Technische uitdagingen bij het beklimmen van het IoT-volwassenheidsmodel

Laten we eens kijken naar de technologische hindernissen die we moeten overwinnen om van de ene fase naar de volgende te komen in het beklimmen van het IoT-volwassenheidsmodel. Houd er rekening mee dat dit een cumulatief proces is; Niet alleen bouwt elke fase voort op de voorgaande fasen, maar ze worden ook steeds complexer. Zie het als een voortzetting van wiskundecursussen. Elke les bouwt voort op de voorgaande, en het verschil tussen wiskunde op de universiteit en de middelbare school is veel groter dan de kloof tussen het basis- en middelbare schoolniveau.

En net zoals het doen van calculus vrijwel onmogelijk zal zijn zonder beheersing van de algebra, worden alle technische tekortkomingen die we in de lagere fasen niet kunnen overwinnen, vergroot naarmate we hoger in het volwassenheidsmodel komen.

Is het bouwen van een volwassen IoT-product een uitdaging? Het is zeker. Maar dat betekent niet dat het niet mogelijk is.

Welke technische vaardigheden zijn vereist om vooruitgang te boeken in het IoT Maturity Model?

Fase 1: ingebedde apparaten

Vanaf de onderkant van het model hebben we speciaal gebouwde elektronische apparaten. Deze producten zijn niet voorzien van connectiviteit en mensen hebben ze sindsdien gebouwd Thomas Edison vond de gloeilamp uit in 1879. Apparaten uit fase één zijn nu iets ingewikkelder dan toen, maar ze scoren nog steeds laag in het volwassenheidsmodel.

De technologische uitdagingen om dit stadium te bereiken zijn eveneens eenvoudig. Zolang onze teams over de vereiste hardware- en software-engineeringkennis beschikken, kunnen we een product maken.

Fase 2: Cloudcomputing

Fase twee apparaten maken verbinding met internet. Dit betekent dat we moeten toevoegen communicatieprotocollen, netwerkinterfacekaarten (NIC's), en back-end infrastructuur. In wezen bouwen de technische hindernissen van fase twee voort op die van fase één, met één cruciaal onderdeel: netwerken.

We moeten een serverinfrastructuur opbouwen en efficiënte manieren benutten om deze te beheren. Een ander uitvloeisel van netwerken is cyberveiligheid. Omdat we veilige verbindingen via een openbaar, onbeveiligd netwerk – het internet – mogelijk maken, moeten we ook investeren in beveiligingstalent voor een succesvol fase twee-product.

Fase 3: IoT-connectiviteit

In de derde fase komen IoT-oplossingen echt tot hun recht: interconnectiviteit. Op dit punt praten apparaten met elkaar en beginnen we een verbonden ecosysteem vorm te zien krijgen.

De technische uitdagingen om een ​​verbonden product te bouwen zijn zelfs nog moeilijker. Natuurlijk hebben we nog steeds alle expertise uit fase één en twee nodig, maar nu hebben we een nog hoger vaardigheidsniveau nodig om succesvol te zijn.

We vragen veel van onze verbonden apparaten, maar toch werken deze embedded systemen op beperkte hardware. Het integreren van verschillende diensten, vooral wanneer hun oorsprong zo verschillend is, is een belangrijke hindernis. Beveiliging wordt nog moeilijker, en daar moeten we echt over nadenken vanaf het begin veiligheid inbouwen; We willen bijvoorbeeld een hardware beveiligingsmodule (HSM)-chip in onze printplaat.

Een van de meest complexe onderdelen van de IoT-ontwikkeling is ervoor zorgen dat elk klein beetje telt. Hoewel een krachtigere computer het zich kan veroorloven een beetje schijfruimte of verwerkingskracht te besteden aan applicaties die alleen maar leuk zijn om te hebben of zelfs ronduit onnodig zijn, missen IoT-apparaten deze luxe.

Dat is de reden waarom tooling zoals zenuwen is zo nuttig: het laat ons een aangepast Linux-systeem bouwen dat alleen heeft wat we nodig hebben en niets meer. Om daadwerkelijk te weten wat je moet toevoegen en wat je moet laten vallen, is echter veel technische kennis vereist.

Fase 4: voorspellende analyses 

Dit is de fase waarin we onze data echt aan het werk gaan zetten. Voorspellende analyse for IoT kijkt naar trends zoals sensorgegevens, gebruikersbetrokkenheid en andere statistieken die we van onze apparaten krijgen. We kunnen die big data vervolgens gebruiken voor taken als voorspellend onderhoud voor industrieel IoT.

