR L’EXPERTISE DATA INTELLIGENCESchéma directeur
Data Science
Etude, POC& Processus Data Science
Formation, Méthodes Statistiques et R
Mise en œuvre,Algorithmes et expertise IT
Transformations organisationnelles, méthodes BI et Data Science
Trajectoire de transformation des SI Data vers les SI Big Data & Analytic
• Estimation Bayésienne,
• Quantification et Propagation des
Incertitudes,
• Tests d’Hypothèses Statistiques,
• Moindres Carrés,
• Techniques Monte Carlo par Chaine de
Markov,
• Analyse des Signaux non stationnaires
(Transformée en Ondelettes, STFT, WVD),
• Analyse en Composantes Principales
(ACP), Linear Discriminant Analysis (LDA)
• Classification (SVM, KNN, Neural Network,
Régression Logistique, Arbres de décision)
• Clustering (k-Means, Expectation-
Maximization, Hierarchical Clustering,
Naïve Bayes)
• Validation Croisée (Selection de Modèle)
• Recherche Opérationnelle (Optimisation
Combinatoire, Algorithmes Génétique)
• Predictive analysis, classic data Mining
techniques, time series …
• Segmentation (kmeans, knn, Hierarchical
classification kmod, Kohonen,…)
• Forecast (simulation methods , decision
trees , SVM , logistic regression …)
• Modeling complex processes and
implementation of algorithms for complex
problems (NP-complet, Contraint
Satisfaction Problem) using tools like,
Madkit, Jad)
15
ZOOM SUR L’EXPERTISE BIG DATASchéma directeur
Big Data
Etude, POC & ArchitectureBig Data
Formation et Méthodes d’architectures pour données structurées et non structurées
Mise en œuvre, architecture et expertise IT
Transformations organisationnelles, méthodes Big Data
Trajectoire de transformation des SI Data vers les SI Big Data & Analytic
• Algorithmes Map Reduce et Architectures
de stockage HDFS/WebFS
• Langages Pig, Hive, Json, Python et
Scala
• Hadoop Cloudera, Hortonworks et MapR
• Solutions Google Cloud Platform et
Microsoft Azure Data Lake Analytics
• Dataïku
• Apache Spark, Storm, Flume et Kafka
• Management Zookeeper, Ambari, Sqoop
et Ooziet
• Bases de données relationnelles « VLDB »
(Very Large Database)
• Moteurs MPP (Massively Parallel Processing)
• Solutions OnPremise Teradata, Oracle
Exalytics, Microsoft Analytic Platform System
• Solutions Cloud Amazon Redshift, Microsoft
Azure SQL Datawarehouse, Google Big
Query et Snowflake
• Solution ETL Hybrides Talend et Microsoft
Azure Data Factory
• Solutions d’hybridation entre données
structurées / Non structurées (MS Polybase
ou Snowflake)
• Bases de données maitre/esclave Hadoop
Hbase
• Bases de données géo-réparties haute
disponibilité en cluster Apache Cassandra,
Amazon DynamoDB et Microsoft CosmoDB
• Bases de données orientées documents
Couchbase et Microsoft Azure DocumentDB
• Base de donnée réparties MongoDB et
Google Big Table
• Solutions de métadonnées et de gouvernance
Hcatalog et Azure Data Catalog
DES RÉFÉRENCES CLIENTS
EXEMPLES D’IMPLÉMENTATIONS
PASSÉES OU EN COURS
16
17
CONTEXTE
ENJEUX ET BENEFICES
SOLUTION
FOCUS
La complexité de l’interprétation des informations issues desstatistiques monétaires et financières, en temps réel, n’a paspermis aux institutions d’identifier des alertes précoces dans lecadre de la crise financière de 2008, mieux utiliser l’informationdisponible est donc dès lors devenu le défi majeur desBanques Centrales et des Autorités de Supervision. Il s’avèredésormais essentiel que l’appareil statistique puisse fournirrapidement les alertes appropriées en cas d’apparition d’unnouveau foyer de vulnérabilité.
