Der heutige Beitrag stammt von Joseph A. di Paolantonio, einem Branchenexperten, der an der Konvergenz von IoT mit Datenmanagement und -analyse bei DataArchon.com und dem Boulder BI Brain Trust arbeitet. Joseph A. di Paantonio kann auf eine Karriere zurückblicken, die mit der Forschung im Bereich der erneuerbaren Energien an der Universität und in der Industrie begann, mit der Entwicklung von Risikobewertungsmodellen und Algorithmen für Luft- und Raumfahrtsysteme und mit der Leitung von Teams für Enterprise Data Warehousing, BI und Data Science.
Was es mit IOT auf sich hat
Wir fragen uns schon seit langem , was das IoT eigentlich ist. Seit Kevin Ashton den Begriff 1999 geprägt hat, und vielleicht sogar seit Nikola Tesla 1898 zum ersten Mal mit einem ferngesteuerten Boot gespielt hat. Für viele reicht es schon aus, ein Gerät, keinen Computer, keinen Router, mit dem Internet zu verbinden. Aber selbst wenn alles, was uns umgibt, sei es bei der Arbeit, zu Hause, im Beruf oder in der Freizeit, vernetzt wäre - ist das dann das Internet der Dinge? Wird dies dem Hype oder den Geschichten rund um das IoT gerecht? Ganz und gar nicht.
Wenn wir uns die Entwicklung des IoT ansehen, sehen wir eigentlich ein Internet der Dinge oder viele Intranets mit ähnlichen Dingen. Es entstehen viele vertikale Bereiche, wie z. B. das industrielle Internet der Dinge, wobei innerhalb der einzelnen vertikalen Bereiche noch feiner abgestufte Silos entstehen. Teilbereiche des IoT entstehen in traditionellen Branchen wie dem Gesundheitswesen, dem öffentlichen Verkehr, selbstfahrenden Autos, der Landwirtschaft und dem Bergbau. Und alte Märkte wie die Hausautomatisierung, fortschrittliche Messinfrastruktur und Stadtplanung werden durch das IoT als Smart Homes, Smart Grids und Smart Cities neu belebt. Doch ob man nun zu den Tesla-Experimenten mit RC zurückgeht oder zu den ersten eingebetteten Computern der 1980er Jahre oder sogar zu den RFID-Chips (Radio Frequency Identification) in Verbrauchsgütern, die Herrn Ashton dazu brachten, den Begriff zu prägen - das IoT steht noch ganz am Anfang. Täuschen Sie sich nicht, das IoT ist da, aber in unterschiedlichen Reifegraden, während wir uns entlang eines Modells von Connect, Communicate, Collaborate, Contextualize und Cognition weiterentwickeln. Der gemeinsame Nenner all dieser unterschiedlichen Implementierungen von IoT-Konzepten ist die Verwendung einer sich weiterentwickelnden Datenverwaltung und -analyse (DMA). Diese Entwicklung hat sich durch die Konzepte von Big Data und neuerdings auch von Fast Data beschleunigt. Ein weiterer gemeinsamer Nenner ist, dass die Verwendung von fortschrittlicher DMA in Verbindung mit IoT-Technologien und -Prozessen zu ähnlichen Wertvorstellungen führt:
- Kundenverständnis und Kundenbindung
- Verbesserungen unterm Strich
- Prozess-Effizienzen
- Vorhersagen für Wartung, Empfehlungen, Abwanderung und Käufe
All dies und mehr wird verbessert, wenn die Silos im IoT beginnen, Lösungsräume zu unterstützen, die durch die Prozesse und Technologien von IoT DMA einzigartig bedient werden, und noch mehr, wenn diese sich zu Sensor Analytics Ecosystems (SAE) entwickeln.
IoT-Datenmanagement und Sensoranalyse
Der aus dem IoT zu ziehende Wert, ob wir nun über das gesamte vertikale IoT oder ein riesiges übergreifendes IoT sprechen, ergibt sich aus Daten. Der wichtigste Punkt ist, dass dieser Wert in der Cloud, an anderen zentralen Punkten wie dem "Backoffice" oder einer Kommandozentrale, am Rand, wo die Sensoren und Aktoren leben, und an jedem Punkt dazwischen zu finden ist. Nehmen wir das Transportwesen als Beispiel. Jeder Sensor und Aktor in einem Fahrzeug, der mit dem Internet verbunden ist, muss mit anderen Sensorpaketen innerhalb des Fahrzeugs und auf Parkplätzen kommunizieren, es kann eine Zusammenarbeit zwischen Fahrzeugen auf einer gemeinsamen Straße oder in einem gemeinsamen Gebiet geben, und das Fahrzeug benötigt Kontext aus anderen Daten, die von Knotenpunkten und Gateways in der Stadt und dann von der Cloud bezogen werden - Vermeidung von Verkehrsgefahren oder unberechenbarem Fahrer oder Verfügbarkeit von Parkplätzen, und wir sehen bereits Beispiele von Kognition in autonomen Fahrzeugen und Lieferrobotern. Was mit den Konzepten von Big Data begann, beschleunigt sich zu einer erstaunlich komplexen Verflechtung zahlreicher Datenströme, sowohl in Echtzeit als auch aus der Vergangenheit, die Algorithmen, Vorwissen und Trainingssätze im laufenden Betrieb aktualisieren, während jeder kleine Datensatz von jedem Sensor-Aktor-Paar über Sammlungen von Objekten und im Laufe der Zeit aufgebaut wird. Natürlich kann es sein, dass nicht alle diese Datensätze kompatibel sind. Mit solchen Dateninkompatibilitäten haben wir zu tun, seit das erste Data Warehouse auf den Markt kam. Aber können Sie sich vorstellen, IoT-Szenarien mit einem Data-Warehouse-Projekt aus den 1990er Jahren zu bewältigen? Ganz und gar nicht. Vielleicht können Standards helfen.
