Nowe trendy w IoT

Fot. Pixabay, CC0

Internet of Things (IoT) oferuje zespołom inżynierów innowacyjny sposób zbierania danych i obserwowania statusu swoich produktów, usług i sprzętu w terenie. Niestety, większość tych informacji pozostaje niewykorzystanych. Na szczęście powstaje nowa technologia, która może pomóc zmienić tę sytuację.

Duncan Stewart, dyrektor ds. Badań w Deloitte w Kanadzie, wyjaśnia, że istnieje pięć podstawowych trendów, które określają kierunek rozwoju przemysłu maszynowego. Wiele z tych zmian stwarza okazje do rozwoju uczenia maszynowego i Internetu przedmiotów.

Najważniejszy trend, który z pewnością wpłynie na dziedzinę internetu rzeczy, to zmniejszanie się chipów uczących się. "Ponieważ technologia na smartfonie staje się coraz bardziej popularna, za kilka lat przejdzie do IoT" - powiedział Stewart. Największą przeszkodą we wprowadzeniu chipów do uczenia maszynowego do urządzeń IoT jest cena, zużycie energii i wielkość żetonów.

W drugiej kolejności warto zauważyć, że wiele nudnych zadań związanych z nauką danych będzie lub już jest zautomatyzowanych przez oprogramowanie. Zadania takie jak usuwanie drobnych błędów i wyrzucanie niepotrzebnych danych stanowią dużą część codziennej pracy osób zajmujących się danymi. Zadania te są powtarzalne, podatne na błędy i czasochłonne. Dzięki temu lepiej nadają się do automatyzacji. Kolejnym trendem są syntetyczne dane, które przyspieszają uczenie maszynowe. Aby stworzyć jego algorytm, użytkownicy potrzebują dużej ilości danych. Inżynierowie mogą zatem opracowywać systemy IoT, które chcą natychmiast połączyć z algorytmem uczenia maszynowego, ale muszą znaleźć lub zbudować dane syntetyczne, aby rozpocząć szkolenie na swoich algorytmach.

Po czwarte, Stewart zauważa, że istnieje kilka nowych chipów do uczenia maszynowego, dzięki którym można znacznie obniżyć ceny w chmurze. Tradycyjnie w tej przestrzeni dominowały procesory graficzne (GPU). W końcu uczenie maszynowe jest o wiele bardziej odpowiednie dla przetwarzania równoległego znalezionego w procesorach graficznych niż dla sekwencyjnego przetwarzania procesorów. Jednak programowalne matryce bramek (FPGA) i układy scalone specyficzne dla aplikacji (ASIC) zyskały na popularności w centrach danych z koncentracją na uczeniu maszynowym. Stewart zauważa, że dzięki tym narzędziom uczenie maszynowe będzie latwiejsze i tańsze.

Ostatni trend dotyczy czarnych skrzynek. Dyskusja na temat ograniczeń algorytmów maszynowych będących czarną skrzynką niestety uniemożliwiła tej technologii dokonanie zmian w wielu branżach. Tymczasem Stewart wyjaśnia, że w przypadku większości aplikacji IoT nie pozostają one pod wpływem ograniczeń dotyczących czarnej skrzynki.

(KB)