Plus tôt cette année, nous avons annoncé que de nouvelles fonctionnalités seraient ajoutées à Azure Time Series Insights avant la fin de l'année. Aujourd'hui, nous sommes fiers de tenir cette promesse et d'annoncer la publication en préversion publique de fonctionnalités qui permettront à nos clients de continuer à tirer le meilleur parti de leurs données IoT. Plus précisément, nous lançons aujourd'hui les fonctionnalités suivantes (décrites ci-dessous) :

• Stockage de données de séries chronologiques évolutif, multicouche, et optimisé en termes de performances et de coûts, permettant à une solution IoT basée sur le cloud d'afficher en quelques secondes les tendances des données de séries chronologiques sur plusieurs années.
• Prise en charge du modèle sémantique permettant de décrire le domaine et les métadonnées associés aux signaux dérivés et non dérivés de ressources et d'appareils.
• Time Series Explorer, expérience utilisateur d'analyse améliorée qui combine des insights de données basés sur les ressources et des analyses détaillées ad hoc pour l'intelligence opérationnelle et commerciale.
• Intégration transparente à des outils de Machine Learning et d'analyse avancés, comme Databricks, Apache Spark, les notebooks Jupyter et Power BI, pour aider les clients à relever différemment les défis que représentent les données de séries chronologiques.

Nous avons également le plaisir de présenter le nouveau modèle de tarification de Time Series Insights, basé sur le paiement à l'utilisation, qui offre aux clients un prix d'entrée réduit ainsi que des leviers distincts pour le traitement, le stockage et l'interrogation des données, afin de permettre aux entreprises IoT de bénéficier de la flexibilité et de l'évolutivité dont elles ont besoin.

Nous accompagnons nos clients sur le chemin de l'IoT

Depuis la mise à disposition générale du service Time Series Insights en novembre dernier, les clients l'utilisent pour répondre efficacement à leurs besoins en matière d'insights IoT. Nous avons écouté nos clients et tiré des enseignements du parcours IoT qu'ils ont effectué avec notre produit.

Nos clients sont répartis sur tous les grands segments de l'IoT industriel, y compris l'industrie, l'automobile, le pétrole et le gaz, l'électricité et les services publics, les bâtiments intelligents et le conseil. L'IoT est utilisé dans divers scénarios, notamment dans l'exploration de données dont la forme est inconnue, mais aussi dans l'analyse opérationnelle de données schématisées (explicitement modélisées) pour booster l'efficacité opérationnelle. Les fonctionnalités de plateforme comme le stockage multicouche (chaud et froid), avec la capacité de stocker l'équivalent de plusieurs décennies de données de séries chronologiques et la possibilité de procéder à la modélisation explicite et à l'optimisation des requêtes pour l'intelligence opérationnelle basée sur les ressources, deviennent indispensables au succès des grandes entreprises de l'IoT industriel et à leur révolution numérique.

Pour optimiser la valeur des données de séries chronologiques et stimuler l'intelligence opérationnelle, Microsoft met à jour son offre Time Series Insights afin de prendre en charge un large éventail de scénarios d'analyse de données IoT industrielles en combinant les capacités d'analyse ad hoc interactives actuellement disponibles sur le marché avec des insights opérationnels basés sur les ressources pour permettre aux clients de tirer le meilleur parti des données collectées à partir des ressources IoT.

Détails des nouvelles fonctionnalités disponibles en préversion publique

Stockage de données de séries chronologiques évolutif, et optimisé en termes de performances et de coûts

Time Series Insights fournit un stockage de données de séries chronologiques chaud (sur le marché) et froid, évolutif et multicouche. Le stockage froid de Time Series Insights, désormais disponible en préversion publique, repose sur le Stockage Azure, compte de stockage appartenant au client. Les données sont stockées au format de fichier open source Apache Parquet pour une compression des données, un espace et une efficacité des requêtes de qualité. Cela présente également l'avantage de permettre une connexion transparente avec d'autres solutions de données telles que Databricks, Azure Machine Learning, PowerBI ou d'autres services tiers pour les scénarios analytiques et commerciaux avancés. Les données sont identifiées de manière unique avec un ID de séries chronologiques et un horodatage. Bien que les clients soient propriétaires des données figurant sur leur compte de stockage, le partitionnement de celles-ci est contrôlé par la plateforme Time Series Insights afin de permettre un stockage et des requêtes efficaces à mesure que les données sont ingérées. Les données sont ingérées via Azure IoT Hub ou Azure Event Hub, comme avec la solution disponible sur le marché. D'autres sources d'ingestion seront progressivement prises en charge.

