چالش های فنی برای صعود به مدل بلوغ اینترنت اشیا

بیایید موانع تکنولوژیکی را که برای پیشرفت از یک مرحله به مرحله دیگر در صعود به مدل بلوغ اینترنت اشیاء باید برطرف کنیم، بررسی کنیم. به خاطر داشته باشید که این یک فرآیند تجمعی است. هر مرحله نه تنها بر اساس مراحل قبلی است، بلکه به طور فزاینده ای پیچیده می شود. به آن به عنوان پیشرفت دروس ریاضی فکر کنید. هر درس بر پایه درس های قبلی است و تفاوت بین ریاضیات دانشگاهی و دبیرستانی بسیار بیشتر از فاصله بین سطوح ابتدایی و راهنمایی است.

و همانطور که انجام محاسبات بدون فرمان بر جبر تقریباً غیرممکن خواهد بود، هر کاستی فنی که در مراحل پایین‌تر قادر به غلبه بر آن نباشیم، با حرکت به سمت مدل بلوغ بزرگ‌تر می‌شود.

آیا ساختن یک محصول IoT بالغ چالش برانگیز است؟ حتما هست اما این بدان معنا نیست که امکان پذیر نیست.

چه مهارت های فنی برای پیشرفت در مدل بلوغ اینترنت اشیا مورد نیاز است؟

مرحله 1: دستگاه های جاسازی شده

از پایین مدل شروع می کنیم، ما دستگاه های الکترونیکی هدفمند داریم. این محصولات از قابلیت اتصال برخوردار نیستند و مردم از آن زمان آنها را ساخته اند توماس ادیسون لامپ را اختراع کرد در سال 1879. دستگاه های مرحله یک در حال حاضر کمی پیچیده تر از آن زمان هستند، اما هنوز در مدل بلوغ رتبه پایینی دارند.

چالش های تکنولوژیکی برای رسیدن به این مرحله نیز ساده است. تا زمانی که تیم های ما دانش مهندسی سخت افزار و نرم افزار مورد نیاز را داشته باشند، می توانیم یک محصول ایجاد کنیم.

مرحله 2: رایانش ابری

دستگاه های مرحله دو به اینترنت متصل می شوند. یعنی باید اضافه کنیم پروتکل های ارتباطی, کارت های رابط شبکه (NIC)، و زیرساخت های پشتیبان. اساساً، موانع فنی مرحله دو بر موانع مرحله اول با یک جزء حیاتی ایجاد می شود: شبکه.

ما باید زیرساخت سرور بسازیم و از راه های کارآمد برای مدیریت آن استفاده کنیم. نتیجه دیگر شبکه سازی است امنیت سایبری. از آنجایی که ما اتصالات امن را از طریق یک شبکه عمومی و ناامن - اینترنت - تسهیل می کنیم، همچنین باید برای یک محصول موفق مرحله دوم روی استعدادهای امنیتی سرمایه گذاری کنیم.

مرحله 3: اتصال به اینترنت اشیا

مرحله سوم جایی است که راه‌حل‌های اینترنت اشیا واقعاً خود را نشان می‌دهند: اتصال به یکدیگر. در این مرحله، دستگاه ها با یکدیگر صحبت می کنند و ما شروع به شکل گیری یک اکوسیستم متصل می کنیم.

چالش های فنی برای ساخت یک محصول متصل حتی دشوارتر است. البته ما هنوز به تمام تخصص در مراحل یک و دو نیاز داریم، اما اکنون برای موفقیت به سطح مهارت بیشتری نیاز داریم.

ما از بسیاری از دستگاه‌های متصل خود می‌خواهیم، ​​اما این سیستم‌های تعبیه‌شده روی سخت‌افزار محدود کار می‌کنند. ادغام سرویس های مختلف، به خصوص زمانی که مبدأ آنها بسیار متفاوت است، یک مانع مهم است. امنیت حتی دشوارتر می شود و ما واقعاً باید در مورد آن فکر کنیم ساختمان در امنیت از ابتدا; به عنوان مثال، ما می خواهیم یک را تعبیه کنیم ماژول امنیتی سخت افزاری تراشه (HSM) به برد مدار ما.

یکی از پیچیده‌ترین بخش‌های توسعه اینترنت اشیا، اهمیت دادن به همه چیز است. در حالی که یک کامپیوتر قوی‌تر می‌تواند کمی فضای دیسک یا قدرت پردازشی را به برنامه‌هایی اختصاص دهد که داشتن آنها خوب است یا حتی کاملاً غیر ضروری هستند، دستگاه‌های IoT فاقد این تجمل هستند.

به همین دلیل است که ابزار مانند عصب بسیار مفید است: به ما این امکان را می دهد که یک سیستم لینوکس سفارشی بسازیم که فقط آنچه را که ما نیاز داریم داشته باشد و نه بیشتر. با این حال، در واقع دانستن اینکه چه چیزی باید شامل شود و چه چیزی باید حذف شود، نیاز به دانش فنی زیادی دارد.

مرحله 4: تجزیه و تحلیل پیش بینی 

این مرحله ای است که ما واقعاً شروع به کارکردن داده های خود می کنیم. تجزیه و تحلیل پیش بینی برای اینترنت اشیا به روندهایی مانند داده های حسگر، تعامل کاربر و سایر معیارهایی که از دستگاه های خود دریافت می کنیم نگاه می کند. سپس می‌توانیم از این داده‌های بزرگ برای کارهایی مانند نگهداری پیش‌بینی‌کننده برای اینترنت اشیاء صنعتی استفاده کنیم.

