Технічні труднощі підйому до моделі зрілості IoT

Давайте вивчимо технологічні перешкоди, які нам потрібно подолати, щоб переходити від одного етапу до наступного на шляху до моделі зрілості IoT. Майте на увазі, що це кумулятивний процес; кожна стадія не тільки розвивається на основі попередніх стадій, але й стає дедалі складнішою. Подумайте про це як про розвиток курсів математики. Кожен урок ґрунтується на попередніх, і різниця між математикою в коледжі та середній школі набагато більша, ніж розрив між рівнями початкової та середньої школи.

І подібно до того, як обчислення буде майже неможливим без контролю над алгеброю, будь-які технічні недоліки, які ми не можемо подолати на нижчих етапах, посилюються, коли ми просуваємося вище до моделі зрілості.

Чи складно створити зрілий продукт IoT? Це точно так. Але це не означає, що це неможливо.

Які технічні навички потрібні для прогресу в моделі зрілості IoT?

Етап 1: Вбудовані пристрої

Починаючи з нижньої частини моделі, у нас є спеціальні електронні пристрої. Ці продукти не мають підключення, і з тих пір люди створюють їх Томас Едісон винайшов лампочку у 1879 році. Пристрої першого етапу зараз дещо складніші, ніж тоді, але вони все ще займають низьке місце в моделі зрілості.

Технологічні виклики для досягнення цього етапу також прості. Поки наші команди володіють необхідними ноу-хау з розробки апаратного та програмного забезпечення, ми можемо створити продукт.

Етап 2: хмарні обчислення

Пристрої другого етапу підключаються до Інтернету. Це означає, що ми повинні додати протоколи зв'язку, мережеві інтерфейсні карти (НІК), і серверна інфраструктура. По суті, технічні перешкоди другого етапу доповнюються перешкодами першого етапу з одним ключовим компонентом: мережею.

Нам потрібно побудувати серверну інфраструктуру та використовувати ефективні способи керування нею. Іншим наслідком роботи в мережі є кібербезпека. Оскільки ми підтримуємо безпечні з’єднання через загальнодоступну незахищену мережу — Інтернет, нам також потрібно інвестувати в спеціалістів із безпеки для успішного продукту другого етапу.

Етап 3: підключення IoT

На третьому етапі рішення IoT справді вступають у свої права: взаємозв’язок. На цьому етапі пристрої спілкуються один з одним, і ми починаємо спостерігати, як набуває форми пов’язана екосистема.

Технічні проблеми зі створення підключеного продукту ще складніші. Звичайно, нам все ще потрібні всі знання з першого та другого етапів, але зараз нам потрібен ще більший рівень навичок, щоб досягти успіху.

Ми вимагаємо багато від наших підключених пристроїв, але ці вбудовані системи працюють на обмеженому обладнанні. Інтеграція різних служб, особливо коли їх точки походження настільки різні, є значною перешкодою. Безпека стає ще складнішою, і нам справді потрібно про це подумати створення безпеки з самого початку; наприклад, ми хочемо вставити a апаратний модуль безпеки (HSM) мікросхему в нашу плату.

Однією з найскладніших частин розробки Інтернету речей є врахування кожної дрібниці. У той час як більш потужний комп’ютер може дозволити собі виділити трохи дискового простору або обчислювальної потужності для додатків, які приємні або навіть зовсім непотрібні, пристроям Інтернету речей бракує такої розкоші.

Ось чому інструменти, як Нерви дуже корисний: він дозволяє нам створювати власну систему Linux, яка містить лише те, що нам потрібно, і нічого більше. Однак для того, щоб знати, що включити, а що відмовитися, потрібні значні технічні знання.

Етап 4: Прогнозна аналітика 

Це етап, на якому ми дійсно починаємо використовувати наші дані. Прогностична аналітика for IoT розглядає такі тенденції, як дані датчиків, залучення користувачів та інші показники, які ми отримуємо з наших пристроїв. Потім ми можемо використовувати ці великі дані для таких завдань, як прогнозне технічне обслуговування для промислового IoT.

