Internet-of-Things (IoT) menawarkan potensi untuk secara dramatis meningkatkan banyak tugas, seperti pemeliharaan preventif untuk peralatan elektronik hingga lampu lalu lintas pintar untuk membantu mengurangi kemacetan.
Sebagai Pinakin Patel, kepala Solutions Engineering untuk MapR mengatakan, banyak kasus penggunaan memerlukan pengumpulan data sensor dari perangkat tepi yang dikirim melalui koneksi jaringan ke aplikasi terpusat untuk analisis sebelum tindakan dilakukan; sering kembali ke tepi.
Metodologi input, proses, dan output klasik ini dipahami dengan baik, tetapi lingkungan IoT apa pun dapat menjadi tantangan pengelolaan data karena volume besar data yang dibuat dan latensi yang melekat dalam distribusi global.
Tantangan dalam mengumpulkan data dari perangkat berorientasi konsumen, seperti teknologi yang dapat dikenakan dan termostat pintar, telah dipahami dengan baik. Untuk jenis perangkat tersebut, volume data disebabkan oleh banyaknya perangkat, dan setiap perangkat tidak selalu menghasilkan banyak data.
Namun, ada serangkaian tantangan baru untuk perangkat IoT yang menghasilkan megabyte atau gigabyte data per detik. Misalnya, analisis waktu nyata dari video, audio, dan 'deteksi dan jangkauan cahaya' (LIDAR) adalah semua area di mana aliran masuk dapat membanjiri arsitektur penyimpanan data tradisional.
Tentu saja, infrastruktur harus berubah, karena volume data tersebut kemungkinan akan membanjiri bandwidth yang tersedia untuk menggabungkan data ke dalam repositori pusat. Kendaraan, perangkat medis, dan rig minyak adalah contoh sempurna dari sumber data yang membutuhkan arsitektur yang jauh lebih kuat daripada yang dibutuhkan oleh perangkat berorientasi konsumen. Dan saat aliran data IoT ini mencapai cloud terpusat untuk diproses, Kecerdasan Buatan dan Pembelajaran Mesin akan semakin meningkat yang akan membantu menemukan wawasan dan menghasilkan tindakan selanjutnya.
Namun, berbicara secara abstrak dalam hal IoT itu sulit karena setiap kasus penggunaan akan memiliki driver dan persyaratan yang berbeda. Sebagai gantinya, mari kita lihat beberapa contoh konkret sebagai perwakilan dari jenis tantangan yang ada.
Deteksi dini dan pengobatan penyakit kronis—seperti penyakit jantung dapat menyelamatkan nyawa dan mengurangi biaya perawatan kesehatan. Dua dari masalah terbesar adalah koordinasi perawatan dan pencegahan masuk rumah sakit untuk orang dengan kondisi kronis. Beberapa uji coba menggunakan sensor yang lebih murah yang dapat memantau tanda-tanda vital pasien dan mengirimkan data ini bersama dengan pembacaan Elektrokardiogram (EKG) melalui jaringan seluler sebagai aliran reguler ke aplikasi di cloud.
Aplikasi diagnostik dan pemantauan ini menganalisis tanda vital dan pembacaan EKG setiap pasien sambil mempertimbangkan data historis dari catatan medis. Aliran data ke dalam sistem mencakup aliran waktu nyata, data historis, data pasien, dan data benchmark yang dibuat dengan menggabungkan sejumlah besar pemindaian sebelumnya dari pasien lain.
Dalam contoh ini, seperti banyak contoh lainnya dalam lanskap IoT, dokter memerlukan alur kerja yang mengumpulkan data, mengagregasi, dan belajar di seluruh populasi perangkat untuk memahami peristiwa dan situasi. Dalam skenario ini, pendeteksian anomali seperti pengobatan yang berlebihan atau tanda-tanda peringatan akan terjadinya serangan jantung, mungkin memerlukan lebih banyak kecerdasan sehingga mereka dapat bereaksi terhadap kejadian tersebut dengan sangat cepat.
Para peneliti telah membangun sebuah platform yang menggunakan elemen-elemen umum untuk memproses baik aliran dan data batch dalam struktur data umum yang dapat membantu menangani semua data dengan cara yang sama, mengontrol akses ke data, dan menerapkan kecerdasan dengan kinerja tinggi dan mode skalabel. .
