IoT-gegevens benutten van de edge naar de cloud en terug

Het Internet-of-Things (IoT) biedt het potentieel om tal van taken drastisch te verbeteren, variërend van preventief onderhoud voor elektronische apparaten tot slimme verkeerslichten om congestie te helpen verminderen.

Als Pinakin Patel, hoofd Solutions Engineering voor MapR zegt dat veel van de use-cases het verzamelen van sensorgegevens van edge-apparaten vereisen die via een netwerkverbinding naar een gecentraliseerde applicatie worden gestuurd voor analyse voordat een actie wordt uitgevoerd; vaak terug aan de rand.

Deze klassieke input-, proces- en outputmethodologie wordt goed begrepen, maar elke IoT-omgeving kan een uitdaging voor gegevensbeheer zijn vanwege de enorme hoeveelheden gegevens die worden gecreëerd en de vertragingen die inherent zijn aan wereldwijde distributie.

Grotere IoT-gegevens

De uitdagingen van het verzamelen van gegevens van consumentgerichte apparaten, zoals draagbare technologieën en slimme thermostaten, zijn goed begrepen. Voor dat soort apparaten is de hoeveelheid gegevens te wijten aan het grote aantal apparaten, en elk afzonderlijk apparaat genereert niet per se veel gegevens.

Er zijn echter een nieuwe reeks uitdagingen voor IoT-apparaten die megabytes of gigabytes aan gegevens per seconde genereren. Real-time analyse van video, audio en 'lichtdetectie en -bereik' (LIDAR) zijn bijvoorbeeld allemaal gebieden waar de inkomende streams traditionele dataopslagarchitecturen zouden kunnen overweldigen.

Zeker, de infrastructuur zal moeten veranderen, aangezien die hoeveelheden gegevens waarschijnlijk de beschikbare bandbreedte zullen overweldigen om de gegevens in een centrale repository te aggregeren. Voertuigen, medische apparaten en booreilanden zijn perfecte voorbeelden van gegevensbronnen die een veel krachtigere architectuur nodig hebben dan die voor consumentgerichte apparaten. En naarmate deze IoT-gegevensstromen de gecentraliseerde clouds bereiken voor verwerking, zullen in toenemende mate kunstmatige intelligentie en machinaal leren helpen om inzichten te vinden en de daaropvolgende acties te genereren.

Voorbeeld gezondheidszorg

Het is echter moeilijk om in abstracto te praten over IoT, omdat elke use-case verschillende drijfveren en vereisten zal hebben. Laten we in plaats daarvan eens kijken naar een paar concrete voorbeelden als indicatie voor de soorten uitdagingen die erbij betrokken zijn.

De vroege opsporing en behandeling van chronische ziekten, zoals hartaandoeningen, kan levens redden en de kosten van de gezondheidszorg verlagen. Twee van de grootste vraagstukken zijn de coördinatie van de zorg en het voorkomen van ziekenhuisopnames voor mensen met chronische aandoeningen. In verschillende onderzoeken worden goedkopere sensoren gebruikt die de vitale functies van patiënten kunnen bewaken en deze gegevens samen met elektrocardiogram (ECG)-uitlezingen via mobiele netwerken als een regelmatige stroom naar applicaties in de cloud kunnen verzenden.

Deze diagnostische en bewakingstoepassingen analyseren de vitale functies en ECG-waarden van elke patiënt en houden rekening met historische gegevens uit medische dossiers. De gegevensstromen naar het systeem omvatten realtime streams, historische gegevens, patiëntgegevens en benchmarkgegevens die zijn gemaakt door enorme hoeveelheden eerdere scans van andere patiënten samen te voegen.

In dit voorbeeld hebben clinici, net als vele andere binnen het IoT-landschap, een workflow nodig die gegevens verzamelt, aggregeert en leert over een hele populatie van apparaten om gebeurtenissen en situaties te begrijpen. In dit scenario kan voor de detectie van een anomalie, zoals overmatige medicatie of waarschuwingssignalen van een dreigende cardiale gebeurtenis, meer intelligentie aan de rand nodig zijn, zodat ze zeer snel op die gebeurtenissen kunnen reageren.

De onderzoekers hebben een platform gebouwd dat gemeenschappelijke elementen gebruikt om zowel stream- als batchgegevens te verwerken binnen een gemeenschappelijke datafabric die kan helpen alle gegevens op dezelfde manier te verwerken, de toegang tot de gegevens te regelen en intelligentie toe te passen op een krachtige en schaalbare manier .

Voorbeeld auto

Deze datafabric-aanpak wordt ook geëxporteerd naar andere IoT-toepassingen. Zo wil Mojio — The IoT Connected Car een ecosysteem creëren waarin de auto-, verzekerings- en telecomindustrie samen kunnen floreren. Mojio is van plan om in de eerste fase 500.000 voertuigen aan te sluiten op zijn cloudplatform dat toegang zal bieden tot verschillende soorten gedrags-, diagnostische en contextuele gegevens, afhankelijk van de behoefte.

Bijvoorbeeld gedragsgegevens waarbij Mojio's telematica-apparaat informatie verzamelt over snelheid, stuur- en reminvoer om het vermoeidheidsniveau van een bestuurder te bepalen en waarschuwingen te geven. Gegevens over het rijgedrag op de lange termijn kunnen ook worden gebruikt om de gebruiker te helpen een zuinigere rijstijl aan te nemen en het risico door verzekeringsmaatschappijen te berekenen.

Convergentie en stoffen

In beide scenario's; de gezondheidsonderzoekers en connected car-ingenieurs onderzoeken nieuwe manieren om de next-gen apps te bouwen. De kern van deze projecten zijn verschillende veelvoorkomende technologieën, waaronder cloud-scale datastore tot krachtige database en geïntegreerde persistent streaming om nieuwe mogelijkheden te creëren voor enterprise-ontwikkelaars die applicaties willen ontwerpen, ontwikkelen en implementeren die tot nu toe onmogelijk waren.

De combinatie van deze elementen wordt vaak een geconvergeerd dataplatform genoemd en begint in een breder scala van IoT-gebruiksgevallen te worden toegepast. Deze platforms bieden voordelen, waaronder het creëren van een bestandsstructuur met hoge IOPS en lage latentie voor krachtige computerapps. Een ander voordeel is in realtime analysescenario's waar een datafabric tegelijkertijd kan opnemen, opslaan, analyseren, verwerken en beslissen, zonder kopieën te maken.

Terwijl IoT-gegevens van de edge naar de cloud en weer terug gaan, moeten organisaties de monolithische architecturen uit het verleden vergeten en convergentie beschouwen als het startpunt om de schaal te leveren die nodig is voor innovatieve nieuwe use-cases.

De auteur van deze blog is Pinakin Patel, hoofd Solutions Engineering voor MapR.

Over de auteur

Pinakin Patel is het hoofd van Solutions Engineering voor MapR. Hij heeft meer dan 25 jaar ervaring in de wereld van data en hoe organisaties waarde halen uit dit cruciale bedrijfsmiddel.