Все вещи, которые подключены к Интернету, можно разделить на три категории:
1. Вещи, которые собирают информацию, а затем отправляют ее.
2. Вещи, которые получают информацию, и интерпретируют ее.
3. Вещи, которые умеют делать оба вышеизложенных пункта и реагировать.
Сбор информации осуществляется с помощью датчиков. Датчики автоматически собирают данные из среды. Эти данные могут быть простыми (например, температура или влажность), или сложными (например, видеопоток).
Датчики являются критически важной частью Интернета вещей, служа «чувствами» системы и средством взаимодействия с миром. Выбор аппаратного обеспечения влияет на все последующие процессы.
Данные от вещей 1 поступают к вещам 2, которые интерпретируют информацию в визуальный ряд (например, таблицы данных).
Вещи 3 – это уже целый комплекс устройств, и они могут принимать решение.
Например, если здание оборудовано интеллектуальными системами управления, можно автоматически регулировать температуру в зависимости от загруженности (сколько человек сейчас находится в различных офисах здания), факторов окружающей среды (некоторые помещения лучше освещаются солнечным светом и нуждаются в кондиционировании), с учетом дополнительных факторов (сегодня может быть выходной, поэтому в офисе никого нет).
Весь комплекс необходимых для технологии IoT ресурсов и процессов условно можно разделить на четыре пункта:
- Вещи (датчики или системы датчиков).
2. Связь (устойчивое подключение к интернету).
3. Процесс обработки данных.
4. Интерфейс, удобный для пользователя.
Источник изображения: dzone.com
Важным аспектом крупномасштабного решения с использованием IoT является операционный компонент.
Если у нас есть только один датчик, или даже несколько сотен датчиков – обработка данных не займет много времени.
Но если речь идет о производственной системе с миллионами датчиков, распределенных в пространстве (например, система городского транспорта), потребуется специальное программное обеспечение, устойчивая связь и суперкомпьютеры.
Для подключения вещей к интернету существует огромное количество вариантов. Сотовая связь, спутниковая связь, WiFi, Bluetooth, RFID, и Ethernet - это лишь некоторые из возможных способов подключения.
Идеальным вариантом подключения будет тот, в котором сочетаются малое потребление энергии (это особенно важно, если датчик ставится на удаленное оборудование без возможности заменить источник питания в любой момент) и высокая пропускная способность для передачи больших объемов данных.
Обработка данных может осуществляться локально, или с использованием «облаков». Технически для IoT облака не нужны. Обработка данных может осуществляться локально.
Но для агрегирования данных использование облака имеет важное значение. Например, умная сельскохозяйственная компания сможет сравнивать данные о влажности почвы в различных регионах своего присутствия. Умные научные суда могут передавать в облако данные о температуре и составе воды на разных акваториях. Примеров может быть много. Без облака сравнивать данные, полученные от географически распределенных областей, гораздо сложнее.
Датчики собирают данные и дают команды на необходимые действия, но обработка/управление/аналитика, как правило, происходит в облаке.
Важным компонентом Интернета вещей являются «платформы IoT».
Платформы IoT - это вспомогательное программное обеспечение, которое объединяет все в системе IoT - обеспечивает связь и подключение оборудования, управление устройствами и потоком данных, обрабатывает различные протоколы связи, собирает, визуализирует и анализирует данные, обеспечивает безопасность и аутентификацию данных, осуществляет интеграцию с другими сервисами.
Для интерпретации данных во многих случаях применяется традиционный анализ данных, позволяя создавать отчеты или модели того, что происходило в системе ранее или происходит сейчас. Аналитика данных дает возможность количественно оценить и отследить цели, обеспечить более разумное принятие решений, и предоставить критерии для оценки процесса во времени.
Однако модели данных, типичные для традиционной аналитики данных, как правило являются статичными. Когда дело доходит до IoT, часто необходимо учитывать меняющиеся внешние факторы.
Машинное обучение применяется для установления взаимосвязи между переменными. Основываясь на исходных переменных (например, необходимости экономии энергии), автоматически ищет влияющие на это переменные и их взаимодействия.
В общем, машинное обучение полезно, когда известна цель, но не ясны важные исходные данные для принятия этого решения.
Машинное обучение незаменимо для прогнозирования будущих событий. Предиктивная аналитика, ставшая возможной благодаря машинному обучению, чрезвычайно важна для многих приложений IoT.
Интернет вещей является неотъемлемой частью для успешной реализации систем цифровых двойников. Платформы IoT необходимы для интеграции потоков данных с датчиков и обеспечения плавной и точной двунаправленной передачи данных между физическим и виртуальным объектами.
Материалы по теме: Расшифровка вебинара «IoT - Интернет вещей»