Tekniska utmaningar för att klättra upp IoT-mognadsmodellen

Låt oss utforska de tekniska hindren som vi behöver undanröja för att gå vidare från ett steg till nästa i att klättra på IoT-mognadsmodellen. Tänk på att detta är en kumulativ process; inte bara bygger varje steg på de tidigare stegen, utan de blir också allt mer komplexa. Se det som en utveckling av matematikkurser. Varje lektion bygger på de föregående, och skillnaden mellan matematik på gymnasiet och gymnasiet är mycket större än klyftan mellan grundskole- och mellanstadienivå.

Och precis som att göra kalkyler kommer att vara nästan omöjligt utan kommando över algebra, förstoras alla tekniska brister som vi misslyckas med att övervinna i lägre stadier när vi går högre in i mognadsmodellen.

Är det utmanande att bygga en mogen IoT-produkt? Visst är det. Men det betyder inte att det inte är möjligt.

Vilka tekniska färdigheter krävs för att utvecklas i IoT-mognadsmodellen?

Steg 1: Inbäddade enheter

Med början längst ner i modellen har vi specialbyggda elektroniska enheter. Dessa produkter har ingen anslutning, och folk har byggt dem sedan dess Thomas Edison uppfann glödlampan år 1879. Steg ett-enheter är lite mer komplicerade nu än då, men de rankas fortfarande lågt på mognadsmodellen.

De tekniska utmaningarna för att nå detta stadium är likaledes enkla. Så länge våra team har den nödvändiga hårdvaru- och mjukvaruteknikkunskapen kan vi skapa en produkt.

Steg 2: Cloud Computing

Steg två enheter ansluter till internet. Det betyder att vi måste lägga till kommunikationsprotokoll, nätverkskort (NIC) och back-end infrastruktur. I grund och botten bygger de tekniska hindren i steg två vidare på dem i steg ett med en avgörande komponent: nätverk.

Vi måste bygga serverinfrastruktur och utnyttja effektiva sätt att hantera den. En annan följd av nätverkande är Cybersäkerhet. Eftersom vi underlättar säkra anslutningar över ett offentligt, osäkrat nätverk – internet – måste vi också investera i säkerhetstalanger för en framgångsrik steg två-produkt.

Steg 3: IoT-anslutning

Det tredje steget är där IoT-lösningar verkligen kommer till sin rätt: sammankoppling. Vid det här laget pratar enheter med varandra och vi börjar se ett uppkopplat ekosystem ta form.

De tekniska utmaningarna för att bygga en uppkopplad produkt är ännu svårare. Vi behöver naturligtvis fortfarande all kompetens från steg ett och två, men nu behöver vi en ännu högre kompetensnivå för att bli framgångsrika.

Vi frågar många av våra anslutna enheter, men dessa inbäddade system fungerar på begränsad hårdvara. Att integrera olika tjänster, särskilt när deras ursprungspunkter är så olika, är ett stort hinder. Säkerheten blir ännu svårare och vi måste verkligen tänka efter bygga in säkerheten från början; till exempel kommer vi att vilja bädda in en hårdvarusäkerhetsmodul (HSM) chip i vårt kretskort.

En av de mest komplexa delarna av IoT-utveckling är att få varje liten bit att räknas. Medan en kraftfullare dator har råd att dedikera lite diskutrymme eller processorkraft till applikationer som bara är trevliga att ha eller rent av är onödiga, saknar IoT-enheter denna lyx.

Det är därför verktyg som Nerver är så användbart: det låter oss bygga ett anpassat Linux-system som bara har det vi behöver och inget mer. Men att faktiskt veta vad som ska inkluderas och vad som ska släppas kräver mycket teknisk kunskap.

Steg 4: Predictive Analytics 

Det här är det stadium där vi verkligen börjar sätta vår data i arbete. Prediktiv analys för IoT tittar på trender som sensordata, användarengagemang och andra mätvärden som vi får från våra enheter. Vi kan sedan använda den stora datan för uppgifter som prediktivt underhåll för industriellt IoT.

