Author: Devy Arneta

Model Bisnis IoT Untuk Memonetisasi Produk IoT Anda

 

Produk IoT menawarkan platform untuk pengembangan model bisnis baru dan kreatif karena kapasitasnya untuk mengumpulkan data setelah produk diterapkan. Di sini, saya menggambarkan rencana tindakan IoT yang mungkin paling menarik yang digunakan saat ini.

 

Baru-baru ini saya menghadiri konferensi Silicon Valley IoT yang dihadiri banyak orang. Pembicara utama pernah bertanya kepada hadirin, Siapa di sini yang membuat produk yang terhubung? selama presentasi. Sekitar dua pertiga penonton mengangkat tangan. Kemudian dia bertanya, Siapa yang saat ini menghasilkan uang dengan IoT? Kali ini, tidak ada tangan yang terangkat.

 

Fakta bahwa banyak bisnis terjun ke peluang membangun produk IoT tanpa strategi monetisasi yang jelas atau, dengan kata lain, rencana bagaimana menghasilkan uang dari produk IoT Anda ditekankan oleh trik keterlibatan kecil ini.

Anda di sini, menurut Kerangka Keputusan IoT:

 

1. Model Berlangganan

Pendapatan berulang dimungkinkan oleh perangkat yang terhubung, yang merupakan salah satu keuntungan terbesarnya. Sekarang Anda dapat menawarkan model langganan, di mana Anda membebankan biaya kepada pelanggan untuk memberikan nilai berkelanjutan, bukan penjualan satu kali.

 

Anda dapat menggabungkan banyak keunggulan produk khusus perangkat lunak ke dalam solusi IoT Anda menggunakan model langganan. Intinya, Anda memperkenalkan model perangkat keras dan perangkat lunak sebagai layanan untuk suatu sistem. Menggunakan model SaaS sebagai contoh , Anda dapat menemukan cara untuk memonetisasi produk Anda melalui upgrade berbayar, model freemium, atau bahkan langganan bulanan jika strategi Anda mendukungnya.

 

Model bisnis Internet of Things ini juga memberi Anda kemampuan untuk membangun hubungan yang kuat dengan pelanggan Anda. Produsen perangkat keras biasa “melempar produk mereka ke dinding”, yang berarti mereka jarang berinteraksi dengan pelanggan setelah penjualan ditutup. Produk IoT menghilangkan itu penghalang. Anda akan dapat mempelajari lebih lanjut tentang pelanggan Anda dan menyediakan lebih banyak fitur berguna yang disesuaikan dengan kebutuhan spesifik mereka karena perangkat Anda mengumpulkan lebih banyak data.

 

Pemantauan sebagai Layanan dan Pemeliharaan Prediktif sebagai Layanan adalah dua aplikasi IoT umum yang menggunakan model langganan. Jika Anda ingin menggunakan model langganan, berikut adalah beberapa hal penting yang perlu diperhatikan.

[bctt tweet=”Banyak bisnis memanfaatkan peluang untuk membangun produk IoT tanpa strategi yang jelas untuk memonetisasinya”]username=”iotforall”]

 

2. Model Berbasis Hasil

Salah satu contoh strategi baru yang dimungkinkan oleh produk Internet of Things adalah model berbasis hasil. Alih-alih membayar produk itu sendiri, pelanggan harus membayar untuk hasil (atau manfaat) yang diberikannya.

 

Anda mungkin pernah mendengar ungkapan, Orang tidak membeli bor, mereka membeli lubang. Model berbasis hasil berfungsi serupa. Alih-alih membayar bor, pelanggan membayar lubang yang mereka buat.

 

Ambil contoh, produsen pompa air. Sebelumnya, bisnis mereka berputar di sekitar penjualan sifon, dan mereka mengukur pencapaian dengan memenuhi pangsa pada jumlah sifon tertentu per kuartal. Namun, mari kita menjadi nyata. Pelanggan tidak berniat membeli pompa .Mereka ingin memindahkan air dari satu lokasi ke lokasi lain karena suatu alasan. Mereka membutuhkan air, misalnya, untuk menyalakan generator, menyiram tanaman, dan mendinginkan sistem lain. Mereka benar-benar membutuhkannya.

