Tekniset haasteet IoT:n kypsyysmalliin nousemiselle

Tutkitaan teknologisia esteitä, jotka meidän on poistettava päästäksemme vaiheesta toiseen IoT:n kypsyysmallin kiipeämisessä. Muista, että tämä on kumulatiivinen prosessi; jokainen vaihe ei ainoastaan ​​rakenna edellisille vaiheille, vaan niistä tulee myös yhä monimutkaisempia. Ajattele sitä matematiikan kurssien etenemisenä. Jokainen oppitunti perustuu edellisiin, ja ero korkeakoulun ja lukion matematiikan välillä on paljon suurempi kuin ero perus- ja yläkoulutasojen välillä.

Ja aivan kuten laskennan tekeminen on lähes mahdotonta ilman algebran komentoa, kaikki tekniset puutteet, joita emme voi voittaa alemmissa vaiheissa, korostuvat, kun siirrymme korkeammalle kypsyysmalliin.

Onko kypsän IoT-tuotteen rakentaminen haastavaa? Se todellakin on. Mutta se ei tarkoita, etteikö se olisi mahdollista.

Mitä teknisiä taitoja tarvitaan IoT:n kypsyysmallissa edistymiseen?

Vaihe 1: Sulautetut laitteet

Mallin alaosasta alkaen meillä on tarkoitukseen rakennettuja elektronisia laitteita. Näissä tuotteissa ei ole yhteyttä, ja ihmiset ovat rakentaneet niitä siitä lähtien Thomas Edison keksi hehkulampun 1879. Ensimmäisen vaiheen laitteet ovat nyt hieman monimutkaisempia kuin silloin, mutta kypsyysmallissa ne ovat silti matalalla.

Tekniset haasteet tähän vaiheeseen pääsemiseksi ovat myös yksinkertaisia. Niin kauan kuin tiimillämme on tarvittava laitteisto- ja ohjelmistosuunnitteluosaaminen, voimme luoda tuotteen.

Vaihe 2: Cloud Computing

Vaiheen kaksi laitteet muodostavat yhteyden Internetiin. Tämä tarkoittaa, että meidän on lisättävä viestintäprotokollia, verkkoliitäntäkortit (NIC) ja taustainfrastruktuuri. Pohjimmiltaan toisen vaiheen tekniset esteet rakentuvat ensimmäisen vaiheen esteille, ja niissä on yksi ratkaiseva komponentti: verkostoituminen.

Meidän on rakennettava palvelininfrastruktuuria ja hyödynnettävä tehokkaita tapoja hallita sitä. Toinen verkostoitumisen seuraus on Kyberturvallisuus. Koska helpotamme suojattuja yhteyksiä julkisen, suojaamattoman verkon - Internetin - kautta, meidän on myös investoitava tietoturvakykyyn menestyvän vaiheen kaksi tuotetta varten.

Vaihe 3: IoT-yhteydet

Kolmas vaihe on, jossa IoT-ratkaisut tulevat todella omaksi: yhteenliitettävyys. Tässä vaiheessa laitteet keskustelevat keskenään, ja alamme nähdä yhdistetyn ekosysteemin muodostuvan.

Yhdistetyn tuotteen rakentamisen tekniset haasteet ovat vieläkin vaikeampia. Tietysti tarvitsemme edelleen kaiken asiantuntemuksen vaiheista yksi ja kaksi, mutta nyt tarvitsemme vielä korkeamman taitotason menestyäksemme.

Pyydämme monia liitettyjä laitteitamme, mutta nämä sulautetut järjestelmät toimivat rajoitetuilla laitteistoilla. Erilaisten palvelujen integrointi, varsinkin kun niiden lähtökohdat ovat niin erilaiset, on merkittävä este. Turvallisuudesta tulee entistä vaikeampaa, ja meidän on todella mietittävä sitä turvallisuuden rakentaminen alusta alkaen; esimerkiksi haluamme upottaa a laitteiston suojausmoduuli (HSM) -siru piirilevyllemme.

Yksi IoT-kehityksen monimutkaisimmista osista on tehdä jokaisesta pienestä merkityksestä. Vaikka tehokkaammalla tietokoneella on varaa omistaa vähän levytilaa tai prosessointitehoa sovelluksille, jotka ovat vain mukavia tai jopa tarpeettomia, IoT-laitteilta tämä ylellisyys puuttuu.

Siksi työkalut kuten hermot on niin hyödyllinen: sen avulla voimme rakentaa mukautetun Linux-järjestelmän, jossa on vain se, mitä tarvitsemme, eikä mitään muuta. Kuitenkin tosiasiallisesti tietää, mitä sisällyttää ja mitä jättää pois, vaatii paljon teknistä tietämystä.

Vaihe 4: Ennakoiva analytiikka 

Tämä on vaihe, jossa todella aloitamme tietojemme käyttöönoton. Ennustava analyysi for IoT tarkastelee trendejä, kuten anturidataa, käyttäjien sitoutumista ja muita laitteiltamme saamia mittareita. Voimme sitten käyttää tätä suurdataa tehtäviin, kuten teollisuuden IoT:n ennakoivaan ylläpitoon.

