Tekniske udfordringer for at bestige IoT-modenhedsmodellen

Lad os udforske de teknologiske forhindringer, som vi skal overvinde for at komme videre fra et trin til det næste i at bestige IoT-modenhedsmodellen. Husk på, at dette er en kumulativ proces; Hver fase bygger ikke kun på de foregående stadier, men de bliver også mere og mere komplekse. Tænk på det som en progression af matematikkurser. Hver lektion bygger på de foregående, og forskellen mellem gymnasiet og gymnasiets matematik er meget større end forskellen mellem grundskole- og mellemskoleniveau.

Og ligesom at lave calculus vil være næsten umuligt uden kommando over algebra, forstørres eventuelle tekniske mangler, som vi ikke kan overvinde i lavere stadier, efterhånden som vi bevæger os højere ind i modenhedsmodellen.

Er det udfordrende at bygge et modent IoT-produkt? Helt sikkert. Men det betyder ikke, at det ikke er muligt.

Hvilke tekniske færdigheder kræves for at gøre fremskridt i IoT-modenhedsmodellen?

Trin 1: Indlejrede enheder

Fra bunden af ​​modellen har vi specialbyggede elektroniske enheder. Disse produkter har ikke forbindelse, og folk har bygget dem siden Thomas Edison opfandt pæren i 1879. Enheder i trin et er lidt mere komplicerede nu end dengang, men de rangerer stadig lavt på modenhedsmodellen.

De teknologiske udfordringer for at nå dette stadium er ligeledes ligetil. Så længe vores teams har den nødvendige hardware- og softwareteknisk knowhow, kan vi oprette et produkt.

Trin 2: Cloud Computing

Stage to enheder opretter forbindelse til internettet. Det betyder, at vi skal tilføje kommunikationsprotokoller, netværkskort (NIC'er), og back-end infrastruktur. Grundlæggende bygger de tekniske forhindringer på fase to videre på dem på fase et med én afgørende komponent: netværk.

Vi skal bygge serverinfrastruktur og udnytte effektive måder at administrere den på. Et andet resultat af netværk er cybersikkerhed. Da vi faciliterer sikre forbindelser over et offentligt, usikret netværk – internettet – er vi også nødt til at investere i sikkerhedstalenter for at få et succesfuldt fase to-produkt.

Trin 3: IoT-forbindelse

Den tredje fase er, hvor IoT-løsninger virkelig kommer til deres ret: sammenkobling. På dette tidspunkt taler enheder med hinanden, og vi begynder at se et forbundet økosystem tage form.

De tekniske udfordringer med at bygge et forbundet produkt er endnu sværere. Vi har selvfølgelig stadig brug for al ekspertisen fra etape et og to, men nu skal vi have et endnu større færdighedsniveau for at få succes.

Vi spørger mange af vores tilsluttede enheder, men alligevel fungerer disse indlejrede systemer på begrænset hardware. Integrering af forskellige tjenester, især når deres oprindelsessteder er så forskellige, er en betydelig hindring. Sikkerheden bliver endnu sværere, og vi skal virkelig tænke os om indbygge sikkerhed fra starten; for eksempel vil vi gerne indlejre en hardware sikkerhedsmodul (HSM) chip i vores printkort.

En af de mest komplekse dele af IoT-udvikling er at få hver lille smule til at tælle. Mens en mere kraftfuld computer har råd til at dedikere lidt diskplads eller processorkraft til applikationer, der kun er gode at have eller endda direkte unødvendige, mangler IoT-enheder denne luksus.

Det er derfor værktøj som nerver er så nyttig: det lader os bygge et brugerdefineret Linux-system, der kun har det, vi har brug for, og intet mere. Men faktisk at vide, hvad der skal inkluderes, og hvad man skal droppe, kræver en masse teknisk viden.

Fase 4: Prediktiv analyse 

Dette er stadiet, hvor vi virkelig begynder at sætte vores data i arbejde. Forudsigelig analyse for IoT ser på tendenser som sensordata, brugerengagement og andre målinger, som vi får fra vores enheder. Vi kan derefter bruge de store data til opgaver som forudsigende vedligeholdelse til industriel IoT.

