Cómo generar valor a partir de un ecosistema IoT
El Internet de las cosas (IoT, Internet of Things) fomenta el desarrollo de muy diversas aplicaciones y soluciones en un gran número de entornos tales como la salud y la atención médica, la gestión inteligente de la energía y las smart grids, el transporte, la gestión de la movilidad y muchos otros. Estas aplicaciones generan enormes cantidades de datos tiempo real, lo que requiere disponer de herramientas de análisis avanzado de big data, con especial relevancia de las tecnologías de Machine Learning (ML) y Deep Learning (DL), para poder extraer información útil y permitir la toma de decisiones basada en datos objetivos. Necesitamos por tanto comprender el ciclo de vida de extremo a extremo (E2E) del ecosistema IoT y sus diferentes componentes para poder aplicar estas técnicas avanzadas de aprendizaje automático.
IoT significa cosas distintas para diferentes actores de diferentes sectores que hacen un uso muy distinto de esta tecnología. Una forma de definir IoT de forma más o menos general y sencilla es como una red de objetos inteligentes e interconectados, que permite interaccionar el mundo físico con el digital.
La arquitectura y ciclo de vida de las soluciones de IoT
Al igual que con la definición de IoT, no hay un consenso sobre cuál es el ciclo de vida E2E o una arquitectura universalmente aceptada. Diferentes arquitecturas o niveles han sido propuestas por diferentes investigadores, siendo los ciclos de vida o arquitecturas de tres y siete capas (layers) las más comúnmente aceptadas y utilizadas:
El modelo de tres niveles
Este es modelo de ciclo de vida más básico y ampliamente utilizado para la divulgación y comunicación de soluciones de IoT. Consta de tres capas:
La capa de sensores / Nivel Físico: Esta es la capa física o capa de sensorización, que incluye dispositivos que integran sensores para recopilar información sobre su entorno. Como se muestra en la imagen, el nivel físico del ciclo de vida para el ejemplo de caso de uso de eHealth, consiste en diversos tipos de sensores y dispositivos que llevan los pacientes o están integrados en sillas de ruedas, camas, en el entorno del paciente etc.
La capa de red: esta capa engloba la gestión de las comunicaciones con la red de sensores y dispositivos su proceso local y su envío al nivel superior a través de redes como WiFi, 3G – 4G -5G, LAN, Bluetooth, RFID o NFC.
La capa de aplicación: Esta capa es responsable de proporcionar servicios finales específicos a los usuarios a partir los datos recibidos, como smart homes , smart cities o monitorización remota de pacientes crónicos entre otras.
El ciclo de vida o arquitectura de IoT E2E de tres capas mustra las ideas clave de IoT de forma muy intuitiva y es útil a nivel conceptual y de comunicación, pero puede no da un grado de detalle suficiente para las fases de diseño y desarrollo técnico de una solución real.
El modelo de siete niveles
El modelo simplificado anterior es útil a nivel conceptual, pero obviamente se queda muy corto en cuanto a la descripción de las tareas y tecnologías a implementar para diseñar, construir y desplegar una solución compleja basada en IoT como, por ejemplo, una solución de smart city:
Detallemos más por tanto el modelo IoT de 7 niveles que nos describe en más detalle las distintas partes que componen las solución:
La importancia de la Analítica de Datos en IoT como medio de generación de valor
El uso de IoT en distintos ámbitos de aplicación solo será eficaz si esas aplicaciones pueden generar valor económico para las empresas a partir los datos capturados por los dispositivos IoT. La analítica de datos para IoT consiste en el uso de herramientas y procedimientos de análisis de datos avanzados para obtener información a partir de los enormes volúmenes de datos de cientos de tipos diferentes generados por los dispositivos IoT para obtener resultados con alto valor económico, tales como comprender el comportamiento de los clientes, detectar necesidades no cubiertas o nuevas tendencias, ofrecer nuevos productos y servicios diseñados a partir de los datos, la mejora de productos y servicios existentes a partir de datos objetivos sobre el uso de los actuales por parte de los usuarios, realizar mantenimiento preventivo de grandes instalaciones, toma de decisiones automática, vehículos y máquinas autónomas y un largo etcétera.
