WorksheetsIoT-Appli-Partie3
Total questions: 13
Worksheet time: 10mins
Dans un système IoT, quel(s) type(s) de traitement est/sont le(s) plus adapté(s) pour la détection quasi temps réel d’anomalies à partir de capteurs ?
Traitement par lot (batch)
Traitement en flux (streaming)
Traitement micro-batch
Traitement offline
Traitement par fenêtre temporelle (windowing)
Lequel ou lesquels des énoncés suivants décrivent correctement le traitement batch par rapport au traitement streaming ?
Le batch est mieux adapté aux grands volumes de données historiques.
Le streaming nécessite souvent un stockage temporaire avant l’analyse.
Le batch favorise la latence faible au détriment de la précision.
Le streaming est souvent utilisé pour l’entraînement en ligne (online learning).
Le batch permet un entraînement itératif sur des données fixes.
Pourquoi certaines plateformes IoT (comme Spark Structured Streaming) adoptent-elles une approche micro-batch qu’un streaming pur ?
Pour réduire la complexité de gestion des flux continus.
Parce que le micro-batch est incompatible avec les algorithmes de machine learning.
Pour permettre l’agrégation et l’apprentissage sur des mini-lots de données.
Pour mieux équilibrer la charge entre latence et précision.
Parce que le micro-batch permet une exécution plus déterministe et tolérante aux pannes.
Concernant le mécanisme wake up on interrupt ( interruption sur évènement) dans les systèmes IoT, quels énoncés suivants sont corrects ?
Il permet de sortir un microcontrôleur du mode veille lorsqu’un événement spécifique est détecté.
Il nécessite que le processeur reste actif en permanence pour surveiller les événements.
Il peut être déclenché par une interruption matérielle, comme un changement d’état sur une broche GPIO.
Il est incompatible avec les capteurs configurés en mode basse consommation.
Il permet d’optimiser la consommation énergétique tout en maintenant la réactivité du système.
Lorsqu’un objet IoT ou un microcontrôleur est en mode veille (low-power ou deep sleep), quels éléments restent généralement actifs pour garantir la réactivité et le suivi des événements ?
la CPU ou le MCU
La RAM
Les circuits de détection d’interruptions matérielles (GPIO, timers, capteurs)
Les horloges et timers pour générer des wake-up ou mesurer le temps
Les modules réseau ou communication peuvent rester partiellement actifs pour détecter certains
Quels énoncés suivants concernant le duty cycling sont corrects ?
Une fréquence d’échantillonnage fixe permet généralement de mieux économiser l’énergie qu’une fréquence adaptative.
Le duty cycling consiste à alterner entre des phases d’activité et de sommeil du microcontrôleur ou du capteur.
Adapter la fréquence d’échantillonnage au contexte permet de réduire la consommation sans compromettre les performances critiques.
Le duty cycling est inefficace dans les réseaux IoT.
En situation critique, la période d’activité peut être adaptée.
Dans un système IoT, plusieurs stratégies peuvent être utilisées pour optimiser la consommation d’énergie et prolonger la durée de fonctionnement. Quels énoncés suivants sont corrects ?
Le Wake-up on Interrupt permet de réveiller le microcontrôleur uniquement lorsqu’un événement matériel se produit.
Le Duty Cycling consiste à alterner entre périodes d’activité et de sommeil pour réduire la consommation, avec une fréquence d’échantillonnage adaptable selon le contexte.
La gestion adaptative des priorités selon le niveau de batterie conserve les tâches critiques et désactive les fonctions non essentielles pour prolonger la durée de fonctionnement.
Ces stratégies sont incompatibles entre elles et ne peuvent pas être combinées dans un même dispositif IoT.
L’utilisation conjointe de ces stratégies permet d’améliorer la réactivité tout en optimisant l’autonomie énergétique.
Concernant les mesures et indicateurs de performance d’un système IoT, quelles affirmations sont correctes ?
