Feuille de route du Groupe Thématique Outils de Conception et Développement de Systèmes (OCDS)

Transcription

1 Feuille de route du Groupe Thématique Outils de Conception et Développement de Systèmes (OCDS) - Edition Mai

2 Mot de Gérard poirier Président du GT OCDS «Les activités de notre GT vise à développer des méthodes et des outils numériques qui aideront à concevoir, développer, fabriquer et maintenir des produits, des services, des logiciels et des systèmes complexes. Ces activités sont essentiellement transverses par rapport aux autres Groupes Thématiques du Pôle : ces outils et systèmes seront utilisés dans les secteurs automobile, transports, télécoms, sécurité et défense, mais aussi dans l'aéronautique, l'énergie, ou encore les services, etc. Pour atteindre ces objectifs, notre groupe de travail rassemble les principaux acteurs européens du domaine et donc un écosystème permettant de créer beaucoup de valeur ajoutée dans le domaine du numérique et des systèmes complexes.» Les chiffres du groupe thématique OCDS 169 projets de R&D financés : Cout R&D : 888 M Aide : 336 M 261 partenaires dont : 101 PME 8 ETI 66 grands groupes. 82 instituts de recherches et universités.

3 Introduction Ce document est la feuille de route publique (roadmap) reflétant la vision stratégique du groupe thématique Outils de Conception et développement de Systèmes (GT OCDS). Ce document complète le plan stratégique du pôle Systematic et le jeu de planches de la roadmap du groupe thématique OCDS en précisant les périmètres techniques couverts. Il a notamment pour but de servir de référence pour l évaluation des projets à labelliser ou à soutenir. Ce document est structuré de la façon suivante : 1. Domaines d application 2. Critères d évaluation 3. Les 4 principaux axes de la feuille de route: Systèmes embarqués communicants Simulation numérique et optimisation Calcul haute performance (HPC : High Performance Computing) Traitement des données massives : Big data/ Data analytics 4. Bibliographie 5. Annexes. Les 4 axes de la roadmap du groupe thématique OCDS sont pilotés par des experts de renommée dans les différents domaines de l embarqué, la simulation, le HPC et le Big Data (voir la section Bibliographie). 1. Domaines d application D une manière générale, les solutions techniques (composants, architectures, ingénierie) soutenues par le groupe thématique OCDS ont vocation à être mises en œuvre dans tous les domaines d application dans le périmètre du pôle. Nous citerons à titre d exemple : les infrastructures critiques ; la production et la maintenance des biens matériels ; les dispositifs médicaux (à domicile, en milieu hospitalier), en matière de prévention, diagnostic, traitement ; la production, la distribution et la gestion de l énergie ; les transports infrastructures et véhicules (automobile, ferroviaire, aéronautique) ; l espace ;

4 la gestion de la communication, de la sécurité et de l énergie au domicile (domotique) ; les systèmes de paiement ; la ville intelligente (surveillance, aide aux usagers des transports et équipements collectifs) ; l agriculture ; les jeux et les loisirs L automobile ; L aéronautique ; La biologie et la chimie, etc. 2. Critères d évaluation La vision stratégique du GT OCDS s inscrit dans le mouvement général d évolution vers le numérique, qui non seulement promet des réductions de coûts de conception et de réalisation des systèmes, autorise des évolutions architecturales majeures, mais aussi permet d imaginer des produits et services totalement nouveaux. Dans ce contexte, OCDS soutient différents types de projets : Des projets focalisés sur le développement de solutions techniques innovantes (outils, et plus généralement briques technologiques de base) pour la conception et la réalisation des systèmes, dans les différents axes de la feuille de route : systèmes embarqués communicants, simulation numérique et optimisation, calcul hautes performances, traitement des données massives pour un ou plusieurs domaines applicatifs Des projets exploitant des solutions techniques liées à un ou plusieurs des axes de la feuille de route, avec un impact majeur dans un domaine applicatif ou un type de système donné, en termes d évolution fonctionnelle, réduction de coûts, ou extension du marché visé Des projets concernant les points durs scientifiques (typiquement, mais pas nécessairement localisables dans un axe particulier de la feuille de route) liés à ces évolutions technologiques et architecturales tels que les problèmes de passage à l échelle et d optimisation Des projets visant à la mise sur le marché de produits et services totalement nouveaux, rendus possibles par des évolutions dans un ou plusieurs axes de la feuille de route Le GT OCDS soutient donc les projets collaboratifs respectant les critères ci-dessous : Cohérence avec la présente feuille de route Innovation : o Progrès par rapport à l état de l art, ou o Intégration de technologies à l état de l art, dans une optique applicative o Technologies ouvrant la voie à de nouveaux usages Schéma de valorisation et impact économique, qualité du consortium

5 Qualité de la proposition, clarté des objectifs (y compris techniques) même pour un nonspécialiste Impact «sociétal» 3. Les 4 principaux axes de la feuille de route 3.1. Systèmes embarqués communicants Périmètre technique - généralités Visible ou caché, le logiciel est présent dans un nombre croissant d objets du monde réel, de toutes tailles (du capteur intelligent aux grandes infrastructures) et dans tous les domaines (de la vie quotidienne aux applications spécialisées). Ces objets, et donc les logiciels qui les animent, sont de plus en plus connectés entre eux, et bien entendu, en interaction avec l environnement physique dont ils dépendent, et qu il s agit de souvent de contrôler. L humain est en général dans la boucle, et les interactions homme-machine sont d autant plus complexes dans ce contexte. Les approches de conception des «systèmes embarqués» (caractérisés par du logiciel en interaction avec le monde physique, et souvent soumis à des contraintes de performance ou de sûreté de fonctionnement), sont remises en cause par ce passage à l échelle et par la nécessité de prendre en compte de nouveaux types d interactions. La terminologie «systèmes embarqués communicants» résume cette réalité. Les enjeux scientifiques et techniques ne sont pas éloignés de ceux recouverts par les terminologies «Internet des objets» (qui insiste sur le caractère communicant) [1] ou «systèmes cyberphysiques» (qui insiste sur la complexité des interactions avec le monde physique) [2]. L espace de déploiement du logiciel dans ces systèmes ne semble plus avoir de limite, alors que les modèles de programmation à cette échelle ne sont pas disponibles. De plus, les défis bien connus de la programmation (parallélisation, utilisation optimale des ressources matérielles) sont régulièrement renouvelés par l évolution des micro-architectures. Les domaines associés à la vision traditionnelle des systèmes embarqués (avionique, automobile, ) sont confrontés à cette évolution. L ouverture des systèmes, par exemple, pose des défis concernant la sécurité. D autre part, la même évolution permet l émergence de nouveaux produits et services (ville «intelligente» par exemple). Certains des enjeux scientifiques ont été identifiés depuis plusieurs années, en particulier aux US [3]. Les enjeux techniques et les opportunités commerciales sont maintenant reconnus, tant au niveau national [4] qu européen [5] [6] Périmètre technique Les quatre thèmes Le périmètre technique est très large, des composants élémentaires des systèmes embarqués communicants (capteurs, processeurs, réseaux) aux méthodes de conception et de validation.