На четвертому етапі дослідники даних стають більш критичними. Ці професіонали використовують такі інструменти, як Python, PyTorch та AWS SageMaker створювати, навчати та розгортати моделі машинного навчання, але це лише мала частина роботи. Основою будь-якого успішного наукового проекту з даних є аналітична основа, спосіб критичного мислення щодо даних і бізнес-проблем. Іноді найважче просто знайти правильні запитання.

Однак ми не можемо накидати купу цифр на спеціаліста з обробки даних і очікувати натомість повноцінної моделі прогнозної аналітики. Нам потрібен a міждисциплінарний підхід де наші дослідники даних тісно співпрацюють з нашими інженерними командами, щоб розробити конвеєр даних. Зрештою, якщо наші інженери не знають, які дані хочуть використовувати наші аналітики, як вони знатимуть, які датчики вибрати? Подібним чином наші розробники програмного забезпечення повинні розуміти пріоритети спеціалістів із обробки даних, щоб визначити, чи потрібно їм отримувати будь-які змінні, агрегувати дані чи надсилати їх у хмару, і навіть, які точки даних мають перейти до яких баз даних.

Етап 5: прескриптивна аналітика

Розвиваючи наш підхід на основі даних ще один крок вперед, цей етап визначається приписна аналітика, який базується на передбачуваній силі аналітики четвертого етапу, рекомендуючи майбутні напрямки дій. Компанії IoT можуть використовувати стандартну аналітику, щоб запропонувати користувачам довгострокову цінність, оскільки вони мають потенціал зробити наше життя простішим, зручнішим і приємнішим.

З технічної сторони рівняння п’ятий етап включає багато тих самих елементів четвертого етапу, але всі вони повинні функціонувати на набагато вищому рівні. Наприклад, коли йдеться про науку про дані, ми різко розширюємо сферу діяльності; ми більше не використовуємо одну модель, як-от виявлення аномалій для профілактичного обслуговування. Натомість ми використовуємо переплетені моделі ML, щоб досягти справді вражаючих подвигів. Вони можуть включати Обробка природних мов (NLP) для розпізнавання мовлення/голосових команд, алгоритми, які оптимізуються відповідно до Модель особистості ОКЕАН, І багато іншого.

Результат починає справді нагадувати Штучний інтелект (AI), тому важко зрозуміти, як ці виклики виходять за межі просто науки про дані. Наприклад, нашій команді апаратного забезпечення потрібно буде знайти креативні способи вбудувати ще більше процесорної потужності в найкомпактніші простори, як-от з Графічні процесори для периферійних обчислень. Крім того, продукт п’ятого етапу ніколи не буває повністю завершеним. Гнучкі практики, такі як безперервна інтеграція/безперервне розгортання (CI/CD), мають вирішальне значення, якщо ми хочемо й надалі надавати досвід світового рівня IoT.

Етап 6: Повсюдне обчислення

Останнім етапом моделі зрілості IoT є всюдисущі обчислення, кінцева гра, де практично кожен аспект повсякденного життя включає певну взаємодію з цифровим світом. Зараз цей етап існує лише в науковій фантастиці, але ми можемо бути ближче, ніж ти думаєш.

Технології, які знадобляться, щоб сюди потрапити, величезні, і все, що ми насправді можемо зробити, це спекулювати. Однак ми знаємо, що для цього знадобиться колективна майстерна робота в галузі інженерії, розробки програмного забезпечення, науки про дані, дизайну взаємодії з користувачем тощо. Створення колекції талантів у цих областях є найбільшою перешкодою, яка заважає нам увійти у світ повсюдних обчислень.

Нам попереду довгий шлях. Починаємо будувати. 

Висновок

Тепер має бути зрозуміло, наскільки складнішим є кожен наступний крок, ніж попередній. Перехід від пристрою другого етапу до справжнього IoT-продукту третього етапу є величезним кроком. Це вимагає досвіду в багатьох областях і змушує нас опанувати багато різних технологій.

Незважаючи на те, що сучасні найпередовіші технологічні компанії можуть похвалитися п’ятою стадією зрілості, ми все ще не маємо нічого близького до повсюдних обчислень. На щастя, багато найкращих умів у всьому світі працюють над розвитком тисяч різних технологій.

Це не означає, що поточний стан техніки не змінює світ.

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