Mise en place par Umanis d’équipes de Maitrise d’ouvrage, de Pilotage de projet, de
coordination d’équipes MOA, et d’équipes d’expertise technique en MOE et Métier. Après une
phase d’analyse des besoins, de recueil et d’enrichissement des métadonnées, puis la rédaction
des spécifications fonctionnelles, le lancement de campagnes de tests soutenue par des experts
en gestion de crise et en conduite du changement, à conduit le SI à s’équiper d’une solution
centralisant les données passées sur une Plateforme dédiée basée sur les technologies « Big
Data » open source (ElasticSearch pour les recherches, et Hadoop pour le stockage de données
hétérogènes)
En
jeu
x
I.Développer les synergies par un accès et une exploitation plus transversale du capital d’informations microéconomiques de la Banque
II.Regrouper dans un espace mutualisé des données individuelles sur les institutions financières et les entreprises non financières produites par plusieurs Directions Générales
III.Favoriser la transversalité en développant les échanges et le partage de données entre DG B
én
éfice
s
Enrichir les études et analyses réalisées par chaque DG grâce à une synergie fortement accrue
Contribuer à accroître l’influence de la Banque par une meilleure qualité globale des travaux
Anticiper voire orienter les décisions de la BCE en matière de « data sharing »
Gains prévisibles à moyen terme sur l’administration du SI
BANQUE DE FRANCE•DÉTECTER LES SIGNAUX PRÉCURSEURS DE CRISE
Une équipe de 30 statisticiens Umanis pendant 2 ans
CONTEXTE
ENJEUX ET BENEFICES
SOLUTIONLa branche commerce EDF, responsable de la relation client, de lafacturation au recouvrement gère plus de 27 millions de clients d’EDFsur 33 millions de sites et assure la relation avec ENEDIS(raccordement compteur, relèves, ouverture/fin des contrats...)
Le SID historique, construit sur trois entrepôts de données avait atteintses limites techniques avec les technologies traditionnelles alors que lesbesoins, eux, suivent une courbe exponentielle, freinant le métier dansson action.
Transformation des entrepôts existants sous forme d’un Datalake et mis en place d’un système
de collecte, de gouvernance et d’analyse de données sous Infrastructure HP.
Sur cette infrastructure, Umanis a déployé une distribution Hadoop Hortonworks Open Enterprise
Hadoop Data Platform, déclinée sur un cluster de 40 nœuds et secondé d’une base de données
NoSQL / Hbase et d’un framework d’analyse développé sous Hive, Elastic search (ELK), Spark
pour le calcul temps réel et Sqoop pour l’Integration.
EDFRÉPONDRE AUX BESOINS ANALYTIQUES DE LA DIRECTION COMMERCE
Création d’une plateforme Big Data pour gérer toutes les données de 27 millions de clients avec 33 millions de sites
En
jeu
x
Construction d’une base de connaissance client
Répondre aux besoins analytiques de la direction commerce
Mise à disposition de l’historique des données des SI opérationnels multisources avec une profondeur temporelle et fonctionnelle plus importante
Optimisation du déroulement de processus opérationnels
Alimentation des SI opérationnels d’informations à valeur ajoutée
Bé
né
fice
s
Une augmentation progressive du niveau de service et du périmètre fonctionnel pour répondre aux enjeux et attentes métiers
Unification des règles de gestion
Réduction des délais de livraison de nouveaux flux de données de 50% en moyenne
Une capacité à faire évoluer les capacités de la plateforme facilement
Ecoute des réseaux sociaux
Une vision unifiée des habitudes de consommation chaque client
18
FOCUS•
2017
métriques
33Millions
de Sites
27Millions
de clients
19
CONTEXTE
ENJEUX ET BENEFICES
SOLUTION
FOCUS
AXA Group Solutions est la société de services du GroupeAXA. Elle a pour mission d’aider le Groupe AXA à tirer parti desa présence internationale en identifiant des opportunités deProgrammes Groupe ou de Solutions Groupe, structurant,déployant et en assurant l'exécution. Son business model estbasé sur la réutilisation et la mutualisation des ressources.AXA Group Solutions développe et maintient de nombreusesapplications à usage interne ou externe.
Les équipes d’expertise Big Data et Data Science d’Umanis ont développé une plateforme pour
le monitoring des investissements du groupe AXA en construisant une Plateforme Big Data /
Machine Learning et le bouquet de services associés basée sur les technologies « Cloudera
Enterprise Data Hub Edition » déclinée sur un cluster de 5 nœuds, et équipées des solutions de
datamining SAS et R, de TIBCO Spotfire, et Microsoft SQL Server 2016 Reporting Services pour
les besoins de datavisualisation / analytic, et d’ElasticSearch pour les recherches, ainsi que des
outils MapReduce, Pig et Informatica pour les couches techniques de traitements et d’agrégation
de la donnée.