6 Dans les pages suivantes, il est structuré, schématiquement, selon 4 thèmes : 1. Architecture des systèmes et modèles de programmation 2. Ingénierie, méthodes et outils 3. Architectures de calcul et algorithmes 4. Interfaces et communication Cette structuration permet de lister les défis (verrous) techniques considérés dans le périmètre. Bien entendu, les projets ne sont pas tenus à se positionner par rapport à un seul thème, ils peuvent viser des défis techniques appartenant à différents thèmes selon la logique de l appel à projets considéré, et selon la finalité du projet Architecture des systèmes et modèles de programmation Tout système logiciel est construit selon des principes architecturaux, qui doivent : être adaptés à la finalité applicative (par exemple, pour un système critique on adoptera des principes architecturaux de ségrégation et de redondance) ; permettre d exploiter les capacités des plateformes matérielles, en tenant compte de leurs caractéristiques physiques (par exemple, la généralisation des architectures parallèles à différents niveaux suppose des modèles de programmation adaptés). Dans l évolution des technologies et des usages, les concepts de base sous-jacents aux principes d architectures (systèmes distribués, systèmes répartis, tolérance aux pannes, redondance ; parallélisme, concurrence ; architectures flot de données, orientées contrôle, orientées services) ne sont pas fondamentalement remis en cause. Ils doivent cependant évoluer, pour lever des verrous tels que : évolution des principes de ségrégation/partitionnement, ne reposant pas seulement sur la ségrégation et le partitionnement physique ; définition de principes d architecture permettant la dégradation contrôlée en cas de panne locale ou temporaire ; applications pratiques du principe de composabilité (pour permettre par exemple la certification incrémentale) ; évolution vers davantage de reconfiguration, dynamicité, évolutivité, adaptativité, y compris dans les systèmes critiques ; la capacité à structurer de grands systèmes logiciels multi-niveaux [7] ;

7 les architectures hétérogènes (orientées flots de données, contrôle, services, ) ; l exploitation de la virtualisation pour les systèmes critiques. Cette liste n est pas limitative. Par ailleurs, globalement, le problème de passage à l échelle se pose même pour les principes architecturaux établis Ingénierie, méthodes et outils L ingénierie des logiciels et des systèmes embarqués recouvre les méthodes et outils de conception, vérification, validation. Pour les systèmes embarqués de tous types, l ingénierie logicielle est étroitement liée à l ingénierie système. De l ingénierie des exigences à l IVVQ (Intégration, Vérification, Validation, Qualification), les pratiques de modélisation (fonctionnelle, non-fonctionnelle, dysfonctionnelle) formelles ou non formelles, s étendent progressivement. Les méthodes formelles, analyses statiques de logiciels, preuves formelles, technique de vérification, génération automatique de tests, méthodes d analyse pour diagnostic, introduites historiquement pour des systèmes embarqués critiques, devraient progressivement bénéficier à davantage de domaines, ne serait-ce que pour garantir des propriétés de qualité de service. Par ailleurs, l ingénierie des systèmes embarqués (ou cyber-physiques) doit évoluer pour lever des verrous tels que : la gestion des incertitudes dans les comportements : ordonnancement probabiliste ; les approches par contrats ; l exploration de l espace de conception ; l évolution des règles et pratiques de certification ; la simulation hybride discret-continu ; les modèles et outils spécifiques pour traiter conjointement sécurité et sûreté de fonctionnement ; la mise en pratique, dans les outils, des principes de «compositionnalité» ; les garanties de propriétés pour des systèmes dynamiques et reconfigurables. Cette liste n est pas limitative. Par ailleurs, globalement, le problème de passage à l échelle se pose pour des outils en apparence simples (gestion de configuration, tout au long du cycle de vie, et en particulier sur les systèmes modifiés après déploiement) ou complexes (outils basés sur des méthodes formelles).

8 Architectures de calcul et algorithmes Les propriétés fonctionnelles et opérationnelles dépendent de l ensemble de la chaîne allant de l algorithme à son exécution sur la machine cible. Les domaines concernés incluent donc : 1. les algorithmes de calcul intensif, de traitement du signal et de l image, et plus généralement des données intensives ; 2. les modèles et langages de programmation, ainsi que les problématiques de parallélisation, de distribution et de placement ; 3. les compilateurs, les bibliothèques, les exécutifs, les systèmes d exploitation et les hyperviseurs ; 4. les architectures matérielles cibles, multicoeurs ou manycores, homogènes ou hétérogènes. Les propriétés opérationnelles concernent, entre autres le temps, (WCET), l énergie, la puissance, la tolérance aux pannes et la résistance au vieillissement. Au-delà des défis habituels relatifs à l adéquation algorithmes architectures de calcul, les propriétés opérationnelles des systèmes nécessitent des avancées sur les thèmes suivants : 1. l estimation exacte ou approchée des temps de réponse (WCRT) ; 2. la gestion de l énergie (DVFS, Dark Silicon ) et plus généralement la gestion dynamique de l ensemble des ressources au niveau applicatif ; 3. les mécanismes d auto-surveillance et de reconfiguration pour les systèmes embarqués, similaires à ceux qui sont développés pour les systèmes d information (autonomic computing) ; 4. l exploitation au niveau applicatif des mécanismes de bas niveau ; 5. la tolérance aux SEU (Single Event Upset) et au vieillissement avec dégradation contrôlée (graceful dégradation) ; Enfin, les propriétés fonctionnelles et opérationnelles devront de plus en plus être certifiées ou prouvées. Ceci passe par la conception de nouvelles techniques formelles, par leur passage à l échelle et par l adoption par l industrie de ces méthodes formelles dans le développement des systèmes Interfaces et communication La création à grande échelle de réseaux d'objets intelligents provenant du monde réel fait l objet de recherches variées [8] : bien plus qu'une représentation de données et