Normen sind großartig... Es gibt so viele von ihnen
Wir verfolgen über dreißig Normungsgremien, von denen viele Hunderte von sich überschneidenden und widersprüchlichen Normen für das Internet der Dinge im Allgemeinen oder in bestimmten Branchen haben, die den IoT-Datentransport, Sensordatenpakete, semantische Protokolle und IoT-Kommunikationsprotokolle betreffen. All diese Normen können sehr verwirrend sein. Der Versuch, herauszufinden, wie diese Standards in Ihren Datenfluss und Ihre Geschäftsprozesse passen, kann entmutigend sein. Aber noch wichtiger ist, dass wir uns ansehen, wie Anwendungsprogrammierschnittstellen und Metadaten Sie bei Ihren Bemühungen unterstützen können, IoT-Konzepte in Ihrem Unternehmen einzuführen. Genauso wenig wie wir uns vorstellen können, das IoT-Datenmanagement wie ein Data Warehouse in den 1990er Jahren zu lösen, müssen wir nach neuen Lösungen für die Zusammenführung von IoT-Daten suchen. So kann beispielsweise ein Sensor oder eine IoT-Plattform seine Daten als JSON und eine andere als XML verpacken. Ersetzen Sie einen Sensor, der JSON verwendet, durch einen anderen, der XML verwendet, und zusätzlich zu der Anforderung, diese unterschiedlichen Daten zu parsen, müssen Sie auch erkennen, dass die neuen Daten eine Fortsetzung der alten Daten darstellen und dass die Sensoranalyse von diesem Ort aus reibungslos fortgesetzt werden muss. Vielleicht müssen wir die Daten über MQTT, CoAP oder Streaming SQL in Apache Calcite einlesen. Vielleicht möchten wir die Daten in Echtzeit mit Hilfe von Modellen für maschinelles Lernen auswerten, während wir die Daten sammeln. Zeitreihendaten, Standortdaten und all die verschiedenen Metadaten über Sensoren, Aktoren, Pakete, Geräte, Algorithmen und spezifische Verwendungszwecke müssen mit einer zweiseitigen Rückverfolgbarkeit verwaltet werden, um eine kontinuierliche Datenabfolge zu gewährleisten. Die Werkzeuge und die Architektur für den Umgang mit IoT-Daten und den Aufbau von SAE unterscheiden sich stark von den Geschäftsabläufen und Anforderungen von vor einem Jahrzehnt.
Architektur
Die Datenarchitektur kann nicht mehr nur auf dem einfachen Datenfluss von internen Transaktionssystemen in Data Warehouses für die Berichterstattung und die Online-Analyseverarbeitung (OLAP) basieren. Einen hervorragenden Überblick über eine moderne Datenarchitektur mit der Umsetzung durch das Data Lake-Konzept finden Sie im Whitepaper und Webinar von Mark Madsen von Third Nature. Eine Datenarchitektur, die IoT-Daten einbezieht, muss mehrere Faktoren berücksichtigen, die nicht zum Standard gehören.
- Streaming-Analytik
- Interaktionen zwischen den Erfassungs-, Aggregations- und Analysepunkten vom Sensorpaket über den Netzrand, die Gateways und die regionalen Zentren bis hin zur Cloud und wieder zurück
- Aktualisierungen des Vorwissens, der Trainingssätze und Testverteilungen sowie der Modelle
- fortschreitende Algorithmen
- offene Daten
- wechselnde Drittanbieterquellen
- Ableitung von Kontext aus dem Edge für zentrale OT- und IT-Systeme, Cloud, On-Premises oder Hybrid
- Kontext von überall her an den Rand bringen
Mitbringsel
Während des Webinars werden wir fünf Möglichkeiten erörtern, wie sich die Webinarteilnehmer auf das IoT in ihren eigenen Unternehmen vorbereiten können.
- Identifizierung von instrumentierten Produkten und Dienstleistungen
- Definition von Verbesserungspotenzialen aus IoT-Daten
- Welche Daten erheben Sie derzeit? Welche Daten sind verfügbar, die Sie nicht erheben? Welche Daten benötigen Sie, um die Verbesserungen zu erreichen?
- Wie werden Sie die neuen Datensätze über alle Erfassungs-, Speicher- und Verwendungspunkte vom Edge bis zur Cloud verwalten und integrieren?
- Welche DMA-Infrastruktur steht zur Verfügung oder wird für den Echtzeit-Dateneingang und die Kombination von Echtzeit- und historischen Daten benötigt?
Die Details sind immer der interessante Teil, daher hoffe ich, dass Sie sich anmelden und am 27. Oktober 2016 um 10:00 Uhr PDT an der Diskussion teilnehmen.
