Четыре проверенных шага превращения IoT-данных в действенные инсайты
Сегодня повседневные IoT-устройства генерируют больше данных, чем все соцсети вместе. Каждое устройство может передавать данные несколько раз в секунду, так что типичная аналитическая платформа может обрабатывать миллиарды событий ежедневно.
Обработка такого объёма — существенный технический вызов, но сырой девайс-данные — однажды хранящиеся в предобработанном формате — не напрямую действенны. Извлечение ценности требует тщательного анализа.
Ключевая аналитическая цель в IoT — детекция аномалий, идентифицирующая поведение устройств, резко отклоняющееся от исторических паттернов или ожидаемых норм.
Ваши автономные газонокосилки работают гладко?
В одном из наших anomaly-detection пилотов мы мониторили флот автономных газонокосилок (ALM). Используя Bosch IoT Analytics, мы вычисляем аномалии по флоту каждый сезон коски. Датасет включает статус и ошибки, посланные косилками в наш облачный бэкенд.
Сконфигурированный на выявление топ-10 аномалий еженедельно, сервис флагает косилки, повторно появляющиеся в списке. Сервисный персонал и менеджеры качества могут затем ревьюить их вручную. Агрегируя паттерны аномалий, мы можем классифицировать инциденты в действенные категории.
Например, повторяющиеся паттерны состояний и ошибок могут сигнализировать, что firmware-апдейты overdue или косилки были misconfigured. Группируя эти паттерны, мы можем маппить каждый к конкретному решению — автоматически пуша firmware, или проактивно контактируя клиентов (с согласием) для предложения техподдержки — улучшая удовлетворённость.
Как мы детектируем аномалии в данных устройств?
Дата-анализ, и детекция аномалий в частности, охватывает семейство алгоритмов и трансформаций, спроектированных для раскрытия скрытых инсайтов. Типы аномалий и проблемные домены широко варьируются, требуя tailored подходов.
Типичный дата-аналитический воркфлоу включает несколькоISTINCT стадий, от инжеста данных до sophisticated ML-моделей и инсайтфул визуализаций.
Шаг 1: Инжест устройств данных
После подключения устройств, данные, которые они генерируют, должны быть переданы через различные каналы и консистентно сохранены в базе до обработки.
Шаг 2: Data Wrangling & Feature Engineering
Дата-препроцессинг — часто называемый data wrangling — адресует многие вызовы. Он включает очистку данных, генерацию domain-specific фичей и итеративную эксплорацию для энаблинга downstream-анализа.
Шаг 3: Детекция аномалий
Эта стадия фокусируется на локализации аномалий во входных данных путём выбора подходящего data-mining алгоритма и fine-tuning его параметров.
Шаг 4: Визуализация данных
Финально, результаты должны быть визуализированы для энд-юзеров. Селекция визуальных техник, матчинг таск и домен, критична для чистой интерпретации.
Идентификация аномалий — первый этап к advanced IoT-аналитике, такой как предиктивное обслуживание. Однажды аномальные устройства зафлажены, доменные эксперты ревьюят и классифицируют их, добавляя детали ремедиации. Мержинг этого знания с сырой датой даёт богатый датасет для построения предиктивных моделей.
Помимо флагинга проблем, инсайты аномалий могут раскрывать новые бизнес-возможности. Системные аномалии через девайсы могут указывать на отсутствующие фичи или terrain-специфические вызовы. Для ALM повторяющиеся паттерны в подмножестве садов могут указывать на нужду в terrain-адаптивном алгоритме, который мог бы быть упакован как премиум-фича.
Наш недавний white paper Anomaly Detection with Event Data in the Internet of Things обозначил вызовы и лучшие практики для каждого шага обработки, опираясь на инсайты из множества аналитических проектов.
Скачать white paper
Интернет вещей
- Как страховщики здоровья могут принять IoT за три стратегических шага
- Будущий взгляд: продвижение Industrial IoT для производственного превосходства
- Новые тренды в IoT-платформах на 2018: Периферийные вычисления, блокчейн и другое
- Раскрытие силы визуальных данных в IoT-экосистеме
- От Edge к Cloud: мастерство IoT data pipelines
- Готово ли ваше производство к IoT? Практическое руководство
- Защита глобального IoT: три обязательных шага
- Превращение данных IoT в бизнес-ценность: практическое руководство
- Топ-3 вызова конфиденциальности данных, которые предприятия должны преодолеть (2021‑23)
- Интернет вещей: катализатор бизнес-результатов, а не отдельный рынок