9 fonctionnalités, les objets intelligents font partie intégrante du Web des Objets, dont les Systèmes Embarqués Connectés (SEC) sont les composants. Sont concernés, de façon générale, le concept de l internet des objets ou Internet du monde réel (Real world Internet) qui réalise la liaison entre le monde physique (environnement, personnes, objets ) et le monde numérique des services («intelligence ambiante»). Les applications et services se trouvent dans les domaines variés des transports, de la santé, de l énergie et développement durable, des services domotiques, de la ville intelligente Plus particulièrement, ceci regroupe les technologies et usages, en passant par l intégration de connaissances en réseaux et protocoles, capteurs et actionneurs, interfaces hommemachine et standards d'interfaces allant des RCSF, Réseaux Communicants Sans Fils, et des RFID, Radio Frequency IDentification aux NFC Near-Field-Communication/ Pour fixer les idées: 1. l arrivée des RFID (dans le processus de traçabilité et de gestion des biens) soulèvent de nouvelles problématiques techniques telles que leur intégration dans l Internet qui permettra d accéder aux informations relatives à l objet identifié, recueillies durant sa vie ; 2. les RCSF [9] formant une nouvelle génération de réseaux aux propriétés spécifiques, ils n entrent pas dans les architectures classiques; de ce fait, l amélioration de leurs caractéristiques est un atout majeur (consommation d énergie, auto-configuration des nœuds capteurs, passage à l échelle, tolérance aux pannes ) ; 3. les NFC, technologie de communication sans-fil à courte portée permettant l échange d informations entre des terminaux à une distance inférieure à 10 cm; Pesonen et Horster présentent les différents aspects de cette technologie appliquée au transport (le business model, les applications, la sécurité et les problèmes) [10]. Plus généralement pour les interfaces et communication les défis à relever sont : Réseaux du futur : les défis portent sur la maîtrise de l ubiquité, de la transparence et de la mobilité généralisée des utilisateurs et des services, les évolutions de l architecture de l internet du futur, les techniques de l internet des services (interfaces, composition, virtualisation ) tout en relevant les enjeux de sûreté de fonctionnement et de sécurité ; Objets communicants : les défis portent sur le déploiement de plusieurs milliards d objets communicants tels que capteurs/actionneurs, tags RFID et leurs évolutions, que les avancées technologiques en microélectronique et intégration, en logiciel embarqué, combinées aux capacités de mises en réseau ubiquitaire conduisent maintenant à appréhender [11]; Interfaces Homme-Machine : les défis concernent le traitement de la multitude, à savoir, multiplicité des terminaux, multiplicité des applications, environnement multiutilisateurs Ainsi la multiplicité des terminaux conduit à des langages de description indépendants des terminaux et à la génération automatique de ces IHM, par composition ou non.

10 Capteurs et actionneurs : miniaturisation, intégration, calibration. Quelques défis supplémentaires, selon les technologies de ces objets communicants : RFID : l expansion de leur nombre ainsi que la quantité de données qu ils génèrent amènent à s assurer de la capacité de l architecture logicielle à gérer cet afflux d information - exemple, travaux portant sur le passage à l échelle des intergiciels RFID. Réseaux de capteurs/actionneurs et protocoles convenables aux RCSF (norme IEEE , ZigBee, avec ses apports par rapport à la norme en restructuration du réseau, en faible consommation, en services de sécurité et en applicatifs) : travaux portant sur l optimisation d énergie, l évitement des collisions, l adaptation au changement, la tolérance aux fautes, le débit ou throughput, l équité ou fairness Simulation numérique et optimisation Périmètre technique - généralités Dans le cadre de la roadmap OCDS, la Simulation se définit comme un outil à la fois scientifique et informatique qui permet l'exploitation d'une représentation virtuelle - ou modèle - du comportement d'un objet, d'un système, d'un phénomène, d'un process industriel ou d'une organisation. La mise en œuvre de ces modèles par la simulation a généralement pour but d'analyser et comprendre le fonctionnement de systèmes complexes, de façon à prévoir et contrôler leur comportement dans tout son cycle de vie. Elle présente de nombreux atouts ; d ordre économique tout d abord car elle permet d avoir une meilleure réactivité, une meilleure capacité d anticipation et d apporter des gains de compétitivité. Modélisation et simulation vont toujours de pair. L analyse critique des résultats, la comparaison avec des études théoriques ou expérimentales permet une amélioration des modèles sous-jacents, de leurs paramètres et des programmes informatiques de simulation. Lorsque les modèles ont été vérifiés comme prédictifs, la simulation donne une nouvelle prise sur le réel en permettant d anticiper le comportement d un système dans des configurations inédites. La simulation a cependant des limites : La compréhension de certains phénomènes est encore aujourd hui mal maîtrisée rendant ainsi difficile leur modélisation Certains modèles pour être prédictifs nécessitent une puissance de calcul non encore disponible aujourd hui Certains systèmes sont d une complexité telle que leur simulation «en bloc» n est pas encore envisageable.

11 Il est important de noter que les caractéristiques d une «bonne simulation» varient beaucoup avec les objectifs poursuivis (de la modélisation fine à l analyse qualitative), les connaissances a priori sur le système (du modèle mathématique détaillé à un simple échantillonnage d états), les conditions pratiques de son exploitation (du mainframe à la tablette), etc. Si les efforts pour simuler plus et mieux ne datent certes pas d hier, ils rencontrent constamment de nouveaux défis à relever dans un monde en pleine évolution technologique. Il n est en particulier pas étonnant que le sujet «Simulation» croise tous les autres axes de la roadmap OCDS : le HPC, dont les outils et méthodes permettent d exploiter au mieux des architectures matérielles puissantes capables d accélérer les simulations les systèmes embarqués, qui fournissent un contexte où la simulation est soumise à des contraintes spécifiques (ressource matérielles limitées, exigences de fiabilité, etc.) le traitement des Big Data, qui peuvent fournir une matière première à partir de laquelle dériver des modèles pour la simulation. Le pôle Systematic soutient les projets collaboratifs visant à développer toutes solutions techniques un déploiement plus large de la simulation. Sans être exhaustif, on peut citer : l amélioration des technologies de simulation et d optimisation dans leurs secteurs applicatifs historiques i.e. conception de structures complexes, de produits et de procédés. Cette amélioration passe désormais par un lien avec l ingénierie système ou encore le développement de process industriels et de systèmes de production ; la prise en compte de l extrême disparité des échelles aussi bien spatiales que temporelles et fréquentielles : de l automate cellulaire au méga-code EF, du spotweld à l avion complet, du composant au réseau, etc. les démarches de réduction de modèles, d optimisation algorithmique, de mise en œuvre de plans d expérience numériques ou encore de vérification et validation des simulations, le développement de nouvelles applications de la modélisation et la simulation, notamment à des domaines comme la ville et l urbain, la santé et le biomédical, le climat et l environnement, etc. la prise en compte de l embarqué, du temps réel et l exploitation de ressources de calcul limitées pour livrer des résultats dont la fiabilité et la robustesse doivent répondre à des exigences très strictes, dans des délais contraints ;