En
jeu
x
I.Le processus de collecte, consolidation et diffusion de données de suivi des investissements a gagné en complexité avec le temps. La fragmentation de la donnée rend le travail du département Group Investment and ALM de plus en plus complexe à réaliser.
II.Face à ce besoin stratégique il a été décidé de mettre en place un Data Lake sur lequel toutes les données de monitoring des investissements seront centralisées, avant leur utilisation. B
én
éfice
s
Centralisation des données sur les investissements
Industrialisation de la génération des rapports, des prévisions et des alertes
Simplification du partage de données
Exploitation de l’historique pour la construction d’indicateurs et alertes intelligentes
AXAEXPLOITER L’HISTORIQUE POUR LA CONSTRUCTION D’ALERTES INTELLIGENTES
20 experts techniques et scientifiques pour la construction du Datalake de monitoring des investissements du GROUPE
20
CONTEXTE
ENJEUX ET BENEFICES
SOLUTION
FOCUS
Le groupe ALTICE (9 Telecom, Virgin Mobile, SFR, Numericable) a 23Millions clients dont 15 sur mobile. Son enjeu-clé est de conserver etdévelopper son parc client face à une concurrence de plus en plusforte. Une plateforme Big Data a été installé pour collecter tous lesponts de données (logs Box-TV, logs des applications mobiles,navigation Web, appels aux serveurs vocaux, passages en point devente, appels au SAV, facturation etc.). Umanis s’est basé sur cesdonnées pour mettre en place un système Anti-churn en temps réel.
Umanis a développé une solution récupérant l’ensemble des données sur une seule plateforme,
puis conçu des modèles de machine learning « d’ensemble », combinant la puissance de
plusieurs algorithmes (Réseaux de neurones, algorithmes de Kohonen et méthodes de
régression), permettant en temps réel d’effectuer les actions prescriptives anti-churn, intégrées
directement dans le workflow métier de l’entreprise, et mis à jour à fréquence élevée pour
s’adapter à la vélocité d’évolution des offres du secteur. La solution est basée sur R, SPSS et
KXEN, pour la partie DataScience et un cluster Cloudera de 20 nœuds doté de Spark pour
assurer un service temps réel.
En
jeu
x
I.Unifier le calcul de churn pour tous les opérateurs composant le groupe
II.Réduire le nombre de résiliations en détectant, en temps réel, les clients disposant
III.d'un ou de plusieurs marqueurs forts de résiliation.
IV.Approfondir la connaissance client, par croisement de tous les canaux de
V.communication avec lui.
VI.Améliorer et enrichir la capture de données
VII.Optimiser les procès de calcul de churn
Bé
né
fice
sRéduire de le taux d'attrition le premier mois qui a suivi la mise en production de l'application.
Développer des nouveaux marqueurs de clients en marge de l'application d'anti-churn
Réduire les délais nécessaires pour contacter le client (quelques heures vs d'une dizaine de jours)
Compréhension plus profonde des besoins clients
Réduire le coût du plateau service-client anti-churn par un ciblage plus précis
Améliorer la qualité de service en détectant des disfonctionnements très tôt sur tous les canaux
ALTICE (SFR)PRÉVENIR L’ATTRITION CLIENT EN TEMPS RÉEL
Prévenir l’attrition de 23 Millions de clients avec R, SPSS, et KXEN sur une plateforme Cloudera - Teradata de 20 nœuds
CONTEXTE SOLUTION
FOCUS
La Sacem, Société des Auteurs, Compositeurs et Editeurs deMusique, est une société civile à but non lucratif, dont lamission essentielle est de collecter les droits d'auteur enFrance et de les redistribuer aux créateurs français et dumonde entier.
Cette mission est fondamentale pour pérenniser la création etle fonctionnement de la filière musicale en ligne .
Les équipes R&D et Data Science d’Umanis ont développé une plateforme pour l’acquisition et le
traitement des données en temps réel des plateformes musicales en lignes, fondée sur une
infrastructure cloud OVH sur laquelle est déployée une Plateforme Big Data / Machine Learning
sous distribution Hortonworks Data Platform 2.1 de 10 nœuds, dotées de SGBD NoSQL
Cassandra 2.1 et DataStax Enterprise 4.6, et soutenues par un moteur de recherche élastique
(ElasticSearch) ainsi que d’une solution de traitement en temps réel de données sous Apache
Spark.