 

Sekarang, bayangkan pabrikan pompa yang canggih mengembangkan pompa jenis baru yang melacak berapa banyak air yang dipompanya. Sekarang, pabrikan dapat berkomunikasi dengan pelanggan dalam bahasa pilihan mereka: jumlah galon air yang dipompa (mirip dengan “lubang bor” ).Pelanggan tidak membeli pompa dalam hal ini.Sebaliknya, mereka membayar biaya variabel bulanan untuk jumlah air yang mereka peroleh.Mereka bertanggung jawab atas hasilnya, yang merupakan sumber air.

 

Sebagai bagian dari model berbasis hasil, bisnis dapat menemukan cara kreatif untuk memonetisasi solusi Internet of Things. Misalnya, produsen memiliki opsi untuk menyewakan atau menjual pompa mereka. Aset yang terdepresiasi (pompa) di neraca pelanggan mungkin tidak diinginkan jika pelanggan tertarik dengan hasilnya (sumber air). Oleh karena itu, jika mereka diharuskan membayar air yang diperoleh daripada pompa itu sendiri, ini dapat mengurangi keengganan pelanggan untuk membeli peralatan yang mahal.

 

3. Model Pembagian Aset

Ketika pelanggan membeli peralatan mahal, perhatian utama adalah apakah mereka akan dapat menggunakannya secara maksimal. Konsep pertukaran aset berperan di sini. Perusahaan yang berbagi mobil atau sepeda sudah mulai menggunakan model ini. Pertimbangkan itu begini: Mengapa saya harus membayar harga penuh untuk sebuah mobil ketika 90% dari waktu akan diparkir di luar rumah saya? Bisakah saya membayar berapa banyak saya menggunakan mobil saya?

 

Mobil self-driving, pembangkit listrik virtual, drone bersama, dan solusi IoT lainnya sudah mulai muncul sebagai solusi potensial untuk masalah ini.

Ide di balik model bisnis IoT ini adalah untuk memperkenalkan kembali kapasitas tambahan Anda ke pasar. Tujuannya adalah untuk mendapatkan hasil maksimal dari produk Anda untuk sebanyak mungkin pelanggan. Akibatnya, setiap pelanggan membayar harga yang lebih rendah, memungkinkan Anda untuk mencapai penetrasi pasar lebih cepat daripada jika setiap pelanggan harus membayar seluruh produk.

 

Saya memiliki kesempatan untuk menerapkan baterai pintar ke bangunan komersial sebagai bagian dari model ini. Bangunan ini ditenagai oleh baterai, dan jika mereka memiliki kapasitas lebih, mereka dapat menjual energi itu kembali ke jaringan. Bangunan dan jaringan berbagi kepemilikan baterai dalam model ini. Karena pelanggan kami tidak lagi harus membayar seluruh sistem terlepas dari apakah mereka menggunakan kapasitas tambahan, strategi ini memungkinkan kami untuk menawarkan sistem kami dengan harga lebih rendah kepada mereka.

 

Mungkin Anda bertanya-tanya, Mengapa tidak memasang baterai yang lebih kecil saja? Dan itu akan menjadi pertanyaan yang valid. Kadang-kadang mereka tidak menghasilkan baterai, pompa, turbin, atau apa pun yang lebih kecil yang dapat Anda pikirkan. Karena sebagian besar sistem ini sangat rumit, tidak ada ukuran khusus yang tersedia. Oleh karena itu, Anda memiliki pilihan untuk memanfaatkan kapasitas tambahan itu untuk mendapatkan keuntungan atau hanya membuangnya. Di situlah kecerdasan perangkat pintar dapat membantu Anda.

 

4. Produk IoT sebagai Proxy untuk Menjual Produk Lain

Anda dapat menjual produk lain melalui produk Internet of Things Anda. Karena tujuannya adalah untuk membawa produk IoT ke tangan pelanggan sehingga Anda dapat mulai menjual produk Anda yang lain, Anda mungkin menjualnya dengan biaya atau bahkan rugi dalam model ini .Strategi ini membuat saya memikirkan strategi awal Ford, di mana tujuannya adalah untuk menghasilkan uang bukan dari mobil itu sendiri tetapi dari suku cadang dan servis.

