4 Langkah Terbukti untuk Mengubah Data IoT menjadi Wawasan yang Dapat Ditindaklanjuti
Saat ini, perangkat IoT sehari-hari menghasilkan lebih banyak data dari semua jaringan sosial gabungan. Setiap perangkat dapat mentransmisikan data beberapa kali per detik, sehingga platform analitik tipikal mungkin harus memproses miliaran peristiwa setiap hari.
Menangani volume yang besar ini adalah tantangan teknis yang substansial, namun data perangkat mentah—setelah disimpan dalam format yang telah diproses—tidak langsung dapat ditindaklanjuti. Mengekstrak nilai memerlukan analisis yang menyeluruh.
Tujuan analitik kunci dalam IoT adalah deteksi anomali, yang mengidentifikasi perilaku perangkat yang menyimpang tajam dari pola historis atau norma yang diharapkan.
Apakah Pemotong Rumput Otonom Anda Berjalan dengan Lancar?
Dalam salah satu pilot deteksi anomali kami, kami memantau armada pemotong rumput otonom (ALM). Menggunakan Bosch IoT Analytics, kami menghitung anomali di seluruh armada setiap musim pemotongan rumput. Dataset mencakup pesan status dan kesalahan yang dikirim oleh pemotong rumput ke backend cloud kami.
Dikonfigurasi untuk menampilkan sepuluh anomali teratas setiap minggu, layanan ini menandai pemotong rumput yang terus-menerus muncul pada daftar. Personel servis dan manajer kualitas kemudian dapat meninjau secara manual. Dengan mengagregasi pola anomali, kami dapat mengklasifikasikan insiden ke dalam kategori yang dapat ditindaklanjuti.
Misalnya, pola status dan kesalahan yang berulang dapat menandakan pembaruan firmware terlambat atau pemotong rumput yang dikonfigurasi salah. Dengan mengelompokkan pola ini, kami dapat memetakan masing-masing ke solusi tertentu—mendorong pembaruan firmware secara otomatis, atau secara proaktif menghubungi pelanggan (dengan persetujuan) untuk menawarkan dukungan teknisi—meningkatkan kepuasan.
Bagaimana Kami Mendeteksi Anomali dalam Data Perangkat?
Analisis data, dan deteksi anomali khususnya, mencakup keluarga algoritma dan transformasi yang dirancang untuk mengungkap wawasan tersembunyi. Jenis anomali dan domain masalah bervariasi secara luas, memerlukan pendekatan yang disesuaikan.
Alur kerja analisis data tipikal melibatkan beberapa tahap yang berbeda, dari ingesti data hingga model pembelajaran mesin yang canggih dan visualisasi yang informatif.
Langkah 1: Menginjest Data Perangkat
Setelah menghubungkan perangkat, data yang dihasilkannya harus ditransmisikan melalui berbagai saluran dan disimpan secara konsisten dalam database sebelum dapat diproses.
Langkah 2: Data Wrangling & Feature Engineering
Pra-pemrosesan data—sering disebut data wrangling—mengatasi banyak tantangan. Ini mencakup pembersihan data, generasi fitur spesifik domain, dan eksplorasi iteratif untuk memungkinkan analisis selanjutnya.
Langkah 3: Deteksi Anomali
Tahap ini berfokus pada menentukan lokasi anomali dalam data masukan dengan memilih algoritma data mining yang sesuai dan menyesuaikan parameter-nya.
Langkah 4: Visualisasi Data
Terakhir, hasil harus divisualisasikan untuk pengguna akhir. Memilih teknik visual yang cocok dengan tugas dan domain esensial untuk interpretasi yang jelas.
Mengidentifikasi anomali adalah tahap pertama menuju analitik IoT lanjutan, seperti pemeliharaan prediktif. Setelah perangkat anomali ditandai, ahli domain meninjau dan mengklasifikasikan, menambahkan detail remediasi. Menggabungkan pengetahuan ini dengan data mentah menghasilkan dataset yang kaya untuk membangun model prediktif.
Di luar menandai masalah, wawasan anomali dapat mengungkap peluang bisnis baru. Anomali sistematik di seluruh perangkat dapat menandakan fitur yang hilang atau tantangan yang spesifik pada medan. Untuk ALM, pola berulang dalam subset taman mungkin menunjukkan kebutuhan akan algoritma adaptif medan, yang dapat dikemas sebagai fitur premium.
White paper terbaru kami, Anomaly Detection with Event Data in the Internet of Things, menguraikan tantangan dan praktik terbaik untuk setiap tahap pemrosesan, dengan mengandalkan wawasan dari banyak proyek analitik.
