In che modo l’apprendimento automatico si applica ai dati IoT
DeepSinger di Microsoft genera voci che possono cantare in inglese e cinese
Secondo uno studio , entro il 2025 ci saranno oltre 55 miliardi di dispositivi IoT, rispetto a circa 9 miliardi nel 2017. L’apprendimento automatico per funzionalità predittive è ora integrato con la maggior parte delle piattaforme IoT industriali , come Microsoft Azure IoT, Amazon AWS IoT o Google Cloud IoT Edge.
Ad esempio, se un sensore rileva calore o vibrazioni eccessivi, attiva un avviso. Se lo stesso sensore è connesso a Internet, i dati rilevati dal sensore possono anche essere sfruttati per disegnare più approfondimenti ed eseguire analisi per usi futuri.
Il significato dell’intelligenza dei bordi è in aumento poiché la domanda di servizi remoti in tempo reale senza soluzione di continuità è ai massimi livelli. I clienti preferirebbero i dispositivi a loro disposizione in modo che possano trarre immediatamente spunti e anche sentirsi al sicuro sui dati. Con le funzionalità basate sull’intelligenza artificiale, i dati IoT possono essere trasformati, analizzati, visualizzati e integrati in tutto l’ecosistema: dispositivi periferici, gateway e data center, nella nebbia o nel cloud.
L’IoT o l’Internet of Things è un sottoinsieme delle attività di edge intelligence di oggi. Un sistema IoT intelligente comprende i seguenti componenti chiave:
Parti meccaniche ed elettriche
Sensori, processori, archiviazione e software
Porte, antenne e protocolli
Analisi integrata per addestrare ed eseguire modelli AI ai margini
La creazione di una soluzione IoT di successo dipende da decine di miliardi di dispositivi che si trovano ai margini, nelle case e negli uffici, nelle fabbriche e nei campi petroliferi e agricoli, negli aerei, nelle navi e nelle automobili, ovunque.
Quindi, quando diciamo i dati IoT, che tipo di dati stiamo guardando?
Metadati : ID dispositivo, classe o tipo, modello, data di produzione, numero di serie dell’hardware, ecc.
Ad esempio, i dati di un sensore di temperatura in una stanza d’albergo possono essere rappresentati come segue:
Informazioni sullo stato: dati che descrivono lo stato corrente del dispositivo, non dell’ambiente. Queste informazioni possono essere lette / scritte.
Telemetria : si tratta di dati di sola lettura sull’ambiente, generalmente raccolti tramite sensori. Ogni sorgente di telemetria genera un canale. Questi dati vengono archiviati come una variabile con stato sul dispositivo o nel cloud.
Comandi: queste informazioni sono costituite da azioni eseguite da un dispositivo.
Informazioni operative : i dati come la temperatura operativa di un computer rientrano in questa categoria. Diventa rilevante in quanto si deve rispondere alle rotture e correggere il degrado delle prestazioni del software dopo gli aggiornamenti.
Oggi, tutte le principali società cloud forniscono una vasta gamma di servizi IoT insieme ai propri kit di sviluppo software che possono essere installati sul macchinario, che condivide i dati raccolti direttamente sul cloud, esegue il modello e fornisce approfondimenti o aggiorna il dispositivo IoT sulla macchina se non è solo un servizio di innesco. Leggi di più qui .
L’implementazione di IIoT dovrebbe apparire come segue:
I sensori IoT vengono aggiunti al macchinario che esamina variabili discrete come vibrazioni, rumore, calore e temperatura. Questi dati vengono quindi caricati nel cloud per analisi.
Ora ML entra in scena, il modello di machine learning si trova sulla piattaforma cloud e si nutre di dati in arrivo.
Il modello ML suddivide le informazioni in dati utilizzati per la formazione e per la verifica.
Il modello esamina centinaia di migliaia di record per anomalie, correlazioni e proiezioni, per elaborare un’ipotesi.
Una volta creata l’ipotesi, deve essere verificata e convalidata.
Una volta che un modello è stato convalidato, viene pubblicato come endpoint eseguibile. Successivamente, i dati di streaming live possono essere passati attraverso il modello addestrato e fare una deduzione sullo stato / integrità del macchinario in base a ciò che già conosce ed è stato addestrato a cercare.
Consideriamo ora l’esempio della manutenzione predittiva in un’azienda manifatturiera, Oden Technologies , che combina i vantaggi dell’IoT e del cloud per ridurre gli sprechi, aumentare l’efficienza e migliorare la sicurezza.
Oltre ai suoi dispositivi IoT, Oden sfrutta lo stack di strumenti IoT di Google Cloud che include anche moduli di apprendimento automatico. L’azienda afferma di gestire ogni giorno 10 milioni di metriche su un’unica linea di produzione. Queste metriche possono coprire informazioni come la quantità di elettricità che passa attraverso le macchine, la quantità di materia prima consumata, il volume di materiale prodotto e molti altri. I sensori possono anche acquisire e trasmettere informazioni ambientali come temperatura e umidità in modo che i produttori possano identificare gli impatti stagionali sulla produzione.
Una volta installati i dispositivi, la piattaforma dell’azienda elabora i dati per fornire ai produttori analisi all’avanguardia come l’analisi dettagliata delle cause alla radice fino alla seconda, prestazioni a livello di fabbrica in tempo reale e analisi delle tendenze.
