Экономичный подход к доступным интеллектуальным продуктам с подключением к Интернету:несколько советов и примеров - Часть 1

Планируя выпустить свой первый умный, подключенный продукт, предприятия могут опасаться необходимых инвестиций. Однако есть способы снизить затраты на разработку и внедрение Интернета вещей и по-прежнему предлагать решение, приносящее пользу как поставщикам, так и клиентам.

Интернет вещей активно развивается в различных отраслях, и все больше и больше предприятий внедряют или рассматривают возможность внедрения интеллектуальных сетевых продуктов. Однако для многих участников бизнеса IoT звучит не только многообещающе, но и дорого, и они могут полагать, что передовые продукты, оснащенные датчиками и коммуникационными технологиями, находятся где-то за пределами тех инвестиций, которые они могут себе позволить, Алекс Григневич, консультант по автоматизации процессов и IoT, ScienceSoft .

Тем не менее мечта войти в мир IoT может сбыться при правильном подходе, например, с так называемым бережливый подход, который предполагает систематическую минимизацию отходов без ущерба для производительности (другими словами, внедрение только того, что необходимо, и сокращение того, что не добавляет ценности ни для покупателя, ни для продавца).

Таким образом, нет необходимости вкратце рассказывать о продукте в самом начале или откладывать запуск до тех пор, пока не накопится огромный бюджет - решение с хорошо продуманной архитектурой, поставляемое даже в рамках небольшого бюджета, может быть расширено за счет дополнительных функций позже.

В этой статье мы рады поделиться своим видением разработки и внедрения доступного Интернета вещей и показать способы развертывания эффективных интеллектуальных сетевых продуктов в рамках ограниченного бюджета.

Минимизация объема анализируемых данных

Хотя интеллектуальный, подключенный продукт теоретически может быть оснащен огромным количеством датчиков, снимающих многочисленные показания десятки и даже сотни раз в секунду, не каждое решение IoT требует большого количества датчиков и огромной частоты считывания для эффективной работы. Ради сокращения затрат на разработку и внедрение Интернета вещей можно анализировать только те данные, которые имеют решающее значение для производительности продукта.

Для этого не требуется много вычислительных узлов, и в некоторых случаях компания может даже прибегнуть к традиционным средствам хранения и обработки данных. В то же время вопрос состоит в том, чтобы выбрать оптимальный объем данных, необходимых для мониторинга и поддержки интеллектуального, подключенного продукта, но не жертвовать качеством работы этого продукта. Кроме того, минимизация объема анализируемых данных может быть частично решена с помощью фильтрации данных на шлюзах.

Пример:мониторинг уровня снега - Датчики собирают данные, например, каждые 30 минут (маловероятно, что уровень снега резко увеличится за эти периоды времени), а система Интернета вещей информирует службы по уборке снега о необходимости расчистить улицы в определенных городских районах.

Начать с решения с простой логикой

Упаковка IoT-решения со всеми возможными функциями не повлияет на его эффективность, когда эти функции используются недостаточно или совсем не нужны (более того, это может сделать умный, подключенный продукт медленным и неэффективным). С другой стороны, будет дешевле (и более безопасно с точки зрения рентабельности инвестиций) начать с добавления только базовой функциональности IoT, решающей реальные бизнес-проблемы, в умный, подключенный продукт.

Существует множество примеров простых решений Интернета вещей, которые работают с логикой на основе правил и даже не используют машинное обучение. В долгосрочной перспективе могут быть добавлены более продвинутые функции (а также новые модули в архитектуру подключенного продукта), когда компания получит соответствующие потребности и ресурсы.

Пример:умные контейнеры для мусора - Умное управление отходами - эффективная альтернатива традиционному сбору мусора по расписанию. Логика этого решения может быть довольно несложной:датчики, расположенные наверху контейнера для отходов, отправляют данные о том, что контейнер заполнен, а система IoT отправляет уведомление в службу сбора отходов. Как и в предыдущем примере, нет необходимости слишком часто получать данные с датчиков.

Простая логика этого решения может быть расширена за счет добавления компонента машинного обучения в архитектуру интеллектуального продукта в будущем. Например, можно составить графики вывоза мусора (прогнозируя время, когда контейнеры в определенных областях будут заполнены) и разработать наиболее удобные маршруты для машин для сбора мусора по городу.

Во второй части статьи мы продолжим обсуждение и рассмотрим еще два способа, которые позволяют предприятиям развертывать эффективные интеллектуальные подключенные продукты в рамках ограниченного бюджета.

Автор этого блога - Алексей Грежневич, консультант по автоматизации процессов и IoT, ScienceSoft

Об авторе

Алекс Грижневич - консультант по автоматизации процессов и IoT в ScienceSoft, компании, занимающейся консалтингом и разработкой программного обеспечения, со штаб-квартирой в МакКинни, штат Техас. Его более чем 17-летний опыт работы в сфере ИТ и ОТ включает программирование промышленных микроконтроллеров, разработку веб-приложений и настольных приложений, баз данных и решений для управления документами для нефтегазовой отрасли и логистики. Имея степень в области автоматизации и управления производственными процессами, Алекс сейчас специализируется на IoT и машинном обучении на основе данных датчиков.