 

Dengan Amazon Dash Buttons mereka, Amazon menggunakan model ini. Tombol terhubung ini telah dikonfigurasi sebelumnya untuk memesan item tertentu, seperti kertas toilet atau deterjen. Ini akan memesan ulang item tersebut dari Amazon saat Anda menekan tombol, dan item tersebut tiba di depan pintu Anda dalam beberapa hari.

 

Kemampuan untuk memesan ulang produk pada waktu yang tepat adalah apa yang Amazon ingin berikan melalui layanan belanja kontekstual. Amazon mempermudah Anda untuk memesan ulang produk apa pun yang Anda butuhkan dengan memperkenalkan produk terhubung yang cerdas ini. Amazon Dash Button hanyalah alat untuk menjual produk lain dari katalog Amazon. Itu tidak menghasilkan pendapatan sendiri.

 

Untuk produk yang membutuhkan isi ulang, kami melihat semakin banyak produsen yang mengadopsi strategi ini. Produsen printer sedang mengembangkan “printer pintar” yang memesan tinta secara otomatis saat persediaan habis. Kami memiliki teko terhubung yang memesan filter baru dan banyak hal lainnya secara otomatis.

 

5. Produk IoT sebagai Kendaraan untuk Memonetisasi Data

Nilai Internet of Things terletak pada wawasan yang bisa Anda dapatkan dari data yang Anda kumpulkan; data sekarang adalah sumber daya paling berharga di dunia. Lalu, siapa yang akan mendapat untung dari wawasan dan data? Pertimbangkan Facebook dan LinkedIn sebagai contoh. Meskipun mereka memberi kami, pengguna, nilai untuk menyediakan data itu, nilai sebenarnya diberikan kepada pengiklan dan bisnis pihak ketiga lainnya yang menggunakan data tersebut untuk mempromosikan produk dan layanan mereka. Mereka mengumpulkan sejumlah besar data dari kita masing-masing, seringkali gratis. LinkedIn atau Facebook, dalam hal ini, adalah alat untuk mengumpulkan data bagi pengiklan.

 

Di IoT, Anda dapat membangun produk Anda untuk memberikan nilai kepada pengguna akhir dan mengumpulkan data berharga yang kemudian dapat Anda jual ke pihak ketiga menggunakan model yang sama. Untuk mengurangi gesekan pelanggan, Anda dapat menawarkan perangkat IoT Anda secara gratis menggunakan strategi ini. Untuk mengumpulkan data, tujuannya adalah untuk menyebarkan perangkat sebanyak mungkin. Proposisi data Anda akan menjadi lebih menarik bagi pihak ketiga jika semakin banyak perangkat yang Anda miliki.

 

Model ini digunakan di banyak produk Internet of Things. Pikirkan tentang perangkat hemat energi yang dipasang di gedung untuk mengawasi berapa banyak energi yang mereka gunakan. Data ini membantu pengelola gedung, tetapi utilitas dan agregator lainnya dapat mengenakan biaya banyak untuk mendapatkan data dari ribuan bangunan.

 

Hal yang sama berlaku untuk gadget yang melacak kebiasaan mengemudi Anda. Gadget memberi Anda beberapa wawasan menarik, tetapi perusahaan asuransi paling diuntungkan dari kemampuan mereka untuk memahami kebiasaan mengemudi ribuan orang.

 

Model bisnis Internet of Things (IoT) ini dapat menjadi perpanjangan dari bisnis inti Anda. Artinya, Anda dapat memulai dengan memenuhi kebutuhan pengguna akhir, lalu memutuskan untuk memonetisasi data mereka nanti. Selama Anda memastikan bahwa pelanggan mengetahui bagaimana data mereka akan digunakan dan bahwa privasi mereka terlindungi, kedua model ini jangan bentrok.

 

Perlu diingat bahwa mengumpulkan data dan membagikannya dengan bisnis lain bukan sekadar “tambahan” untuk solusi IoT Anda saat ini. Ini adalah produk lengkap yang memerlukan pemahaman tentang pengguna pihak ketiga Anda, evaluasi dampaknya pada infrastruktur, dan sebagainya. Untuk menentukan bagaimana fitur baru ini akan memengaruhi produk Anda saat ini, saya sarankan untuk memanfaatkan Kerangka Keputusan IoT.