12 une meilleure exploitation et une consolidation de résultats de calcul et d analyse en connexion forte avec les problématiques du Big Data (faisant l objet d une autre feuille de route) en amont et en aval ; les méthodologies et outils associés qui facilite la démocratisation de l usage de la simulation sans compromis sur la fiabilité de son usage et des résultats qu elle produit, etc. Le périmètre technique est très large. Dans les pages suivantes, il est structuré, schématiquement, selon 4 thèmes suivants : 1. Représentativité des modèles 2. Allègement des modèles 3. Conception système optimale 4. Mise en œuvre et organisation Cette structuration permet de structurer la présentation du périmètre détaillé Domaines d application spécifiques à l axe «Simulation numérique et optimisation» : Traditionnellement, le GT OCDS vise le développement de technologies de simulation et d optimisation directement utiles à l industrie : automobile, aéronautique, énergie, biologie, chimie, Au-delà du domaine traditionnel des industries manufacturières, le développement rapide des nouveaux marchés de service, portés par la maturité de l économie numérique, constitue une extension naturelle de la cible des outils et méthodes «transverses» produits par OCDS, en ouvrant cette activité sur des problématiques nouvelles. C est en particulier le cas de secteurs comme la banque et des finances, des sciences humaines : démographie, sociologie, Dans les domaines de la sûreté et de la sécurité en permettant d explorer et de mieux comprendre des situations accidentelles potentielles. Au niveau des secteurs industriels, la simulation numérique est un élément indispensable à la maîtrise d'architectures complexes tout au long de leur cycle de vie, depuis les phases amont de convergence des exigences jusqu'au retrait de service et au recyclage. De fait, elle

13 est aujourd'hui un élément important du PLM étendu (autre axe du GT OCDS), qui est vecteur de la filière «end to end» conception, fabrication, support en service, retrait de service et recyclage ; à ce titre OCDS travaille en étroite synergie avec le GT "Usine du Futur" Périmètre technique Les 4 thèmes Vers des modèles plus représentatifs Contexte et enjeux Il convient de rechercher des voies d amélioration pour des simulations plus performantes : Comportement des matériaux, Modèles multi échelles, Couplage multi-physique, Simulation des procédés de fabrication. On notera un intérêt émergent pour le concept de «chaînes de simulation» : 1. génération du modèle de calcul (simplification géométriques, réalisation des maillages, ) ; 2. mise en données du problème (conditions aux limites, paramètres algorithmiques ) ; 3. mise en machine du calcul (découpage, partitionnement de domaines, ) ; 4. résolution du problème (la partie HPC ) ; 5. analyse et gestion des résultats. Un autre point d intérêt se situe au niveau des modèles de simulation : modèles mathématiques représentant les physiques considérées ; modèles numériques : discrétisation adaptée du modèle mathématique pour permettre sa résolution sur ordinateur. Problématique et défis techniques Un premier défi porte sur l amélioration des simulations avec une meilleure maîtrise de la chaîne de simulation, la disponibilité de modèles plus représentatifs, et une meilleure qualité de la solution numérique. En termes de performances de la simulation, on notera un focus sur la précision / qualité de prédiction, le temps de retour de la simulation (en vision end to end de la chaîne), l ouverture vers de nouveaux modèles mathématiques : aléatoire, Si on s intéresse à des modèles plus représentatifs, il convient de diminuer les simplifications dans les modèles : modèles plus non linéaires, modèles plus raides,. En général cela conduit à des équations plus difficiles à résoudre nécessitant des méthodes numériques adaptées. Il faut également prendre en compte plus de physique dans les modèles et avoir une meilleure maîtrise de l approximation numérique. Dans le champ de la simulation des procédés et des matériaux à comportement complexe, on soulignera des verrous sur les composites, métalliques : forgeage, fonderie, emboutissage structures minces, injection polymères thermoplastiques, usinage à grande vitesse,. ; la simulation des assemblages en particulier collage et soudures ; la simulation fabrication additive et enfin les procédés de micro fabrication (micro-moulage par injection de poudre métallique ou céramique, estampage à chaud de polymères thermoplastiques, micro usinage à grande vitesse, ). La caractérisation thermomécanique des matériaux sous chargement extrême (champ thermique et mécanique, usure, endommagement,...) est à considérer. L interaction matériaux / procédés de mise en forme (tribologie des procédés : contact collants et/ou glissant, frottement dynamique à sec, loi de frottement hybrides,... ; comportement des couches minces : revêtement, joints, soudure, assemblages, ) est un

14 défi technique pour la simulation qu il faut prendre en compte tout comme l usinage avancé de matériaux difficiles : alliages réfractaires, composite FRP. La simulation multi-échelle est une approche de R&D relativement récente. Elle consiste à simuler chaque phénomène à l'échelle de temps et d'espace la plus pertinente. La superposition de ces échelles offre à la fois une vue globale du système, la possibilité de zoomer sur des zones particulières et de prédire le comportement du système sur différentes périodes de temps. Les phénomènes physiques peuvent être d échelles spatiales et temporelles très différentes. Des techniques de changement d échelles pour passer de la simulation locale à la simulation globale sont à développer. Le fonctionnement de la plupart des produits et systèmes complexes met en jeu des interactions entre différentes disciplines physiques. Il est nécessaire de modéliser ces interactions pour prévoir la réponse du produit. Le(s) solveur(s) numérique(s) doi(ven)t résoudre les différentes physiques et leur couplage : stratégie de coupler de codes monophysique (permet une réutilisation des codes legacy), solveur contenant tout ou partie des physiques nécessaires, enjeu pour limiter le nombre de couplage nécessaires (efficacité) augmenter le nombre de physiques considérées (généralité). De telles simulations sont plus complexes que les simulations "mono-physiques" habituelles, et ce pour deux raisons : les interactions entre phénomènes doivent être modélisées, ce qui conduit à des couplages entre les différentes physiques (un couplage est un modèle d'interaction) ; les solveurs doivent gérer les différentes physiques (ce qui n'est pas toujours réalisable au sein d'un même solveur) et, de surcroît, prendre en compte les couplages. La modélisation de systèmes complexes met en lumière la difficulté de garantir répétition et groupe témoin : besoin de simulation aléatoire. La modélisation et la simulation système font appel à un besoin de synthèse intégrative : aucun ensemble de perspective disciplinaire ne peut les recouvrir. Simuler un système complexe consiste à modéliser ses constituants, leurs comportements et les interactions entre ceux-ci et avec leur environnement, puis à exécuter numériquement le modèle obtenu. Une des caractéristiques de ces systèmes est que l'on ne peut prévoir l'évolution du système modélisé sans passer par cette phase de simulation. Un des défis de la simulation est de considérer et modéliser le produit ou système dans son environnement d utilisation : système complet lui-même ou bien un de ses sous-systèmes Vers des modèles allégés Contexte et enjeux On sait élaborer des modèles permettant la simulation prédictive de très nombreux phénomènes, mais sous des conditions de ressources (taille mémoire, temps de calcul) qui limitent le déploiement de nouvelles stratégies d exploitation de la simulation, en particulier dans des contextes comme : la conception optimale : l exploration d espaces de conception enrichis, la robustesse de la conception, la co-conception produit/process nécessitent de très nombreux calculs comportementaux dans un temps limité