Steg fyra är där datavetare blir mer kritiska. Dessa proffs använder verktyg som Python, PyTorchoch AWS SageMaker att bygga, träna och distribuera modeller för maskininlärning, men det är bara en liten del av jobbet. Grundläggande för alla framgångsrika datavetenskapliga projekt är ett analytiskt ramverk, ett sätt att tänka kritiskt om data och affärsproblem. Ibland är det svåraste bara att hitta rätt frågor att ställa.

Men vi kan inte kasta en massa siffror på en dataforskare och förvänta oss en fullfjädrad modell för prediktiv analys i gengäld. Vi behöver en tvärvetenskapligt förhållningssätt där våra datavetare arbetar nära våra ingenjörsteam för att utveckla en datapipeline. När allt kommer omkring, om våra hårdvaruingenjörer inte vet vilken data våra analytiker vill använda, hur ska de då veta vilka sensorer de ska välja? På samma sätt måste våra mjukvaruutvecklare förstå dataforskarens prioriteringar för att ta reda på om de behöver härleda några variabler, samla data eller skicka den till molnet och till och med vilka datapunkter som behöver gå till vilka databaser.

Steg 5: Preskriptiv analys

Genom att ta vårt datadrivna tillvägagångssätt ett steg längre, definieras detta steg av förskrivningsanalys, som bygger på den förutsägande kraften i steg fyra-analyser genom att rekommendera framtida handlingssätt. IoT-företag kan använda föreskrivande analyser för att erbjuda användarna långsiktigt värde eftersom de har potential att göra våra liv enklare, bekvämare och roligare.

På den tekniska sidan av ekvationen innehåller steg fem många av samma delar av steg fyra, men de måste alla fungera på en mycket högre nivå. Till exempel, när det kommer till datavetenskap, utökar vi vårt räckvidd drastiskt; vi använder inte längre en enda modell, såsom avvikelsedetektering för förebyggande underhåll. Istället använder vi ett quiltverk av sammanvävda ML-modeller för att åstadkomma några verkligt spektakulära bedrifter. Dessa kan inkludera Naturlig språkbehandling (NLP) för taligenkänning/röstkommandon, algoritmer som optimerar enligt OCEAN personlighetsmodell, Och mycket mer.

Resultatet börjar verkligen likna Artificial Intelligence (AI), så det är svårt att se hur dessa utmaningar sträcker sig längre än bara datavetenskap. Vårt hårdvaruteam kommer till exempel att behöva hitta kreativa sätt att bygga in ännu mer processorkraft i de mest kompakta utrymmena, som med GPU:er för edge computing. Dessutom är en steg fem-produkt aldrig riktigt komplett. Agila metoder som kontinuerlig integration/kontinuerlig distribution (CI/CD) är avgörande om vi vill fortsätta att tillhandahålla en IoT-upplevelse i världsklass.

Steg 6: Ubiquitous Computing

Det sista steget i IoT-mognadsmodellen är allestädes närvarande beräkning, ett slutspel där praktiskt taget varje aspekt av det dagliga livet inkluderar en viss interaktion med den digitala världen. För närvarande existerar detta stadium bara inom science fiction, men vi kanske är närmare än du tror.

Tekniken som krävs för att komma hit är enorm, och allt vi kan göra är att spekulera just nu. Vi vet dock att det kommer att krävas ett kollektivt mästerverk inom teknik, mjukvaruutveckling, datavetenskap, design av användarupplevelser och mer. Att bygga en samling talanger inom dessa domäner är det största hindret som hindrar oss från att komma in i världen av allestädes närvarande datoranvändning.

Vi har en lång väg att gå. Låt oss börja bygga. 

Slutsats

Det borde nu stå klart hur mycket svårare varje progressivt steg är än det förra. Övergången från en steg två-enhet till en sann steg tre IoT-produkt är ett enormt steg. Det kräver expertis inom många områden och tvingar oss att behärska många olika teknologier.

Även om dagens mest avancerade teknikföretag har mognad i steg fem, har vi fortfarande ingenting i närheten av allestädes närvarande datoranvändning. Tack och lov arbetar många av de bästa hjärnorna över hela världen för att utveckla tusentals olika tekniker.

Det betyder inte att det nuvarande toppmoderna inte förändrar världen.

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