Ces défis nécessitent de nouvelles approches de la gestion intégrée du cycle de l'eau : la mise en œuvre d'infrastructures de comptage avancées, la création de jumeaux numériques, l'utilisation de systèmes d'information géographique et l'intelligence artificielle sont de plus en plus courantes dans l'amélioration du cycle de vie de l'eau et deviendront certainement indispensables à l'avenir.
Ces nouveaux outils partagent un problème commun : la nécessité de récupérer et de gérer un grand volume de données provenant de systèmes et d'environnements totalement hétérogènes. Jusqu'à présent, chacun de ces outils était responsable de la gestion autonome de ses données, ce qui créait de nombreux silos d'information et empêchait d'obtenir une valeur maximale des données. Graphenus est né pour résoudre ce problème, en fournissant une plateforme qui permet d'unifier tous les besoins en données de ces outils, en définissant des espaces de données qui facilitent la gouvernance et garantissent l'interopérabilité et l'évolutivité totale :
- Graphenus permet de découvrir et d'incorporer des informations provenant de n'importe quelle source : systèmes de mesure, API, bases de données, etc.
- Les données hébergées dans Graphenus peuvent évoluer à l'infini : il n'est pas nécessaire de supprimer les données de mesure historiques, qui peuvent facilement être utilisées dans la création de modèles analytiques et basés sur l'IA.
- Il dispose de capacités de traitement distribuées pour répondre aux exigences en temps réel et par lots.
- Il intègre des capacités de gouvernance de bout en bout, ce qui permet de définir des politiques de sécurité et de qualité au niveau de détail le plus bas.
- Graphenus permet la création intégrée de modèles d'apprentissage automatique sur les données hébergées dans le système, facilitant leur formation, leur publication et leur mise à jour.
- Graphenus est entièrement interopérable avec d'autres systèmes, grâce à la compatibilité GAIA-X. Graphenus permet le partage de données avec des entreprises privées ou des entités publiques de manière totalement sécurisée et évolutive.
De plus, grâce à l'intégration native avec Elliot Cloud et sa solution Eau intelligenteLe nouveau système permet d'augmenter de manière exponentielle la vitesse de développement des cas d'utilisation avancés pour la gestion de l'eau, permettant la détection des fuites et de la fraude ; et le développement de jumeaux numériques pour les réseaux d'approvisionnement, les usines de traitement de l'eau, les vannes, etc. Il facilite également la gestion proactive de la qualité de l'eau potable et opérationnelle pour les flottes et les services de maintenance intégrés dans notre réseau de distribution ; il permet des évaluations de l'impact sur l'environnement, ainsi que l'adduction intelligente.
Système Graphenus intégré à la plateforme Elliot Cloud
Exemple de structure fonctionnelle des cas d'utilisation et de relation avec les éléments de l'architecture de base
Graphenus : des données au service des ressources en eau
Les données jouent un rôle crucial dans la gestion de l'eau. Une plateforme telle que Graphenus permettra aux entreprises et aux organismes publics de transformer complètement les processus de gestion actuels, en améliorant l'efficacité et en facilitant la prise de décision. Graphenus fournit une architecture fonctionnelle et technique proposée pour couvrir les besoins spécifiés par les entreprises du secteur pour créer des lacs de données ou des espaces de données partagées à un coût très bas, car il n'est pas développé avec des outils sous licence. Le modèle de solution Graphenus comprend un ensemble d'outils pour la capture, le stockage, le traitement, l'exploitation et la consultation des données.
Graphenus fournit une plateforme de définition des espaces de données qui facilite la gouvernance et assure une interopérabilité et une évolutivité totales ?
de grands volumes de données. L'intégration dans Elliot Cloud permet d'ingérer des données provenant de différentes sources, de les stocker de manière fiable et tolérante aux pannes, d'effectuer sur elles des analyses complexes, tant en batch (traitement par lots) qu'en streaming (traitement en temps réel), d'assurer la persistance d'un modèle de données par la création de bases de données et de tables, ou encore de développer sur elles des modèles de prédiction et de classification, c'est-à-dire des processus d'apprentissage automatique, en vue d'une consultation et d'une exploitation ultérieures.
Pour répondre à ces besoins, la plateforme englobe différents services et/ou outils qui nous permettent d'effectuer ces tâches. La plupart de ces outils ont été construits sur des conteneurs (orchestrés avec Docker Swarn) avec leurs composants minimaux et nécessaires pour leur fonctionnement, de telle sorte que nous avons une architecture modulaire des outils, facilement déployable, évolutive et versionnable, ainsi que tolérante aux pannes ou crashs des nœuds dans lesquels ils sont déployés, supposant ainsi un environnement de haute disponibilité.
Tous ces outils sont à code source ouvert et largement utilisés dans le domaine du Big Data, la plupart d'entre eux appartenant au projet Apache (qui dispose d'une grande communauté très active et collaborative), qui ont été configurés, personnalisés et adaptés pour fonctionner ensemble et intégrés dans un environnement de conteneurs sur différents nœuds.
