Défis techniques pour gravir le modèle de maturité IoT

Explorons les obstacles technologiques que nous devons franchir pour passer d'une étape à l'autre dans l'ascension du modèle de maturité IoT. Gardez à l'esprit qu'il s'agit d'un processus cumulatif ; non seulement chaque étape s'appuie sur les étapes précédentes, mais elles deviennent également de plus en plus complexes. Considérez-le comme une progression des cours de mathématiques. Chaque leçon s'appuie sur les précédentes, et la différence entre les mathématiques du collège et du lycée est beaucoup plus grande que l'écart entre les niveaux primaire et intermédiaire.

Et, tout comme faire du calcul sera presque impossible sans maîtriser l'algèbre, toutes les lacunes techniques que nous ne parvenons pas à surmonter dans les étapes inférieures sont amplifiées à mesure que nous progressons dans le modèle de maturité.

La création d'un produit IoT mature est-elle difficile ? Tout à fait. Mais cela ne veut pas dire que ce n'est pas possible.

Quelles compétences techniques sont nécessaires pour progresser dans le modèle de maturité IoT ?

Étape 1 : Appareils intégrés

En commençant par le bas du modèle, nous avons des appareils électroniques spécialement conçus. Ces produits ne disposent pas de connectivité, et les gens les construisent depuis Thomas Edison a inventé l'ampoule en 1879. Les appareils de la première étape sont un peu plus compliqués maintenant qu'alors, mais ils se classent toujours bas sur le modèle de maturité.

Les défis technologiques pour atteindre ce stade sont également simples. Tant que nos équipes disposent du savoir-faire requis en matière d'ingénierie matérielle et logicielle, nous pouvons créer un produit.

Étape 2 : l'informatique en nuage

Les appareils de la deuxième étape se connectent à Internet. Cela signifie que nous devons ajouter protocoles de communication, cartes d'interface réseau (NIC) et infrastructure dorsale. Essentiellement, les obstacles techniques de la deuxième étape s'appuient sur ceux de la première étape avec un élément crucial : la mise en réseau.

Nous devons construire une infrastructure de serveur et tirer parti de moyens efficaces pour la gérer. Un autre corollaire du réseautage est la cyber-sécurité. Étant donné que nous facilitons les connexions sécurisées sur un réseau public non sécurisé - Internet - nous devons également investir dans des talents de sécurité pour un produit de deuxième étape réussi.

Étape 3 : Connectivité IdO

La troisième étape est celle où les solutions IoT prennent tout leur sens : l'interconnectivité. À ce stade, les appareils se parlent et nous commençons à voir un écosystème connecté prendre forme.

Les défis techniques pour construire un produit connecté sont encore plus difficiles. Bien sûr, nous avons toujours besoin de toute l'expertise des étapes un et deux, mais maintenant nous avons besoin d'un niveau de compétence encore plus élevé pour réussir.

Nous demandons beaucoup à nos appareils connectés, pourtant ces systèmes embarqués fonctionnent sur du matériel contraint. L'intégration de divers services, surtout lorsque leurs points d'origine sont si différents, est un obstacle important. La sécurité devient encore plus difficile, et nous devons vraiment penser à construire la sécurité dès le départ; par exemple, nous voudrons intégrer un module de sécurité matérielle (HSM) puce dans notre circuit imprimé.

L'une des parties les plus complexes du développement de l'IoT consiste à faire en sorte que chaque petit geste compte. Alors qu'un ordinateur plus puissant peut se permettre de consacrer un peu d'espace disque ou de puissance de traitement à des applications qui ne sont qu'agréables à avoir ou même carrément inutiles, les appareils IoT n'ont pas ce luxe.

C'est pourquoi un outillage comme Nerfs est tellement utile : il nous permet de construire un système Linux personnalisé qui n'a que ce dont nous avons besoin et rien de plus. Cependant, savoir réellement ce qu'il faut inclure et ce qu'il faut supprimer nécessite de nombreuses connaissances techniques.

Étape 4 : Analyse prédictive 

C'est l'étape où nous commençons vraiment à mettre nos données au travail. Analyses prédictives for IoT examine les tendances telles que les données des capteurs, l'engagement des utilisateurs et d'autres mesures que nous obtenons de nos appareils. Nous pouvons ensuite utiliser ces mégadonnées pour des tâches telles que la maintenance prédictive pour l'IoT industriel.

