Apakah IoT dan komputasi awan adalah masa depan data?
Dengan perkiraan 29 miliar perangkat terhubung yang diharapkan akan beroperasi pada tahun 2022 – dan lebih dari 75 miliar perangkat Internet of Things (IoT) diperkirakan akan digunakan pada tahun 2025 di seluruh dunia – Internet of Things merupakan pertimbangan utama bagi perusahaan yang berpikiran maju.
Banyaknya perangkat IoT yang saat ini digunakan menawarkan sejumlah besar data perusahaan yang dapat digunakan untuk menciptakan wawasan yang kuat dan ini hanya diperkirakan akan tumbuh di tahun-tahun mendatang, kata Shivnath Babu, chief technology officer, Unravel Data . Namun, ketika perusahaan menggunakan semakin banyak perangkat pintar, dan jumlah data yang dihasilkan meningkat, sistem cloud terpusat akan memainkan peran mendasar dalam memastikan wawasan ini digunakan dengan cerdas. Dengan demikian, proliferasi IoT menimbulkan tantangan DataOps yang cukup besar.
Kesulitan menangani data
Dengan sejumlah besar perangkat IoT, datanglah sejumlah besar dan jenis data. Misalnya, perangkat IoT dapat menyediakan jenis data yang beragam seperti:penjualan pelanggan, jarak tempuh, koordinat GPS, kelembaban, jumlah orang yang hadir, kecepatan kendaraan, suhu, dan kualitas udara. Banyak bisnis mengalami kesulitan menangani kompleksitas dan kuantitas data yang dibuat oleh IoT dan menemukan bahwa jalur data mereka menjadi tidak efisien. Untuk layanan berbasis aplikasi yang mengandalkan streaming waktu nyata, ini adalah masalah yang signifikan.
Untuk tujuan ini, aplikasi streaming yang dipersonalisasi, real-time, seperti Kafka, Spark, Kudu, Flink, atau HBase diperlukan untuk mengelola persyaratan data besar yang berat dari layanan berbasis cloud modern. Meskipun demikian, menganalisis data lalu lintas streaming dan menghasilkan fitur statistik memerlukan metode pemantauan yang rumit dan memakan sumber daya.
Meskipun analis dapat menerapkan beberapa metode deteksi secara bersamaan ke data yang masuk, ini pasti menghasilkan tantangan kompleksitas dan kinerja. Ini terutama terjadi ketika aplikasi menjangkau beberapa sistem (misalnya berinteraksi dengan Spark untuk komputasi, dengan YARN untuk alokasi dan penjadwalan sumber daya, dengan HDFS atau S3 untuk akses data, atau dengan Kafka atau Flink untuk streaming). Penerapan ini dapat menjadi lebih kompleks jika berisi program independen yang ditentukan pengguna sebagai prapemrosesan data berulang atau pembuatan fitur yang umum di beberapa aplikasi.
Pertumbuhan IoT yang eksplosif
Untuk menciptakan infrastruktur cloud yang diperlukan untuk mempertahankan pertumbuhan eksplosif perangkat IoT, alat dan proses manajemen data saat ini tidak sesuai dengan tugas. Untuk mengelola tantangan yang dihadirkan oleh perangkat IoT yang luas, banyak bisnis mulai menyadari perlunya integrasi AI atau ML.
Integrasi ini menambah kemampuan tim data dalam memahami semua data ini dengan mengaktifkan operasi data cerdas yang mengurangi beban penyortiran data secara manual. Ini membantu data dirutekan ke tempat yang tepat dengan lebih cepat, mengikuti kebutuhan bisnis, dan mempertahankan elemen real-time dari dataops mereka.
Seringkali dalam skenario ini, aplikasi streaming dapat tertinggal dalam memproses data secara real-time dan menentukan penyebab utama dapat menjadi tantangan yang rumit untuk sistem yang sedemikian kompleks. Dengan demikian, penerapan data yang mengandalkan pembelajaran mesin dan kecerdasan buatan (AI) jauh lebih mungkin untuk memberikan kinerja, prediktabilitas, dan keandalan yang dibutuhkan jika dibandingkan dengan alternatif.
Untuk memungkinkan pengumpulan data yang efisien dan berkelanjutan dari perangkat IoT, algoritme pembelajaran mesin telah terbukti penting dalam memungkinkan pengawasan eksekusi aplikasi, mengidentifikasi penyebab potensi kegagalan, dan menghasilkan rekomendasi untuk meningkatkan kinerja dan penggunaan sumber daya. Manfaat utama lainnya adalah penerapan proses tersebut memungkinkan organisasi menikmati biaya yang lebih rendah dan keandalan yang meningkat.
Pertimbangkan setiap kasus penggunaan
Karena itu, penting untuk mempertimbangkan setiap kasus penggunaan individu dan melihat tantangan IoT spesifik apa yang diberikan jawabannya. Dengan memahami lingkungan terlebih dahulu, dan masalah yang ditimbulkannya untuk organisasi masing-masing, tim TI dapat membuat jalur yang lebih cepat untuk mengimplementasikan solusi yang diperlukan. Baik itu pembelajaran mesin atau AI, penyampaian penerapan berbasis IoT bergantung pada penambahan tim data dengan otomatisasi untuk mengelola kompleksitas yang muncul.
Penulisnya adalah Shivnath Babu, chief technology officer, Unravel Data.
