Τεχνικές προκλήσεις για την αναρρίχηση στο μοντέλο ωριμότητας του IoT

Ας εξερευνήσουμε τα τεχνολογικά εμπόδια που πρέπει να ξεπεράσουμε για να προχωρήσουμε από το ένα στάδιο στο άλλο στην αναρρίχηση του μοντέλου ωριμότητας του IoT. Λάβετε υπόψη ότι αυτή είναι μια αθροιστική διαδικασία. όχι μόνο κάθε στάδιο βασίζεται στα προηγούμενα στάδια, αλλά γίνονται επίσης όλο και πιο περίπλοκα. Σκεφτείτε το ως μια εξέλιξη των μαθηματικών μαθημάτων. Κάθε μάθημα βασίζεται στα προηγούμενα και η διαφορά μεταξύ μαθηματικών κολεγίου και γυμνασίου είναι πολύ μεγαλύτερη από το χάσμα μεταξύ των επιπέδων δημοτικού και γυμνασίου.

Και, ακριβώς όπως η εκτέλεση λογισμών θα είναι σχεδόν αδύνατη χωρίς εντολή στην άλγεβρα, τυχόν τεχνικές ελλείψεις που αποτυγχάνουμε να ξεπεράσουμε σε κατώτερα στάδια μεγεθύνονται καθώς προχωράμε ψηλότερα στο μοντέλο ωριμότητας.

Είναι προκλητική η κατασκευή ενός ώριμου προϊόντος IoT; Είναι σίγουρα. Αλλά αυτό δεν σημαίνει ότι δεν είναι δυνατό.

Ποιες τεχνικές δεξιότητες απαιτούνται για την πρόοδο στο μοντέλο ωριμότητας IoT;

Στάδιο 1: Ενσωματωμένες συσκευές

Ξεκινώντας από το κάτω μέρος του μοντέλου, έχουμε ειδικά κατασκευασμένες ηλεκτρονικές συσκευές. Αυτά τα προϊόντα δεν διαθέτουν συνδεσιμότητα και οι άνθρωποι τα κατασκευάζουν από τότε Ο Τόμας Έντισον εφηύρε τη λάμπα το 1879. Οι συσκευές του πρώτου σταδίου είναι λίγο πιο περίπλοκες τώρα από τότε, αλλά εξακολουθούν να κατατάσσονται χαμηλά στο μοντέλο ωριμότητας.

Οι τεχνολογικές προκλήσεις για να φτάσουμε σε αυτό το στάδιο είναι επίσης άμεσες. Εφόσον οι ομάδες μας διαθέτουν την απαιτούμενη τεχνογνωσία και μηχανικής λογισμικού, μπορούμε να δημιουργήσουμε ένα προϊόν.

Στάδιο 2: Cloud Computing

Οι συσκευές στο δεύτερο στάδιο συνδέονται στο διαδίκτυο. Αυτό σημαίνει ότι πρέπει να προσθέσουμε πρωτόκολλα επικοινωνίας, κάρτες διασύνδεσης δικτύου (NIC) και υποδομή back-end. Ουσιαστικά, τα τεχνικά εμπόδια του δεύτερου σταδίου βασίζονται σε αυτά του πρώτου σταδίου με ένα κρίσιμο στοιχείο: τη δικτύωση.

Πρέπει να δημιουργήσουμε υποδομή διακομιστή και να αξιοποιήσουμε αποτελεσματικούς τρόπους διαχείρισής της. Ένα άλλο αποτέλεσμα της δικτύωσης είναι κυβερνασφάλεια. Εφόσον διευκολύνουμε τις ασφαλείς συνδέσεις μέσω ενός δημόσιου, μη ασφαλούς δικτύου —του Διαδικτύου— πρέπει επίσης να επενδύσουμε σε ταλέντο ασφάλειας για ένα επιτυχημένο προϊόν στο δεύτερο στάδιο.

Στάδιο 3: Συνδεσιμότητα IoT

Το τρίτο στάδιο είναι όπου οι λύσεις IoT γίνονται πραγματικά από μόνες τους: διασυνδεσιμότητα. Σε αυτό το σημείο, οι συσκευές μιλούν μεταξύ τους και αρχίζουμε να βλέπουμε ένα συνδεδεμένο οικοσύστημα να διαμορφώνεται.

Οι τεχνικές προκλήσεις για την κατασκευή ενός συνδεδεμένου προϊόντος είναι ακόμη πιο δύσκολες. Φυσικά, χρειαζόμαστε ακόμα όλη την τεχνογνωσία από τα στάδια ένα και δύο, αλλά τώρα χρειαζόμαστε ένα ακόμη μεγαλύτερο επίπεδο δεξιοτήτων για να πετύχουμε.