مرحله چهارم جایی است که دانشمندان داده انتقادی تر می شوند. این متخصصان از ابزارهایی مانند پــایتــون, PyTorchو AWS SageMaker ساخت، آموزش و استقرار مدل‌های یادگیری ماشینی، اما این بخش کوچکی از کار است. اساس هر پروژه موفق علم داده یک چارچوب تحلیلی است، راهی برای تفکر انتقادی در مورد داده ها و مشکلات تجاری. گاهی اوقات، سخت ترین بخش، یافتن سؤالات مناسب برای پرسیدن است.

با این حال، ما نمی‌توانیم تعداد زیادی اعداد را متوجه یک دانشمند داده باشیم و در ازای آن انتظار یک مدل تحلیلی پیش‌بینی کامل را داشته باشیم. ما نیاز داریم a رویکرد بین رشته ای جایی که دانشمندان داده ما از نزدیک با تیم های مهندسی ما برای توسعه خط لوله داده کار می کنند. به هر حال، اگر مهندسان سخت‌افزار ما ندانند که تحلیل‌گران ما از چه داده‌هایی می‌خواهند استفاده کنند، چگونه می‌دانند کدام حسگر را انتخاب کنند؟ به همین ترتیب، توسعه‌دهندگان نرم‌افزار ما باید اولویت‌های دانشمند داده را درک کنند تا بفهمند که آیا نیاز به استخراج متغیرها، جمع‌آوری داده‌ها یا انتقال آن به ابر دارند یا خیر و حتی کدام نقاط داده باید به کدام پایگاه داده بروند.

مرحله 5: تجزیه و تحلیل تجویزی

با برداشتن رویکرد مبتنی بر داده یک قدم جلوتر، این مرحله با تعریف می شود تجزیه و تحلیل تجویزی، که قدرت پیش بینی مرحله چهارم تجزیه و تحلیل را با توصیه دوره های اقدام آینده ایجاد می کند. شرکت‌های اینترنت اشیا می‌توانند از تجزیه و تحلیل‌های تجویزی برای ارائه ارزش بلندمدت به کاربران استفاده کنند، زیرا آنها این پتانسیل را دارند که زندگی ما را آسان‌تر، راحت‌تر و لذت‌بخش‌تر کنند.

در جنبه فنی معادله، مرحله پنج شامل بسیاری از عناصر یکسان مرحله چهار است، اما همه آنها باید در سطح بسیار بالاتری عمل کنند. به عنوان مثال، وقتی نوبت به علم داده می‌رسد، دامنه خود را به شدت گسترش می‌دهیم. ما دیگر از یک مدل واحد مانند تشخیص ناهنجاری برای نگهداری پیشگیرانه استفاده نمی کنیم. در عوض، ما از لحاف‌کاری از مدل‌های درهم تنیده ML استفاده می‌کنیم تا برخی شاهکارهای واقعاً تماشایی را به‌دست آوریم. اینها ممکن است شامل شوند پردازش زبان طبیعی (NLP) برای دستورات تشخیص گفتار/صدا، الگوریتم هایی که با توجه به مدل شخصیتی OCEAN، و خیلی بیشتر.

نتیجه شروع به شبیه سازی واقعی می کند هوش مصنوعی (AI)بنابراین، دیدن این که چگونه این چالش ها فراتر از علم داده است، دشوار نیست. برای مثال، تیم سخت‌افزار ما باید راه‌های خلاقانه‌ای برای تعبیه قدرت پردازشی بیشتر در فشرده‌ترین فضاها، مانند پردازنده‌های گرافیکی برای محاسبات لبه. علاوه بر این، محصول مرحله پنجم هرگز واقعاً کامل نیست. اگر بخواهیم به ارائه یک تجربه اینترنت اشیا در سطح جهانی ادامه دهیم، اقدامات چابک مانند یکپارچه سازی مداوم/ استقرار مداوم (CI/CD) بسیار مهم است.

مرحله 6: محاسبات همه جا حاضر

مرحله نهایی مدل بلوغ اینترنت اشیا است محاسبات فراگیر، یک بازی پایانی که در آن تقریباً هر جنبه از زندگی روزمره شامل تعاملی با دنیای دیجیتال است. در حال حاضر، این مرحله فقط در داستان های علمی تخیلی وجود دارد، اما ممکن است از آنچه شما فکر می کنید به ما نزدیکتر باشیم.

فناوری لازم برای رسیدن به اینجا بسیار زیاد است، و تنها کاری که واقعاً می‌توانیم انجام دهیم این است که در این مرحله حدس بزنیم. با این حال، ما می دانیم که به یک استاد کار جمعی در مهندسی، توسعه نرم افزار، علم داده، طراحی تجربه کاربر و موارد دیگر نیاز دارد. ایجاد مجموعه ای از استعدادها در این حوزه ها بزرگترین مانعی است که ما را از ورود به دنیای محاسبات فراگیر باز می دارد.

ما راه زیادی برای رفتن داریم. بیایید شروع به ساختن کنیم. 

نتیجه

اکنون باید مشخص شود که هر گام پیشرو چقدر دشوارتر از مرحله قبل است. انتقال از یک دستگاه مرحله دو به یک محصول واقعی IoT مرحله سوم یک جهش عظیم است. این نیاز به تخصص در بسیاری از حوزه ها دارد و ما را مجبور می کند تا بر بسیاری از فناوری های مختلف تسلط پیدا کنیم.

اگرچه پیشرفته‌ترین شرکت‌های فناوری امروزی مرحله پنجم بلوغ خود را به رخ می‌کشند، ما هنوز چیزی نزدیک به محاسبات فراگیر نداریم. خوشبختانه، بسیاری از بزرگ‌ترین ذهن‌ها در سرتاسر جهان برای پیشبرد هزاران فناوری مختلف تلاش می‌کنند.

این بدان معنا نیست که وضعیت فعلی، جهان را تغییر نمی دهد.

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