•
SACEMPÉRENNISER LE FONCTIONNEMENT DE LA FILIÈRE MUSICALE EN LIGNE
En gérant 180 Téraoctets de données sur une plateforme Big Data Hortonworks Data Platform 2.1 dans le Cloud OVH
ENJEUX ET BENEFICES
Enje
ux
I.L’apparition de nouveaux modèles de consommation (ventes en ligne, streaming, etc.) de produits culturels (Clip video, musique, etc.) via les plateformes digitales telle que iTunes, Deezer ou Spotify a démultiplié le volume de données que doit collecter et traiter la SACEM.
II.Etant le garant de la rémunération des ayants droit la SACEM a entrepris de mettre en place une plateforme Big Data pour le traitement temps réel des données. L’objectif étant : donner une visibilité complète aux ayant droits sur la façon dont leurs œuvres sont consommées
Bé
né
fice
sCapacité à collecter et à traiter des volumes très importants de données (au moins 100Go de données par jour)
Robustesse de la plateforme face à des variations très importantes en termes de vélocité et de volumétrie
Calcul des redistribution des droits d’auteur en temps réel
Vue 360 sur la consommation par œuvre, auteur et canal de consommation
21
CONTEXTE
BENEFICES
SOLUTION
FOCUS
MediaMobile équipe 80 % du marché en Europe pour la diffusion des données d’infotraffic en temps réel dans les GPS des véhicules de particuliers. Pour conserver sa position de leader, MediaMobile doit maitriser et améliorer à tout prix la qualité de ses informations, et pour cela, contrôler en quasi temps-réel la tenue des SLA par ses fournisseurs (qui donnent en temps réel les coordonnées GPS de véhicules roulants) et optimiser la pertinence par le prédictif sur une grande quantité de données (36 TB).
•
- Troisième niveau
- Quatrième niveau
- Cinquième niveau
Mise en œuvre d’une démarche BIG DATA (Architecture Lambda, Traitements distribués)
Migration du Système Décisionnel existant dans Azure en PaaS (Azure SQL DWH)
Couplage de la partie Big Data avec le système décisionnel existant via Polybase (Réutilisation
de l’existant, courbe d’apprentissage réduite pour Mediamobile)
Mise en œuvre d’une démarche d’innovation technique pour l’optimisation (Index Spatiaux
hiérarchisés distribués dans Hadoop, Décompression distribuée , Externalisation Metastore
Spark)
•
MEDIAMOBILEAMÉLIORER STRATÉGIQUEMENT LA QUALITÉ DES DONNÉES
Déploiement Cloud de 36 To avec Microsoft Cortana Intelligence Suite (Spark for HDInsight, Polybase, Azure SQL DWH, Power BI)
22
CONTEXTE OBJECTIFS ET SOLUTION
FOCUS
SNCF RESEAU nous a confié un projet d’incidentologie, qui consiste à identifier les causes de retard de trains, l’impact des retards de trains sur les autres trains, et les corrélations entre différents paramètres et facteurs, actuels et historiques, liés à la circulation des trains pour d’une part comprendre le fonctionnement actuel, mais également trouver des axes d’optimisations afin d’améliorer la ponctualité des lignes.
L’objectif est de mettre à disposition des tableaux de bords permettant de mesurer, grâce à l’analyse prédictive, des gains fondés sur les effets d’une intervention sur les facteurs incidentogènes. En termes de Data Science, les modèles sont élaborés avec SQL Server R Services qui apporte notamment le parallélisme par rapport à R, et en terme de visualisation nous avons choisi Power BI pour son intégration avec R - L’attendu principal de cette Data Visualisation est la description visuelle des « sillons » permettant d’appréhender facilement l’impact des petits retards sur le reste du déroulé du parcours. Le rapport permettra in fine d’optimiser les horaires des lignes pour améliorer la qualité du service.