Fase fire er, hvor dataforskere bliver mere kritiske. Disse fagfolk bruger værktøjer som f.eks Python, PyTorchog AWS SageMaker at bygge, træne og implementere maskinlæringsmodeller, men det er ikke en lille del af jobbet. Grundlæggende for ethvert succesfuldt datavidenskabsprojekt er en analytisk ramme, en måde at tænke kritisk om data og forretningsproblemer på. Nogle gange er den sværeste del bare at finde de rigtige spørgsmål at stille.

Vi kan dog ikke smide en masse tal efter en dataforsker og forvente en fuldt udbygget prædiktiv analysemodel til gengæld. Vi har brug for en tværfaglig tilgang hvor vores data scientists arbejder tæt sammen med vores ingeniørteams for at udvikle en datapipeline. Når alt kommer til alt, hvis vores hardwareingeniører ikke ved, hvilke data vores analytikere vil bruge, hvordan vil de så vide, hvilke sensorer de skal vælge? Ligeledes skal vores softwareudviklere forstå dataforskerens prioriteter for at finde ud af, om de skal udlede variabler, samle data eller skubbe dem til skyen og endda hvilke datapunkter, der skal gå til hvilke databaser.

Trin 5: Præskriptiv analyse

Ved at tage vores datadrevne tilgang et skridt videre, er denne fase defineret af forskriftsmæssig analyse, som bygger på forudsigelseskraften i fase fire-analyser ved at anbefale fremtidige handlingsmuligheder. IoT-virksomheder kan bruge præskriptive analyser til at tilbyde langsigtet værdi til brugerne, fordi de har potentialet til at gøre vores liv nemmere, mere bekvemt og mere behageligt.

På den tekniske side af ligningen indeholder trin fem mange af de samme elementer fra trin fire, men de er alle forpligtet til at fungere på et meget højere niveau. For eksempel, når det kommer til datavidenskab, udvider vi vores omfang drastisk; vi bruger ikke længere en enkelt model, f.eks. registrering af uregelmæssigheder til forebyggende vedligeholdelse. I stedet bruger vi et quilt-værk af sammenvævede ML-modeller til at udføre nogle virkelig spektakulære bedrifter. Disse kan omfatte Natural Language Processing (NLP) til talegenkendelse/stemmekommandoer, algoritmer, der optimerer i henhold til OCEAN personlighedsmodel, Og meget mere.

Resultatet begynder virkelig at ligne Artificial Intelligence (AI), så det er svært at se, hvordan disse udfordringer spænder længere end blot datavidenskab. Vores hardwareteam skal for eksempel finde kreative måder at integrere endnu mere processorkraft i de mest kompakte rum, som f.eks. GPU'er til edge computing. Desuden er et trin fem-produkt aldrig helt færdigt. Agile praksisser såsom kontinuerlig integration/kontinuerlig implementering (CI/CD) er afgørende, hvis vi vil fortsætte med at levere en IoT-oplevelse i verdensklasse.

Trin 6: Ubiquitous Computing

Den sidste fase af IoT-modenhedsmodellen er allestedsnærværende computing, et slutspil, hvor stort set alle aspekter af dagligdagen omfatter en vis interaktion med den digitale verden. I øjeblikket eksisterer denne fase kun i science fiction, men vi er måske tættere på, end du tror.

Den teknologi, der skal til for at komme hertil, er enorm, og alt, hvad vi virkelig kan gøre, er at spekulere på dette tidspunkt. Vi ved dog, at det vil kræve et kollektivt mesterværk inden for teknik, softwareudvikling, datavidenskab, brugeroplevelsesdesign og mere. At opbygge en samling af talenter inden for disse domæner er den største hindring, der forhindrer os i at komme ind i verden af ​​allestedsnærværende computing.

Vi har lang vej igen. Lad os begynde at bygge. 

Konklusion

Det skulle nu stå klart, hvor meget sværere hvert progressive trin er end det sidste. Overgangen fra en fase to-enhed til et ægte fase tre IoT-produkt er et enormt spring. Det kræver ekspertise på tværs af mange domæner og tvinger os til at mestre mange forskellige teknologier.

Selvom nutidens mest avancerede teknologivirksomheder kan prale af fase fem-modenhed, har vi stadig ikke noget i nærheden af ​​allestedsnærværende computing. Heldigvis arbejder mange af de bedste hjerner over hele kloden på at fremme tusindvis af forskellige teknologier.

Det betyder ikke, at den nuværende state-of-the-art ikke ændrer verden.

Kilde: https://www.iotforall.com/technical-challenges-to-climbing-the-iot-maturity-model