攀登物联网成熟度模型的技术挑战

由柏拉图重新发布

关注： 0

让我们探讨一下在攀登物联网成熟度模型时从一个阶段推进到下一阶段需要清除的技术障碍。请记住，这是一个累积的过程；每个阶段不仅建立在前一个阶段的基础上，而且变得越来越复杂。将其视为数学课程的进展。每节课都建立在前面的基础上，大学和高中数学之间的差异比小学和初中水平之间的差异要大得多。

而且，就像如果没有对代数的掌握，做微积分几乎是不可能的一样，当我们进入成熟度模型的更高阶段时，我们在较低阶段未能克服的任何技术缺陷都会被放大。

构建成熟的物联网产品是否具有挑战性？确实是。但这并不意味着这是不可能的。

物联网成熟度模型的进步需要哪些技术技能？

第一阶段：嵌入式设备

从模型的底部开始，我们有专用的电子设备。这些产品不具备连接功能，人们从那时起就一直在构建它们托马斯爱迪生发明了灯泡 1879 年。第一阶段的设备现在比当时要复杂一些，但它们在成熟度模型上的排名仍然较低。

达到这一阶段的技术挑战同样简单。只要我们的团队拥有所需的硬件和软件工程知识，我们就可以创造产品。

第二阶段：云计算

第二阶段设备连接到互联网。这意味着我们必须添加通讯协议, 网络接口卡（网卡），以及后端基础设施。从本质上讲，第二阶段的技术障碍建立在第一阶段的技术障碍之上，其中一个关键组成部分是：网络。

我们需要构建服务器基础设施并利用有效的方法来管理它。网络的另一个推论是网络安全。由于我们通过公共、不安全的网络（互联网）促进安全连接，因此我们还需要投资安全人才来打造成功的第二阶段产品。

第三阶段：物联网连接

第三阶段是物联网解决方案真正发挥作用的阶段：互连。此时，设备可以相互通信，我们开始看到一个互联的生态系统正在形成。

构建互联产品的技术挑战更加困难。当然，我们仍然需要第一阶段和第二阶段的所有专业知识，但现在我们需要更高的技能水平才能取得成功。

我们需要很多连接设备，但这些嵌入式系统只能在有限的硬件上运行。整合各种服务是一个重大障碍，尤其是当它们的来源如此不同时。安全变得更加困难，我们确实需要考虑从一开始就建立安全性;例如，我们想要嵌入一个硬件安全模块（HSM）芯片进入我们的电路板。

物联网开发中最复杂的部分之一就是让每一点都发挥作用。虽然功能更强大的计算机可以将少量磁盘空间或处理能力专用于那些本来就很好甚至完全不必要的应用程序，但物联网设备却缺乏这种奢侈。

这就是为什么像这样的工具神经非常有用：它让我们可以构建一个自定义的 Linux 系统，该系统只包含我们需要的内容，仅此而已。然而，实际上知道要包含什么和要删除什么需要大量的技术知识。

第四阶段：预测分析

这是我们真正开始将数据发挥作用的阶段。预测分析物联网着眼于传感器数据、用户参与度以及我们从设备获得的其他指标等趋势。然后，我们可以将这些大数据用于工业物联网的预测维护等任务。

第四阶段是数据科学家变得更加关键的阶段。这些专业人士使用诸如蟒蛇, PyTorch及 AWS SageMaker 构建、训练和部署机器学习模型，但这只是工作的一小部分。任何成功的数据科学项目的基础都是分析框架，这是一种批判性思考数据和业务问题的方法。有时，最困难的部分就是找到正确的问题来提出。

然而，我们不能向数据科学家扔一堆数字并期望得到一个成熟的预测分析模型作为回报。我们需要一个跨学科方法我们的数据科学家与我们的工程团队密切合作，开发数据管道。毕竟，如果我们的硬件工程师不知道我们的分析师想要使用哪些数据，他们如何知道要选择哪些传感器？同样，我们的软件开发人员需要了解数据科学家的优先级，以确定他们是否需要派生任何变量、聚合数据或将其推送到云端，甚至哪些数据点需要发送到哪些数据库。

第五阶段：规范性分析

将我们的数据驱动方法更进一步，该阶段的定义为规范分析，它通过推荐未来的行动方案来增强第四阶段分析的预测能力。物联网公司可以使用规范性分析为用户提供长期价值，因为它们有潜力让我们的生活更轻松、更方便、更愉快。

在技术方面，第五阶段包含许多与第四阶段相同的元素，但它们都需要在更高的水平上发挥作用。例如，在数据科学方面，我们极大地扩展了我们的范围；我们不再使用单一模型，例如用于预防性维护的异常检测。相反，我们使用相互交织的机器学习模型来完成一些真正令人惊叹的壮举。这些可能包括自然语言处理（NLP）用于语音识别/语音命令，根据海洋人格模型，等等。

结果开始真正相似 DigiOps与人工智能，因此不难看出这些挑战如何超越数据科学。例如，我们的硬件团队需要找到创造性的方法，将更多的处理能力嵌入到最紧凑的空间中，例如用于边缘计算的 GPU。此外，第五阶段的产品永远不会真正完成。如果我们想继续提供世界一流的物联网体验，持续集成/持续部署 (CI/CD) 等敏捷实践至关重要。