Llegamos a ustedes gracias a:



Reportajes y análisis

La IoT se vuelve más inteligente

Pero aún necesita analítica de backend

[28/09/2018] Una forma de ver las implementaciones de la Internet de las cosas (IoT, por sus siglas en inglés) es ésta: una gran variedad de terminales, que no son particularmente sofisticados, enviando puntos de datos individuales (niveles de temperatura y presión) a un dispositivo periférico en algún lugar de la fábrica, o todo el camino a un back-end de nube o centro de datos.

Y eso es en gran medida correcto, en muchos casos, pero cada vez con mayor frecuencia se trata de una historia incompleta -los terminales de la IoT se acercan cada vez más a la capacidad de hacer su propio análisis, lo que lleva a arquitecturas más simples y sistemas más receptivos. No es la opción adecuada para cada caso de uso, pero hay tipos de implementación de la IoT que ya están responsabilizando la personalización de sus propias métricas en los dispositivos y más de lo que cabría en una arquitectura de este tipo.

Existen tres áreas principales, cada vez más comunes, en las que se deja que el terminal haga su propio análisis -completo o parcial- de datos: ciudades inteligentes, entornos industriales y transporte.

La IoT en las ciudades inteligentes

En las ciudades inteligentes, las cámaras inteligentes pueden realizar ciertos tipos de análisis allí mismo en el dispositivo, lo que les ayuda a los planificadores a entender los patrones de tráfico peatonal y motorizado.

La diferencia entre hacer la analítica completamente en un dispositivo terminal -o parcialmente en un dispositivo- es muy importante, según el vicepresidente de investigación de Gartner, Mark Hung. En esencia, la analítica realizada por las implementaciones de la IoT tiene que ver con el de aprendizaje automático y la inteligencia artificial, permitiendo que los sistemas tomen datos proporcionados por los terminales inteligentes y los conviertan en información accionable sobre confiabilidad, rendimiento y otra información de línea de negocio automáticamente.

Aplicar las lecciones aprendidas del aprendizaje automático sofisticado es bastante fácil, incluso para dispositivos relativamente restringidos, pero algunas partes del proceso del aprendizaje automático son demasiado rigurosas computacionalmente para suceder en la mayoría de los terminales. Esto significa que los terminales en sí mismos no cambian sus instrucciones, sino que proporcionan información que puede ser utilizada por un back-end más poderoso para personalizar una implementación de la IoT determinada por cada terminal.

El caso del análisis de video para aplicaciones de ciudades inteligentes como el monitoreo del tráfico -utilizando un sistema donde las cámaras mismas rastrean a peatones y automovilistas, y luego puntúan esos datos contra un modelo de IA creado centralmente- es instructivo.

Cada intersección es diferente, por lo que tratar de enviar una rúbrica idéntica para comprender diferentes patrones de tráfico y volúmenes a las cámaras que monitorean cada intersección no va a funcionar. Cada intersección necesita su propia rúbrica. Sin embargo, el entrenamiento de IA que se necesita para producirlas requiere una potencia de cómputo mayor a la que las cámaras pueden proporcionar por sí solas, por lo que tiene que hacerse en algún lugar en el back end. Las propias cámaras pueden aplicar las lecciones aprendidas por el modelo AI, pero necesitan un hardware más potente para cambiar inteligentemente las instrucciones que se les dan.

"Por lo tanto, para llegar a algunos análisis preliminares en el terminal y luego enviarlos de vuelta para más entrenamiento, cuenta con una clase de sistema de aprendizaje federado, afirma Hung.

La IoT industrial

Otra área clave para la analítica de la IoT basada en terminales es el sector industrial y de fabricación. Joe Biron es el CTO de PTC, una compañía de software localizada en Needham, Massachusetts, que fabrica ThingWorx, una plataforma de software para la IoT industrial. Biron afirma que PTC ha intentado incorporar la inteligencia a la maquinaria industrial durante aproximadamente una década, con la idea de ayudar a las empresas a ahorrar dinero a través del mantenimiento predictivo y otras aplicaciones operativas y de gestión automatizada.

"Hace diez años, el estado de la tecnología para hacer una detección proactiva y predictiva de fallas... no era exactamente un tipo de tecnología que cambiara la vida, señaló Biron. En gran medida, se trataba de un proceso impulsado por la inteligencia humana que dependía del conocimiento íntimo de un especialista técnico sobre cómo funcionaban los componentes industriales. En base a ese conocimiento, las reglas para detectar los parámetros que predicen la falla inminente podrían codificarse de manera rígida incluso en los terminales más "tontos.

