Saat ini, perangkat menghasilkan lebih banyak data IoT daripada jejaring sosial. Setiap perangkat dapat mengirim data beberapa kali per detik. Dengan jutaan perangkat yang terhubung, platform pemrosesan data biasa mungkin diperlukan untuk menangani miliaran peristiwa masuk seperti itu setiap hari.
Meskipun memproses jumlah data ini jelas merupakan tantangan teknologi yang cukup besar dan tidak berarti sepele, jelas bahwa data perangkat itu sendiri – bahkan ketika disimpan dalam bentuk yang telah diproses sebelumnya – bukanlah sesuatu yang dapat ditindaklanjuti. Untuk mendapatkan wawasan yang dapat ditindaklanjuti, data yang dikumpulkan harus dianalisis.
Salah satu jenis tugas yang dapat ditangani secara efektif dengan analisis data di IoT adalah deteksi anomali . Tujuannya adalah untuk mengidentifikasi perilaku yang tidak biasa pada perangkat yang terhubung yang berbeda secara signifikan dari apa yang telah diamati sebelumnya atau dari apa yang diharapkan.
Sumber:Bosch.IO
Apakah semuanya baik-baik saja dengan mesin pemotong rumput saya yang terhubung?
Mari kita lihat contoh yang diambil dari salah satu proyek deteksi anomali kami. Kami menerapkan algoritme kami ke armada mesin pemotong rumput otonom (ALM). Menggunakan salah satu layanan Bosch IoT Analytics kami, anomali dapat dihitung untuk armada mesin pemotong rumput berkemampuan IoT ini selama musim pemotongan. Untuk tujuan ini, data yang digunakan berisi status dan pesan kesalahan yang dikirim dari mesin pemotong rumput yang digunakan ke backend di cloud.
Mari kita asumsikan bahwa setiap minggu, layanan kami dikonfigurasi untuk mengidentifikasi sepuluh anomali teratas dalam data ini. Mesin pemotong rumput yang berulang kali muncul dalam daftar anomali teratas dapat secara otomatis ditandai dan diatur dalam daftar. Personel layanan dan/atau manajer kualitas kemudian dapat memeriksanya secara manual. Selain itu, hasil deteksi anomali dapat dianalisis untuk pola yang signifikan dan dikelompokkan ke dalam kategori insiden.
Misalnya, pola status dan pesan kesalahan tertentu dapat menjadi indikasi bahwa firmware masing-masing mesin pemotong perlu diperbarui, atau bahwa mesin pemotong rumput belum disetel dengan benar. Dengan mengelompokkan pola yang diamati ke dalam kategori, strategi solusi – yaitu tindakan spesifik – dapat dikaitkan dengan pola tersebut dan dipicu secara otomatis setiap kali pola muncul dalam data peristiwa. Hal ini dapat mengakibatkan secara aktif mendorong firmware terbaru pada mesin pemotong rumput yang terpengaruh, atau secara proaktif menghubungi pelanggan (asalkan mereka telah memberikan persetujuan mereka) untuk menawarkan dukungan dari teknisi servis. Ini adalah cara untuk meningkatkan kepuasan pelanggan.
Sumber:Bosch.IO
Bagaimana Anda mendeteksi anomali pada data perangkat Anda?
Analisis data – dan deteksi anomali khususnya – bukanlah satu prosedur melainkan nama umum untuk sejumlah algoritma dan transformasi yang bertujuan untuk mengekstraksi pengetahuan implisit yang tersembunyi dalam data. Ada banyak jenis anomali dan domain masalah yang berbeda dengan data spesifik dan rumusan masalah.
Proses analisis data melibatkan banyak langkah dan menggunakan teknologi yang sangat berbeda – mulai dari transformasi format hingga algoritme pembelajaran mesin yang canggih dan konstruksi visualisasi yang berharga. Biasanya, proses analisis data mencakup langkah-langkah berikut:
Langkah 1:Membuat data perangkat tersedia
Setelah menghubungkan perangkat Anda, data yang dikirim oleh perangkat ini harus ditransfer melalui berbagai saluran dan kemudian disimpan secara konsisten dalam database sebelum dapat diproses.
Langkah 2:Pra-pemrosesan data perangkat
Dalam keseluruhan proses analisis, berbagai tugas pemrosesan data dapat menjelaskan sebagian besar kesulitan. Itulah mengapa penting untuk memilih atau mengembangkan teknologi untuk pengembangan dan eksekusi skrip semacam itu secara efisien. Langkah ini dirancang untuk memecahkan banyak masalah, seperti pembersihan data dan pembuatan fitur khusus domain. Ini sering disebut sebagai perselisihan data, yang didefinisikan sebagai eksplorasi dan transformasi data berulang untuk memungkinkan analisis.
Langkah 3:Menganalisis data perangkat
Langkah proses ini berfokus pada menemukan anomali dalam data input sambil memilih algoritme data mining yang sesuai dan menyempurnakan parameternya.
Langkah 4:Memvisualisasikan data perangkat
Last but not least, data harus divisualisasikan untuk pengguna akhir. Dalam melakukannya, penting untuk memilih teknik visual yang sesuai untuk tugas yang sedang diselesaikan dan domain masalah masing-masing.
Sumber:Bosch.IO Sumber:Bosch.IO
Mendeteksi anomali hanyalah langkah pertama menuju kasus penggunaan analitik IoT yang lebih kompleks, seperti pemeliharaan prediktif. Setelah perangkat yang berperilaku anomali telah diidentifikasi, mereka perlu dieksplorasi oleh ahli domain dan diklasifikasikan ke dalam kelas masalah. Jika memungkinkan, informasi solusi masalah juga harus diberi keterangan. Mengkompilasi informasi pemeliharaan dan menggabungkannya dengan data ini dan hasil analisis memungkinkan pembangunan kumpulan data yang bersih dan kaya. Pada gilirannya, kumpulan data ini dapat digunakan untuk membangun model prediksi dari jenis yang diperlukan untuk solusi pemeliharaan prediktif.
Selain itu, hasil deteksi anomali ini tidak hanya menyoroti masalah, tetapi juga dapat mengarahkan pakar domain ke peluang (bisnis) baru. Jika anomali tertentu muncul di perangkat yang berbeda secara sistematis, ini mungkin merupakan indikator bahwa fitur tertentu tidak ada. Dalam kasus mesin pemotong rumput otonom, anomali sistematis yang muncul dalam sub-kelompok mungkin disebabkan oleh pola topografi khusus yang berulang di kebun yang dipangkas. Oleh karena itu, ini mungkin memerlukan add-on algoritmik untuk mesin pemotong rumput yang dapat dijual sebagai fungsi lanjutan.
Kami baru-baru ini menerbitkan buku putih tentang "Deteksi anomali dengan data peristiwa di Internet of Things" yang menghasilkan banyak minat. Ini berfokus pada tantangan dan praktik terbaik untuk langkah-langkah pemrosesan yang disebutkan di atas dan mencakup pengamatan yang saya lakukan di berbagai proyek analisis data.
Sumber:Bosch.IO 
Sumber:Bosch.IO 
Sumber:Bosch.IO 
Sumber:Bosch.IO