Kijken langs de horizon naar de "slimme" zeewisseling in IoT

We zijn allemaal overspoeld met de hype rond Internet of Things 'slimme dingen' en de naderende komst van onze robotopperheren, dus we hebben de neiging om het verbluffende wonder van de responsieve en intelligente computermetamorfose die op ons afkomt te minimaliseren.

Jarenlang zegt de IoT-gemeenschap dat als we echt willen dat 'dingen' van waarde zijn, ze niet dom kunnen zijn. De eerste golf was om alles met elkaar te verbinden, en daar hebben we vooruitgang geboekt. De volgende stap is om ‘dingen’ daadwerkelijk slimmer te maken.

Er zijn verschillende commerciële oplossingen die de belofte van het automatiseren van onze weg naar een productiever leven niet echt waarmaken. En de zorgen over het goed beveiligen van onze verbonden dingen wegen nog steeds zwaar. Maar er zijn echt transformatieve sprongen gemaakt in computercapaciteit en haalbare functionaliteit. De killer use case voor IoT is in aantocht, maar voordat ik definieer wat dat is en beschrijft hoe het zich gaat manifesteren, denk ik dat het belangrijk is om in grote lijnen vast te stellen hoe we hier zijn gekomen.

De “Drie-eenheid”

De impact van de open source-beweging bij het stimuleren van exponentiële sprongen in technologische vooruitgang kan niet worden geminimaliseerd. De algoritmen en computerinfrastructuur die 'slimme' dingen aandrijven - IoT, kunstmatige intelligentie en mogelijkheden voor machine learning - bestaan ​​​​al tientallen jaren. Iedereen bij de NSA kan je dat vertellen.

Het verschil zit hem nu in de toegankelijkheid voor de massa. Deze technologieën werden ooit angstvallig bewaakt, afgesloten van de rest van de wereld en alleen beschikbaar binnen formidabele instellingen met enorme middelen in zowel personeel als rekenkracht. Open source heeft dat allemaal veranderd. Nieuwe dingen hoeven niet meer vanaf nul te worden gebouwd, waardoor de innovatiecyclus wordt versneld. De wijdverbreide toegang tot kennisbanken en software stelt iedereen in staat om op de schouders van reuzen te bouwen en gebruik te maken van de wijsheid van menigten.

De creatieve explosie die door open source werd aangewakkerd, heeft ertoe bijgedragen dat de cloud is ontstaan, de tweede beweging die verantwoordelijk is voor het inluiden van ons nieuwe computertijdperk. Bevrijd van de fysieke beperkingen en kosten van individuele serverstacks en opslag op locatie, brak het tijdperk van de "app voor alles" aan en werd de capaciteit voor het on-demand verzamelen en consumeren van big data ontketend. Toen we eenmaal de rekenkracht konden schalen zonder te worden beperkt door geografie, werd onze technologie mobiel en werd de droom van kleinere en steeds krachtigere apparaten die kolossale hoeveelheden informatie verhandelen werkelijkheid.

Big data is de levensader van moderne computers. Maar gegevens doen niet iets en heeft op zichzelf geen waarde. Dit brengt ons bij de derde beweging in de ‘slimme’ revolutie:analytics. De soorten augmented computing die mensen nu in het dagelijks leven tegenkomen - spraakherkenning, beeldherkenning, zelfrijdende en autorijdende auto's - zijn gebaseerd op concepten die voortkwamen uit analyse en het nastreven van voorspellende analysemodellen, wat een rage was nog maar een paar jaar geleden.

Het ontmoedigende besef met voorspellende analyses was dat je, om effectieve modellen te trainen, zowel enorme hoeveelheden gegevens als tientallen gegevenswetenschappers nodig hebt om voortdurend gegevensmodellen te bouwen, te onderhouden en te verbeteren. We liepen opnieuw tegen de wegversperringen van toegang en beperkte middelen aan.

En zo komen we aan in het heden, waar de dingen in een nieuwe richting verschuiven. Het verschil is nu dat we geen leger datawetenschappers hoeven te rekruteren om modellen te bouwen; we hebben onze programma's geleerd om enkele van die obstakels voor zichzelf op te heffen.

Inherente intelligentie

Onze AI-gestuurde systemen, met name Deep Learning-systemen, kunnen nu miljoenen en miljoenen trainingssets krijgen, in dagen/uren trainen en continu opnieuw trainen naarmate er meer gegevens beschikbaar komen. Open source-tools en cloud computing zijn nog steeds belangrijk en evolueren nog steeds, en we verhandelen nog steeds massa's gegevens om bliksemsnelle analyses uit te voeren, maar onze programma's bevatten nu AI als de motor om zichzelf 'slimmer' te maken.

