Hoe AI IoT-omgevingen zal verbeteren

Heel vaak gedraagt ​​een Internet of Things (IoT)-omgeving zich normaal, het doet wat de ontwerpers ervan hebben bedoeld. Maar van tijd tot tijd gaan er dingen mis, zegt Will Cappelli, CTO EMEA en Global VP Product Strategy bij Moogsoft, gebeurtenissen kunnen plaatsvinden die erop wijzen dat het platform zich niet gedraagt ​​op een manier die was voorzien of gewenst. Daarom is een interventie nodig om de koers te resetten en zaken bij te stellen. Maar hoe werkt dit proces?

De traditionele benaderingen van IoT-incidenten

Over het algemeen kan het worden beschreven als een verband tussen een signaal en een reactie - de omgeving signaleert dat er iets mis is dat naar een responder wordt gestuurd. De responder, die een mens of robot kan zijn, reageert op het signaal en verandert dingen. Als je naar traditionele IoT-omgevingen kijkt, waren er twee soorten signaal-/reactiemechanismen.

Ten eerste was er het "snelle maar domme" reactiemechanisme dat de meeste IoT-omgevingen gebruiken. Je zou een signaal hebben dat via een vast pad naar een specifieke responder zou gaan die meestal maar één ding zou doen, of het zou kunnen kiezen uit een menu van drie of vier dingen en kijken om de sensor te repareren of het netwerk opnieuw op te starten. Het zou heel snel werken.

De tweede benadering is "slim maar traag" die voornamelijk beschikbaar was via leveranciers van logbeheer. Deze aanpak is gebaseerd op het proberen de juiste beslissing te nemen in een complexe omgeving - je kunt niet zomaar een paar opties hebben om uit te kiezen. Je moet op elke situatie uniek reageren.

De theorie is om enorme hoeveelheden gegevens over de omgeving te verzamelen in een ongestructureerde database voor logbeheer en besluitvormers te voorzien van een hele reeks hulpmiddelen om de omgeving te begrijpen, waardoor ze een breed scala aan keuzes krijgen over wat de beste oplossing.

Dit kan ongetwijfeld zeer nauwkeurige resultaten opleveren, maar het proces is traag, de latentie kan weken duren. Vooral in een IoT-omgeving heeft dat geen zin, omdat je niet zoveel tijd hebt om de juiste beslissingen te nemen.

Waarom AIOps gebruiken in IoT

Beide scenario's zijn vóór de opkomst van Artificial Intelligence for IT Operations (AIOps). Wat AI- en AIOps-benaderingen creëren, is dat via automatisering de analyse van de taak u een "snelle maar slimme" manier kan bieden om een ​​IoT-systeem te beheren. Het neemt in feite het langzame maar slimme model, maar automatiseert het menselijke inzicht, wat resulteert in een significante vermindering van de latentie tussen signaal en respons - maar cruciaal zonder de kwaliteit van de respons op te offeren. Op een fundamenteel niveau is dat wat AIOps naar voren brengt als het gaat om het beheren van een IoT-omgeving.

Laten we specifieker zijn. Door gedragstrends te onderzoeken en te voorspellen waar deze trends het netwerk beïnvloeden, kan AIOps snel incidenten voorspellen voordat ze zich voordoen. AIOps vermindert ook aanzienlijk de hoeveelheid tijd die nodig is om erachter te komen wat de oorzaak van een prestatieprobleem is. In wezen kan het u helpen in de toekomst en in het verleden te kijken. Bovendien kan AIOps redundantie in de omgeving effectiever orkestreren. Als u bijvoorbeeld een groep sensoren heeft die degraderen, kunt u met AIOps verschillende sensoren inzetten, wat resulteert in een kosteneffectieve toewijzing van middelen.