 

Kesimpulan

Penting bagi Manajer Produk untuk memahami bagaimana produk Anda bermanfaat bagi pelanggan dan bisnis. Oleh karena itu, memiliki rencana yang jelas tentang cara memonetisasi produk Anda sangatlah penting. Kabar baiknya adalah bahwa produk Internet of Things menawarkan banyak model bisnis baru untuk memonetisasi produk Anda.

 

Manfaat dan Tantangan Terpenting dari IoT Industri

Perkiraan pasar IoT industri global pada tahun 2025 akan mencapai 933,62 miliar dolar. Ada dua faktor yang akan mendorong pertumbuhan bahan di semua industri yaitu cakupan aplikasi cloud dan skalabilitas.

Saat ini, sektor dari solusi IoT indusri yang paling menguntungkan yaitu manufaktur, perawatan kesehatan, produksi energi dan listrik, minyak dan gas, pertanian, serta logistik dan transportasi. Sektor manufaktur diperkirakan akan muncul sebagai yang paling utama untuk beberapa tahun kedepan. Berdasarkan laporan analitis, industri IoT kan menemukan kembali banyak sektor yang menyumbang sekitar dua pertiga dari output ekonomi global. Kondisi tersebut akan mendorong keuntungan ekonomi sebesar 14,2 trilliun dolar pada tahun 2030.

 

 

Manfaat Utama Internet of Things Industri

Apa keunggulan solusi IoT industri? Mari kita lihat lebih teliti.

Saat ini, modus operandi diadopsi oleh perusahaan besar jika ada kerusakan pada modus operandi maka mereka akan segera memperbaikinya. Sensor pintar dan perangkat lunak bisanya juga digunakan untuk memprediksi kegagalan yang akan terjadi. Untuk mengurangi risiko kerusakan yang dapat menyebabkan proses industri terhenti maka peralatan perlu dirawat dan diganti. 

Jangkauan aplikasi IoT cukup besar dan beragam yang dapat digunakan untuk mencapai semua hal berikut :

• Manajemen Fasilitas : Peralatan manufaktur rentan terhadap kerusakan oleh karena itu, perlu dilakukan pemeliharaan berbasis kondisi dan penggunaan sensor yang tepat. Sensor dapat memantau getaran, suhu , dan faktor lain yang dapat menyebabkan kondisi operasional yang kurang optimal.
• Manajemen Inventaris : Risiko kesalahan manajemen inventaris dapat dicegah dengan solusi IoT. Sesuatu lebih mudah dipantau dan memberi perusahaan gambaran lengkapan tentang invetaris. . Perkiraan bahan dan persediaan yang tersedia akurat, yang mencegah perlambatan.
• Keamanan industri yang ditingkatkan : IoT (Internet of Things) dapat menggabungkan secara efektif dengan analisis data besar. Dapat memantau indikator kinerja utama kesehatan dan keselamatan kerja secara terus-menerus untuk memastikan kondisi tempat kerja yang lebih baik. Indikator lagging seperti jumlah kecelakaan bisa segera diatasi.
• Optimalisasi logistik dan rantai pasokan : Solusi IoT dapat menyediakan Informasi rantai pasokan real-time. Pelacakan produk dan persediaan akan lebih mudah dilacak, serta dapat mengidentifikasi perlambatan dan inefisiensi. Cloud dapat menghubungkan pabrik dan pemasok agar dapat melacak informasi yang diperlukan untuk mengatasi pengurangan inventaris secepat mungkin.
• Smart metering : Konsumsi sumber daya listrik, air, bahan bakar, dll dapat dipantau melalui smart meter. Melalui penggunaan sensor IoT, produsen akan mengetahui berapa banyak yang dikonsumsi dan untuk apa. Pengeluaran operasional dapat ditekan secara signifikan melalui pengelolaan yang efektif.
• Solusi IoT industri dapat menghasilkan kendaraan yang disempurnakan dengan komputer yang mengirimkan informasi yang relevan, manajemen armada yang lebih baik, dan bahkan geo-intelijen (jenis informasi yang tepat dikirim ke perangkat yang berdekatan dengan peralatan industri masing-masing).
• IoT memungkinkan pengetahuan prediktif yang relevan untuk diakumulasikan. Biaya downtime di dunia industri bisa sangat besar. Waktu henti yang tidak direncanakan merugikan perusahaan industri 260.000 dolar per jam.
• Karena kurangnya solusi untuk masalah yang dihadapi, industri Internet of Things (IoT) berfokus pada mengidentifikasi objek dan kondisi, yang dapat berkontribusi pada proses bisnis yang lebih besar.