Deskundigheid uit enorm verschillende computerwerelden is gestold om programma's te doordrenken met voorheen onvoorstelbare mogelijkheden. De paradox is dat naarmate de cloud steeds krachtiger en goedkoper wordt, de slimme IoT-strategie erin bestaat om een ​​groot deel van de eerste regel van invoerverwerking van de cloud naar de edge te verplaatsen. Dit heeft twee doelen:beslissingen op het apparaat mogelijk maken zonder tussenkomst van de cloud en randpatronen en analyses aan de cloud leveren voor snelle analyses in de tweede fase. Tiny AI-engines kunnen nu bijna realtime analyses uitvoeren op edge-apparaten en 'dingen' die niet groter zijn dan een matchbook. En naarmate deze punten van rekenkracht steeds gewoner worden in gewone objecten - intelligente routers en gateways, autonome voertuigen, realtime medische bewakingsapparatuur - breidt hun potentiële functionaliteit exponentieel uit.

Kunstmatige intelligentie aan de rand

In de begindagen van IoT (ook bekend als M2M) lag de nadruk op het indien mogelijk naar de cloud brengen van gegevens. Elke nacht logbestanden FTP-en was een rage. Toen General Electric op het toneel verscheen met het 'industriële internet', begon iedereen te praten over realtime live dataconnectiviteit. Dat was een grote sprong voorwaarts ten opzichte van FTP, maar mensen behandelden edge-apparaten als gewoon "dingen" die gegevens voor analyse naar de cloud overbrachten. We zitten nu midden in een exponentiële omgekeerde fan van dat denken. Realtime vereisten herdefiniëren het paradigma. De cloud verschuift nu naar de rol van IoT-ondersteuning en tweederangs analyses, en de verwerking wordt naar de rand geduwd.

We werken bijvoorbeeld samen met een bedrijf aan de ontwikkeling van een medisch bewakingsapparaat van de volgende generatie. Aanvankelijk gingen we ervan uit dat we met zo'n klein apparaat ruwe data van het apparaat naar de cloud zouden sturen voor analyse. Maar dat is niet wat gewenst was, en dat is ook niet gebeurd. Het bedrijf wilde de analyses op de monitor. Ze wilden dat de analyse en patroondetectie rechtstreeks op het apparaat zouden plaatsvinden, acties op het apparaat zouden ondernemen en dat alleen "intelligente" (in tegenstelling tot onbewerkte) gegevens naar de cloud zouden worden verzonden. Het model verschilde drastisch van de standaard industriële M2M-operaties - waar alles met elkaar zou worden verbonden en batches gegevens die uit alle bronnen binnenkwamen, zouden worden verzameld en verwerkt op een bepaalde tijdlijn in een centrale opslagplaats.

Het hele doel van nu verbinding maken is het verkrijgen van onmiddellijke precisieresultaten op het punt van binnenkomst voor onmiddellijke antwoorden. Zelfs de lage latentie die betrokken is bij 'traditionele' cloudverwerking met honderdduizenden, zo niet miljoenen en miljarden apparaten, is niet zo efficiënt voor realtime edge-analyse als het gebruik van deze nieuwe architectuur. In sommige gevallen kunt u een gegevensreductie van 1.000x bereiken door alleen de analyses en patronen versus onbewerkte gegevens naar de cloud te sturen.

We handelen niet langer in domme verzamelapparaten; we hebben ze nodig om meer te doen dan alleen curator te zijn. Ze moeten kunstmatig (en natuurlijk) intelligent zijn - in staat om patroonherkenning en analyses uit te voeren in hun kleine motoren. Ze pushen die resultaten naar de cloud voor ander gebruik. Naarmate dit ideaal zich verspreidt, nemen ook de mogelijke toepassingen toe.

Zoals perfect belichaamd in het voorbeeld van een autonome auto, produceert dit dual edge/cloud-analysemodel nauwkeurige, realtime resultaten die voortdurend en automatisch kunnen worden verfijnd tegen de steeds groter wordende hoeveelheid gegevens, waardoor waardevolle, bruikbare informatie wordt geproduceerd en productieve actie wordt gestimuleerd. Zelfs een jaar geleden zou ik B.S. over dit idee van wijdverbreide IoT- en AI-integratie - maar edge computing en AI zijn echt uit het lab en in onze wereld doorgebroken. Het zal resultaten opleveren die we nog nooit eerder hebben gezien.

De killer use-cases voor IoT manifesteren zich via echt intelligente edge-apparaten - in oplossingen die speciaal zijn gebouwd voor specifieke problemen of taken, vervolgens onderling verbonden en onderworpen aan patronen die verder gaan dan hun oorspronkelijke toepassing. Naarmate meer en meer slimmere, AI-compatibele "dingen" worden opgenomen in ons dagelijks leven en opereren aan de randen van onze onderling communicerende netwerken, zullen we zien dat dingen verder gaan dan alleen maar verbonden zijn en naar het actief belichamen van intelligentie. Slimme dingen inderdaad.

Dit artikel is tot stand gekomen in samenwerking met Greenwave Systems.

De auteur is Vice President en Engineering System Architect bij Greenwave Systems, waar hij de ontwikkeling leidt van de edge-based visuele analyse en realtime patroonontdekkingsomgeving AXON Predict. Hij heeft meer dan 25 jaar ervaring met het uitvoeren van bedrijfssystemen en geavanceerde visuele analyseoplossingen.