15 la modélisation système : l emboîtement des niveaux de modélisation requiert la simulation synchrone de composants éventuellement complexes, éventuellement à des cadences compatibles avec la bande passante de capteurs et actionneurs physiques (bancs d essai hybrides, contrôle embarqué) les données manquantes, soit indisponibles (calculs de pré-dimensionnement, en amont de la chaîne de conception), soit inaccessibles (constantes dans la chimie des systèmes biologiques, ou en combustion), etc. Problématique et défis techniques Les outils et méthodes du HPC, qui font progresser les performances des infrastructures matérielles et des modèles de programmation qui y sont associés, sont essentiels, mais ne répondent pas à toutes les attentes. De ce point de vue, OCDS identifie un enjeu majeur : maîtriser la construction de modèles dont la simulation exige peu de ressources mais assure néanmoins la fidélité exigée par chaque type de problématique. Il existe trois principales voies d obtention de modèles allégés 1. la voie formelle : à partir d un modèle mathématique précis, différentes stratégies de réduction formelle de complexité sont possibles (réduction d ordre, base réduite, condensation, POD/PGD, etc.) 2. la voie phénoménologique : en l absence de connaissance précise de la structure causale d un système, on peut sous certaines conditions induire sa réponse à partir d une collection de réponses de référence, à l aide de méthodes d analyse de données (statistiques, reconnaissance de motifs, analyse de Sobol, etc.) en s appuyant éventuellement sur des «ontologies» (a priori, ou dérivées de corrélations constatées). 3. la voie empirico-expérimentale : c est une situation intermédiaire, où l on dispose d une structure du modèle, mais où les paramètres qui permettent de l exploiter doivent être identifiés de façon empirique (snapshots, méthodes statistiques, fouille de données, etc.). Dans ces trois approches, qui peuvent évidemment concourir dans un même modèle de simulation, des avancées importantes sont souhaitables, comme, de façon non exhaustive : faire progresser les méthodes de réduction formelle pour les systèmes non linéaire (ex : MECASIF) garantir la robustesse des modèles phénoménologiques développer des méthodes de fouilles de données sur des flux d entrée en temps réel caractériser des modèles dont les paramètres a priori sont complexes : prédire les propriétés d une pièce en fonction des paramètres process de sa fabrication (ex : MUSICAS pour le soudage maîtriser la précision des modèles allégés, leur domaine de validité, la possibilité de les qualifier (systèmes embarqués) développer les stratégies de simulation en réseau très fortement distribués (IoT, etc.), etc.

16 De la conception nominale à la conception optimale Contexte et enjeux L augmentation régulière des puissances de calcul disponibles permet maintenant d envisager non plus seulement des simulations unitaires mais aussi des simulations en grappes, où il est possible de faire varier de nombreux paramètres. Ces analyses de tendance permettent alors d appréhender de manière objective les différentes sources d incertitude de la simulation et de variabilité du système étudié : Sensibilité des modèles aux données d entrée Variation dans les conditions d utilisation (chargement ou plus généralement conditions aux limites) des systèmes étudiés Incertitudes ou variabilité dans la définition technique du produit (caractéristiques matériaux, vieillissement, dispersion dans le process de fabrication) Globalement l analyse de tendance consiste à évaluer le gradient de performance du système vis-à-vis de ces différents paramètres et contribuent notamment à renforcer la confiance dans la simulation et garantir les résultats vis-à-vis des exigences en répondant à la question «what if?». C est également un moyen de prendre en compte l aspect aléatoire de certains paramètres et d introduire une approche stochastique dans la simulation. Enfin, en inversant les résultats, on peut également aborder la problématique de recalage de modèle, ou dans le dernier cas, envisager un tolérancement objectif et optimisé pour assurer un fonctionnement ou une performance cible pour le système. Lorsque le gradient de performance est connu, l étape suivante consiste à explorer l espace de conception et rechercher l optimum pour le système en cours de conception. Du point de vue théorique, on recherche les points où le gradient devient nul. Si l optimisation porte simultanément sur plusieurs paramètres antagonistes, on doit définir alors une fonction d estime (ou fonction coût) qui traduit le compromis à rechercher entre les différentes performances (par exemple masse /prix de revient / résistance mécanique). L optimisation peut porter sur de nombreux paramètres de conception y compris la forme et la topologie de l objet. La dernière étape consiste à rechercher la sensibilité minimale des performances aux paramètres de conception ou d environnement. On parle alors de conception robuste, qui permet de garantir le maintien des performances attendues en anticipant les aléas de fabrication ou d utilisation. Problématique et défis techniques La mise en œuvre des techniques ci-dessus présente des problématiques spécifiques pour lesquelles des progrès significatifs sont attendus : D un point de vue mathématique et algorithmique : calcul de variation et de fonctions non explicites, pouvant présenter des singularités importantes, stratégie de recherche d optimum en limitant la combinatoire des paramètres à faire varier, recherche de points de fonctionnement robustes, pertinence et efficacité des fonctions d estimation ; Gestion des données d entrée, caractérisation des incertitudes et lien avec une maquette numérique tolérancée et comportementale ;

17 Gestion des résultats de simulation en grappe (en lien avec le PLM), visualisation et navigation dans l espace des résultats (éventuellement en lien avec les problèmes Big Data), traçabilité des décisions Mise en œuvre et organisation Contexte et enjeux La mise en œuvre de simulation et calculs numériques de plus en plus complexes et toujours plus multidisciplinaires qui intègre l ingénierie dès la phase d expression des exigences, nécessitent une organisation et une gestion de données tout au long du cycle de développement d un produit, d un procédé voire d un système dans sa globalité. Les approches de gestion de données de simulation et d intégration CAO-Calcul représentent une brique de base nécessaire mais qui doivent être consolidées dans une perspective de PLM étendu où l ensemble des données sont partagées entre les expertises et les métiers tout en étant largement interopérables tant au niveau des modèles utilisés que des logiciels de simulation et environnements de collaboration multi-acteurs et multi-projets. Autre point à souligner, la généralisation des plateformes de HPC conduit aussi à de nouveaux besoins : interopérabilité avec les infrastructures de calcul, gestion des modèles toujours plus complexes ou encore maintien de la cohérence des traitements parallélisés et distribués. Enfin, l extension de l usage de la simulation numérique par tous, et notamment les PMEs, sera accéléré par le développement des environnements et infrastructures qui favorise l accessibilité de l outil par cette nouvelle communauté d utilisateurs. Cette préoccupation est naturellement partagée avec la feuille de route «Super-Calculateurs et HPC». Problématiques et défis techniques Les développements actuels de la simulation peuvent clairement répondre à de nouveaux défis liés à la conception et au développement de systèmes complexes, mais la mise en œuvre, l organisation et la gestion des calculs doivent être maîtrisés dans un objectif de robustesse des résultats, de performances des traitements et d exploitation optimale des ressources. Les défis techniques se positionnent à différents niveaux : Associativité et automatisation du lien CAO calcul (analyse isogéométrique, meshless, méthode particulaire, ) : Exploitation et capitalisation des résultats, data mining, réalité virtuelle et analyse (temps réel ou post mortem) : Simulation Data Management et intégration dans le PLM étendu : Couplage avec les critères et paramètre d ingénierie des exigences (intégration entre la modélisation 0/1D et la simulation 2D/3D) ; Gestion des comportements complexes et multidisciplinaires dans la maquette numérique de référence (dépendances de données et des modèles) ; Consolidation du référentiel numérique globale intégrant les modèles, les documents, les nomenclatures d exigences, de conception, de calcul, d industrialisation, de fabrication ou d exploitation voire de maintenance et de démantèlement ;