Neljännessä vaiheessa datatieteilijöistä tulee kriittisempiä. Nämä ammattilaiset käyttävät työkaluja, kuten Python, PyTorchja AWS SageMaker rakentaa, kouluttaa ja ottaa käyttöön koneoppimismalleja, mutta se on vain pieni osa työstä. Jokaisen onnistuneen datatieteen projektin perustana on analyyttinen viitekehys, tapa ajatella kriittisesti dataa ja liiketoimintaongelmia. Joskus vaikein osa on vain löytää oikeita kysymyksiä kysyttäväksi.

Emme kuitenkaan voi heittää datatieteilijälle lukuja ja odottaa vastineeksi täysimittaista ennustavaa analytiikkamallia. Me tarvitsemme poikkitieteellinen lähestymistapa jossa datatutkijamme työskentelevät tiiviissä yhteistyössä suunnittelutiimiemme kanssa dataputken kehittämiseksi. Loppujen lopuksi, jos laitteisto-insinöörimme eivät tiedä, mitä tietoja analyytikkomme haluavat käyttää, kuinka he tietävät, mitkä anturit valita? Samoin ohjelmistokehittäjien on ymmärrettävä datatieteilijän prioriteetit selvittääkseen, tarvitseeko heidän johtaa muuttujia, aggregoida tietoja vai siirtää se pilveen ja jopa mitkä tietopisteet joutuvat mihinkin tietokantoihin.

Vaihe 5: Prescriptive Analytics

Kun datalähtöistä lähestymistapaamme viedään askeleen pidemmälle, tämän vaiheen määrittelee reseptilääkkeet, joka rakentaa neljännen vaiheen analytiikan ennustusvoimaa suosittelemalla tulevia toimintatapoja. IoT-yritykset voivat käyttää ohjeellista analytiikkaa tarjotakseen käyttäjille pitkän aikavälin lisäarvoa, koska ne voivat tehdä elämästämme helpompaa, mukavampaa ja nautinnollisempaa.

Yhtälön teknisellä puolella vaihe viisi sisältää monia samoja vaiheen neljä elementtejä, mutta niiden kaikkien on toimittava paljon korkeammalla tasolla. Esimerkiksi datatieteen osalta laajennamme rajusti soveltamisalaamme; Emme enää käytä yhtä mallia, kuten poikkeamien havaitsemista ennaltaehkäisevässä kunnossapidossa. Sen sijaan käytämme toisiinsa kudottuista ML-malleista valmistettua peittotyötä tehdäksemme todella upeita saavutuksia. Näitä voivat olla Luonnollinen kielen käsittely (NLP) puheentunnistukseen/äänikomentoihin, algoritmeihin, jotka optimoivat sen mukaan OCEAN-persoonallisuusmalli, ja paljon enemmän.

Tulos alkaa todella muistuttaa Keinotekoinen älykkyys (AI), joten on vaikea nähdä, kuinka nämä haasteet ulottuvat pidemmälle kuin vain datatieteeseen. Esimerkiksi laitteistotiimimme on löydettävä luovia tapoja upottaa entistä enemmän prosessointitehoa pieniin tiloihin, kuten GPU:t reunalaskentaan. Lisäksi viidennen vaiheen tuote ei ole koskaan todella valmis. Ketterät käytännöt, kuten jatkuva integrointi/jatkuva käyttöönotto (CI/CD), ovat ratkaisevan tärkeitä, jos haluamme jatkossakin tarjota maailmanluokan IoT-kokemuksen.

Vaihe 6: Ubiquitous Computing

IoT-kypsyysmallin viimeinen vaihe on kaikkialla ulottuva laskenta, loppupeli, jossa lähes kaikki jokapäiväisen elämän osa-alueet sisältävät vuorovaikutusta digitaalisen maailman kanssa. Tällä hetkellä tämä vaihe on olemassa vain tieteiskirjallisuudessa, mutta saatamme olla lähempänä kuin luuletkaan.

Tekniikka, jonka tänne pääseminen vaatisi, on valtava, ja tässä vaiheessa voimme vain spekuloida. Tiedämme kuitenkin, että se vaatii kollektiivista mestariteosta suunnittelussa, ohjelmistokehityksessä, datatieteessä, käyttökokemusten suunnittelussa ja monessa muussa. Näiden alojen osaajien kokoelman rakentaminen on suurin este, joka estää meitä pääsemästä kaikkialla läsnä olevan tietojenkäsittelyn maailmaan.

Meillä on pitkä tie kuljettavana. Aloitetaan rakentaminen. 

Yhteenveto

Nyt pitäisi olla selvää, kuinka paljon vaikeampi kukin progressiivinen vaihe on kuin edellinen. Siirtyminen toisen vaiheen laitteesta todelliseen kolmannen vaiheen IoT-tuotteeseen on valtava harppaus. Se vaatii asiantuntemusta monilta aloilta ja pakottaa meidät hallitsemaan monia erilaisia ​​tekniikoita.

Vaikka nykypäivän edistyneimmät teknologiayritykset ylpeilevät viidennen vaiheen kypsyydestä, meillä ei silti ole mitään lähellä kaikkialla olevaa tietojenkäsittelyä. Onneksi monet maailman suurimmista mielistä työskentelevät kehittääkseen tuhansia erilaisia ​​teknologioita.

Tämä ei tarkoita, etteikö nykyinen huipputekniikka muuttaisi maailmaa.

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