Ζητάμε πολλές από τις συνδεδεμένες συσκευές μας, ωστόσο αυτά τα ενσωματωμένα συστήματα λειτουργούν σε περιορισμένο υλικό. Η ενσωμάτωση διαφόρων υπηρεσιών, ειδικά όταν τα σημεία προέλευσής τους είναι τόσο διαφορετικά, αποτελεί σημαντικό εμπόδιο. Η ασφάλεια γίνεται ακόμα πιο δύσκολη και πρέπει πραγματικά να το σκεφτούμε κτίριο με ασφάλεια από την αρχή; για παράδειγμα, θα θέλουμε να ενσωματώσουμε ένα μονάδα ασφαλείας υλικού τσιπ (HSM) στην πλακέτα κυκλώματος μας.

Ένα από τα πιο περίπλοκα μέρη της ανάπτυξης του IoT είναι να μετράει το κάθε κομμάτι. Ενώ ένας πιο ισχυρός υπολογιστής μπορεί να αντέξει οικονομικά να αφιερώσει λίγο χώρο στο δίσκο ή επεξεργαστική ισχύ σε εφαρμογές που είναι ωραίο να υπάρχουν ή ακόμα και εντελώς περιττές, οι συσκευές IoT δεν έχουν αυτή την πολυτέλεια.

Γι' αυτό το εργαλείο όπως Νεύρα είναι τόσο χρήσιμο: μας επιτρέπει να δημιουργήσουμε ένα προσαρμοσμένο σύστημα Linux που έχει μόνο ό,τι χρειαζόμαστε και τίποτα περισσότερο. Ωστόσο, το να ξέρεις πραγματικά τι να συμπεριλάβεις και τι να απορρίψεις απαιτεί πολλές τεχνικές γνώσεις.

Στάδιο 4: Προγνωστική ανάλυση 

Αυτό είναι το στάδιο όπου αρχίζουμε πραγματικά να βάζουμε τα δεδομένα μας σε λειτουργία. Προγνωστική ανάλυση για το IoT εξετάζει τάσεις όπως δεδομένα αισθητήρων, αφοσίωση χρήστη και άλλες μετρήσεις που λαμβάνουμε από τις συσκευές μας. Στη συνέχεια, μπορούμε να χρησιμοποιήσουμε αυτά τα μεγάλα δεδομένα για εργασίες όπως η προγνωστική συντήρηση για βιομηχανικό IoT.

Το τέταρτο στάδιο είναι όπου οι επιστήμονες δεδομένων γίνονται πιο κριτικοί. Αυτοί οι επαγγελματίες χρησιμοποιούν εργαλεία όπως Python, PyTorch, να AWS SageMaker να δημιουργήσετε, να εκπαιδεύσετε και να αναπτύξετε μοντέλα μηχανικής μάθησης, αλλά αυτό είναι ένα μικρό μέρος της δουλειάς. Θεμελιώδης για κάθε επιτυχημένο έργο επιστήμης δεδομένων είναι ένα αναλυτικό πλαίσιο, ένας τρόπος κριτικής σκέψης για δεδομένα και επιχειρηματικά προβλήματα. Μερικές φορές, το πιο δύσκολο κομμάτι είναι να βρεις τις σωστές ερωτήσεις για να κάνεις.

Ωστόσο, δεν μπορούμε να ρίξουμε ένα σωρό αριθμούς σε έναν επιστήμονα δεδομένων και να περιμένουμε ένα πλήρως ανεπτυγμένο μοντέλο προγνωστικής ανάλυσης σε αντάλλαγμα. Χρειαζόμαστε ενα διεπιστημονική προσέγγιση όπου οι επιστήμονες δεδομένων μας συνεργάζονται στενά με τις ομάδες μηχανικών μας για την ανάπτυξη ενός αγωγού δεδομένων. Σε τελική ανάλυση, εάν οι μηχανικοί υλικού μας δεν γνωρίζουν ποια δεδομένα θέλουν να χρησιμοποιήσουν οι αναλυτές μας, πώς θα ξέρουν ποιους αισθητήρες να επιλέξουν; Ομοίως, οι προγραμματιστές λογισμικού μας πρέπει να κατανοήσουν τις προτεραιότητες του επιστήμονα δεδομένων για να καταλάβουν εάν χρειάζεται να αντλήσουν μεταβλητές, να συγκεντρώσουν δεδομένα ή να τα προωθήσουν στο cloud και ακόμη και ποια σημεία δεδομένων πρέπει να μεταβούν σε ποιες βάσεις δεδομένων.

Στάδιο 5: Προστακτική ανάλυση

Πηγαίνοντας την προσέγγισή μας που βασίζεται στα δεδομένα ένα βήμα παραπέρα, αυτό το στάδιο ορίζεται από προδιαγραφικά αναλυτικά στοιχεία, το οποίο αξιοποιεί την προγνωστική δύναμη των αναλυτικών στοιχείων σταδίου τέταρτου, προτείνοντας μελλοντικούς τρόπους δράσης. Οι εταιρείες IoT μπορούν να χρησιμοποιήσουν προδιαγραφικά αναλυτικά στοιχεία για να προσφέρουν μακροπρόθεσμη αξία στους χρήστες, επειδή έχουν τη δυνατότητα να κάνουν τη ζωή μας πιο εύκολη, πιο βολική και πιο ευχάριστη.