AIOps en IoT-futures

Als we naar de toekomst kijken, wordt er veel onderzoek gedaan naar autonome voertuigen, maar laten we niet te ver op de zaken vooruitlopen. Relevanter voor nu is het concept van geconnecteerde voertuigen. In zekere zin zijn geconnecteerde voertuigen een tussenstation tussen traditionele autotechnologie en autonome voertuigen. Wat ik hiermee bedoel, is dat er meerdere sensoren worden ingevoerd in een gemeenschappelijke service die aan een reeks auto's wordt geleverd. Het kan zo eenvoudig zijn als verkeersopstoppingen. Op basis van de informatie die verbonden voertuigen naar het moederschip sturen, kan worden bepaald waar zich congestie voordoet, wat uiteindelijk de voorgestelde route naar een bepaald voertuig op dat specifieke systeem zal veranderen.

In de toekomst zullen we geautomatiseerde intelligentie gaan zien, niet alleen als een aanvulling op IoT, maar het zal in wezen een laag worden van wat het betekent om alles te automatiseren. Zie het als een intelligentieweefsel dat alle apparaten omvat. Dus in de toekomst zullen alle IP-apparaten, variërend van koelkasten tot lichtschakelaars tot wasmachines, intelligente bewerkingen verwerken.

Waarom IoT AI nodig heeft

IoT brengt uitdagingen met zich mee die de inzet van AIOps vereisen om een ​​complete oplossing te bieden. Wat betekent dit? IoT introduceert complexiteiten in de omgeving die de ondersteuning van AI-technologieën vereisen om uitdagingen aan te gaan. Dit wordt voornamelijk bereikt door gebruik te maken van intelligente automatisering om belangrijke gegevens te selecteren uit het spervuur ​​aan gegevens dat wordt gegenereerd door uw IoT-omgeving.

Er zijn echter een aantal andere problemen die AI oplost:het vermogen om patronen te ontdekken in een significante dataset, het vermogen om conclusies te trekken op basis van die patronen, het vermogen om die resultaten te communiceren en uiteindelijk de mogelijkheid om een ​​corrigerende reactie te automatiseren dat wil zeggen als de IoT-omgeving een of andere vorm van interventie vereist om ervoor te zorgen dat deze effectief blijft presteren.

In wezen zijn de taken die AI uitvoert voor een IT-infrastructuur of een applicatieportfolio hetzelfde als wat het doet voor een IoT-omgeving. De factoren die AI een noodzaak hebben gemaakt voor IT-operaties zijn dezelfde factoren voor IoT, maar versterkt omdat de omgeving sterk modulair is en er een aantal elementen zijn die bijna autonoom werken.

Bovendien is de IoT-omgeving sterk gedistribueerd, waardoor dynamische relaties tussen de componenten voortdurend veranderen. Ten slotte het feit dat componenten binnen een IoT-omgeving kortstondig zijn en in en uit bestaan ​​komen met een zeer korte levensduur. Dit zijn dwingende redenen waarom IoT de mogelijkheden van AI en AIOps in het bijzonder nodig heeft.

Hoe zal IoT AIOps helpen evolueren?

Het lijdt geen twijfel dat IoT een impact zal hebben op de evolutie van AIOps. Momenteel zijn de meeste AIOps-systemen sterk gecentraliseerd - gegevens komen aan op een centrale locatie waar de AI wordt toegepast. Nu, wanneer toegepast op een IoT-omgeving, zijn er vereisten om analyses lokaal uit te voeren, wat een distributie-element introduceert in het AIOps-systeem. Het vereist AI om aan de rand te werken.

Over het algemeen zal IoT AIOps dwingen om meer een systeem van gedistribueerde agents te worden en naar het netwerk te gaan, in plaats van een gecentraliseerde service te zijn die alleen gegevens opneemt. Dit is wat ik voorzie als de grootste verandering die IoT zal afdwingen op wat we momenteel zien als AIOps.

Dit is niet eenvoudig, er zijn uitdagingen. Niet alleen in het ontwikkelen van passende software en hardware, maar ook conceptueel uitdagend. We hebben een hele nieuwe voorraad conceptuele ontwerpmetaforen nodig die softwareontwikkelaars niet gewend zijn te gebruiken. Maar ik weet zeker dat het niet te lang zal duren om zich aan te passen.

De auteur van deze blog is Will Cappelli, CTO EMEA en Global VP Product Strategy, Moogsoft