 

 

Tantangan dan Masalah IoT yang Harus Diatasi

 

Adopsi IoT industri masih menjadi salah satu masalah bagi kebanyakan perusahaan. Mereka tidak tahu harus mulai dari mana dan proses otomatis mana yang akan berkontribusi pada peningkatan efektivitas tertinggi.

Adopsi IoT secara geografis masih terbatas berdasarkan Survei Accenture. Hanya beberapa negara yang menyediakan rangsangan dan membuat teknologi tersebut tersedia. AS, Swiss, Belanda, dan negara-negara Nordik merupakan pemimpin pasar saat ini. Baik teknologi maupun infrastruktur bisnis yang diperlukan untuk meningkatkan penyebaran IoT tersedia di belahan dunia ini.

Beberapa tantangan utama lainnya mencegah adopsi solusi IoT secara luas saat ini :

• Kerentanan Keamanan : Perangkat IoT berkomunikasi secara otomatis satu sama lain. Adopsi IoT dapat menyebabkan tantangan dan kerentanan keamanan baru yang disebabkan karena tidak adanya jaringan yang aman dan terenkripsi dengan benar. Elemen keamanan mandiri harus diterapkan pada jaringan untuk memungkinkan adopsi tanpa risiko serangan peretasan atau kebocoran data yang lebih tinggi. 
• Tidak adanya standar IoT :  Banyak perangkat otomatisasi sudah beroperasi dalam berbagai pengaturan industri dan manufaktur. Masalahnya adalah bahwa berbagai protokol sedang digunakan dan tidak ada standarisasi yang menjamin interoperabilitas.
• Biaya penerapan solusi IoT : Biaya penerapan infrastruktur IoT merupakan elemen yang sangat penting bagi perusahaan. Pada bagian ini, sudah saatnya untuk memilih solusi IoT yang tepat menjadi pusat panggung. Kemudahan penggunaan, kemudahan pelatihan dan pengembangan produk yang lebih mudah diadopsi juga dapat membantu menghilangkan beberapa keraguan di masa depan.

 

 

Masa Depan IoT Industri

 

Munculnya IoT industri akan segera membawa kabar baik bagi pabrik di masa depan. Beberapa tahun kedepan semuanya akan diotomatisasikan termasuk penanganan  material, manufaktur, distribusi produk, dan manajemen rantai pasokan. Namun, untuk mendorong transformasi digital ke depan, para eksekutif harus terlibat dalam prosesnya sejak awal. Departemen TI membutuhkan dukungan seperti itu ketika keputusan revolusioner sedang dibuat tentang proses produksi.

Industrial Internet of Things, juga dikenal sebagai industri 4.0. Lebih banyak otomatisasi telah menghasilkan peningkatan produktivitas sebesar 30 persen dan penerapan teknik produksi yang fleksibel. Untuk mengurangi biaya lebih dari 12 persen maka dilakukan pemeliharaan prediktif. Hal tersebut juga dapat mengurangi kerusakan hingga hampir 70 persen.

Di masa yang akan datang untuk meningkatkan produksi dan menjadi kekuatan pendorong berbagai jenis inovasi, para ahli menyarankanuntuk menggunakan IoT industri. Tenaga kerja itu sendiri juga akan diubah sebagai bagian dari proses otomatisasi yang ekstensif.