Από την τεχνολογική πλευρά της εξίσωσης, το στάδιο πέμπτο περιλαμβάνει πολλά από τα ίδια στοιχεία του σταδίου τέταρτου, ωστόσο όλα απαιτούνται για να λειτουργήσουν σε πολύ υψηλότερο επίπεδο. Για παράδειγμα, όταν πρόκειται για την επιστήμη δεδομένων, επεκτείνουμε δραστικά το πεδίο εφαρμογής μας. δεν χρησιμοποιούμε πλέον ένα μεμονωμένο μοντέλο, όπως ανίχνευση ανωμαλιών για προληπτική συντήρηση. Αντίθετα, χρησιμοποιούμε ένα πάπλωμα από συνυφασμένα μοντέλα ML για να επιτύχουμε μερικά πραγματικά θεαματικά επιτεύγματα. Αυτά μπορεί να περιλαμβάνουν Επεξεργασία φυσικής γλώσσας (NLP) για αναγνώριση ομιλίας/φωνητικές εντολές, αλγόριθμοι που βελτιστοποιούν σύμφωνα με Μοντέλο προσωπικότητας OCEAN, Και πολλά άλλα.

Το αποτέλεσμα αρχίζει να μοιάζει πραγματικά Τεχνητή Νοημοσύνη (AI), επομένως δεν είναι δύσκολο να δούμε πώς αυτές οι προκλήσεις εκτείνονται πέρα ​​από την απλή επιστήμη των δεδομένων. Η ομάδα υλικού μας, για παράδειγμα, θα χρειαστεί να βρει δημιουργικούς τρόπους για να ενσωματώσει ακόμη περισσότερη επεξεργαστική ισχύ στους πιο συμπαγείς χώρους, όπως με GPU για υπολογιστές αιχμής. Επιπλέον, ένα προϊόν σταδίου πέντε δεν είναι ποτέ πραγματικά ολοκληρωμένο. Ευέλικτες πρακτικές, όπως η συνεχής ενσωμάτωση/συνεχής ανάπτυξη (CI/CD) είναι ζωτικής σημασίας εάν θέλουμε να συνεχίσουμε να παρέχουμε μια παγκόσμιας κλάσης εμπειρία IoT.

Στάδιο 6: Πανταχού παρόν Υπολογισμός

Το τελικό στάδιο του μοντέλου ωριμότητας IoT είναι πανταχού παρούσα υπολογιστική, ένα τελικό παιχνίδι όπου σχεδόν κάθε πτυχή της καθημερινής ζωής περιλαμβάνει κάποια αλληλεπίδραση με τον ψηφιακό κόσμο. Προς το παρόν, αυτό το στάδιο υπάρχει μόνο στην επιστημονική φαντασία, αλλά μπορεί να είμαστε πιο κοντά από όσο νομίζετε.

Η τεχνολογία που θα χρειαστεί για να φτάσουμε εδώ είναι τεράστια, και το μόνο που μπορούμε πραγματικά να κάνουμε είναι να κάνουμε εικασίες σε αυτό το σημείο. Ωστόσο, γνωρίζουμε ότι θα χρειαστεί ένα συλλογικό αριστούργημα στη μηχανική, την ανάπτυξη λογισμικού, την επιστήμη δεδομένων, το σχεδιασμό εμπειρίας χρήστη και πολλά άλλα. Η δημιουργία μιας συλλογής ταλέντων σε αυτούς τους τομείς είναι το μεγαλύτερο εμπόδιο που μας εμποδίζει να εισέλθουμε στον κόσμο της πανταχού παρούσας πληροφορικής.

Έχουμε πολύ δρόμο μπροστά μας. Ας αρχίσουμε να χτίζουμε. 

Συμπέρασμα

Θα πρέπει τώρα να είναι ξεκάθαρο πόσο πιο δύσκολο είναι κάθε προοδευτικό βήμα από το προηγούμενο. Η μετάβαση από μια συσκευή δεύτερου σταδίου σε ένα πραγματικό προϊόν IoT στο τρίτο στάδιο είναι ένα τεράστιο άλμα. Απαιτεί εξειδίκευση σε πολλούς τομείς και μας αναγκάζει να κυριαρχήσουμε σε πολλές διαφορετικές τεχνολογίες.

Παρόλο που οι πιο προηγμένες εταιρείες τεχνολογίας του σήμερα διαθέτουν ωριμότητα στο πέμπτο στάδιο, εξακολουθούμε να μην έχουμε τίποτα κοντά στην πανταχού παρούσα πληροφορική. Ευτυχώς, πολλά από τα μεγαλύτερα μυαλά σε όλο τον κόσμο εργάζονται για να προωθήσουν χιλιάδες διαφορετικές τεχνολογίες.

Αυτό δεν σημαίνει ότι το τρέχον state-of-the-art δεν αλλάζει τον κόσμο.

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