Internet-of-Things (IoT) dapat mengubah berbagai macam tugas—dari pemeliharaan prediktif peralatan rumah tangga hingga sinyal lalu lintas cerdas yang mengurangi kemacetan.
Menurut Pinakin Patel, Solutions Engineering lead di MapR, sebagian besar skenario IoT dimulai dengan data sensor yang mengalir dari perangkat edge ke mesin analitik terpusat, yang kemudian memicu respons—seringkali kembali ke edge.
Sementara model input-proses-output adalah standar, penerapan IoT dapat merusak sistem manajemen data karena volume data yang besar dan latensi yang datang dengan distribusi di seluruh dunia.
Data IoT yang Lebih Besar
Mengagregasi data dari perangkat konsumen—wearable, termostat pintar, dan sejenisnya—adalah hal yang familiar; massanya muncul dari jumlah perangkat yang banyak daripada output data individual.
Tantangan baru muncul saat perangkat menghasilkan megabyte atau gigabyte per detik, seperti stream video, audio, atau LIDAR real-time yang dapat melampaui solusi penyimpanan konvensional.
Infrastruktur harus berevolusi: stream volume tinggi akan memenuhi bandwidth yang ada, memerlukan arsitektur yang kuat—pikirkan kendaraan, peralatan medis, dan rig laut. Setelah berada di cloud, AI dan ML menjadi esensial untuk mengekstrak wawasan dan mengatur tindakan otomatis.
Contoh Kesehatan
Diskusi abstrak dapat menyembunyikan kenyataan; setiap kasus penggunaan IoT memiliki driver dan kebutuhan unik. Mari kita periksa skenario konkret untuk mengilustrasikan tantangan umum.
Deteksi dan pengobatan dini penyakit kronis—seperti penyakit jantung—dapat menyelamatkan nyawa dan mengurangi biaya. Hambatan utama adalah koordinasi perawatan dan mencegah pengajuan ke rumah sakit. Program pilot menerapkan sensor terjangkau yang mengirim tanda vital dan baca ECG melalui jaringan seluler ke aplikasi berbasis cloud.
Platform diagnostik ini mengevaluasi tanda vital dan ECG real-time bersama dengan rekam medis historis pasien. Aliran data menggabungkan stream langsung, data arsip, metrik pasien individu, dan kumpulan data benchmark yang dikompilasi dari repositori besar pemindaian sebelumnya.
Klinisi memerlukan alur kerja yang mengumpulkan, mengagregasi, dan belajar dari kohort perangkat yang luas untuk mendeteksi peristiwa kritis. Mendeteksi anomali—seperti overdose atau insiden jantung yang akan datang—memerlukan kecerdasan sisi edge untuk respons cepat.
Peneliti mengembangkan platform yang menyatukan pemrosesan stream dan batch dalam satu data fabric, memungkinkan penanganan data yang konsisten, kontrol akses yang detail, dan kecerdasan yang berkinerja tinggi dan menskala.
Contoh Otomotif
Strategi data fabric yang sama diterapkan di tempat lain, seperti platform Connected Car Mojio, yang menyatukan pemangku kepentingan otomotif, asuransi, dan telekomunikasi. Mojio menargetkan 500.000 kendaraan dalam peluncuran pertamanya, menyediakan data perilaku, diagnostik, dan kontekstual yang disesuaikan.
Telematika Mojio menangkap kecepatan, pengemudi, dan rem untuk menilai kelelahan sopir dan memicu peringatan. Data mengemudi jangka panjang yang diagregasi dapat memandu pengguna menuju kebiasaan lebih hemat bahan bakar dan memungkinkan asuransi untuk mengukur risiko.
Konvergensi dan Fabric
Kedua peneliti kesehatan dan insinyur otomotif sedang memimpin aplikasi generasi berikutnya. Fondasi bersama mereka meliputi penyimpanan data skala cloud, database yang kuat, dan streaming terpadu yang berkelanjutan—memberdayakan pengembang untuk merancang, membangun, dan menerapkan solusi yang sebelumnya tidak tercapai.
Secara kolektif, komponen-komponen ini membentuk platform data yang konvergen, yang semakin diadopsi di berbagai skenario IoT. Platform tersebut menyediakan file fabric dengan IOPS tinggi dan latensi rendah untuk beban kerja komputasi intensif dan memungkinkan analitik real-time yang mengonsumsi, menyimpan, menganalisis, memproses, dan bertindak—semua tanpa mengduplikasi data.
Saat data IoT melintasi edge, cloud, dan kembali, organisasi harus meninggalkan monolitik lama dan merangkul konvergensi untuk menskala kasus penggunaan inovatif.
Penulis blog ini adalah Pinakin Patel, head of Solutions Engineering untuk MapR.
Tentang penulis
Pinakin Patel adalah head of Solutions Engineering untuk MapR. Ia memiliki lebih dari 25 tahun pengalaman di dunia data dan bagaimana organisasi mengekstrak nilai dari sumber daya bisnis yang kritis ini.
