IoT zonder big data is niets
Stel je Industrial IoT voor als het zenuwstelsel van een bedrijf: het is een netwerk van sensoren dat waardevolle informatie uit alle hoeken van een productie-installatie verzamelt en opslaat in een opslagplaats voor data-analyse en exploitatie. Dit netwerk is nodig om gegevens te meten en te verkrijgen om weloverwogen beslissingen te kunnen nemen. Maar wat gebeurt er daarna? wat moeten we met al die gegevens? We hebben het altijd over het nemen van goede beslissingen op basis van betrouwbare informatie, maar hoewel het vanzelfsprekend klinkt, is het niet altijd zo eenvoudig om dat doel te bereiken. In dit artikel gaan we een beetje verder dan IoT en richten we ons op de gegevens en hoe deze te gebruiken met AIoT en gegevensanalyse.
We hebben het specifiek over de analysefase, het proces dat data eerst omzet in informatie en vervolgens in kennis (soms ook wel bedrijfslogica genoemd). Maar uiteindelijk zullen we niet ver afwijken van het kernonderwerp van IoT, want voor ons is IoT zonder Big Data zinloos.
Big data en data-analyse
In de afgelopen decennia, vooral in de jaren '10, zijn we getuige geweest van een ongelooflijke stroom gegevens (zowel gestructureerd als ongestructureerd), in massa geproduceerd door de alomtegenwoordigheid van digitale technologieën. In het specifieke geval van de industriële wereld is het van het grootste belang om te profiteren van en volledig gebruik te maken van deze enorme hoeveelheid informatie.
Deze behoefte om bedrijfsgegevens te verwerken heeft geleid tot de grotendeels uitwisselbare termen 'Big Data', 'Data Science' en 'Data Analytics', die we gezamenlijk zouden kunnen definiëren als de processen die we volgen om de gegevens te onderzoeken die zijn vastgelegd door ons netwerk van apparaten , met als doel versluierde trends, patronen of correlaties aan het licht te brengen. Dit wordt gedaan met het achterliggende doel om de business te verbeteren met nieuwe soorten kennis.
Omdat het een recent gecreëerde term is, zijn er verschillende definities voor Big Data. Een van hen wordt geleverd door Gartner schetst 3 belangrijke aspecten: de volume van gegevens, het is variëteit, en de snelheid waarmee het wordt vastgelegd. Deze worden gewoonlijk de 3 V's genoemd, hoewel andere definities dit uitbreiden met 5 V's, waarbij de waarheidsgetrouwheid van de gegevens en de waarde ze brengen naar het bedrijf.
Wij zijn echter van mening dat het weinig zin heeft om in theoretische beschouwingen te gaan over wat wel en niet kwalificeert als big data, omdat dankzij de alomtegenwoordigheid van apparaten voor gegevensverzameling, big data-analyse en -verwerking al toepasbaar is op grote delen van de industriële wereld.
IoT en big data
Hoe verhouden IoT en Big Data zich tot elkaar? Het belangrijkste verbindingspunt is meestal een database. In algemene termen zouden we kunnen zeggen dat het werk van IoT eindigt bij die database; Anders gezegd, het doel van IoT is om alle verzamelde gegevens op een min of meer geordende manier in een gemeenschappelijke repository te dumpen. Het domein van Big Data begint met toegang tot die repository om de verkregen gegevens te manipuleren en de benodigde informatie te krijgen.
Het is in ieder geval handig om IoT te visualiseren Big Data Analytics als gereedschapskist. Afhankelijk van het type informatie en kennis dat we uit de gegevens willen halen, zullen we er een of ander hulpmiddel uit halen. Veel van deze tools komen in de vorm van traditionele algoritmen, evenals verbeteringen aan of aanpassingen van die algoritmen, met zeer vergelijkbare statistische en algebraïsche principes. Deze algoritmen zijn niet uitgevonden in deze eeuw, tot verbazing van velen die zich afvragen waarom ze nu relevanter zijn dan voorheen.
Het snelle antwoord is dat de hoeveelheid beschikbare gegevens nu veel groter is dan toen de algoritmen voor het eerst werden bedacht, maar wat nog belangrijker is, de rekenkracht van de huidige machines maakt het gebruik van deze technieken op grotere schaal mogelijk, waardoor oude methoden nieuw kunnen worden gebruikt.
Maar we willen niet de indruk wekken dat alles al is uitgevonden en dat de huidige trend in data-analyse niets nieuws op tafel heeft gelegd; integendeel zelfs. Het data-ecosysteem is zeer breed en heeft de afgelopen jaren veel innovatie meegemaakt.
