Edge computing : quels avantages pour l’industrie ?

Une étude menée par Stratus Technologie auprès de professionnels des technologies d’exploitation révèle un optimisme certain concernant l’avenir de l’Edge Computing. Cette technologie informatique dite « en périphérie du réseau » se présente comme une alternative ou un complément du cloud ou architecture en nuage. Selon un article d’Enterprise.nxt, cette technologie serait le point de convergence de l’IoT, de l’IA et de la 5G. Notre article se propose de donner une définition de cette technologie en croissance, illustrée d’exemples. Nous introduirons également ses avantages avant d’explorer quelques cas d’usages industriels.

Qu’est-ce que l’Edge Computing ?

On peut définir l’Edge Computing par opposition à l’architecture en nuage. L’Edge repose sur une architecture distribuée. On associera 2 principaux objectifs liés à cette architecture :

• Diminuer la latence de traitement des données
• Augmenter la sécurité informatique

Dans un modèle centralisé, les données sont prélevées par un capteur et envoyées à un serveur ou datacenter distant par un dispositif appelé « passerelle » ou gateway. Elles sont ensuite analysées par un ordinateur. Par définition, le serveur centralisé étant distant, le temps de réponse est plus long que si les données étaient envoyées à un serveur local, plus proche physiquement.

Dans le cadre de l’Internet of Things (IoT) ou de l’Industrial Internet of Things (IIoT) la quantité de données générées allonge encore davantage le temps de réponse du serveur. Cela limite le traitement des données en temps réel.

Cette technique Edge permet de réduire considérablement la latence observée en traitant les données là où elles sont générées. Par traitement on entend calcul, analyse, statistiques ou logique par exemple. Cela peut être à proximité de l’appareil qui génère les données, au niveau d’un PC local, ou directement dans cet appareil. On dit qu’on est en « périphérie du réseau ». Il est important de spécifier que l’Edge computing peut tout à fait être complémentaire à l’utilisation d’une architecture cloud. De nombreux modèles hybrides sont possibles.

Vous l’aurez compris, le concept ou l’architecture n’est pas forcément nouvelle. Cependant l’innovation réside dans le fait que les équipements informatiques associés à l’Edge sont généralement capables d’autant faire office de passerelle (gateway) pour échanger les données avec le cloud, qu’effectuer des traitements analytiques ou logiques en local. Certains sont même à même d’appliquer des modèles d’intelligence artificielle en intégrant des architectures comme Jetson de chez Nvidia ou Movidius d’Intel.

Le MIC-720AI est un excellent exemple. Il intègre un processeur capable de répondre aux besoins de l’Edge et une puce orientée intelligence artificielle spécialement adapté à cet usage.

Qui peut bénéficier de l’Edge ?

De nombreux domaines et secteurs sont concernés. D’après un rapport de Grand View Research, le secteur de l’énergie et des services se partagent 17% des parts de marché global en 2020, suivis de près par l’industrie, les transports et la logistique.

D’autres secteurs qui ont besoin d’une grande vitesse d’analyse de données, comme la santé ou la finance, sont également touchés. Mais c’est aussi le cas des voitures autonomes, de la smart city, du contrôle de traffic ou encore de la réalité augmentée. Avec un terrain de jeu explosé dans de nombreux domaines, on retrouve donc logiquement de nombreux acteurs.

De nombreux spécialistes sont aujourd’hui sur ce marché. On retrouvera par exemple IBM avec Lenovo, Dell ou encore Cisco. Mais une bonne partie du secteur est surplombé par les constructeurs de matériel informatique industriel comme Advantech, Nexcom, Schneider Electric ou encore Axiomtek. Et ce survol est principalement lié à la nécessité d’avoir du matériel qui allie solidité, pérennité et puissance. Ce sont les principales caractéristiques du PC industriel.

D’autres acteurs, qui ne sont pas, a première vue des experts du domaine ont fait leur apparition:

• Google avec des solutions d’edge IoT facilitées par Google Analytics et Google Data studio
• Amazon et son offre Cloud AWS avec AWS Greengrass une passerelle IoT Cloud flexible et sécurisée
• Microsoft avec son offre IoT Hub d’Azure et des connecteurs Edge / Cloud simples de mise en place

Ces acteurs majeurs du cloud se sont donc introduits par la grande porte dans le domaine de l’Edge computing. D’ailleurs les constructeurs en sont conscients et passent des partenariats importants avec ces acteurs comme Advantech et AWS.