Modèle de séries chronologiques pour la contextualisation des données de télémétrie brutes et la dérivation des insights basés sur les ressources

Les données IoT sont très peu structurées et seule une fraction négligeable de celles-ci est utilisée à des fins opérationnelles et commerciales afin de fournir des informations cohérentes, complètes, à jour et correctes pour les rapports et les analyses des entreprises. Pour transformer les données IoT en insights exploitables, il est notamment nécessaire de disposer d'une structure permettant de parcourir et comprendre les données. Dans cette préversion publique, Time Series Insights prend en charge le modèle de séries chronologiques qui permet de contextualiser les données de télémétrie brutes et facilite la recherche, l'organisation, la maintenance et l'enrichissement des données de séries chronologiques. Les données sémantiquement riches sont faciles à trouver, organiser et maintenir, et elles enrichissent les données de séries chronologiques. Les données sémantiquement riches sont faciles à interroger et parcourir, ce qui simplifie le calcul et l'analyse des données centrées sur les ressources et leur confère une grande valeur pour l'analyse opérationnelle.

Le modèle de séries chronologiques permet aux clients de modéliser des types (par exemple, un capteur de température), des hiérarchies (par exemple, des noms de propriétés et des relations) et des instances (par exemple, des séries chronologiques telles que deviceID ou assetID). La modélisation des séries chronologiques permet aux clients d'effectuer ce qui suit :

• créer et gérer des calculs, transformer des données en tirant parti des fonctions scalaires et agréger des opérations ;
• définir les relations parents/enfants pour permettre la navigation et la référence afin de fournir un contexte à la télémétrie des séries chronologiques ;
• définir les propriétés associées aux instances et utiliser celles-ci pour créer des hiérarchies.

Expérience utilisateur d'analyse enrichie (Time Series Insights Explorer) pour une meilleure compréhension des données basées sur les ressources et une analyse ad hoc des données

Time Series Insights Explorer a été considérablement amélioré pour prendre en charge la création et la gestion des modèles de séries chronologiques ainsi que pour formuler des requêtes enrichies basées sur les ressources sur des données hautement contextualisées. L'expérience utilisateur s'intègre également à l'exploration de données interactive et ad hoc actuellement disponible sur le marché sur les données brutes. Dans le cadre de la préversion publique, l'exploration des données et les insights basés sur les ressources reposent sur deux environnements de séries chronologiques distincts ; ceux-ci seront intégrés de façon transparente à un environnement unique et unifié dans une mise à jour de la préversion publique prochainement disponible. Les clients qui utilisent l'offre disponible sur le marché doivent s'attendre à voir leurs analyses ad hoc dans l'expérience améliorée tout en tirant parti des fonctionnalités de la préversion publique pour les insights basées sur les ressources.

L'expérience utilisateur améliorée comporte des améliorations modernes de l'expérience utilisateur pour l'analyse, notamment une fonctionnalité de navigation permettant une recherche et une interrogation rapides des données de séries chronologiques, des commandes graphiques pour une visualisation aisée et interactive, et des expériences analytiques enrichies, comme des marqueurs permettant d'effectuer des corrélations et des analyses temporelles.

Azure Time Series Insights s'engage à contribuer au succès de ses clients

Nous comptons bien continuer à simplifier l'IoT et donner ainsi à nos clients les moyens d'accomplir davantage avec leurs données et solutions IoT. Pour plus d'informations, consultez la page produit et la documentation de Time Series Insights. Reportez-vous également au guide de démarrage rapide pour commencer à utiliser Time Series Insights dès aujourd'hui.

En outre, n'hésitez pas à nous faire part de vos commentaires et suggestions sur la façon dont nous pouvons améliorer le produit et la documentation. Pour ce faire, accédez au bas de chaque page de la documentation, où vous trouverez un bouton « Commentaires sur le produit », ou connectez-vous à votre compte GitHub et entrez vos commentaires sur la documentation. Vos contributions nous sont très précieuses. N'hésitez donc pas à nous faire part de vos commentaires.