•
SNCF RESEAUOPTIMISER LA PONCTUALITÉ DU RÉSEAU
Equipe de 10 experts Data Science sur SQL SERVER 2016 R SERVICES et Power BI
23
24
CONTEXTE
ENJEUX ET BENEFICES
SOLUTION TECHNIQUE
FOCUS
La Branche Services-Courrier-Colis de la POSTE a construit au fil desans un outil industriel permettant la récupération à des fins deproduction, de monitoring et de facturation, des données à toutes lesétapes de l’acheminement d’un objet ou d’une prestation de service.Elle a confié à Umanis un plan de travaux « Data » pour aller plus loindans l’optimisation des process internes et la qualité de service maisaussi pour construire un socle de nouvelles offres clients, basée sur lavalorisation des données disponibles en fonction des critères de retoursur investissement des sujets.
Transformation des entrepôts existants sous forme d’un Datalake pour la collecte, la
gouvernance et l’analyse de données sur une infrastructure hétérogène MPP / Hadoop basée
sur la solution Oracle Big Data Appliance. Umanis a ainsi déployé côte à côte Exalytics (MPP In
Memory) et une solution Cloudera (Enterprise Hub Edition). Sur cette infrastructure, dotée de
deux clusters de 6 nœuds Umanis a déployé le système de gestion de base de données NoSQL
Impala, le moteur de recherche SolR (Cloudera Search) et un framework d’analyse temps réel
basé sur Spark, Pig et doté d’un système d’intermédiation de flux basé sur Apache Kafka.
En
jeu
x
I.Améliorer la détection des nouvelles tendances de fond sur nos marchés
II.Améliorer la conception produits et services de demain et développer les nouveaux services
III.Améliorer et d’enrichir la capture de données
IV.Améliorer la prédiction des flux
V.Mieux piloter la production pour réaliser la promesse client
VI.Optimiser les process dans un objectif de réduction des coûts, dont les coûts d’acquisition des données Bé
né
fice
s
Collecte de toutes les données disponibles sur le SI
Réduction des délais nécessaires pour la réalisation d’analyses
Compréhension plus profonde des besoins clients
Meilleure capacité à prévoir la charge en production au quotidien, les évolutions futures du marché ou des modes de consommation
Amélioration du fonctionnement global en identifiant les optimisations possibles et à forte valeur ajoutée
LA POSTEAMÉLIORER LA CAPACITÉ À PRÉVOIR LA CHARGE EN PRODUCTION
Création et couplage de deux plateformes BIG DATA, une pour les données structurées et un pour les données non structurées
CONTEXTE
NOTRE RÔLE
SOLUTION ET RÉSULTAT
FOCUS
DAHER-SOCATA est un équipementier-intégrateur industriel mondial de premier rang , grâce à deux métiers, celui d’industriel et de prestataire de services. Pour optimiser ses processus et réduire ses coûts, face à un carnet de commande bien rempli (4 ans d’activité), la DSI de DAHER souhaite tirer partie des toutes dernières innovations en matière d’objets connectés offertes par les géants du marché comme Microsoft, et nous a confié un premier pilote visant à lever des fonds auprès de l’ensemble de ses branches métiers. pour aborder de plein pied les virages technologiques tout connecté et prédictif
• Démontrer la pertinence des plateforme analytique Azure IoT Suite et Cortana Intelligence Suite
Innovation
ROI
Diversité des usages (BI, BIG DATA, IoT, Forecasting…)
• Sous les axes :
Concentrateur d’évènements
Stockage en base de données
Restitution via outils MS BI
Maintenance prédictive
Détection de comportements anormaux
Comment optimiser par la maintenance prédictive les vérifications des techniciens déballant le
matériel à l’issue d’une longue chaine transport et logistique ? La solution retenue, met en
œuvre des capteurs (fumée, poussière, lumière, température, humidité) sur un Arduino,
embarquée avec le matériel. La carte transmet en temps réel ces paramètres via différents
canaux, dans le cloud via MS Azure IoT Suite. Les données subissent alors une période
d’apprentissage pour la corrélation des paramètres de transports avec les anomalies, puis le
modèle statistique est implémenté dans la chaine de donnés pour une restitution aux
techniciens. Suite à ce test concluant, la DSI DAHER a mis en œuvre une plateforme IoT / Big
Data Microsoft Azure, et les branches métiers ont identifiés 60 projets IoT à ce jour.
•
DAHEROPTIMISER LES MARGES GRÂCE À LA MAINTENANCE PRÉDICTIVE
Réalisation d’une plateforme IoT - Big Data – Data Science pour gérer 60 projets d’optimisation métier
25
26
QU’EST-CE QU’UMANIS ?
27
CONTACTEZ-NOUS