Pendekatan struktur data ini juga diekspor ke aplikasi IoT lainnya. Misalnya, Mojio — The IoT Connected Car bertujuan untuk menciptakan ekosistem yang memungkinkan industri otomotif, asuransi, dan telekomunikasi berkembang bersama. Mojio berencana untuk menghubungkan 500.000 kendaraan ke platform cloud-nya pada fase pertama yang akan menyediakan akses ke berbagai jenis data perilaku, diagnostik, kontekstual tergantung kebutuhan.
Misalnya, data perilaku di mana perangkat telematika Mojio mengumpulkan informasi tentang kecepatan, kemudi, dan input pengereman untuk menentukan tingkat kelelahan pengemudi dan mengeluarkan peringatan. Data perilaku mengemudi jangka panjang juga dapat digunakan untuk membantu pengguna mengadopsi gaya mengemudi yang lebih hemat bahan bakar dan menghitung risiko oleh perusahaan asuransi.
Dalam kedua skenario; peneliti perawatan kesehatan dan insinyur mobil yang terhubung sedang memeriksa cara baru untuk membangun aplikasi generasi berikutnya. Inti dari proyek ini adalah beberapa teknologi umum termasuk penyimpanan data skala cloud ke database yang kuat dan streaming berkelanjutan yang terintegrasi untuk menciptakan kemungkinan baru bagi pengembang perusahaan yang ingin merancang, mengembangkan, dan menerapkan aplikasi yang sebelumnya tidak mungkin dilakukan.
Kombinasi elemen-elemen ini sering disebut platform data terkonvergensi dan mulai diadopsi di berbagai kasus penggunaan IoT. Platform ini memberikan manfaat termasuk pembuatan IOPS tinggi, file fabric latensi rendah untuk aplikasi komputasi kinerja tinggi. Keuntungan lainnya adalah dalam skenario analitik real-time di mana struktur data dapat secara bersamaan menyerap, menyimpan, menganalisis, memproses, dan memutuskan, tanpa membuat salinan.
Saat data IoT bergerak dari edge ke cloud dan kembali lagi, organisasi perlu melupakan arsitektur monolitik masa lalu dan mempertimbangkan konvergensi sebagai titik awal untuk memberikan skala yang dibutuhkan untuk kasus penggunaan baru yang inovatif.
Penulis blog ini adalah Pinakin Patel, kepala Solutions Engineering untuk MapR.
Tentang penulis
Pinakin Patel adalah kepala Rekayasa Solusi untuk MapR. Dia memiliki lebih dari 25 tahun pengalaman di dunia data dan bagaimana organisasi mengekstrak nilai dari sumber daya bisnis penting ini.
Teknologi Internet of Things
Organisasi menghadapi tantangan signifikan dalam menerapkan infrastruktur IoT dan menemukan wawasan dari sejumlah besar data yang dihasilkan perangkat. Sementara citra populer komputasi tepi menunjukkan bahwa itu berarti pemrosesan apa pun di luar sistem inti perusahaan, itu juga agak ambigu. Beke
IoT dan Komputasi Tepi Internet of Things tumbuh secara eksponensial dengan perangkat yang terhubung mulai dari lampu pintar dan oven hingga perangkat pengambilan data analisis industri. Pada tahun 2025, diperkirakan akan ada 41,6 miliar perangkat IoT yang terhubung, menghasilkan 79,4 zettabytes (Z
Apa itu Edge Analytics? Analisis tepi adalah metode yang digunakan untuk mengumpulkan, memproses, dan menganalisis data di beberapa titik non-pusat dalam jaringan—di tepi jaringan—bukan di cloud atau di dalam sistem terpusat lainnya. Analisis tepi biasanya terjadi pada atau di dekat sensor, sakelar
Integrasi tanpa batas komponen IIoT termasuk perangkat keras, perangkat lunak, dan protokol komunikasi IoT telah dilakukan secara bertahap untuk produsen. Sistem otomasi industri awal adalah sensor dasar, sakelar batas, dan perangkat lain yang memasukkan data langsung ke cetakan atau HMI di mana se
