Conformément à la tradition, MathWorks vient de présenter la version automnale de ses environnements de développement Matlab et Simulink dont le fil conducteur est, selon l'éditeur, la simplification du traitement des données ...dans le cadre des applications de type Big Data. Au sein de cette version référencée R2016b, et tout particulièrement dans Matlab, les ingénieurs et scientifiques peuvent désormais travailler plus aisément sur des volumes de données trop importants pour être stockés en mémoire.

Les tableaux baptisés “tall” offrent par exemple la possibilité de travailler naturellement avec des données hors mémoire en utilisant des fonctions et une syntaxe Matlab courantes, ce qui évite d’avoir à apprendre la programmation spécifique pour le Big Data. Les tableaux “tall” sont utilisables avec des centaines d'algorithmes mathématiques, statistiques et d'apprentissage automatique. La version R2016b inclut également un conteneur de données de type “timetable” pour l'indexation et la synchronisation des données tabulaires horodatées, ainsi que des tableaux de chaînes de caractères pour manipuler, comparer et stocker efficacement des données textuelles.

"Les entreprises sont envahies par les données, mais elles peinent à en tirer parti pour bâtir de meilleurs modèles prédictifs et acquérir une meilleure compréhension, explique David Rich, directeur marketing Matlab chez MathWorks. Dans la version R2016b, nous avons abaissé la barre pour permettre aux experts du domaine de travailler plus facilement avec un volume de données plus important."

Dans Matlab R2016b, les ingénieurs pourront en outre exécuter du code Matlab à partir de programmes Java (via une API spécifique), enregistrer des données à partir des capteurs iPhone et Android sur le cloud MathWorks, ou bénéficier du support du déploiement des applications Matlab sur un cluster Spark.

Côté statistiques et applications de machine learning, l’outil offre désormais des algorithmes pour le traitement des données hors mémoire, y compris la réduction de dimension, les statistiques descriptives, le partitionnement k-means, la régression linéaire, etc. Logées au sein d’une boîte à outils (une Tool Box selon la terminologie de MathWorks), on trouve une application d’optimisation bayésienne pour le réglage automatique des paramètres des algorithmes d'apprentissage machine, et une analyse NCA (Neighborhood Component Analysis) pour la sélection des caractéristiques du modèle de machine learning.

Quant à la Tool Box intitulée Computer Vision System Toolbox, elle offre la détection des objets à l'aide de réseaux de neurones à convolution basés sur les régions (R-CNN).

Du côté de Simulink, MathWorks apporte des performances optimisées sur son compilateur just-in-time pour les simulations exécutées en mode Accelerator, et la possibilité d'initialiser, de réinitialiser et d'interrompre des sous-systèmes pour modéliser un comportement dynamique de démarrage et d'arrêt. Par ailleurs, les cartes de prototypage Raspberry Pi 3 et Google Nexus sont désormais intégrées au catalogue des plates-formes supportées. 

Pour ce qui a trait à la modélisation des technologies de communication, la Tool Box WLAN System Toolbox supporte désormais le futur standard IEEE 802.11ah (le Wi-Fi HaLow) et les récepteurs Mimo multi-utilisateurs.

Pour ce qui concerne la génération automatique de code, on notera le support de la simulation des composants de base Autosar, y compris le Diagnostic Event Manager (DEM) et le NVRAM Manager (NvM).

Enfin, l’outil d’analyse statique Polyspace Bug Finder supporte dorénavant les normes de codage Cert C pour la détection des vulnérabilités de cybersécurité.