Interview CTO : James Donkin, Ocado Technology

Une architecture multicloud

Au cours des dernières années, Ocado est passé à une architecture basée sur le cloud prise en charge par plusieurs fournisseurs. Elle développe désormais ses propres logiciels et matériels et utilise les services d’Amazon Web Services (AWS), google Cloud Platform (GCP) et Microsoft Azure, le cas échéant, pour fournir l’informatique dont elle a besoin pour gérer l’entreprise.

« Nous avons une stratégie multicloud. Chaque nuage est utilisé pour ce qu’il fait de mieux », explique Donkin. Par exemple, Ocado a une longue histoire de travail avec Google. Cela a commencé avec les applications de productivité bureautique de Google. Au fil du temps, dit-il, l’utilisation des BPC est devenue « super transformationnelle ».

Au lieu de développer ses propres microservices et applications Web, Ocado déploie ses applications sur AWS. GCP est utilisé pour l’analyse de données. Les données sont transmises des applications AWS à GCP via un bus de messages.

Lorsqu’on considère le stockage des données et le parcours que les données doivent parcourir, Donkin déclare : « Les données commencent sur site à un bras de robot ou sur une grille. Nous voulons que les données se retrouvent dans le cloud, car il y a beaucoup de frais généraux dans la maintenance des systèmes sur site. Nous ne voulons pas que les gens aient à échanger des appareils spécialisés. »

Que ce soit pour le contrôle d’un véhicule de livraison autonome ou d’un robot préparateur dans un centre de traitement des commandes Ocado, pour Donkin, toute technologie à la périphérie devrait être une boîte blanche qui peut simplement être débranchée et remplacée, sans nécessiter de compétences spécialisées. « La valeur par défaut est d’avoir stocké les données dans le cloud, sauf s’il y a des restrictions de latence ou de bande passante », dit-il.

AWS héberge les microservices d’Ocado qui sont cloisonnés et contrôlés par des interfaces de programmation d’applications (API). Donkin dit que le service de données de streaming sans serveur Kinesis d’Amazon est utilisé pour transférer des données sur Google, où Google BigQuery est ensuite utilisé pour l’analyse et la prévision des données.

« L’objectif d’un flux de données est d’atterrir dans BigQuery, qui construit ensuite un modèle qui peut être repoussé vers AWS ou un périphérique informatique de périphérie », explique Donkin.

Temps réel dans le cloud

Ocado a commencé avec presque rien d’hébergé dans le cloud. Les systèmes de commande des machines de ses centres de distribution clients ont été hébergés sur site. « Ces grands systèmes de contrôle du cerveau étaient sur site », explique Donkin. « Nous ne pensions pas pouvoir effectuer un contrôle en temps réel dans le cloud, mais au cours de la dernière année, nous avons eu beaucoup de succès avec le contrôle du cloud. »

Il y a quelques années, lorsque Donkin a visité le Mobile World Congress, il a été impressionné par une démonstration où le contrôle de deux bras de robot jonglant avec des balles a été réalisé sur un réseau mobile 5G dans le cloud public. Pour Donkin, la démonstration a montré que le contrôle en temps réel des machines était possible via une connexion cloud 5G.

« Nous ne pensions pas pouvoir effectuer un contrôle en temps réel dans le cloud, mais au cours de la dernière année, nous avons eu beaucoup de succès avec le contrôle du cloud. »

James Donkin, Ocado Technologie

Du point de vue du stockage et de l’analyse des données, de telles avancées soulèvent un certain nombre de questions intéressantes sur l’endroit où les données doivent vivre. Comme le souligne Donkin, de nombreux développements ont lieu à la périphérie, pour permettre un traitement des données basé sur la périphérie.

Par exemple, les robots d’Ocado utilisent l’analyse vidéo, mais Donkin note qu’un pipeline est nécessaire pour réduire la quantité de vidéo stockée.

« Vous ne voulez pas attraper tous les mouvements de chaque robot », dit-il. « Vous devez déterminer ce qui est utile. S’il est possible de modéliser des opérations normales, ces activités ne nécessitent pas de capture. Ensuite, seul le flux de données d’activités inhabituelles nécessite un streaming vers le cloud. »

Heuristique vidéo pour les données cloud faibles

Donkin dit qu’une unité de traitement graphique (GPU) intégrée dans une caméra vidéo serait en mesure d’agir comme un front end à un tel pipeline de traitement de données. « Si vous diffusez toute votre vidéo dans le cloud, cela utilise beaucoup de bande passante. L’heuristique peut être utilisée pour capturer des données de manière intelligente », ajoute-t-il.

Avoir un GPU sur la caméra vidéo permettrait aux systèmes de vision industrielle d’exécuter des heuristiques localement de sorte que la caméra puisse prétraiter le flux vidéo et soit capable de transmettre des données de manière intelligente. Ceci est analogue à la façon dont une sonnette intelligente ne commencera à enregistrer des vidéos dans le cloud qu’après avoir détecté un mouvement ou une pression de sonnette.

En théorie, le volume relativement faible d’activité vidéo anormale collectée peut être transmis à partir de l’appareil périphérique, sur le réseau local exécutant le centre de distribution client, et téléchargé sur le cloud. Ici, l’apprentissage automatique permet d’améliorer le modèle de données, qui est ensuite transmis pour mettre à jour l’heuristique sur le périphérique périphérique.

Donkin considère que le rôle des centres de données sur site est « le milieu serré » entre le cloud public et le traitement à la périphérie. Le développement d’applications cloud natives réduit le besoin de disposer d’une équipe complète de techniciens internes du centre de données. En utilisant des analyses avancées et l’apprentissage automatique dans le cloud, ainsi que des périphériques de périphérie intelligents, il est possible de réduire le volume de données qui doivent être stockées et traitées sur site.