18 Accessibilité de l ensemble de l outil (coût et difficulté) qui doit être favorisé par le développement d un écosystème et d outils par filière Calcul haute performance HPC Périmètre technique - généralités Les technologues et architectes des microprocesseurs, moteurs de la performance, nous annoncent des changements importants. Ils vont résulter des évolutions technologiques propres à la microélectronique, sous les contraintes de l empreinte énergétique et de la rentabilité des coûts d investissement. Alors même que le nombre de transistors par puce va continuer d augmenter selon la fameuse loi de Moore, ces contraintes vont conduire à des modifications significatives au cœur des microprocesseurs. Disposant de plusieurs dizaines, voire de centaines, de cœurs de calcul et d unités de calcul vectorielles, ils vont accroitre les hiérarchies dans le traitement et la localisation des données au sein des architectures informatiques. Dans ce contexte la problématique de la gestion des flux et du stockage des données va être exacerbée. Il faudra trouver de nouveaux compromis et de nouveaux équilibres pour amener les traitements aux données ou répartir les traitements à chaque étage de la production de données. Ces degrés de liberté supplémentaires dans l accumulation d unités de calcul vont aussi ouvrir une ère de diversité des déclinaisons architecturales dont les invariants sont la recherche de la localité et la mise en œuvre de toutes les sources et tous les niveaux possibles de traitement parallèles. Sans préjuger du recours plus fréquent à des parties spécialisées au sein des microprocesseurs, les principales architectures en lice sont les suivantes : - d une part les architectures multicœurs (par ex. 10 à 20) et many(ou moult)cœurs (par ex. 60 à 100) au sein desquelles des cœurs homogènes tirent leur performance d une augmentation du nombre d instructions par cycle (le retour du «vectoriel» au niveau du cœur) ; - d autre part les architectures hybrides, aujourd hui de type accélérateur (généralement une association CPU/GPU), mais qui pourraient préfigurer l arrivée d architectures plus ou moins hétérogènes mélangeant des cœurs de même type mais de performances très différentes (architecture de type «Big/Little»). Il est aujourd hui très difficile de prédire un horizon de convergence entre ces architectures qui trouveront leurs propres écosystème et niches d utilisation. Par ailleurs aux deux bouts de la chaîne de conception/production de microprocesseurs de nouveaux acteurs spécialisés se renforcent, d un côté dans la conception d architectures et la commercialisation de la propriété intellectuelle associée, de l autre dans la seule fabrication de semiconducteurs. Ce mouvement ouvre des perspectives qui pourraient conduire à la fin du monopole d un seul continent sur la production de microprocesseurs à haute performance. Corrélativement le «middleware», à l interface entre le matériel et les logiciels applicatifs, va prendre une place de plus en plus importante. Pour la plupart effectués dans le cadre de communauté du logiciel libre, ces développements concernent notamment la gestion de l accès aux

19 données, l allocation dynamique des ressources en cours de traitement, ou la maîtrise de l énergie, voire la virtualisation des ressources (technique empruntée à l univers du Cloud, qui pourrait faciliter la mise en œuvre de mécanismes de résilience). Aucun modèle de programmation ou langage universel ne pouvant prendre en compte la complexité croissante des architectures, toute évolution dans les architectures matérielles impose des évolutions dans les logiciels et les méthodes ou algorithmes numériques. Les outils actuels ne suffiront malheureusement pas pour concrétiser, au niveau des simulations, les bénéfices potentiels des prochaines générations de supercalculateurs. Guidés par de nouvelles ambitions en simulation, il faudra donc identifier et exploiter d autres sources de parallélisme ou de concurrence des traitements. De manière générale, une analyse approfondie des performances des outils de simulation devra être menée. Le «temps» du logiciel étant bien plus long que le «temps» du matériel il est indispensable d anticiper, d expérimenter et d interagir avec les technologues et les architectes de calculateurs. Le plan «Super-Calculateurs», piloté par Gérard Roucairol, Président de l association Teratec, est l un des 34 plans de la nouvelle France industrielle. Il a été élaboré afin de profiter non seulement des ruptures technologiques mais aussi des ruptures du marché de la simulation numérique. Il a pour ambition de positionner la France comme un des acteurs mondiaux du calcul haute performance et d améliorer la compétitivité de l industrie française par la maîtrise et le développement de la simulation numérique. Ce plan prévoit quatre grands domaines d actions, auxquels le Pôle Systematic contribue avec sa feuille de route : développer les technologies matérielles et logicielles (y compris les algorithmes) pour atteindre la puissance de l exaflop; renforcer les initiatives sectorielles et notamment les nouveaux usages ou modèles en insistant plus particulièrement sur les secteurs de la santé, du végétal, des matériaux, des systèmes urbains, du multimédia et des industries manufacturières ; mobiliser et accompagner les PME /PMI pour qu elles utilisent de plus en plus la simulation numérique ; mettre en place des systèmes de formations supérieures adaptés sur tout le territoire Périmètre technique une coordination forte avec la plate-forme européenne ETP4HPC Les axes de recherche et développement tenant compte des ruptures et évolutions, mentionnées ciavant, ont été analysés par plusieurs experts européens dans le cadre de l élaboration de la plateforme technologique ETP4HPC, décrite ci-après, à laquelle certains membres du comité de pilotage d OCDS ont notamment contribuée. Aussi, la feuille de route Super-Calculateurs et HPC s aligne naturellement avec la feuille de route technologique de cette plateforme européenne ETP4HPC. Pour orienter ses programmes de recherche et définir leur contenu, la Commission européenne a notamment recours à des Plateformes Technologiques, associations majoritairement constituées d industriels d un domaine donné. Ces PTE (ou ETP, c.a.d. «European Technology Platform») alimentent la Commission en «agendas de recherche», recueils à un moment donné des sujets de recherche jugés les plus pertinents pour bénéficier de financements européens et donner à l Europe un avantage compétitif dans ce domaine.