Serangkaian tantangan adopsi masih harus  tetap diatasi, dunia memiliki 50 miliar perangkat yang terhubung pada tahun 2020 menurut hasil analisis prediktif. Sangat disayangkan jika jaringan sebesar itu tetap tidak digunakan dalam upaya meningkatkan proses industri. Penembangan produk pintar bukan hanya tentang IoT industri namun, dapat membantu untuk meningkatkan efisiensi dan intervensi prediktif yang lebih tinggi daripada intervensi reaksioner – masalah utama yang dihadapi industri di seluruh dunia saat ini.

 

Kerentanan Besar Ditemukan di Ring Doorbell

 

Kami belum menyelesaikan masalah keamanan IoT meskipun sudah lima bulan sejak serangan Mirai.

 

Serangan DDOS pada Dyn DNS diluncurkan pada Oktober tahun lalu oleh botnet dengan 100.000 perangkat Internet of Things (IoT) dan virus bernama Mirai. Amazon, PayPal, Twitter, Reddit, dan Github adalah beberapa situs web utama yang layanannya terganggu oleh serangan ini.

 

Botnet Mirai dipublikasikan sebagai akibat dari serangan ini, yang menimbulkan kekhawatiran yang sangat nyata terkait keamanan IoT. Dengan memanfaatkan kata sandi admin default pada perangkat IoT umum, terutama kamera video, Mirai dapat berkembang dengan sangat cepat.

 

Melihat sekilas Google Trends mengungkapkan bahwa minat terhadap keamanan IoT meningkat secara signifikan sekitar waktu serangan DNS Dyn (pada 21 Oktober). Diskusi tentang keamanan IoT telah berkembang sejak saat itu, tidak hanya dalam hal cara menggagalkan botnet di masa mendatang, tetapi juga dalam hal bagaimana data pengguna dapat dilindungi. Akan tetapi, berbicara tentang keamanan IoT, hanya mencapai begitu banyak.

 

Masalah Keamanan Terus Bertahan di IoT

Oleh karena itu, apa tanggapan kami? Yang memprihatinkan, sangat sedikit yang telah dilakukan terkait kamera berjaringan, komponen utama botnet Mirai. Bel Pintu Berdering, kamera terhubung dan produk keamanan yang terkenal, ditemukan mengirimkan data ke China minggu ini.

 

Mengapa? Dering mengklaim bahwa paket video dan audio akhir secara efektif dibuang jika perangkat Dering kehilangan konektivitas secara tak terduga pada akhir transmisi. Sayangnya untuk Dering, perangkat tidak benar-benar melakukan fungsi itu; melainkan mengarahkan paket ke alamat IP di China yang dimiliki oleh Baidu, mesin pencari China.

 

Perilaku ini menciptakan pintu belakang potensial ke perangkat Dering dengan membuka lubang di jaringan Wi-Fi tempat Cincin aktif, memungkinkan data yang kembali dari China melewati router dan masuk ke perangkat. Selain itu, ini menimbulkan masalah privasi yang serius mengenai apa sebenarnya yang dikirim dalam paket akhir panggilan dan siapa yang mungkin menerimanya.

 

Faktanya, perangkat menggunakan UDP, jadi siapa pun yang ingin memalsukan Alamat IP China akan dapat, jika mereka dapat menemukannya, untuk mengalihkan lalu lintas ke Perangkat Dering. Tergantung pada firmware kamera Ring, ini bisa membuatnya rentan terhadap protokol perintah-dan-kontrol seperti yang digunakan oleh botnet Mirai.

 

Setiap Orang Perlu Peduli Tentang Keamanan IoT

 

Karena sebagian besar perangkat kamera IoT terkenal sebenarnya tidak dibuat oleh perusahaan yang menjualnya, perilaku semacam ini mungkin bukan hanya milik Ring. Perusahaan seperti Dahua, Acti, dan Hikvision sebenarnya memproduksi perangkat ini di luar negeri dalam sebagian besar kasus.

 

Hal ini menunjukkan bahwa firmware kamera seringkali tidak dipelihara oleh pabrikan. Oleh karena itu, meskipun pelanggan mungkin ingin menaruh kepercayaan mereka pada Ring, saat mereka menggunakan Bel Pintu Dering, mereka juga tanpa sadar memilih untuk menaruh kepercayaan pada pabrikan kamera.