El verdadero desafío surge cuando no hay una persona que esté familiarizada con la confluencia crítica de los indicadores que predice un problema a la vista. Para esto, se necesita del aprendizaje automático, y más específicamente, de un modelo de aprendizaje automático que pueda calificar las entradas de datos frente a los resultados, y determinar qué puntos de datos son los más importantes para hacer las predicciones. Eso es computacionalmente costoso, según Biron, lo que limita su capacidad para ser manejado en terminales.

"Una vez que ha creado el modelo, sin embargo, ahora cuenta con algo muy ligero para anotar en contra; ahora este modelo se puede alimentar en tiempo real o casi en tiempo real o con micropaquetes de datos recientes, y se puede usar para hacer determinaciones estadísticas de si el... evento predicho puede ocurrir, señala. "Computacionalmente, la puntuación del modelo es barata, pero el entrenamiento del modelo es costoso.

Humera Malik, CEO y fundador de Canvass Analytics, afirma que la federación de estos terminales -y cualquier cosa que tenga un sensor digital conectado a ella en la fábrica es un terminal- es de vital importancia en el sector industrial.

"Podría ser un eje, podría ser un soporte, podría ser cualquiera de los activos, una turbina, un generador -todos estos activos diferentes que luego, colectivamente, están ejecutando este proceso, agregó.

La analítica de la IoT en el dispositivo también funciona bien en entornos industriales porque allí las aplicaciones de la tecnología de la IoT tienden a no ser tolerantes al retraso. El tiempo que tardan los datos en abandonar un dispositivo, negociar una topología de red compleja y regresar en forma de instrucciones correctivas puede ser demasiado largo para una administración efectiva del dispositivo.

La IoT y los vehículos inteligentes

La tercera área -y, probablemente, la menos desarrollada- donde el análisis de la IoT de terminal se está haciendo popular es el transporte. Hung señala que cualquier cosa que requiera navegación autónoma, ya sea un dron o un automóvil, o cualquier otra cosa, es un gran candidato para ser un terminal de la IoT relativamente inteligente.

Los automóviles se han automatizado e informatizado cada vez más durante años, y la llegada de la IoT generalizada solo aceleró el proceso, ya que los fabricantes incorporan funciones de seguridad inteligente cada vez más sofisticadas a los vehículos modernos, y la administración de flotas obtiene nuevas herramientas para el mantenimiento y el seguimiento.

La creciente automatización del automóvil es un gran ejemplo de cómo se supone que funciona este tipo de tecnología de la IoT semiautónoma, según Ruhollah Farchtchi, CTO de Zoomdata. "Ese círculo virtuoso de la comprensión humana que se traduce en algoritmos y el aprendizaje automático que se despliega en el borde, es mucho más donde vemos que la analítica de vanguardia va adquiriendo forma, anota.

El futuro de la IoT en las industrias de salud y energía

Mirando hacia el futuro, la salud y la producción de energía, particularmente en las industrias del petróleo y el gas, están a punto de convertirse en áreas de crecimiento para el análisis de la IoT en el dispositivo. Los hospitales y las clínicas están pidiendo a gritos una tecnología más inteligente -compruebe el trabajo realizado para reducir la fatiga de las alarmas, así como el impulso de la interoperabilidad en ambientes clínicos-y tener una tecnología de cómputo más integrada en los terminales podría ser una gran ayuda para el paciente.

Eso no quiere decir que no haya dolores de cabeza involucrados, particularmente donde entra en juego la cuestión del aprendizaje automático, según Biron. El back-end requerido para la parte de levantamiento computacional más pesado del proceso no es tan fácil de construir en la arquitectura de una instalación médica.

"Es más fácil ver cálculos de mediana escala en un entorno como el piso de una fábrica, en lugar de, digamos, una clínica donde vive un dispositivo médico -la posibilidad de realizar cálculos de alta densidad es más limitada que con una instalación de fabricación, afirma.

Sin embargo, la industria del petróleo y el gas tienen ventajas particulares en ese aspecto, dada la riqueza de datos históricos sobre exploración y extracción disponibles para su uso en el entrenamiento de modelos de aprendizaje automáticos.