20 ETP4HPC la plateforme européenne pour le HPC a comblé une lacune dans le paysage des ETP (environ 40 au total ), permettant de faire reconnaître le calcul haute performance comme une nouvelle priorité, alors que le prochain programme cadre de recherche Horizon 2020 de la Commission se mettait en place et planifiait ses budgets. ETP4HPC a été fondée en 2012 par de grands industriels européens (ARM, BULL, EUROTECH, STmicroelectronics, Xyratex), des PME (Allinea, CAPS, ParTec), deux acteurs globaux du calcul intensif (IBM, Intel), et de grands organismes de recherche ou centres de calcul (Barcelona Supercomputing Center, CEA, CINECA, Instituts Fraunhofer, FZJ/Jülich, LRZ). En mars 2015 l association rassemblait 68 membres, dont de nombreuses PME. L agenda de recherche de l ETP (ou «Strategic Research Agenda - SRA») a été élaboré au second semestre de 2012, sollicitant environ 100 experts européens, et a servi de socle pour définir le contenu des premiers appels à projets Horizon 2020 émis en Les interactions avec les utilisateurs industriels et les ISV ont confirmé l importance de produire non seulement des supercalculateurs à très grande échelle (exascale ou au-delà) mais aussi des systèmes de taille intermédiaire qui soient robustes, abordables, efficaces et facilement programmables. Le SRA préparé par ETP4HPC a donc été structuré selon une vision multidimensionnelle du HPC. Il est repris par le pôle Systematic pour définir ci-après le périmètre technique des projets collaboratifs soutenus par le pôle. Les quatres axes se décomposent comme suit : Evolution et amélioration des fondamentaux La première dimension («HPC Stack Elements») traite de l évolution et de l amélioration des éléments fondamentaux, matériels et logiciels, constitutifs des systèmes de calcul haute performance, à toute échelle. La «pile» de ces éléments et sous-systèmes comprend les thèmes suivants : composants et architectures (processeurs, mémoire, réseau ) ; logiciels système et de gestion (système d exploitation, gestion de configuration, de ressources ) ; environnements de programmation (avec prise en compte du parallélisme massif) en insistant sur la standardisation des API.

21 Passage à l échelle extrême La deuxième dimension («Extreme Scale Requirements») s intéresse au passage à l échelle extrême. Il s agit de pousser l intégration des éléments ci-dessus à l exascale ou au-delà. Elle exige une vision globale et transverse de divers problèmes qui sont exacerbés à grande échelle : efficacité énergétique ; résilience; équilibre des performances entre calcul, communications, stockage Nouveaux usages du HPC La troisième dimension («HPC Usage Models») concerne les nouveaux usages du HPC et vise notamment à promouvoir les synergies avec : le «big data» ; l informatique en nuages («cloud»); les technologies de l embarqué et les besoins du temps réel Démocratisation des usages du HPC Pour finir la quatrième dimension («HPC Usage Expansion») vise au développement et à la démocratisation des usages du HPC. Il s agit de soutenir des actions ayant davantage trait à la fourniture de nouveaux services ou à la formation, impliquant coordination et relations avec d autres acteurs en vue de construire l écosystème global. Les axes techniques des trois premières dimensions sont déclinés en 6 sections dans le SRA : composants et architecture des systèmes HPC ; logiciel système et de gestion ; environnement de programmation ; énergie et résilience ; équilibrage des performances entre calcul, communications, stockage ; big data et modèles d utilisation. Chaque section technique fait l objet d une analyse plus précise et d une décomposition en sousthèmes et priorités de recherche avec différents jalons. Au total environ 140 de ces jalons sont proposés, ainsi qu un plan d enchaînement global en deux grandes phases : acquisition de capacités technologiques sur les différents thèmes et démonstrateurs prototypes associés ; consolidation et prolongation, intégration «exascale» Les Référence de l axe HPC sont disponibles au niveau de la bibliographie [12], [13], [14], [15].

22 3.4. Traitement des données massives : Big data/ Data analytics Périmètre technique généralités [16] Les Big Data, littéralement les grosses données, parfois appelées, en français, données massives (ou «data-masse», par similitude avec la biomasse, ou encore «déluge de données» ), est une expression anglophone utilisée pour désigner des ensembles de données qui deviennent tellement volumineux (vidéo, images, son ) que les outils classiques de gestion de base de données ou de gestion de l'information ne parviennent plus à manipuler. A la frontière entre technologie et management, le Big Data, innovation technologique portée par la mutation des outils de stockage et de traitement, s impose comme l innovation business numéro 1 de ce début de décennie, avec en toile de fond : La capture, le stockage, la recherche, le partage, l'analyse et la visualisation des données, dans ces nouveaux ordres de grandeur Des perspectives énormes et pour partie encore insoupçonnées de traitement associé. On distingue les différentes catégories suivantes de manipulation de données : Analytique d'affaires (Business Analytics) Données Massives (Big Data) Datavisualisation (DataViz) Objets Connectés Open Data, Linked Data. On évoque souvent de nouvelles possibilités en termes D'exploration de l'information diffusée par les médias, de connaissance et d'évaluation D'analyse tendancielle et prospective : gestion des risques (commerciaux, industriels, naturels, liés aux polices d assurance) et phénomènes religieux, culturels, politiques Mais aussi en termes De génome ou méta-génome, pour la médecine (compréhension du fonctionnement du cerveau, épidémiologie...) De météorologie et d'adaptation aux changements climatiques De gestion de réseaux énergétiques complexes (via les smart-grids ou un futur «Internet de l'énergie»...) D'écologie (fonctionnement et dysfonctionnement des réseaux écologiques, des réseaux trophiques, via la bio-géographie, par exemple) De sécurité et de lutte contre la criminalité Certains supposent que le Big Data pourrait aider les entreprises à réduire les risques et faciliter la prise de décision, ou créer la différence grâce à l'analyse prédictive et une «expérience client» plus personnalisée et contextuelle. Divers experts, grandes institutions (comme le MIT aux États-Unis), administrations et spécialistes sur le terrain des technologies ou des usages considèrent le phénomène Big Data comme l'un des grands défis informatiques de la décennie et en ont fait une de leurs nouvelles priorités de recherche et développement.

