Technikai kihívások az IoT érettségi modelljének megmászásával kapcsolatban

Fedezzük fel azokat a technológiai akadályokat, amelyeket le kell küzdenünk, hogy az IoT érettségi modelljének egyik szakaszából a másikba léphessünk. Ne feledje, hogy ez egy kumulatív folyamat; az egyes szakaszok nemcsak az előző szakaszokra épülnek, hanem egyre összetettebbé is válnak. Tekintsd úgy, mint a matematikai kurzusok előrehaladását. Minden óra az előzőekre épül, és a főiskolai és a középiskolai matematika közötti különbség sokkal nagyobb, mint az általános és középiskolai szintek közötti különbség.

És ahogy a számítás elvégzése szinte lehetetlen az algebra feletti parancs nélkül, minden olyan technikai hiányosság, amelyet nem tudunk leküzdeni az alacsonyabb szakaszokban, felnagyobbodik, amikor feljebb lépünk az érettségi modellbe.

Kihívást jelent egy kiforrott IoT-termék felépítése? Az biztosan. De ez nem jelenti azt, hogy ez nem lehetséges.

Milyen technikai készségek szükségesek az IoT érettségi modellben való előrehaladáshoz?

1. szakasz: Beágyazott eszközök

A modell aljától kezdődően vannak erre a célra épített elektronikus eszközeink. Ezek a termékek nem rendelkeznek csatlakozási lehetőséggel, és az emberek azóta is gyártják őket Thomas Edison feltalálta az izzót 1879-ben. Az első fázisú készülékek most kicsit bonyolultabbak, mint akkor, de még mindig alacsonyak az érettségi modellben.

Az e szakasz eléréséhez szükséges technológiai kihívások szintén egyértelműek. Mindaddig, amíg csapataink rendelkeznek a szükséges hardver- és szoftvermérnöki know-how-val, tudunk terméket létrehozni.

2. szakasz: Cloud Computing

A második szakaszban lévő eszközök csatlakoznak az internethez. Ez azt jelenti, hogy hozzá kell tennünk kommunikációs protokollok, hálózati interfész kártyák (NIC), és háttér infrastruktúra. Lényegében a második szakasz technikai akadályai az első szakasz akadályaira épülnek, egyetlen fontos összetevővel: a hálózatépítéssel.

Szerver-infrastruktúrát kell kiépíteni, és hatékony kezelési módokat kell kiaknáznunk. A hálózatépítés másik következménye az kiberbiztonság. Mivel biztonságos kapcsolatokat teszünk lehetővé nyilvános, nem biztonságos hálózaton – az interneten –, egy sikeres második szakaszú termékhez a biztonsági tehetségekbe is be kell fektetnünk.

3. szakasz: IoT-kapcsolat

A harmadik szakasz az, ahol az IoT-megoldások valóban megjelennek: az összekapcsolhatóság. Ezen a ponton az eszközök beszélnek egymással, és kezdjük látni, hogy egy összekapcsolt ökoszisztéma formálódik.

Az összekapcsolt termék létrehozásának technikai kihívásai még nehezebbek. Természetesen továbbra is szükségünk van minden szakértelemre az első és a második szakaszból, de most még magasabb képzettségi szintre van szükségünk a sikerhez.

Sok csatlakoztatott eszközünket kérünk, de ezek a beágyazott rendszerek korlátozott hardveren működnek. Jelentős akadályt jelent a különféle szolgáltatások integrálása, különösen akkor, ha a származási pontjaik annyira eltérőek. A biztonság még nehezebbé válik, és tényleg gondolkodnunk kell a biztonság kiépítése a kezdetektől fogva; például szeretnénk beágyazni a hardveres biztonsági modul (HSM) chipet az áramköri lapunkba.

Az IoT-fejlesztés egyik legösszetettebb része az, hogy minden apróság számít. Míg egy nagyobb teljesítményű számítógép megengedheti magának, hogy egy kis lemezterületet vagy feldolgozási teljesítményt szenteljen olyan alkalmazásoknak, amelyek csak jók, vagy akár teljesen feleslegesek, az IoT-eszközökből hiányzik ez a luxus.

Ezért van a szerszámozás Idegek nagyon hasznos: lehetővé teszi, hogy olyan egyedi Linux rendszert építsünk, amelyben csak az van, amire szükségünk van, és semmi több. Ahhoz azonban, hogy tudjuk, mit kell belefoglalni és mit kell eldobni, sok technikai tudásra van szükség.

4. szakasz: Prediktív elemzés 

Ez az a szakasz, ahol valóban elkezdjük használni adatainkat. Prediktív elemzés A for IoT olyan trendeket vizsgál, mint az érzékelőadatok, a felhasználói elköteleződés és az eszközeinkről kapott egyéb mutatók. Ezt a nagy adatot ezután felhasználhatjuk olyan feladatokra, mint például az ipari IoT prediktív karbantartása.

