Tekniske utfordringer for å bestige IoT-modenhetsmodellen

La oss utforske de teknologiske hindringene som vi må fjerne for å gå videre fra et stadium til det neste i å klatre opp i IoT-modenhetsmodellen. Husk at dette er en kumulativ prosess; ikke bare bygger hvert trinn på de tidligere stadiene, men de blir også stadig mer komplekse. Tenk på det som en progresjon av mattekurs. Hver leksjon bygger på de forrige, og forskjellen mellom matematikk på høyskole og videregående skole er mye større enn gapet mellom grunnskole- og ungdomsskolenivå.

Og akkurat som å gjøre kalkulering vil være nesten umulig uten kommando over algebra, forstørres eventuelle tekniske mangler som vi ikke klarer å overvinne i lavere stadier etter hvert som vi beveger oss høyere inn i modenhetsmodellen.

Er det utfordrende å bygge et modent IoT-produkt? Det er sikkert. Men det betyr ikke at det ikke er mulig.

Hvilke tekniske ferdigheter kreves for å komme videre i IoT-modenhetsmodellen?

Trinn 1: Innebygde enheter

Fra bunnen av modellen har vi spesialbygde elektroniske enheter. Disse produktene har ikke tilkobling, og folk har bygget dem siden Thomas Edison oppfant lyspæren i 1879. Trinn XNUMX-enheter er litt mer kompliserte nå enn da, men de rangerer fortsatt lavt på modenhetsmodellen.

De teknologiske utfordringene for å nå dette stadiet er likeledes enkle. Så lenge teamene våre har den nødvendige kunnskapen om maskinvare og programvare, kan vi lage et produkt.

Trinn 2: Cloud Computing

Trinn to-enheter kobles til internett. Dette betyr at vi må legge til kommunikasjonsprotokoller, nettverkskort (NIC), og back-end infrastruktur. I hovedsak bygger de tekniske hindringene på trinn to på de i trinn én med én avgjørende komponent: nettverksbygging.

Vi må bygge serverinfrastruktur og utnytte effektive måter å administrere den på. En annen konsekvens av nettverksbygging er Cybersecurity. Siden vi legger til rette for sikre tilkoblinger over et offentlig, usikret nettverk – internett – må vi også investere i sikkerhetstalenter for et vellykket fase to-produkt.

Trinn 3: IoT-tilkobling

Den tredje fasen er hvor IoT-løsninger virkelig kommer til sin rett: sammenkobling. På dette tidspunktet snakker enheter med hverandre, og vi begynner å se et tilkoblet økosystem ta form.

De tekniske utfordringene for å bygge et tilkoblet produkt er enda vanskeligere. Vi trenger selvfølgelig fortsatt all kompetansen fra trinn én og to, men nå trenger vi et enda høyere ferdighetsnivå for å lykkes.

Vi spør mange av våre tilkoblede enheter, men disse innebygde systemene fungerer på begrenset maskinvare. Integrering av ulike tjenester, spesielt når opprinnelsesstedene deres er så forskjellige, er et betydelig hinder. Sikkerhet blir enda vanskeligere, og vi må virkelig tenke oss om bygge inn sikkerhet fra starten; for eksempel vil vi ønske å bygge inn en maskinvaresikkerhetsmodul (HSM) chip inn i kretskortet vårt.

En av de mest komplekse delene av IoT-utvikling er å få hver liten bit til å telle. Mens en kraftigere datamaskin har råd til å dedikere litt diskplass eller prosessorkraft til applikasjoner som bare er fine å ha eller til og med rett og slett unødvendige, mangler IoT-enheter denne luksusen.

Det er derfor verktøy som nerver er så nyttig: det lar oss bygge et tilpasset Linux-system som bare har det vi trenger og ikke noe mer. Men å faktisk vite hva du skal inkludere og hva du skal droppe krever mye teknisk kunnskap.

Trinn 4: Prediktiv analyse 

Dette er stadiet der vi virkelig begynner å sette dataene våre i arbeid. Prediktiv analyse for IoT ser på trender som sensordata, brukerengasjement og andre beregninger som vi får fra enhetene våre. Vi kan deretter bruke de store dataene til oppgaver som prediktivt vedlikehold for industriell IoT.