Que vous soyez client final, entreprise de service ou encore intégrateur par exemple, l’edge computing est aujourd’hui encore une réalité. Ce concept est poussé par l’adoption des nouvelles technologies, la digitalisation des usines (smart factory) ou encore les nouvelles possibilités des réseaux industriels.

Un marché en croissance

D’après le même rapport, une croissance de plus de 30% annuelle est attendue, entre 2021 et 2028 pour le marché global de l’Edge Computing.

C’est un domaine techniquement complexe faisant intervenir une grande diversité d’acteurs : hardware, software, services, plateformes. En 2020, le segment « serveurs supportant les applications Edge » atteignait 44% de la part globale.

Integral System est un acteur Français de l’Edge computing en proposant de nombreuses solutions aussi bien logicielles que matériel spécifiquement conçu pour les industriels. Nous travaillons avec des partenaires de longue date comme Advantech, Nexcom / NexAIoT, Axiotmtek ou encore des Français comme Acksys.

Avantages de la technologie edge dans l’industrie 4.0 : smart manufacturing

Nous nous situons dans une perspective de smart manufacturing, qui vise à produire plus intelligemment à l’aide d’outils informatiques, afin d’abaisser les coûts.

Dans cette perspective, il est judicieux d’interconnecter les ordinateurs et les différents systèmes informatiques entre eux. Cela permet d’avoir une vision sur l’ensemble du système de production afin de réagir intelligemment aux incidents. D’une même façon, cela permet d’envoyer plus facilement des ordres aux machines. Le marché actuel offre un éventail de possibilités permettant de transformer un simple capteur en capteur IoT, à l’aide de modules d’acquisition de données. Ces données peuvent être envoyées dans le serveur distant comme décrit plus haut ou s’intégrer à une architecture Edge. Si une attention particulière devra être accordée à la sécurisation des appareils concernés, cela présente plusieurs avantages :

• Rapidité d’exécution : Une latence réseau très faible compatible avec les besoins en informatique temps réel
• Sécurité des données : les données sensibles peuvent rester en interne ou être traitées avant un envoi éventuel vers le serveur distant. À noter également que les technologies Edge Computing permettent de contourner le cas d’incidents survenant au niveau d’un data center, comme ce fut le cas récemment avec OVH
• Sécurité de l’activité : si un problème survient sur le site principal, les sites régionaux peuvent fonctionner quand même
• Réduction des coûts de consommation de ressources distantes et de services (Calcul, processeurs, stockage, sécurisation des données, politique de gestion des données, etc.)

La sécurité et l’edge

Vous l’aurez compris, dans tous les cas, il est nécessaire de ne pas reposer à 100% sur une connectivité vers une infrastructure externe qu’elle soit Cloud, on Premise ou Hybride. La sécurité est elle aussi essentielle elle doit être assurée de la source de données jusqu’au système cible. Elle doit être assurée tant au niveau matériel que logiciel. De plus, quand on parle de sécurité dans l’IoT on ne peut se limiter à la notion d’intrusion.

Bien sûr une protection contre l’intrusion est nécessaire. Cependant, l’interconnexion de réseau externes à un réseau critique et sensible comme celui d’une usine ne doit pas être pris à la légère. C’est pourquoi il est généralement admis que la sécurité doit être mise en place du matériel jusqu’au niveau logiciel en passant par l’utilisateur, la donnée, et la véracité de la donnée.

Cas d’usage IIoT

Voyons à présent quelques cas d’usage tirés d’un rapport de l’Industrial Internet Consortium. Tout d’abord, un bref rappel sur ce qui est appelé « périphérie » du réseau. Il s’agit d’une couche logique et non d’une division physique car la localisation physique de cette périphérie dépend du problème métier traité.

Dans le cas de l’Industrial Internet of Things, cette localisation dépend de l’activité industrielle et des objectifs visés par le système mis en place. On peut considérer qu’elle se situe auprès de l’appareil produisant les données ou d’un serveur présent sur le site de production et jouant le rôle de concentrateur de données. Attention il est important de bien séparer le concept de backup ou sauvegarde et d’Edge computing.

Dans l’IIoT ce concept se situe en périphérie du réseau, ce qui peut être un capteur, une passerelle, un automate ou un concentrateur avec des entrées / sorties. Par exemple, chez le constructeur Advantech on retrouve le bien connu module ADAM avec sa gamme 6300.

Cette dernière est conçue pour l’edge car elle intègre des fonctions de « passerelles », « traduction » et des possibilités d’altérer, modifier, interprêter et analyser la donnée.

La périphérie est un continuum. Au début de ce continuum se trouve le capteur. À la fin se trouve le nuage. Les cas d’usage figurant ci-après vous donneront un meilleur aperçu de cette subtilité.

