Промышленный Интернет вещей (IIoT) уже произвел революцию в таких областях, как производство, автомобили и здравоохранение. Но реальная ценность IIoT будет реализована только тогда, когда машинное обучение (ML) будет применяться к данным датчиков. В этой статье делается попытка показать, как машинное обучение дополняет решения IIoT, предоставляя интеллектуальные идеи.
Облачные вычисления стали крупнейшим фактором, способствующим подключенным устройствам и корпоративному Интернету вещей. Более дешевое хранилище в сочетании с достаточной вычислительной мощностью является ключевым фактором роста IIoT. Хотя было возможно собирать данные с различных датчиков и устройств, клиенты сочли непомерно дорогим хранение массивных наборов данных. Даже после того, как были выделены достаточные ресурсы хранения, вычислительная мощность, необходимая для обработки, запроса и анализа этих наборов данных, отсутствовала в корпоративном центре обработки данных. Большая часть доступных ресурсов была выделена для хранилищ данных и систем бизнес-аналитики, которые имеют решающее значение для бизнеса. Принятие облака в качестве расширенного центра обработки данных изменило уравнение. Отрасли промышленности, такие как производство, автомобилестроение, здравоохранение и авиация, теперь фиксируют все возможные точки данных, генерируемые датчиками. Они используют возможности облачного хранилища, больших данных и больших вычислений, предлагаемые крупными поставщиками общедоступных облачных служб. Это был единственный наиболее важный фактор в ускорении внедрения IIoT на предприятиях.
Первое поколение IIoT связано с приемом данных и их анализом. Точки данных, поступающие от датчиков, проходят несколько этапов, прежде чем превратиться в полезную информацию. Платформы IIoT включают в себя расширяемые конвейеры обработки данных, способные обрабатывать данные в реальном времени, которые требуют немедленного внимания, а также данные, которые имеют смысл только в течение определенного периода времени. Конвейер, отвечающий за обработку данных в реальном времени, называется Hot Path Analytics. Например, может быть слишком поздно, прежде чем платформа IoT отключит машину для заправки сжиженным газом после обнаружения необычного сочетания пороговых значений давления и температуры. Вместо этого аномалия должна быть обнаружена в течение миллисекунд с последующим немедленным действием, вызванным правилом. Другой сценарий, требующий обработки в режиме, близком к реальному времени, — это здравоохранение. Жизненная статистика пациентов отслеживается в режиме реального времени.
Когда данные поступают на платформу IoT, уровень приема направляет подмножество этих данных через конвейер, предназначенный для обработки точек данных в реальном времени. Аналитика горячих путей — один из фундаментальных строительных блоков корпоративных платформ Интернета вещей.
Читать всю статью в Forbes
Janakiram MSV — аналитик, консультант и архитектор. Подпишитесь на него в Twitter, Facebook и LinkedIn.