Een van die snelst groeiende gebieden is kunstmatige intelligentie. Men zou kunnen stellen dat dit niet geldt als een recente uitvinding, aangezien dit fenomeen al in 1956 werd besproken. Kunstmatige intelligentie is echter zo breed een concept en de impact ervan is zo wijdverbreid dat het vaak wordt beschouwd als een op zichzelf staande discipline. De realiteit is echter dat het in sommige opzichten een integrale rol speelt in Big Data en Data Analytics. Het is een van de tools die al in onze metaforische toolbox zitten, maar een natuurlijke evolutie heeft gevonden met AIoT.
AIoT: de kunstmatige intelligentie van dingen
De exponentiële groei van de hoeveelheid gegevens vereist nieuwe manieren om deze te analyseren. In deze context wordt Artificiële Intelligentie bijzonder relevant. Volgens Forbes de twee belangrijkste trends die de technologische industrie domineren, zijn het internet der dingen (IoT) en kunstmatige intelligentie.
IoT en AI zijn twee onafhankelijke technologieën die een aanzienlijke impact op elkaar hebben. Hoewel IoT kan worden gezien als het digitale zenuwstelsel, zou AI ook een geavanceerd brein zijn dat de beslissingen neemt die het algehele systeem besturen. Volgens IBM zal het ware potentieel van IoT alleen worden bereikt door de introductie van AIOT.
Maar wat is kunstmatige intelligentie en hoe verschilt het van conventionele algoritmen?
We spreken meestal van kunstmatige intelligentie wanneer een machine de cognitieve functies van mensen nabootst. Dat wil zeggen, het lost problemen op dezelfde manier op als een mens zou doen, of hypothetisch als een machine nieuwe manieren zou vinden om gegevens te begrijpen. De kracht van AI is het vermogen om nieuwe algoritmen te genereren om complexe problemen op te lossen - en dit is de sleutel - onafhankelijk van de input van een programmeur. Zo zouden we kunstmatige intelligentie in het algemeen en machine learning in het bijzonder (het segment binnen AI met het grootste verwachte groeipotentieel) kunnen zien als algoritmen die algoritmen uitvinden.
Edge AI en Cloud AI
De combinatie van IoT en AI brengt ons het concept van AIoT (Artificial Intelligence of Things), intelligente en verbonden systemen die in staat zijn om zelf beslissingen te nemen, de resultaten van deze beslissingen te evalueren en in de loop van de tijd te verbeteren.
Deze combinatie kan op verschillende manieren, waarvan we er twee uitlichten:
- Enerzijds zouden we AI kunnen blijven conceptualiseren als een gecentraliseerd systeem dat alle impulsen verwerkt en beslissingen neemt. In dit geval hebben we het over een systeem in de cloud dat alle telemetrie centraal ontvangt en daarnaar handelt. Dit zou worden aangeduid als Cloud AI (Artificial Intelligence in the Cloud).
- Aan de andere kant moeten we het ook hebben over een heel belangrijk onderdeel van ons metaforische zenuwstelsel: reflexen. Reflexen zijn autonome beslissingen die het zenuwstelsel neemt zonder dat alle informatie naar de centrale processor (de hersenen) hoeft te worden gestuurd. Deze beslissingen worden genomen in de periferie, dicht bij de bron waar de gegevens vandaan komen. Dit heet Edge AI (kunstmatige intelligentie aan de rand).
Use Cases voor Edge AI en Cloud AI
Cloud AI biedt een grondig analyseproces dat rekening houdt met het hele systeem, terwijl Edge AI ons reactiesnelheid en autonomie geeft. Maar net als bij het menselijk lichaam sluiten deze twee manieren van reageren elkaar niet uit en kunnen ze zelfs complementair zijn.
Als voorbeeld een waterregelsysteem: kan een klep in het veld blokkeren zodra het een lek detecteert om grote waterverliezen te voorkomen en tegelijkertijd een melding naar het centrale systeem te sturen waar beslissingen op hoger niveau kunnen worden genomen, zoals het openen van alternatieve kleppen om water door een ander circuit te kanaliseren .
De mogelijkheden zijn eindeloos en kunnen verder gaan dan dit vereenvoudigde voorbeeld van reactief onderhoud, met een geavanceerd systeem dat mogelijke gebeurtenissen kan voorspellen en dus de mogelijkheid van voorspellend onderhoud mogelijk maakt.
Een ander voorbeeld van AIoT-gegevensanalyse is te vinden in: slimme netwerken, waar we slimme apparaten aan de rand hebben die de elektriciteitsstromen op elk knooppunt analyseren en lokaal load-balancing-beslissingen nemen, terwijl het tegelijkertijd al deze gegevens naar de cloud stuurt voor analyse om een uitgebreidere, landelijke energiestrategie te genereren. Analyse op macroscopisch niveau zou het mogelijk maken om op regionaal niveau load balancing-beslissingen te nemen, of zelfs de elektriciteitsproductie te verlagen of te verhogen door waterkrachtcentrales te sluiten of een stroomaankoopproces van een buurland te starten.
PlatoAi. Web3 opnieuw uitgevonden. Gegevensintelligentie versterkt.
Klik hier om toegang te krijgen.
