Sfide tecniche per scalare il modello di maturità IoT

Esploriamo gli ostacoli tecnologici che dobbiamo superare per avanzare da una fase a quella successiva nel scalare il modello di maturità dell’IoT. Tieni presente che questo è un processo cumulativo; non solo ogni fase si basa sulle fasi precedenti, ma queste diventano anche sempre più complesse. Consideratelo come una progressione dei corsi di matematica. Ogni lezione si basa su quelle precedenti e la differenza tra matematica al college e alla scuola superiore è molto maggiore del divario tra i livelli di scuola elementare e media.

E, proprio come fare calcoli sarà quasi impossibile senza la padronanza dell’algebra, eventuali carenze tecniche che non riusciamo a superare nelle fasi inferiori vengono amplificate man mano che ci muoviamo verso il modello di maturità.

Costruire un prodotto IoT maturo è impegnativo? Lo è di sicuro. Ma ciò non significa che non sia possibile.

Quali competenze tecniche sono necessarie per progredire nel modello di maturità dell'IoT?

Fase 1: dispositivi integrati

Partendo dalla parte inferiore del modello, disponiamo di dispositivi elettronici appositamente realizzati. Questi prodotti non sono dotati di connettività e da allora le persone li hanno costruiti Thomas Edison ha inventato la lampadina nel 1879. I dispositivi della prima fase sono un po’ più complicati oggi di allora, ma si collocano ancora in basso nel modello di maturità.

Anche le sfide tecnologiche per raggiungere questa fase sono semplici. Finché i nostri team dispongono del know-how richiesto in ingegneria hardware e software, possiamo creare un prodotto.

Fase 2: cloud computing

I dispositivi della seconda fase si connettono a Internet. Ciò significa che dobbiamo aggiungere protocolli di comunicazione, schede di interfaccia di rete (NIC) e infrastruttura di back-end. In sostanza, gli ostacoli tecnici della seconda fase si aggiungono a quelli della prima fase con una componente cruciale: il networking.

Dobbiamo costruire un’infrastruttura server e sfruttare modi efficienti per gestirla. Un altro corollario del networking è sicurezza informatica. Poiché facilitiamo connessioni sicure su una rete pubblica e non protetta, ovvero Internet, dobbiamo anche investire in talenti nel campo della sicurezza per un prodotto di successo nella seconda fase.

Fase 3: connettività IoT

La terza fase è quella in cui le soluzioni IoT danno veramente il meglio di sé: l’interconnettività. A questo punto, i dispositivi dialogano tra loro e iniziamo a vedere prendere forma un ecosistema connesso.

Le sfide tecniche per costruire un prodotto connesso sono ancora più difficili. Naturalmente, abbiamo ancora bisogno di tutta l’esperienza acquisita nelle fasi uno e due, ma ora abbiamo bisogno di un livello di abilità ancora maggiore per avere successo.

Chiediamo molto ai nostri dispositivi connessi, ma questi sistemi integrati funzionano su hardware limitato. L’integrazione di vari servizi, soprattutto quando i loro punti di origine sono così diversi, rappresenta un ostacolo significativo. La sicurezza diventa ancora più difficile e dobbiamo davvero pensarci costruire sicurezza fin dall’inizio; ad esempio, vorremo incorporare a modulo di sicurezza hardware (HSM) nel nostro circuito.

Una delle parti più complesse dello sviluppo IoT è dare valore a ogni piccola parte. Mentre un computer più potente può permettersi di dedicare un po’ di spazio su disco o potenza di elaborazione ad applicazioni che sono solo belle da avere o addirittura inutili, i dispositivi IoT non hanno questo lusso.

Ecco perché strumenti come Nervi è così utile: ci permette di costruire un sistema Linux personalizzato che ha solo ciò di cui abbiamo bisogno e niente di più. Tuttavia, sapere effettivamente cosa includere e cosa eliminare richiede molte conoscenze tecniche.

Fase 4: analisi predittiva 

Questa è la fase in cui iniziamo davvero a mettere a frutto i nostri dati. Analisi predittiva per l'IoT esamina tendenze come i dati dei sensori, il coinvolgimento degli utenti e altri parametri che otteniamo dai nostri dispositivi. Possiamo quindi utilizzare questi big data per attività come la manutenzione predittiva per l'IoT industriale.

