Интернет вещей: предшественники и специфика
Интернет вещей — концепция достаточно молодая. О ней начали (продолжили) говорить в конце 90-х, и ее предвестником была концепция М2М (Machine to Machine), речь в которой, по большей части, шла об изолированных, закрытых системах. Например, о коммуникации устройств в пределах одной комнаты. Интернет вещей — больше про то, как строить решения, которые общаются не только между собой, но и с внешним миром. Коммуникация происходит через тот или иной хаб — например, устройство выгружает данные на центральный сервер, откуда извлекаются с различными целями и задачами. Анализ исторического среза данных может выявить аномальные значения показателей, что может помочь в понимании происходящих с устройствами процессов и при необходимости предотвратить их поломку. Вывести изолированную систему в Интернет — задача комплексная и включает в себя анализ безопасности решения, бизнес-процессов компании (например, привлечение алгоритмов предиктивной аналитики в бизнес) и другие задачи, которые не всегда можно решить с помощью изолированной от внешней среды системы.
Тренды интернета вещей
Один из главных вопросов, которые сейчас обсуждаются в индустрии, — эффективное/оптимальное объединение различных устройств в единую сеть. Во многом это касается универсализации — за долгие годы IoT-проекты, системы, платформы обзавелись большим количеством как проприетарных, так и открытых стандартов и протоколов. В этом смысле разработка открытых универсальных стандартов взаимодействия — востребованное направление в сфере IoT. Мы это прекрасно понимаем и активно вовлечены как компания в различные экспертные группы и индустриальные консорциумы. Одной из таких инициатив является Open Connectivity Foundation, объединившая в себе многих крупных игроков IoT-рынка. Еще одной интересной инициативой является альянс AllSeen, разрабатывающий стандарт взаимодействия устройств с окружающим миром. Устройство само сообщает в сеть о том, что оно умеет, и эту функциональность можно использовать с любой платформы и любого внешнего устройства, — например, дистанционно управлять лампами или кондиционером. В AllSeen, например, делают проект AllJoyn, который предназначен для унификации процесса разработки. Он позволит абстрагироваться от протоколов на конечных устройствах и сосредоточить внимание на более важных направлениях деятельности. Универсализация — это ключевая тенденция внутри отрасли интернета вещей, который все прочнее входит в различные отрасли экономики.
Параллельно увеличению количества непользовательских устройств, подключенных к сети, движется тренд переоценки сетевой инфраструктуры. Высокая нагрузка на Интернет вместе с сервисным трафиком от устройств приводят к бурным дискуссиям о том, что скоро придется что-то делать с датацентрами.
Если вернуться к более земным вещам, которые касаются каждого — интересным веянием в IoT являются разработки в области интерфейсов взаимодействия пользователя с устройствами. Если вы сидите в офисе и хотите проверить, что происходит дома — помимо голосового управления (со всеми вытекающими последствиями запроса вслух состояния утюга, сидя в опенспейсе) в отрасли интернета вещей может найтись место и для ботов. Некоторые компании-разработчики IoT-решений инвестируют в мобильные/десктопные приложения. Разработка, маркетинг и прочие задачи по интеграции приложений в IoT могут быть нетривиальными и дорогостоящими. Так почему бы не разработать специального бота для IoT и воспользоваться интеграционной платформой, чтобы подключить его к популярным соцсетям и мессенджерам (которые вышеуказанные проблемы уже решают или решили за счет фиксированной аудитории)? Подобных решений еще очень мало, однако выглядят они достаточно интересно.
Наконец, Интернет вещей — это данные. В качестве примера я расскажу о том, как большие данные и аналитика меняют процесс производства и усовершенствования спорт-каров в гонках.
Раньше после выпуска модель гоночного болида тестировали физически: если испытания прошли успешно, то болид запускали в эксплуатацию, если нет — возвращали на доработку (это долго и дорого). Сегодня, чтобы быть конкурентоспособным, нужно изменить производственный процесс. Основная ставка делается на математические модели, конструирование, виртуальное тестирование 3D-моделей и анализ данных. Данные 3D модели загружают в цифровой тренажер и производят тестирование виртуальной машины. Azure Stream Analytics, сервис из набора Cortana Intelligence Suite, анализирует поток данных, который генерит тренажер, в режиме реального времени и демонстрирует, как они отличаются от запланированных показателей по каждому из измеряемых объектов, например, давлению шины. Эти тесты позволяют найти оптимальную форму. Именно эта форма ляжет в основу макета машины (60% от реального размера согласно регламенту). Модель спорт-кара тестируют в аэродинамической трубе. И только пройдя через несколько виртуальных этапов, компания приступает созданию физического болида.
Во время гонок на болид установлено порядка 200 сенсоров. Данные с них передаются по 2000 каналов с тактовой частотой порядка 500 Гц. Таким образом, появляется возможность в режиме реального времени создавать статистические выкладки на основе порядка 2000 информационных точек и получать очень точную информацию о состоянии болида. В частности, можно следить, как функционируют узлы агрегата, есть ли какие-то отклонения от нормы, и корректировать действия пилота.
Собранные данные используются для усовершенствования болида. На основе этой информации разрабатывают предложения об изменениях не только самих деталей, но и концептуальных вещей. Идеи тестируют в лаборатории, и удачные реализуют.
Команда Formula 1 собирает различного рода сведения уже на протяжении 20 лет. Данные всевозможных форматов сливаются в Озере данных Azure Data Lake для последующего углубленного анализа. Поиск закономерностей и прогнозирование осуществляется с применением алгоритмов машинного обучения, разработанных сотрудниками Renault Formula 1, и нашего облачного сервиса. Это позволяет прогнозировать результаты в зависимости от произведенных изменений в настройке. Например, можно отследить, как изменятся пороги интересующего показателя, если чуть-чуть наклонить угол крыла, или повысить давление в шине. Так с помощью анализа данных происходит циклический процесс постоянного совершенствования.
Мне нравится фраза, которую сказал Даррэл Смит, один из авторов и лидеров проекта по созданию умного кампуса штаб-квартиры Microsoft: «Дайте мне немного данных, и я смогу сказать немногое. Дайте мне много данных и я спасу мир». Поэтому мы говорим не просто об Интернете вещей, но об Интернете ваших вещей. Используя новые технологии, например, машинное обучение (сценарий: предиктивное обслуживание оборудования), облачные сервисы (сценарий: хранение и обработка больших данных, глобально-доступные решения) и другие, мы можем получить гораздо больше от того, что у нас уже есть. И это открывает широчайший простор для деятельности предпринимателей. Сейчас, на мой взгляд, мы находимся в начале пути — и дальше нас ждет самое интересное. Стартапы из области интернета вещей, ваш выход!
P.S. Очередной набор стартапов в Акселератор ФРИИ заканчивается 23 июня. команды получат инвестиции, экспертную поддержку от отраслевых партнеров и доступ к крупным стратегическим заказчикам.