Анализи

Приложения на IoT анализa в крайните точки

CIO Media

Един от начините да се разглежда Интернет на нещата (IoT) е като широк спектър от не особено сложни крайни точки, безсмислено изпращащи определени данни като нивото на температура и налягането към центрове за данни и други крайни устройства или към облачни изчислителни центрове.

И това в много случаи е вярно, но също така е вярно, че крайните точки на IoT се приближават все повече до способността за извършване на собствен анализ, което води до опростени архитектури и по-отзивчиви системи. Тази функционалност не е подходяща за всеки случай, но съществуват видове IoT приложения, които вече поемат отговорността за персонализирането на собствените си показатели.



Има три основни области, в които отговорността за изчисленията се падат изцяло или частично на крайната точка. Това са интелигентните градове, индустрията и транспорта.

IoT в интелигентните градове

В интелигентните градове камерите могат да направят някои видове анализ и изчисления, като по този начин помагат на градските власти да начертаят пешеходни и моторизирани модели на трафика.

„Разликата между анализа изцяло в крайна точка или частично на устройство е много важен аспект“, твърди вицепрезидентът по изследванията на Gartner Марк Хунг и добавя, че в основата си, анализите, извършени от IoT имплементации, са свързани с машинно обучение и изкуствен интелект. Това им позволява да обработват данни от интелигентни крайни точки и да извеждат прогнози за  надеждността и ефективността на системите и друга важна за бизнеса информация.



Приложения на IoT анализa в крайните точки

© CIO Media, Cio.bg


Прилагането на прогнозите, извлечени от усъвършенствани алгоритми за машинно обучение, е достатъчно лесно дори за сравнително ограничени устройства, но някои части от процеса на изчисление изискват прекалено големи ресурси, за да се случват в по-голямата част от крайните точки. Това означава, че самите крайни точки не променят приложението си, но предоставят информация, която може да бъде използвана от по-мощни бекенд системи.

Казусът с видео анализите в някои приложения на интелигентните градове като наблюдението на трафика чрез система, в която самите камери проследяват пешеходците и шофьорите, а след това ги оценяват през централно създаден AI модел, е показателен.

Всяко кръстовище е различно, така че опитът да се използва едно и също установено правило за разбирането на различни модели на трафик и обеми на камерите, ще се провали. Всяко кръстовище се нуждае от собствени установени правила. Но камерите нямат нужните параметри, за да успеят да задвижат AI модел сами по себе си. Затова е необходимо това да се направи някъде в бекенда. С други думи казано, камерите могат да прилагат наученото в процеса на машинно обучение, но се нуждаят от по-мощен хардуер, за да могат интелигентно да променят инструкциите си.

Индустриален IoT

Друга ключова област за IoT анализ на база крайни точки е индустриалният и производствени сектор. Джо Байрон е главен оперативен директор на PTC, софтуерна компания от Масачузетс, която е доставчик на ThingWorx, софтуерна платформа за индустриален IoT. По думите му PTC прави опити да внесе интелект в индустриалната техника в продължение на около десетилетие, като основната ѝ цел е да помогне на компаниите да пестят пари чрез предсказуема поддръжка и други автоматизирани приложения за управление и операции.

"Преди десет години развитието на технологиите за проактивни действия и откриване на предстоящи повреди не беше на особено високо ниво. Това беше до голяма степен процес, основаващ се на анализа на хора, който разчиташе на добрите познания на техническите специалист за това как работят индустриалните компоненти. Въз основа на това знание, правилата за откриване на параметрите, които предсказват предстояща повреда, биха могли да бъдат кодирани и в най-непретенциозните крайни точки“, казва Байрон.



Истинското предизвикателство идва, когато няма нито един човек, който да е запознат с критичното сливане на индикаторите, което предсказва проблем. За това се нуждаете от машинно обучение и по-конкретно от модел за машинно обучение, който може да вкара входни данни спрямо резултатите и да пресее кои точки са най-важни за изготвянето на прогнозите. „Това обаче изисква изчислителен ресурс и ограничава участието на крайните точки“, добавя Байрон.  


"След като веднъж сте създали модела обаче, нужните параметри за задвижването му са много по-малки. Изпълнението на модела е лесно, изчисленията също, но обучението е нещо съвсем друго“, категоричен е Байрон.

Хумера Малик, главен изпълнителен директор и основател на Canvass Analytics, смята, че сборът от тези крайни точки и всичко, което е свързано с тях като дигитални сензори, са от решаващо значение за индустриалния сектор.

IoT и интелигентните превозни средства

Третата и вероятно най-слабо реализираната област, в която IoT анализа в крайните точки е популярен, е транспорта. Хунг отбелязва, че всичко, което изисква автономна навигация, било то дрон, кола или нещо друго, трябва да разчита на изчисления в крайната точка.

Автомобилите стават все по-силно автоматизирани и компютъризирани от години, а широкото разпространение на IoT е ускорява процеса, тъй като производителите изграждат все по-сложни интелигентни функции за безопасност, а управлението придобива постоянно нови инструменти за поддръжка и проследяване.

Този процес е чудесен пример за начина, по който полуавтономните IoT технологии трябва да работят, смята Рухола Фарчи, главен технически директор на Zoomdata. "Този добродетелен цикъл на човешкото разбиране, преобразувано в алгоритми и машинно обучение, разположени на ръба, оформя аналитичните очертания", смята той.



Приложения на IoT анализa в крайните точки

© CIO Media, Cio.bg


Бъдещето на IoT в здравеопазването и енергетиката

С поглед напред, здравеопазването и производството на енергия - особено в нефтената и газовата промишленост - са готови да се превърнат в зони на растеж за IoT анализа в крайните точки. Болниците и клиниките имат огромна нужда от по-интелигентни технологии и по-способна изчислителна техника в крайните точки. Според Байрон обаче не е никак лесно да се създадат крайни устройства с нужните изчислителни параметри, когато става дума за здравеопазване.

Нефтената и газовата промишленост имат определени предимства в тази посока, предвид богатството на историческите данни за проучване и добив, които могат да се използват в моделите за машинно обучение.


X