A negyedik szakaszban az adattudósok kritikusabbá válnak. Ezek a szakemberek olyan eszközöket használnak, mint Piton, PyTorchés AWS SageMaker gépi tanulási modellek építésére, betanítására és üzembe helyezésére, de ez csak egy kis része a munkának. Minden sikeres adattudományi projekt alapja egy elemzési keret, az adatokkal és az üzleti problémákkal kapcsolatos kritikus gondolkodásmód. Néha a legnehezebb a megfelelő kérdések megtalálása.

Azonban nem dobhatunk egy csomó számot egy adattudósra, és nem várhatunk cserébe egy teljes értékű prediktív analitikai modellt. Szükségünk van egy interdiszciplináris megközelítés ahol adattudósaink szorosan együttműködnek mérnöki csapatainkkal egy adatfolyam kifejlesztésén. Végül is, ha a hardvermérnökeink nem tudják, milyen adatokat akarnak felhasználni elemzőink, honnan tudják, hogy melyik érzékelőt válasszák? Hasonlóképpen, szoftverfejlesztőinknek meg kell érteniük az adattudósok prioritásait, hogy rájöjjenek, kell-e változókat származtatniuk, adatokat kell-e összesíteniük, vagy a felhőbe kell-e küldeniük, és azt is, hogy mely adatpontoknak melyik adatbázishoz kell eljutniuk.

5. szakasz: Előíró elemzés

Adatvezérelt megközelítésünket egy lépéssel továbbvisszük, ezt a szakaszt az határozza meg vényköteles elemzés, amely a negyedik szakasz előrejelző erejét építi ki azáltal, hogy jövőbeli cselekvési módokat javasol. Az IoT-cégek előíró elemzéseket használhatnak arra, hogy hosszú távú értéket kínáljanak a felhasználóknak, mivel megvan a lehetőség arra, hogy könnyebbé, kényelmesebbé és élvezetesebbé tegyék életünket.

Az egyenlet technikai oldalán az ötödik szakasz a negyedik szakasz sok azonos elemét tartalmazza, de mindegyiknek sokkal magasabb szinten kell működnie. Például, ha adattudományról van szó, drasztikusan kibővítjük hatókörünket; már nem használunk egyetlen modellt, például az anomáliák észlelését megelőző karbantartáshoz. Ehelyett egy összefonódó ML-modelleket használunk, hogy valóban látványos bravúrokat hozzunk létre. Ezek közé tartozhatnak Természetes nyelvi feldolgozás (NLP) a beszédfelismeréshez/hangparancsokhoz, a szerint optimalizáló algoritmusokhoz OCEAN személyiségmodell, És még sok más.

Az eredmény kezd igazán hasonlítani Mesterséges intelligencia (AI), ezért nagyon nehéz belátni, hogy ezek a kihívások miként terjednek túl az adattudományon túl. Hardvercsapatunknak például kreatív módokat kell találnia arra, hogy még nagyobb feldolgozási teljesítményt ágyazzon be a legkompaktabb helyekre, mint pl. GPU-k az élvonalbeli számításokhoz. Sőt, az ötödik szakaszban lévő termék soha nem igazán teljes. Az olyan agilis gyakorlatok, mint a folyamatos integráció/folyamatos üzembe helyezés (CI/CD), kulcsfontosságúak, ha továbbra is világszínvonalú IoT-élményt szeretnénk nyújtani.

6. szakasz: Mindenütt jelen lévő számítástechnika

Az IoT érettségi modell utolsó szakasza az mindenütt jelenlévő számítástechnika, egy végjáték, ahol a mindennapi élet szinte minden aspektusa magában foglal némi interakciót a digitális világgal. Jelenleg ez a szakasz csak a sci-fiben létezik, de talán közelebb vagyunk, mint gondolnád.

A technológia, amelyre szükség lenne, hogy idáig eljuthassunk, óriási, és ezen a ponton tényleg csak spekulálni tudunk. Tudjuk azonban, hogy ehhez kollektív mestermunka szükséges a mérnöki, szoftverfejlesztési, adattudományi, felhasználói élmény-tervezési és egyéb területeken. A tehetségek gyűjteményének felépítése ezeken a területeken a legnagyobb akadály, ami megakadályoz abban, hogy belépjünk a mindenütt jelenlévő számítástechnika világába.

Hosszú út áll előttünk. Kezdjük az építkezést. 

Következtetés

Most már világossá kell tenni, hogy mennyivel nehezebb minden egyes progresszív lépés, mint az előző. A második fázisú eszközről a valódi harmadik fázisú IoT-termékre való átállás hatalmas ugrás. Ez számos területen szakértelmet igényel, és arra kényszerít bennünket, hogy sokféle technológiát elsajátítsunk.

Annak ellenére, hogy napjaink legfejlettebb technológiai vállalatai az ötödik érettségi fokozattal büszkélkedhetnek, még mindig nincs semmi a mindenütt jelen lévő számítástechnikához. Szerencsére a világ legkiválóbb elméi közül sok sok ezer különféle technológia fejlesztésén dolgozik.

Ez nem jelenti azt, hogy a jelenlegi csúcstechnológia nem változtatja meg a világot.

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