Techniczne wyzwania wspinania się po modelu dojrzałości IoT

Przyjrzyjmy się przeszkodom technologicznym, które musimy pokonać, aby przejść z jednego etapu do następnego w procesie wspinania się po modelu dojrzałości IoT. Należy pamiętać, że jest to proces kumulacyjny; każdy etap nie tylko opiera się na poprzednich, ale także staje się coraz bardziej złożony. Potraktuj to jako kontynuację kursów matematycznych. Każda lekcja opiera się na poprzednich, a różnica między matematyką w college'u i liceum jest znacznie większa niż różnica między poziomem szkoły podstawowej i gimnazjum.

I tak jak wykonywanie obliczeń różniczkowych będzie prawie niemożliwe bez opanowania algebry, wszelkie niedociągnięcia techniczne, których nie uda nam się przezwyciężyć na niższych etapach, pogłębiają się w miarę wchodzenia coraz wyżej w model dojrzałości.

Czy zbudowanie dojrzałego produktu IoT jest wyzwaniem? Z pewnością tak. Ale to nie znaczy, że nie jest to możliwe.

Jakie umiejętności techniczne są wymagane, aby osiągnąć postęp w modelu dojrzałości IoT?

Etap 1: Urządzenia wbudowane

Zaczynając od dołu modelu, mamy specjalnie zaprojektowane urządzenia elektroniczne. Produkty te nie zapewniają łączności i od tego czasu ludzie je tworzą Thomas Edison wynalazł żarówkę w 1879 r. Urządzenia pierwszego etapu są obecnie nieco bardziej skomplikowane niż wtedy, ale nadal zajmują niską pozycję w modelu dojrzałości.

Wyzwania technologiczne niezbędne do osiągnięcia tego etapu są równie proste. Jeśli nasze zespoły posiadają niezbędną wiedzę z zakresu inżynierii sprzętu i oprogramowania, możemy stworzyć produkt.

Etap 2: Przetwarzanie w chmurze

Urządzenia etapu drugiego łączą się z Internetem. Oznacza to, że musimy dodać protokoły komunikacyjne, karty interfejsu sieciowego (karty sieciowe) i infrastrukturę zaplecza. Zasadniczo przeszkody techniczne z etapu drugiego nakładają się na przeszkody z etapu pierwszego i obejmują jeden kluczowy element: tworzenie sieci kontaktów.

Musimy zbudować infrastrukturę serwerową i wykorzystać skuteczne sposoby zarządzania nią. Kolejnym następstwem networkingu jest bezpieczeństwo cybernetyczne. Ponieważ umożliwiamy bezpieczne połączenia w publicznej, niezabezpieczonej sieci — Internecie — musimy także inwestować w specjalistów ds. bezpieczeństwa, aby produkt z drugiego etapu mógł odnieść sukces.

Etap 3: Łączność IoT

Trzeci etap to moment, w którym rozwiązania IoT naprawdę sprawdzają się: łączność. W tym momencie urządzenia rozmawiają ze sobą i zaczynamy widzieć, jak zaczyna kształtować się połączony ekosystem.

Wyzwania techniczne związane ze zbudowaniem połączonego produktu są jeszcze trudniejsze. Oczywiście nadal potrzebujemy całej wiedzy specjalistycznej z etapu pierwszego i drugiego, ale teraz potrzebujemy jeszcze wyższego poziomu umiejętności, aby odnieść sukces.

Zadajemy wiele pytań naszym podłączonym urządzeniom, ale te systemy wbudowane działają na ograniczonym sprzęcie. Integracja różnych usług, zwłaszcza gdy ich punkty początkowe są tak różne, jest istotną przeszkodą. Bezpieczeństwo staje się jeszcze trudniejsze i naprawdę musimy o tym pomyśleć budowanie bezpieczeństwa od samego początku; na przykład będziemy chcieli osadzić plik sprzętowy moduł bezpieczeństwa (HSM) do naszej płytki drukowanej.

Jedną z najbardziej złożonych części rozwoju IoT jest sprawienie, by liczył się każdy najmniejszy szczegół. O ile mocniejszy komputer może sobie pozwolić na przeznaczenie niewielkiej ilości miejsca na dysku lub mocy obliczeniowej na aplikacje, które są tylko przyjemne lub wręcz niepotrzebne, urządzeniom IoT brakuje tego luksusu.

Dlatego narzędzia takie jak Nerwowość jest bardzo przydatny: pozwala nam zbudować niestandardowy system Linux, który ma tylko to, czego potrzebujemy i nic więcej. Jednak wiedza o tym, co uwzględnić, a co odrzucić, wymaga dużej wiedzy technicznej.

Etap 4: Analityka predykcyjna 

To jest etap, w którym naprawdę zaczynamy wykorzystywać nasze dane. Analityka predykcyjna for IoT analizuje trendy, takie jak dane z czujników, zaangażowanie użytkowników i inne wskaźniki uzyskiwane z naszych urządzeń. Możemy następnie wykorzystać te duże dane do zadań takich jak konserwacja predykcyjna dla przemysłowego Internetu Rzeczy.

