Il Machine Learning valorizza l’IIot

L’Industrial Internet of Things (IIoT) sta già rivoluzionando settori come la manifattura, l’automotive e la sanità. Ma il valore reale dell’IIoT si sarà realizzato solo quando verrà applicata la tecnologia Machine Learning (ML) ai dati raccolti dai sensori. Questo articolo tenta di evidenziare come il Machine Learning aumenta le soluzioni IIoT, introducendo intuizioni intelligenti.

Il cloud computing è stato il più grande abilitatore dei dispositivi e delle imprese connesse con l'IoT. Un magazzino più economico combinato con un ampio potere di calcolo è il fattore chiave dietro l'ascesa dell'IIoT. Anche se è stato possibile catturare dati provenienti da diversi sensori e dispositivi, i clienti hanno riscontrato costi elevati per memorizzare i set di dati massicci. Anche dopo aver assegnato risorse sufficienti per l'archiviazione, nel centro dati aziendale mancava la potenza di calcolo necessaria per elaborare, interrogare e analizzare queste grandi moli di dati. Gran parte delle risorse disponibili sono state assegnate ai dati dei magazzini e ai sistemi di business intelligence che sono fondamentali per le imprese. L'adozione del cloud inteso come un data center esteso ha cambiato l'equazione. I vertici dell'industria, quali la produzione, l'automotive, la sanità e l'aeronautica, ora stanno acquisendo ogni possibile dato generato dai sensori. Sfruttano le capacità di memorizzazione in cloud, Big Data e Big Compute offerti da grandi provider cloud pubblici. Questo è stato il fattore più importante per accelerare l'adozione dell'IIoT nelle imprese.

La prima generazione di IIoT riguarda l'ingestione dei dati e l'analisi. I punti dati provenienti dai sensori passano attraverso diverse fasi prima di trasformarsi in intuizioni attive. Le piattaforme IIoT comprendono l'elaborazione dei dati in grado di essere trattati in tempo reale insieme a dati che hanno un senso solo per un determinato periodo di tempo. Il conduttore responsabile dell'elaborazione dei dati in tempo reale viene chiamato Hot Path Analytics. Ad esempio, potrebbe essere troppo tardi prima che la piattaforma IoT abbassi una macchina di riempimento di GPL dopo aver rilevato una combinazione insolita di soglie di pressione e temperatura. Invece, l'anomalia dovrebbe essere rilevata in millisecondi, seguita da un'azione immediata innescata da una regola. Un altro scenario che richiede l'elaborazione in tempo reale è l'assistenza sanitaria. Le statistiche vitali dei pazienti vengono monitorate in tempo reale.

Poiché i dati entrano nella piattaforma IoT, un livello di ingestione ne percorrerà un sottoinsieme attraverso un canale progettato per affrontare i dati in tempo reale. L'Hot Path Analytics è uno dei blocchi fondamentali delle piattaforme aziendali di IoT.

Al centro dell'hot path, l'analytics è il motore regolatore  che è responsabile dell'individuare un'anomalia. Le piattaforme Enterprise IoT incorporano un sofisticato motore di regole che può valutare dinamicamente i modelli complessi dai flussi di dati dei sensori in entrata. Gli esperti di dominio con una comprensione approfondita dello schema e del formato dati definiscono le soglie di base e la logica di routing per il motore di regole. Questa logica agisce come l'input critico al motore delle regole nell'orchestrare il flusso dei messaggi. Definisce le condizioni di "if-then" annidate che vengono valutate contro ogni punto di dati in entrata prima di passare alla fase successiva del canale di elaborazione dati.

Il motore di regole è diventato il nucleo delle piattaforme di IoT aziendali. AWS IoT include un motore di regole basato su SQL integrato con AWS Lambda. Amazon Kinesis Analytics, il servizio di analisi dei flussi in tempo reale viene fornito con un motore di regole. Lo stesso è il caso di Azure Stream Analytics, che in combinazione con Azure Event Hubs offre funzionalità di routing dinamiche. Quasi tutte le piattaforme industriali di IoT, incluse GE Predix, SAP Leonardo, PTC Thingworx e IBM Watson hanno motori di regole simili.

Una delle aree chiave di Machine Learning è trovare modelli dai set di dati esistenti per raggruppare punti di dati simili (classificazione) e per prevedere il valore dei dati futuri. Algoritmi avanzati connessi a entrambi i controlli supervisionati e non possono essere utilizzati per la classificazione e l'analisi predittiva. Poiché questi algoritmi possono imparare dai dati esistenti, possono identificare le soglie di base senza definirle esplicitamente. Poiché la maggior parte dei dati di IoT si basa sulla serie temporale, questi algoritmi possono prevedere valori futuri dei sensori basati sui dati storici.

Contattaci
 

Multimac Srl  -   800 593 293  -   info@multimac.it  -   P.Iva 01281830289  -   Company info  -   Privacy  -   Sitemap  -   Copyright © 2020. All rights reserved

Login

Per poter acquistare i prodotti su multimac.it è necessario accedere con la propria email e password.

Accedi

Password dimenticata?
Non possiedi i dati di accesso? Registrati

Chiudi

Login

Per poter acquistare i prodotti su multimac.it è necessario accedere con la propria email e password.

Accedi

Password dimenticata?
Non possiedi i dati di accesso? Registrati

Chiudi

Richiesta prezzo speciale
per progetto

» Leggi l'informativa sulla privacy Invia richiesta
Chiudi