A. La précision des capteurs est facile à vérifier en temps réel, car la “vraie valeur” est toujours connue.
La précision des capteurs est facile à vérifier en temps réel, car la “vraie valeur” est toujours connue.
La précision peut être améliorée par des calibrations régulières, la redondance de capteurs et l’analyse des tendances dans le temps.
La latence correspond au délai entre la mesure sur le capteur et sa réception sur le serveur, et elle est critique pour les alertes rapides.
La consommation énergétique d’un dispositif IoT peut être directement mesurée sur tous les capteurs et microcontrôleurs sans équipement supplémentaire.
En pratique, la consommation énergétique est souvent estimée en fonction du nombre de transmissions, du temps de calcul et de l’état de veille.
Quelles affirmations décrivent correctement la maintenance proactive dans les systèmes IoT ?
Les modèles IA doivent être réentraînés régulièrement, par batch ou micro-batch, pour conserver leur fiabilité.
Les capteurs doivent être recalibrés et les seuils ajustés pour maintenir la qualité des mesures.
Une maintenance proactive n’est pas nécessaire si les systèmes IoT sont distribués.
La surveillance proactive est essentielle car une défaillance des données ou du modèle peut avoir un impact critique.
L’objectif principal est de garantir des décisions fiables dans des environnements dynamiques et temps réel.
Concernant le réentraînement complet (full retraining) d’un modèle IA, quelles affirmations sont correctes ?
Le modèle est entièrement réentraîné périodiquement, en utilisant toutes les anciennes et nouvelles données.
Cette approche garantit une meilleure stabilité et généralisation du modèle.
Le réentraînement complet est très flexible et peut être réalisé instantanément sur les devices IoT.
Il est souvent coûteux en ressources (temps, calcul, énergie) et réalisé dans le cloud.
Cette méthode nécessite de stocker et gérer un grand volume de données pour chaque réentraînement.
Concernant le fine tuning d’un modèle IA, quelles affirmations sont correctes ?
Le fine-tuning consiste à réentraîner entièrement le modèle depuis zéro avec toutes les données disponibles.
Il permet d’adapter un modèle pré-entraîné à un nouveau contexte ou un nouveau jeu de données spécifique.
Cette approche nécessite généralement moins de ressources que le réentraînement complet.
Le fine-tuning ne touche jamais les paramètres existants du modèle ; il se contente d’ajouter de nouvelles couches.
Il permet d’améliorer les performances sur une tâche spécifique sans perdre complètement les connaissances acquises précédemment.
Concernant la validation et le déploiement OTA (Over-The-Air) des modèles IA sur les dispositifs IoT, quelles affirmations sont correctes ?
Le déploiement OTA ne nécessite pas de mécanismes de sécurité, car les devices IoT sont isolés.
La validation doit inclure la détection de dérives de données (concept drift) et d’anomalies pour garantir la robustesse du modèle.
Les mises à jour OTA sont souvent appliquées en mémoire flash avec double partition pour permettre un rollback en cas d’échec.
Les mises à jour OTA sont compressées et optimisées pour limiter l’impact sur la bande passante et la batterie.
Le processus OTA minimise les interruptions de service grâce à des mises à jour en arrière-plan.
Toutes ces technologies IoT et IA apportent des bénéfices, mais quelles affirmations reflètent correctement leurs risques en terme de sécurité ?
L’intégration de communications, capteurs et IA ne change rien au risque global, puisque chaque composant est sécurisé individuellement.
Chaque nouvelle fonctionnalité ou connexion (communication, IA, OTA, applications) augmente la surface d’attaque potentielle.
Les mises à jour OTA et l’apprentissage à distance peuvent introduire des vulnérabilités si elles ne sont pas sécurisées.
La complexité des systèmes IoT avec IA peut rendre la détection des anomalies ou des attaques plus difficile.
L’augmentation des fonctionnalités ne nécessite pas de stratégies de cybersécurité supplémentaires si le système est performant.