Etap czwarty to moment, w którym badacze danych stają się bardziej krytyczni. Ci profesjonaliści używają narzędzi takich jak Python, PyTorch, AWS SageMaker budować, szkolić i wdrażać modele uczenia maszynowego, ale to tylko niewielka część pracy. Podstawą każdego udanego projektu związanego z analizą danych są ramy analityczne, czyli sposób krytycznego myślenia o danych i problemach biznesowych. Czasami najtrudniej jest po prostu znaleźć odpowiednie pytania, które można zadać.

Nie możemy jednak rzucać analitykowi danych mnóstwem liczb i oczekiwać w zamian pełnoprawnego modelu analizy predykcyjnej. Potrzebujemy podejście interdyscyplinarne gdzie nasi analitycy danych ściśle współpracują z naszymi zespołami inżynieryjnymi w celu opracowania potoku danych. W końcu, jeśli nasi inżynierowie sprzętu nie wiedzą, jakich danych chcą użyć nasi analitycy, skąd będą wiedzieć, które czujniki wybrać? Podobnie nasi programiści muszą zrozumieć priorytety analityków danych, aby dowiedzieć się, czy muszą wyprowadzić jakieś zmienne, agregować dane lub przesłać je do chmury, a nawet które punkty danych muszą trafić do jakich baz danych.

Etap 5: Analityka preskryptywna

Idąc o krok dalej w naszym podejściu opartym na danych, etap ten jest zdefiniowany przez analizy nakazowe, który opiera się na mocy predykcyjnej analityki z etapu czwartego, rekomendując przyszłe kierunki działań. Firmy IoT mogą wykorzystywać analizy preskryptywne, aby oferować użytkownikom długoterminową wartość, ponieważ mogą one uczynić nasze życie łatwiejszym, wygodniejszym i przyjemniejszym.

Z technologicznej strony równania etap piąty zawiera wiele takich samych elementów etapu czwartego, ale wszystkie muszą funkcjonować na znacznie wyższym poziomie. Na przykład, jeśli chodzi o analizę danych, drastycznie rozszerzamy nasz zakres; nie używamy już jednego modelu, takiego jak wykrywanie anomalii w celu konserwacji zapobiegawczej. Zamiast tego używamy pikowania przeplatających się modeli ML, aby dokonać naprawdę spektakularnych wyczynów. Mogą one obejmować Przetwarzanie języka naturalnego (NLP) do rozpoznawania mowy/poleceń głosowych, algorytmy optymalizujące zgodnie z OCEAN model osobowości, I wiele więcej.

Wynik zaczyna naprawdę przypominać Artificial Intelligence (AI), więc nietrudno dostrzec, że te wyzwania obejmują coś więcej niż tylko analizę danych. Na przykład nasz zespół sprzętowy będzie musiał znaleźć kreatywne sposoby na umieszczenie jeszcze większej mocy obliczeniowej w najbardziej kompaktowych przestrzeniach, np. Procesory graficzne do obliczeń brzegowych. Co więcej, produkt z etapu piątego nigdy nie jest naprawdę kompletny. Zwinne praktyki, takie jak ciągła integracja/ciągłe wdrażanie (CI/CD), mają kluczowe znaczenie, jeśli chcemy nadal zapewniać światowej klasy doświadczenia IoT.

Etap 6: Wszechobecne przetwarzanie danych

Ostatnim etapem modelu dojrzałości IoT jest wszechobecne komputery, gra końcowa, w której praktycznie każdy aspekt codziennego życia obejmuje interakcję ze światem cyfrowym. Obecnie ten etap istnieje tylko w science fiction, ale możemy być bliżej niż myślisz.

Technologia potrzebna do dotarcia tutaj jest ogromna i na tym etapie jedyne, co możemy zrobić, to spekulować. Wiemy jednak, że będzie to wymagało zbiorowego arcydzieła w zakresie inżynierii, tworzenia oprogramowania, analizy danych, projektowania doświadczeń użytkownika i nie tylko. Największą przeszkodą uniemożliwiającą nam wejście w świat wszechobecnej informatyki jest budowanie zbioru talentów w tych dziedzinach.

Przed nami długa droga. Zacznijmy budować. 

Wnioski

Teraz powinno być jasne, o ile trudniejszy jest każdy kolejny krok od poprzedniego. Przejście z urządzenia z etapu drugiego do prawdziwego produktu IoT z etapu trzeciego to ogromny krok. Wymaga wiedzy specjalistycznej z wielu dziedzin i zmusza nas do opanowania wielu różnych technologii.

Mimo że dzisiejsze najbardziej zaawansowane firmy technologiczne mogą poszczycić się piątym etapem dojrzałości, nadal nie mamy nic na poziomie wszechobecnej technologii komputerowej. Na szczęście wiele największych umysłów na całym świecie pracuje nad udoskonaleniem tysięcy różnych technologii.

Nie oznacza to, że obecny stan wiedzy nie zmienia świata.

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