CLOUD | Noticias | 03 SEP 2018

IoT se vuelve más inteligente

La mayoría de los dispositivos IoT carecen de la potencia para llevar a cabo el nivel de aprendizaje automático necesario en las implementaciones de IoT realmente inteligentes, pero pueden actuar según las lecciones que proporciona el aprendizaje automático.
IoT ciudad conectada
Jon Gold

Una forma de ver las implementaciones de IoT es esta: una gran variedad de puntos finales no particularmente sofisticados, enviando puntos de datos individuales como niveles de temperatura y presión a un dispositivo periférico en algún lugar de la fábrica, o todo el camino a una nube. back-end o centro de datos.

Y eso es en gran medida correcto, en muchos casos, pero cada vez más no es toda la historia: los puntos finales IoT se acercan cada vez más a la capacidad de hacer su propio análisis, lo que lleva a arquitecturas más simples y sistemas más receptivos. No es la opción adecuada para cada caso de uso, pero hay tipos de implementación de IoT que ya están responsabilizando la personalización de sus propias métricas en los dispositivos y más de lo que cabría en una arquitectura de este tipo.

Hay tres áreas principales para comprobar el análisis de datos, en todo o en parte, es cada vez más común: ciudades inteligentes, entornos industriales y transporte.

IoT en las ciudades inteligentes
En las ciudades inteligentes, las cámaras inteligentes pueden realizar ciertos tipos de análisis allí mismo en el dispositivo, lo que ayuda a los planificadores a entender los patrones de tráfico peatonal y motorizado.

La diferencia entre hacer análisis completamente en un dispositivo de punto final o parcialmente en un dispositivo es muy importante, según el vicepresidente de investigación de Gartner, Mark Hung. En esencia, el análisis realizado por las implementaciones de IoT es sobre aprendizaje automático e inteligencia artificial, permitiendo que los sistemas tomen datos proporcionados por puntos finales inteligentes y los conviertan en información accionable sobre confiabilidad, rendimiento y otra información de línea de negocio automáticamente.

Aplicar las lecciones aprendidas de ML sofisticados es bastante fácil, incluso para dispositivos relativamente restringidos, pero algunas partes del proceso de LD son demasiado computacionalmente rigurosas para suceder en la mayoría de los puntos finales. Esto significa que los puntos finales en sí mismos no cambian sus instrucciones, sino que proporcionan información que puede ser utilizada por un back-end más poderoso para personalizar una implementación de IoT determinada por punto por punto.

El caso del análisis de video para aplicaciones de ciudades inteligentes como la monitorización del tráfico -utilizando un sistema donde las cámaras mismas rastrean peatones y automovilistas, y luego puntúan esos datos contra un modelo de IA creado centralmente- es instructivo.

Cada intersección es diferente, por lo que tratar de impulsar una rúbrica idéntica para dar sentido a diferentes patrones de tráfico y volúmenes a las cámaras que monitorizan cada intersección no va a funcionar. Cada intersección necesita su propia rúbrica. Sin embargo, el entrenamiento de IA que se necesita para producirlos requiere un levantamiento computacional más pesado de lo que las cámaras pueden proporcionar por sí solos, por lo que tiene que hacerse en algún lugar en la parte trasera. Las propias cámaras pueden aplicar las lecciones aprendidas por el modelo AI, pero necesitan un hardware más potente para cambiar inteligentemente las instrucciones que se les dan.

IoT industrial
Otra área clave para el análisis IoT basado en punto final en el sector industrial y de fabricación. Joe Biron es el CTO de PTC, una compañía de software basada en Needham, Mass., Que fabrica ThingWorx, una plataforma de software de IoT industrial. Biron dijo que PTC ha intentado incorporar la inteligencia a la maquinaria industrial durante aproximadamente una década, con la idea de ayudar a las empresas a ahorrar dinero a través del mantenimiento predictivo y otras aplicaciones operativas y de gestión automatizadas.

"Hace diez años, el estado de la tecnología para hacer una detección proactiva y predictiva de fallas ... no era exactamente un tipo de tecnología que cambiara la vida", dijo Biron. En gran medida, se trataba de un proceso impulsado por la inteligencia humana que dependía del conocimiento íntimo de un especialista técnico sobre cómo funcionaban los componentes industriales. En base a ese conocimiento, las reglas para detectar los parámetros que predicen la falla inminente podrían codificarse de manera rígida incluso en los puntos finales más "tontos".

El verdadero desafío surge cuando no hay una persona que esté familiarizada con la confluencia crítica de los indicadores que predice un problema a la vista. Para esto, necesita aprendizaje automático, y más específicamente, un modelo de aprendizaje automático que puede calificar las entradas de datos frente a los resultados y determinar qué puntos de datos son los más importantes para hacer las predicciones. 

Los análisis de IoT en el dispositivo también funcionan bien en entornos industriales porque allí, las aplicaciones de la tecnología IoT tienden a no ser tolerantes al retraso. El tiempo que tardan los datos en salir de un dispositivo, negociar una topología de red compleja y regresar en forma de instrucciones correctivas puede ser demasiado extenso para una administración efectiva del dispositivo.

Vehículos inteligentes e inteligentes

El tercer campo, y probablemente el menos realizado, donde el punto final IoT el análisis se está volviendo popular es el transporte. Cualquier cosa que requiera navegación autónoma, ya sea un avión no tripulado o un automóvil o cualquier otra cosa, es un gran candidato para ser un punto final IoT relativamente inteligente. Los carros se han estado automatizando e informatizando cada vez más durante años, y el advenimiento de IoT generalizado solo aceleró el proceso, ya que los fabricantes crean funciones de seguridad inteligentes cada vez más sofisticadas en vehículos modernos y la administración de flotas adquiere nuevas herramientas para el mantenimiento y el seguimiento. La automatización creciente del automóvil es un gran ejemplo de cómo este tipo de tecnología IoT semiautónomo se supone que funciona. 

El futuro de la IO en salud y energía

Mirando hacia adelante, salud y la producción de energía, particularmente en las industrias de petróleo y gas, está destinada a convertirse en áreas de crecimiento para el análisis IoT en el dispositivo. Los hospitales y clínicas están pidiendo a gritos una tecnología más inteligente -testé el trabajo que se hace para reducir la fatiga de las alarmas y aumentar la interoperabilidad en entornos clínicos- y tener una tecnología informática más capaz integrada en los puntos finales podría ser una gran ayuda para el paciente. Eso no quiere decir que no haya "Esto implica dolores de cabeza, particularmente donde entra la cuestión del aprendizaje automático", según Biron. El back-end requerido para la parte de levantamiento computacional más pesado del proceso no es tan fácil de construir en la arquitectura de una instalación médica. "Es más fácil ver que el cálculo a mediana escala ocurra en un entorno como [una fábrica], en oposición a digamos, una clínica, donde vive un dispositivo médico: la posibilidad de realizar cálculos de alta densidad es más limitada que con una instalación de fabricación ", dijo. Sin embargo, la industria del petróleo y el gas tiene una ventaja particular en ese aspecto, dada la riqueza de datos históricos sobre exploración y extracción disponibles para su uso en modelos de aprendizaje de máquinas de entrenamiento.
 

 



Comentar
Para comentar, es necesario iniciar sesión
Se muestran 0 comentarios