La fase quattro è quella in cui i data scientist diventano più critici. Questi professionisti utilizzano strumenti come Python, PyTorche Creatore di salvia AWS per creare, addestrare e distribuire modelli di machine learning, ma questa è solo una piccola parte del lavoro. Fondamentale per qualsiasi progetto di data science di successo è un quadro analitico, un modo di pensare in modo critico ai dati e ai problemi aziendali. A volte la parte più difficile è proprio trovare le domande giuste da porre.

Tuttavia, non possiamo lanciare una serie di numeri a un data scientist e aspettarci in cambio un modello di analisi predittiva completo. Abbiamo bisogno di approccio interdisciplinare dove i nostri data scientist lavorano a stretto contatto con i nostri team di ingegneri per sviluppare una pipeline di dati. Dopotutto, se i nostri ingegneri hardware non sanno quali dati i nostri analisti vogliono utilizzare, come faranno a sapere quali sensori scegliere? Allo stesso modo, i nostri sviluppatori di software devono comprendere le priorità del data scientist per capire se è necessario derivare variabili, aggregare dati o inviarli al cloud e anche quali punti dati devono andare a quali database.

Fase 5: analisi prescrittiva

Facendo un ulteriore passo avanti nel nostro approccio basato sui dati, questa fase è definita da analisi prescrittiva, che sfrutta il potere predittivo dell'analisi della fase quattro raccomandando linee d'azione future. Le aziende IoT possono utilizzare l’analisi prescrittiva per offrire valore a lungo termine agli utenti perché hanno il potenziale per rendere la nostra vita più semplice, più conveniente e più piacevole.

Dal punto di vista tecnologico, la fase cinque include molti degli stessi elementi della fase quattro, ma sono tutti tenuti a funzionare a un livello molto più elevato. Ad esempio, quando si tratta di scienza dei dati, espandiamo drasticamente il nostro campo di applicazione; non utilizziamo più un unico modello, come il rilevamento di anomalie per la manutenzione preventiva. Utilizziamo invece una trapunta di modelli ML intrecciati per realizzare imprese davvero spettacolari. Questi possono includere Elaborazione del linguaggio naturale (NLP) per il riconoscimento vocale/comandi vocali, algoritmi che ottimizzano in base al Modello di personalità OCEAN, E molto altro ancora.

Il risultato inizia ad assomigliare davvero Artificial Intelligence (AI), quindi non è difficile vedere come queste sfide si estendano oltre la semplice scienza dei dati. Il nostro team hardware, ad esempio, dovrà trovare modi creativi per incorporare ancora più potenza di elaborazione negli spazi più compatti, come con GPU per l'edge computing. Inoltre, un prodotto della quinta fase non è mai veramente completo. Pratiche agili come l'integrazione continua/la distribuzione continua (CI/CD) sono cruciali se vogliamo continuare a fornire un'esperienza IoT di livello mondiale.

Fase 6: Informatica onnipresente

La fase finale del modello di maturità dell’IoT è informatica onnipresente, un gioco finale in cui praticamente ogni aspetto della vita quotidiana include una certa interazione con il mondo digitale. Attualmente, questa fase esiste solo nella fantascienza, ma potremmo essere più vicini di quanto pensi.

La tecnologia necessaria per arrivare fin qui è immensa e tutto ciò che possiamo fare è speculare a questo punto. Tuttavia, sappiamo che sarà necessario un capolavoro collettivo in ingegneria, sviluppo software, scienza dei dati, progettazione dell’esperienza utente e altro ancora. Costruire una raccolta di talenti in questi ambiti è il più grande ostacolo che ci impedisce di entrare nel mondo dell’informatica ubiqua.

Abbiamo una lunga strada da percorrere. Iniziamo a costruire. 

Conclusione

Dovrebbe ora essere chiaro quanto ogni passo progressivo sia più difficile del precedente. Il passaggio da un dispositivo della seconda fase a un vero prodotto IoT della terza fase è un passo enorme. Richiede competenze in molti settori e ci costringe a padroneggiare molte tecnologie diverse.

Anche se le aziende tecnologiche più avanzate di oggi vantano una maturità di livello cinque, non disponiamo ancora di nulla che si avvicini all’informatica ubiqua. Per fortuna, molte delle più grandi menti di tutto il mondo stanno lavorando per far avanzare migliaia di tecnologie diverse.

Ciò non significa che l’attuale stato dell’arte non stia cambiando il mondo.

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