Calculs scientifiques, data science, analyse de dépendance et base de données de graphes

1. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 1
MICHELIN @NEO4J GRAPH TOUR
Calcul scientifique,
data science,
analyse de dépendance
et base de données graphes

2. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 2
Vidéo d’introduction

3. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 3
DENIS MARTIN
Architecte Système, département Advanced Research
Ingénieur en informatique - INSA de Lyon
Architecte principal d'une solution basée sur l'IoT pour la maintenance prédictive des pneumatiques.
MATTHIEU QUADRINI
Responsabledeprogramme, ligne business Services & Solutions
Ingénieur en électronique - INSA de Lyon
Responsable du programme TIM(Tyre Information Management), une plate-forme mondiale pour les offres de services et
l'analyse de l'usage des pneus.

4. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 4
Nos utilisateursont besoins :
Up-to-date : Avoir des résultats de calcul le plus à jour possible
Résultats disponibles : Latences faibles lors de l’accès aux insights
Nous souhaitons une plateforme:
Performante : Pouvoir traiter des volumes importants
Ouverte à tous : Permettre le développement facile d’algorithmes
Economique : Ne recalculer que le juste nécessaire
Notre expérience nous recommanded’être :
Human proof : Permettre la correction d’erreurs de saisie ou de déclaration
IoT proof : Intégrer les informations qui arrivent en retard

5. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 5
Stream
analytics
Solutions du marché
Event-driven
Non monotone
Scalable
Résultats en
cache
Notre besoin

6. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 6
Sujet
Algorithme
Résultat
Un modèle de Graphe Acyclique Orienté (DAG) nous
permet de modéliser nos principaux Use-Cases
𝐶𝑖𝑒1. 𝐶𝑜𝑛𝑠𝑜𝑇𝑜𝑡𝑎𝑙𝑒 = 𝐶𝑖𝑒1. 𝐶𝑜𝑛𝑠𝑜𝑀𝑜𝑦𝑒𝑛𝑛𝑒 × (𝑉𝑒ℎ1. 𝑂𝑑𝑜𝑚𝑒𝑡𝑟𝑒 + 𝑉𝑒ℎ2. 𝑂𝑑𝑜𝑚𝑒𝑡𝑟𝑒)
Mileage
[km]
Veh 1
117k
Mileage
[km]
Veh 2
12k
MPG
[l/100km]
Cie 1
22,5
Add.
[km]
Cie 1
129k
Mul.
[litres]
Cie 1
29k
isinputof

7. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 7
Mileage
[km]
Veh 1
117k
Mileage
[km]
Veh 2
12k
MPG
[l/100km]
Cie 1
24
Add.
[km]
Cie 1
129k
Mul.
[litres]
Cie 1
30,96k
isinputof
Nous devons mener une analyse d’impact à chaque fois
qu’une donnée d’entrée est modifiée, ou qu’un
évènement se produit.
La représentation sous forme de DAG rend cette analyse
très facile

8. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 8
Invalidations, Graphs, Paths, Calculs
Splitter Graph
GraphPath 3
Path 2
Path 2
Path 1
Worker
thread
Worker
thread
Worker
thread
Worker
thread
Path queue
Graph
GraphGraph 1
Graph queue
Invalidation Computing cluster
J
I
H
G E
F D A
C B
J
I
H
G E
F D A
C B
C B
J I G F D
E
H
A

9. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 9

10. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 10
Neo4j
Base Graphe native
ACID
Ecosystème

11. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 11
Show me your graph!

12. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 12
Assets
Devices
Noeuds
11M de pneus & véhicules
215M d’observations ingérées
22M de nœuds de calcul
20M
900M
30M
Trend @2019Facts @2018

13. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 13
Traçabilité des
pneus
Maintenance
prédictive
Suivi du
kilométrage
Insights
Tyre InformationManagement
Datalake Services & Usages
Capture & gestion des données
Référentiels
Real-Time & Offline
Analyse/Science
TyreEOL
forecast
Tyre
mileage
Pressure
anomaly
Fleet
auto-setup

14. File ref./subject : Michelin @Neo4j Graph Tour Authors: Matthieu Quadrini,Denis Martin Date created: 19/03/2019 © Michelin, all rights reserved Page 14
MERCI