Protection d’équipement industriel

Prenons par exemple le cas de la protection des équipements industriels. Une pompe et un capteur thermocouple qui mesure sa température. Si la pompe effectue elle-même le traitement et l’analyse des données de température, elle peut s’arrêter immédiatement après avoir détecté le dépassement d’un certain seul. La périphérie se situe ici autour ou dans la pompe car c’est elle qui répond aux objectifs visés.

Dans ce cas il est également tout à fait acceptable d’avoir une latence liée au réseau local. C’est à dire avoir un ordinateur qui traite cette donnée directement sur le réseau local de l’usine.

Toutefois il peut être intéressant d’introduire une connectivité au système pour notifier d’un incident via une passerelle, dans un cadre smart manufacturing. L’un est complémentaire de l’autre ici. Vous pouvez avoir un edge qui remonte les alerts urgentes, et un cloud ou autre service de traitement de données, qui s’occupera d’analyser les données au long cours. Par exemple une pompe qui génère régulièrement des alertes mérite très certainement une attention plus importante.

Contrôle de performance de sites industriels ou de lignes de production

De nombreux capteurs répartis dans l’usine, les machines outils et en périphérie des lignes de production, produisent de l’information en temps réel concernant les performances du site de production. Une telle quantité de données à traiter et à transmettre peut induire un temps de réponse long du serveur externe. De plus que se passe t’il si toute l’usine perd sa connectivité ?

Cette latence peut être responsable de dégâts importants. Avec une infrastructure Edge, il est possible d’effectuer les traitements localement. Ici, la périphérie se situe au niveau de l’usine ou du site industriel.

Encore une fois un mode hybride peut être privilégié en fonction des traitement à appliquer aux données.

Généralement cette problématique est introduite en même temps que la volonté de mise en place d’une stratégie numérique.

Maintenance prédictive

Des modèles de machine learning permettent de prédire d’éventuelles pannes, comme dans le cas des plateformes pétrolières offshore et des pompes qu’elles emploient. On appel ce concept la maintenance prédictive. Les modèles analytiques employés ont besoin de grandes quantités de données pour être entraînés. C’est la base même du concept de machine learning: Avaler un grand volume de données pour en extraire un pattern cohérent.

On aime régulièrement citer cet exemple pour expliquer le machine learning: Afin d’entrainer « l’intelligence artificielle » vous faites avaler des millions d’image de chat. Au bout d’une quantité de données suffisante, l’IA sera capable de retrouver un chat dans une photo à plus de 90%. Le taux de précisions sera dépendant de la qualité du modèle mathématique. Cependant, ci cette intelligence est capable de retrouver un chat dans une photo, c’est la seule chose. En effet si vous lui proposez une photo de chen, elle ne pourra que spécifier que ce n’est pas un chat.

Dans le cas de la maintenance prédictive, on entraîne donc la machine à apprendre un fonctionnement normal pendant des centaines d’heures en utilisant des mesures physiques objectives: Son, vibrations, températures, …

Ainsi dès lors qu’une des mesures dévie, on peut prédire un dysfonctionnement en amont.

De plus cette technologie peut être proposée au client en sus d’une maintenance terrain plus classique. Dès lors l’intégrateur ou le responsable de la maintenance peut être bien plus proactif.

Vers un modèle hybride cloud/edge ?

Cette notion de continuum suppose donc la possibilité d’utiliser l’infrastructure cloud en nuage en complémentarité d’une infrastructure ou d’équipements Edge. Le rapport de l’Industrial Internet Consortium considère que ce modèle existe à la fois verticalement, de l’appareil (la pompe et son thermocouple ou simplement un PC) au serveur distant, et horizontalement entre tous les sous-systèmes IIoT.

• Certains appareils comme des caméras de surveillances peuvent fonctionner en pair-à-pair et communiquer au sujet d’objets qui se situent dans leur périmètre.
• Des requêtes peuvent être faites de manière distribuées, certaines étant adressées aux appareils connectés eux-mêmes et d’autres à un datacenter distant.
• Une gestion des données plus flexible : il est possible de définir, pour chaque type de donnée, où elle est stockée et pour combien de temps

Dans le cas de maintenance prédictive présenté plus haut, une infrastructure hybride cloud / edge serait très pertinente. Il serait ainsi possible d’être notifié en temps réel des éventuels dysfonctionnements. Les données générées sont ensuite stockées dans le serveur distant. La grande scalabilité d’une telle solution permet de stocker une quantité importante de données. Ces données seront ensuite utilisées pour améliorer les modèles de prédiction d’incidents.