Fase fire er der dataforskere blir mer kritiske. Disse fagpersonene bruker verktøy som Python, PyTorchog AWS SageMaker å bygge, trene og distribuere maskinlæringsmodeller, men det er ikke en liten del av jobben. Grunnleggende for ethvert vellykket datavitenskapsprosjekt er et analytisk rammeverk, en måte å tenke kritisk på data og forretningsproblemer. Noen ganger er den vanskeligste delen bare å finne de riktige spørsmålene å stille.

Vi kan imidlertid ikke kaste en haug med tall på en dataforsker og forvente en fullverdig prediktiv analysemodell til gjengjeld. Vi trenger en tverrfaglig tilnærming der dataforskerne våre jobber tett med ingeniørteamene våre for å utvikle en datapipeline. Tross alt, hvis maskinvareingeniørene våre ikke nå vet hvilke data analytikerne vil bruke, hvordan vil de da vite hvilke sensorer de skal velge? På samme måte må programvareutviklerne våre forstå dataforskerens prioriteringer for å finne ut om de trenger å utlede variabler, samle data eller sende dem til skyen og til og med hvilke datapunkter som må gå til hvilke databaser.

Trinn 5: Preskriptiv analyse

Ved å ta vår datadrevne tilnærming ett skritt videre, er dette stadiet definert av forskrivningsanalyse, som bygger på prediksjonskraften til trinn fire-analyse ved å anbefale fremtidige handlinger. IoT-selskaper kan bruke foreskrivende analyser for å tilby langsiktig verdi til brukere fordi de har potensialet til å gjøre livene våre enklere, mer praktiske og morsommere.

På den tekniske siden av ligningen inkluderer trinn fem mange av de samme elementene i trinn fire, men de er alle pålagt å fungere på et mye høyere nivå. For eksempel, når det gjelder datavitenskap, utvider vi vårt omfang drastisk; vi bruker ikke lenger én enkelt modell, for eksempel avviksdeteksjon for forebyggende vedlikehold. I stedet bruker vi et quiltverk av sammenvevde ML-modeller for å få til noen virkelig spektakulære bragder. Disse kan inkludere Natural Language Processing (NLP) for talegjenkjenning/talekommandoer, algoritmer som optimerer i henhold til OCEAN personlighetsmodell, Og mye mer.

Resultatet begynner virkelig å ligne Artificial Intelligence (AI), så det er vanskelig å se hvordan disse utfordringene spenner lenger enn bare datavitenskap. Maskinvareteamet vårt, for eksempel, må finne kreative måter å bygge inn enda mer prosessorkraft i de mest kompakte plassene, for eksempel med GPUer for edge computing. Dessuten er et trinn fem-produkt aldri helt komplett. Smidig praksis som kontinuerlig integrasjon/kontinuerlig distribusjon (CI/CD) er avgjørende hvis vi ønsker å fortsette å tilby en IoT-opplevelse i verdensklasse.

Trinn 6: Ubiquitous Computing

Den siste fasen av IoT-modenhetsmodellen er allestedsnærværende databehandling, et sluttspill der praktisk talt alle aspekter av dagliglivet inkluderer en viss interaksjon med den digitale verden. Foreløpig eksisterer dette stadiet bare i science fiction, men vi kan være nærmere enn du tror.

Teknologien som kreves for å komme hit er enorm, og alt vi egentlig kan gjøre er å spekulere på dette tidspunktet. Imidlertid vet vi at det vil kreve et kollektivt mesterverk innen ingeniørfag, programvareutvikling, datavitenskap, design av brukeropplevelse og mer. Å bygge en samling av talenter på disse domenene er den største hindringen som hindrer oss i å gå inn i verden av allestedsnærværende databehandling.

Vi har en lang vei å gå. La oss begynne å bygge. 

konklusjonen

Det skal nå være klart hvor mye vanskeligere hvert progressive trinn er enn det siste. Overgangen fra en trinn to-enhet til et ekte stadium tre IoT-produkt er et enormt sprang. Det krever ekspertise på tvers av mange domener og tvinger oss til å mestre mange forskjellige teknologier.

Selv om dagens mest avanserte teknologiselskaper kan skryte av trinn fem modenhet, har vi fortsatt ikke noe i nærheten av allestedsnærværende databehandling. Heldigvis jobber mange av de beste hjernene over hele verden for å fremme tusenvis av forskjellige teknologier.

Det betyr ikke at dagens toppmoderne ikke endrer verden.

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