In fase vier worden datawetenschappers kritischer. Deze professionals gebruiken tools zoals Python, PyTorch en AWS SalieMaker om machine learning-modellen te bouwen, trainen en inzetten, maar dat is slechts een klein deel van het werk. De basis voor elk succesvol data science-project is een analytisch raamwerk, een manier om kritisch na te denken over data en zakelijke problemen. Soms is het moeilijkste deel gewoon het vinden van de juiste vragen om te stellen.

We kunnen echter niet een hoop cijfers naar een datawetenschapper gooien en in ruil daarvoor een volwaardig voorspellend analysemodel verwachten. We hebben een ... nodig interdisciplinaire aanpak waar onze datawetenschappers nauw samenwerken met onze technische teams om een ​​datapijplijn te ontwikkelen. Als onze hardware-ingenieurs immers niet weten welke gegevens onze analisten willen gebruiken, hoe kunnen ze dan weten welke sensoren ze moeten kiezen? Op dezelfde manier moeten onze softwareontwikkelaars de prioriteiten van de datawetenschapper begrijpen om erachter te komen of ze variabelen moeten afleiden, data moeten aggregeren of naar de cloud moeten pushen en zelfs welke datapunten naar welke databases moeten gaan.

Fase 5: Prescriptieve analyses

Als we onze datagedreven aanpak nog een stap verder brengen, wordt deze fase gedefinieerd door prescriptieve analyses, dat voortbouwt op de voorspellende kracht van fase vier-analyses door toekomstige handelwijzen aan te bevelen. IoT-bedrijven kunnen prescriptieve analyses gebruiken om gebruikers op lange termijn waarde te bieden, omdat ze het potentieel hebben om ons leven gemakkelijker, handiger en leuker te maken.

Wat de technische kant van de vergelijking betreft, omvat fase vijf veel van dezelfde elementen als fase vier, maar ze moeten allemaal op een veel hoger niveau functioneren. Als het bijvoorbeeld om data science gaat, breiden we onze reikwijdte drastisch uit; we gebruiken niet langer één model, zoals anomaliedetectie voor preventief onderhoud. In plaats daarvan gebruiken we een quiltwerk van met elkaar verweven ML-modellen om een ​​aantal werkelijk spectaculaire prestaties neer te zetten. Deze kunnen omvatten Natural Language Processing (NLP) voor spraakherkenning/spraakopdrachten, algoritmen die optimaliseren volgens de OCEAN persoonlijkheidsmodelEn nog veel meer.

Het resultaat begint echt op elkaar te lijken Artificial Intelligence (AI), dus het is niet moeilijk om te zien hoe deze uitdagingen verder reiken dan alleen datawetenschap. Ons hardwareteam zal bijvoorbeeld creatieve manieren moeten vinden om nog meer verwerkingskracht in de meest compacte ruimtes te integreren, zoals met GPU's voor edge computing. Bovendien is een fase vijf-product nooit echt compleet. Agile praktijken zoals continue integratie/continue implementatie (CI/CD) zijn cruciaal als we een IoT-ervaring van wereldklasse willen blijven bieden.

Fase 6: Ubiquitous Computing

De laatste fase van het IoT-volwassenheidsmodel is alomtegenwoordig computergebruik, een eindspel waarin vrijwel elk aspect van het dagelijks leven enige interactie met de digitale wereld omvat. Momenteel bestaat deze fase alleen in science fiction, maar we zijn misschien dichterbij dan je denkt.

De technologie die nodig is om hier te komen is enorm, en het enige wat we op dit moment kunnen doen is speculeren. We weten echter dat er een collectief meesterwerk nodig is op het gebied van engineering, softwareontwikkeling, datawetenschap, ontwerp van gebruikerservaringen en meer. Het opbouwen van een verzameling talenten op deze domeinen is het grootste obstakel dat ons ervan weerhoudt de wereld van ubiquitous computing te betreden.

We hebben nog een lange weg te gaan. Laten we beginnen met bouwen. 

Conclusie

Het moet nu duidelijk zijn hoeveel moeilijker elke progressieve stap is dan de vorige. De overgang van een fase twee-apparaat naar een echt fase drie IoT-product is een enorme stap voorwaarts. Het vereist expertise op vele domeinen en dwingt ons om veel verschillende technologieën onder de knie te krijgen.

Hoewel de meest geavanceerde technologiebedrijven van vandaag de dag bogen op volwassenheid in fase vijf, hebben we nog steeds niets dat in de buurt komt van ubiquitous computing. Gelukkig werken veel van de grootste geesten over de hele wereld aan de vooruitgang van duizenden verschillende technologieën.

Dat betekent niet dat de huidige stand van zaken de wereld niet verandert.

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