23 3.4.2 Les domaines d application spécifiques à l axe «Traitement des données massives : Bid data/data analytics» Tout comme en HPC on parle d informatique haute performance, le traitement des données massives suppose la maîtrise et la conjugaison des techniques et outils, ci-après, méthodologiquement assemblés et déployés en cohérence avec une stratégie préalablement bâtie. Bien que cette conjugaison n ait pas pour finalité première, une solution pour bâtir une entreprise proactive, par abus de langage nous utiliserons le vocable «informatiques décisionnelle & hautes performances» : Les modèles : Les modèles d'automates (automates sur les mots, automates sur les arbres, automates sur les ramifications ) Le modèle relationnel, basé sur l'entité/relation, l'algèbre relationnelle... Le modèle OLAP, permettant de définir des requêtes et d'effectuer résumés/agrégations selon plusieurs critères et dimensions et de générer des rapports lors d'utilisation d'entrepôts de données (algèbre fonctionnelle).., ainsi que ses variantes (MOLAP, ROLAP, HOLAP, DOLAP) Le modèle dit XML de transmission de données semi-structurées entre Client/Serveur (fonction des Web Services utilisant le protocole SOAP), l interrogation de ces données, leur transformation et intégration) Les outils dits de base : Dtree, logiciel de construction d'arbres de décision, à partir de fichiers de données, sur des valeurs discrètes Entreprise Miner (SAS), intégrant les principaux modèles et permettant de les comparer par production de courbes de lifts Weka, version libre apparentée à Entreprise Miner... La maîtrise des propriétés de ces modèles et leur mise en œuvre : L'étude de leur robustesse Les algorithmes probabilistes (les diverses branches des statistiques mathématiques)... La fouille des données 1 (data mining) par arbre de décision, régression linéaire, réseaux de neurones... La théorie des jeux, ainsi que les mécanismes associés, plus ceux étendus par Adwords... Pour les domaines d applications nous faisons la distinction suivante : 1. Ingénierie des données & Informatique Hautes Performances, data-centric 2. Conception de systèmes utilisant des données massives, process-centric. 1 La fouille de données est l ensemble des méthodes scientifiques destinées à l exploration et l analyse de (souvent) grandes bases de données informatiques, en vue de détecter dans ces données des profils-type, des comportements récurrents, des règles, des liens, des tendances inconnues (non fixées a priori), des structures particulières restituant de façon concise l essentiel de l information utile pour l aide à la décision. On distingue couramment deux types de méthodes : descriptives (recherche de patrons, patterns), prédictives, par extrapolation, tel le scoring.

24 Enfin, nous considérons le sujet dans sa plus large acception en rajoutant aux trois "V initiaux (volume, variété et vitesse)", les deux V que sont la "valeur/valorisation" et la "véracité" INGENIERIE DES DONNEES & HPC Données massives & Marketing (Marketing & Data Science) : collecte, traitement et analyse simultanée et en temps réel de très gros volumes d informations (au delà du milliard), afin de mettre en place des actions marketing personnalisées et performantes : Données contextuelles qui relèvent de la navigation des internautes, de leur géolocalisation et du contexte des sites visités 1 st party data: bases clients, prospects, points de vente 3 rd party data: bases fournies par des tiers spécialisés et renseignant la catégorie socioprofessionnelle des internautes, leurs intentions d achat ou leurs centres d intérêt Seront privilégiées : Les actions sur les données : leur collecte, leur segmentation, leur analyse, leur enrichissement, leur valorisation et leur évolution en temps réel pour lancer des campagnes personnalisées Les algorithmes avancés et auto-apprenants, au cœur du traitement intelligent de ces données, permettant aux marketeurs de se libérer de la contingence matérielle et de se concentrer sur la stratégie. Ces algorithmes se présentent donc comme des fonctions qui se transforment au fur et à mesure des résultats obtenus, par les actions entreprises. Données massives & Analytique d'affaires (Analytics & Data Science) : ensemble des techniques et des analyses statistiques nécessaires à l exploration et l analyse quantitative de données Datavisualisation (Dataviz) : exploration visuelle et interactive et la représentation graphique des données, quelles qu en soient la volumétrie (des small data aux big data), la nature ou la provenance, permettant aux utilisateurs métier de détecter des phénomènes ou des tendances invisibles de prime abord Objets Connectés (pour le temps réel ou le traitement en différé) : Informations remontées par les capteurs industriels, routiers, climatiques, puces RFID, NFC, objets connectés (caméras, compteurs électriques, appareils médicaux, voitures ) ; pour la partie temps réel, prière de se reporter à la feuille de route OCDS «Systèmes Embarqués» Open Data : données numériques externes provenant des méga-bases de données privées ou publiques Linked Data : données numériques en provenance d interactions collaboratives, dites «liées» (nécessitant par exemple un identifiant unique sous forme de HTTP URI) 2.2- CONCEPTION DE SYSTEMES UTILISANT DES DONNEES MASSIVES ET HPC Pour l ingénierie des systèmes, des produits ou des procédés, toutes les techniques d ingénierie des données permettant d aider l ingénieur dans toutes les phases du cycle de vie du système / produit / processus, mobilisant simultanément l équilibre entre coût, cycle de vie et environnement - versus innovation technologique, évolution des systèmes et exploitation de ces derniers (voir 3, exemple de thème) et associant les deux informatiques «décisionnelle & hautes performances».

25 Périmètre technique détails Les domaines techniques sont liés aux challenges dont deux sont relatifs à l ingénierie des données, data-centric, et un lié à la prise en compte de ces derniers, en conjuguaison avec la conception et l optimisation des systèmes, process-centric. Ces challenges, si nécessaires sont à décliner par secteurs de marché, pour des types d applications pouvant être mutualisées, permettant ainsi d identifier des critères communs : Aéronautiques, automobiles, industrie, par exemple, méthodes prédictives et «fouille de données» Grande distribution, vente par correspondance, commerce électronique Banques, assurances Transports, voyagistes Télécommunications, eau, énergie Industries pharmaceutiques et chimie moléculaire INGENIERIE DES DONNEES MASSIVES ET HPC Défis Capacité à repenser des chaînes de valorisation de la donnée de bout en bout, avec passage à l échelle (big data), lors de l exploitation de données massives ainsi que des sources de données ouvertes (open data) ou d interactions collaboratives (linked data) Rééquilibre du pouvoir au profit des utilisateurs (en privilégiant les défis de conception de technologie relevant l objectif complémentaire de construction de «systèmes éthiques») Deux voies Technologies transverses pouvant servir à plusieurs secteurs de marché Challenges par secteur de marché. Processus liés à l Interaction Homme-Données (IHD) La démarche privilégiée est la suivante : From Human-Computer Interaction (HCI) towards Human- Data Interaction (HDI) ou «de l Interaction Homme Machine (IHM) et visualisation de gros volumes de données, vers l interaction homme-données» (selon l acceptation de l équipe de chercheurs britanniques menés par Richard Mortier ; voir Réf ArXiv Technology Review et figure ci-avant).