La quatrième étape est celle où les data scientists deviennent plus critiques. Ces professionnels utilisent des outils comme Python, PyTorchet AWS Sage Maker pour créer, former et déployer des modèles d'apprentissage automatique, mais ce n'est qu'une petite partie du travail. La base de tout projet de science des données réussi est un cadre analytique, une façon de penser de manière critique aux données et aux problèmes commerciaux. Parfois, le plus difficile est simplement de trouver les bonnes questions à poser.

Cependant, nous ne pouvons pas lancer un tas de chiffres à un data scientist et attendre en retour un modèle d'analyse prédictive à part entière. Nous avons besoin d'un approche interdisciplinaire où nos scientifiques des données travaillent en étroite collaboration avec nos équipes d'ingénieurs pour développer un pipeline de données. Après tout, si nos ingénieurs en matériel ne savent pas quelles données nos analystes veulent utiliser, comment sauront-ils quels capteurs choisir ? De même, nos développeurs de logiciels doivent comprendre les priorités du scientifique des données pour déterminer s'il doit dériver des variables, agréger des données ou les pousser vers le cloud et même quels points de données doivent aller dans quelles bases de données.

Étape 5 : Analyse prescriptive

Poussant notre approche axée sur les données un peu plus loin, cette étape est définie par analyse prescriptive, qui s'appuie sur le pouvoir prédictif de l'analyse de la quatrième étape en recommandant des plans d'action futurs. Les entreprises IoT peuvent utiliser l'analyse prescriptive pour offrir une valeur à long terme aux utilisateurs, car elles ont le potentiel de rendre nos vies plus faciles, plus pratiques et plus agréables.

Du côté technique de l'équation, l'étape cinq comprend bon nombre des mêmes éléments de l'étape quatre, mais ils doivent tous fonctionner à un niveau beaucoup plus élevé. Par exemple, en matière de science des données, nous élargissons considérablement notre champ d'application ; nous n'utilisons plus un modèle unique, comme la détection d'anomalies pour la maintenance préventive. Au lieu de cela, nous utilisons un travail de courtepointe de modèles ML entrelacés pour réaliser des exploits vraiment spectaculaires. Ceux-ci peuvent inclure Traitement du langage naturel (NLP) pour la reconnaissance vocale/commandes vocales, algorithmes qui optimisent en fonction de la Modèle de personnalité OCEAN, Et bien plus encore.

Le résultat commence vraiment à ressembler Intelligence artificielle (AI), il est donc difficile de voir comment ces défis vont au-delà de la simple science des données. Notre équipe de matériel, par exemple, devra trouver des moyens créatifs d'intégrer encore plus de puissance de traitement dans les espaces les plus compacts, comme avec GPU pour l'informatique de pointe. De plus, un produit de phase cinq n'est jamais vraiment complet. Les pratiques agiles telles que l'intégration continue/le déploiement continu (CI/CD) sont cruciales si nous voulons continuer à fournir une expérience IoT de classe mondiale.

Étape 6 : Informatique omniprésente

La dernière étape du modèle de maturité IoT est informatique omniprésente, une fin de partie où pratiquement tous les aspects de la vie quotidienne incluent une certaine interaction avec le monde numérique. Actuellement, ce stade n'existe que dans la science-fiction, mais nous sommes peut-être plus proches que vous ne le pensez.

La technologie qu'il faudrait pour arriver ici est immense, et tout ce que nous pouvons vraiment faire, c'est spéculer à ce stade. Cependant, nous savons qu'il faudra un chef-d'œuvre collectif en ingénierie, développement de logiciels, science des données, conception d'expérience utilisateur, etc. Construire une collection de talents dans ces domaines est le plus grand obstacle qui nous empêche d'entrer dans le monde de l'informatique omniprésente.

Nous avons un long chemin à parcourir. Commençons à construire. 

Conclusion

Il devrait maintenant être clair à quel point chaque étape progressive est plus difficile que la précédente. La transition d'un appareil de phase deux à un véritable produit IoT de phase trois est un pas de géant. Cela nécessite une expertise dans de nombreux domaines et nous oblige à maîtriser de nombreuses technologies différentes.

Même si les entreprises technologiques les plus avancées d'aujourd'hui affichent une maturité de stade cinq, nous n'avons toujours rien qui se rapproche de l'informatique omniprésente. Heureusement, bon nombre des plus grands esprits à travers le monde travaillent pour faire progresser des milliers de technologies différentes.

Cela ne signifie pas que l'état de l'art actuel ne change pas le monde.

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