La mayoría de estos nuevos modelos de negocio y aplicaciones basados en se fundamentan en el uso de herramientas de Machine y Deep Learning, gestión de Big Data y analítica avanzada a la hora de poner en valor los datos capturados. Amazon Echo, por ejemplo, se considera una aplicación de IoT, ya que conecta el mundo físico y humano con el mundo digital; puede entender los comandos de voz humanos usando tecnología de deep learning.
Las características y requisitos clave de los datos en entornos de IoT
Los datos de las aplicaciones de IoT presentan dos características que requieren un tratamiento diferente del enfoque de análisis respecto al que ser realiza en otras aplicaciones. Muchas soluciones de IoT como la supervisión remota de pacientes o la gestión de los vehículos autónomos generan flujos de datos continuamente, lo que lleva a la necesidad de capturar, procesar y gestionar un gran volumen de datos en tiempo. Estos datos producidos en forma de streaming se generan y capturan en intervalos muy cortos de tiempo y deben analizarse rápidamente para extraer información inmediata y útil para tomar decisiones rápidas.
Por el contrario, el término big data se refiere a enormes conjuntos de datos que las plataformas de hardware y software de uso común no son capaces de almacenar, administrar, procesar y analizar, siendo la forma más habitual utilizar para ello arquitecturas cloud públicas o privadas.
Estos dos tipos de datos deben tratarse de forma diferente, ya que sus requisitos para la aplicación de herramientas analíticas son diferentes. Los resultados del análisis de big data, como la buisness intelligence y el análisis transaccional, se pueden generarr varios días después de la generación de los datos, pero los resultados del análisis de datos de streaming deben estar listos desde unos pocos cientos de milisegundos hasta unos pocos segundos tras su captura. Por ejemplo, en los coches autónomos, el tiempo de respuesta en el caso de un frenado de emergencia debe ser de alrededor de 100 milisegundos.
El siguiente diagrama destaca las características clave de los datos de IoT y sus requisitos de análisis:
Muchas aplicaciones de IoT, como una aplicación para supervisar las temperaturas medias en un área en tiempo real, dependen de múltiples fuentes de datos. La fusión, la agregación y el uso compartido de datos desempeñan un papel fundamental en estas aplicaciones. Esto es aún más crítico para las aplicaciones de IoT sensibles al tiempo de respuesta, como la supervisión remota de pacientes o los automóviles autónomos, donde la agregación adecuada de datos es necesaria para reunir toda la información necesaria para su análisis y, posteriormente, proporcionar datos fiables, debidamente formateados y validados con la precisión que se requiera según la aplicación final.
En general, el análisis de datos de streaming es un reto incluso en sistemas informáticos de alto rendimiento o plataformas en la nube. Una posible solución para el análisis de datos de streaming son los enormes de recursos de proceso y paralelización de tareas que ofrecen las soluciones cloud disponibles, pero aun con toda esa capacidad de proceso no son solución óptima para aplicaciones de IoT en tiempo real. En este contexto, es mejor acercar el análisis de datos de streaming a la fuente de datos siguiendo un enfoque de edge computing o fog computing. Sin embargo, este enoque plantea también nuevos desafíos debidos a como la limitada capacidad de proceso, de almacenamiento y disponibilidad de energía en el origen de los datos.
IoT es responsable de generar big data conectando miles de millones de dispositivos inteligentes y recopilando datos sobre el estado de los dispositivos y su entorno con una elevada frecuencia. Identificar y extraer patrones significativos a partir de la enorme cantidad de datos que provienen de sensores almacenados en grandes repositorios de datos en la nube es la utilidad principal de la analítica de big data en aplicaciones ioT, ya que se traduce en más información para la toma de decisiones y la predicción de tendencias. Al extraer estos conocimientos es de extrema importancia para muchas empresas, organizaciones y administraciones públicas, ya que permite obtener una ventaja competitiva o permite tomar mejores decisiones y optimizar recursos en entornos de Smart Cities o de eHealth en un área amplia.
#IoT #Transformaciondigital #edgecomputing #fogcomputing #bigdata #Tecnologiadigital