Ring mungkin tidak dapat memperbaiki kerentanan ini, yang akan memperburuk masalah. Seperti yang dinyatakan sebelumnya, kemungkinan besar Ring tidak menulis firmware ke kamera.

 

Keamanan harus dianggap serius oleh setiap pemangku kepentingan, mulai dari produsen perangkat keras hingga penyedia layanan, agar Internet of Things aman. Seperti yang baru saja kita lihat dengan Ring, jika penyedia firmware tidak peduli dengan keamanan, tidak masalah seberapa besar kepedulian perusahaan yang berurusan dengan pelanggan.

Pelanggaran keamanan IoT seperti serangan DNS Mirai Dyn akan terus terjadi hingga keamanan IoT dianggap serius oleh semua orang. Taruhannya jauh lebih tinggi ketika perangkat medis dan transportasi semakin disertakan dalam Internet of Things. Layanan tertunda ke situs web adalah satu hal.

 

Pembaruan: Pada 31 Januari 2019, IoT For All berbicara dengan perwakilan Ring, yang memberikan pernyataan berikut: Keamanan adalah inti dari Ring dan mendorong semua yang kami lakukan sebagai perusahaan keamanan yang bekerja untuk mengurangi kejahatan lingkungan. Pelanggan Ring tidak menghadapi risiko keamanan sebagai akibatnya; namun, kami segera mengubah protokol melalui pembaruan firmware.Ring menginvestasikan banyak waktu dan uang dalam keamanan jaringan dan produk.Keamanan produk Ring terus dipantau oleh tim internal;Selain itu, kami melakukan pengujian intrusi pada semua perangkat dalam kolaborasi dengan sejumlah perusahaan luar.

 

Beginilah Tampilan Smart Museum

 

Internet of Things (IoT) dapat menata ulang museum dan mengubah cara kita memandang seni. Itu juga bisa berfungsi sebagai model untuk model bisnis museum yang sama sekali baru di masa depan. Apakah Anda siap untuk mengunjungi museum yang cerdas?

Pemilik gedung mendapatkan akses ke sejumlah besar peluang baru yang berharga sebagai hasil dari pesatnya perkembangan teknologi di bidang real estate. Hasil putaran pertama percontohan sekarang menunjukkan pentingnya teknologi yang akan datang dalam mencapai penghematan biaya, meningkatkan pengalaman pengguna, dan mengoptimalkan kinerja gedung. Adopsi dalam skala besar akan segera dimulai.

Aplikasi terutama berfokus pada real estat komersial hingga saat ini, dengan gedung perkantoran dan pusat perbelanjaan memimpin paket. Namun, penerapan teknologi baru dalam real estat non-komersial (atau semi-komersial) sebagian besar masih belum diketahui. Saatnya untuk mulai melihat bagaimana teknologi dapat bermanfaat bagi generasi pengadopsi gedung pintar berikutnya, karena semakin hari semakin mudah diakses secara teknis dan finansial.

Saya akan menjelaskan bagaimana menjadikan museum “pintar” dapat secara positif meningkatkan cara museum menjalankan bisnis, meningkatkan pengalaman pengunjung, dan bahkan mungkin meningkatkan dampaknya terhadap masyarakat untuk mengilustrasikan penyelidikan ini dan nilai potensinya.

Untuk memulai, saya akan memberikan penjelasan singkat tentang bagaimana biasanya museum menjalankan bisnis. Sebelum menentukan bagaimana penerapan teknologi dapat memberikan dampak yang signifikan, penting untuk memahami cara kerja internal perusahaan mana pun; Kami ingin melewati trik.

Selanjutnya, saya akan berbicara tentang bagaimana pemilik dan pengunjung museum dapat memperoleh manfaat dari teknologi yang semakin canggih. Internet of Things (IoT), sensor biometrik, dan kamera untuk pengenalan wajah adalah beberapa teknologi yang akan saya bahas. Saya akan mengakhiri artikel ini dengan memberikan contoh bagaimana teknologi baru dapat menghasilkan model bisnis industri seni yang sama sekali baru.

 

Bagaimana Museum Saat Ini Melakukan Bisnis

 

Pertama-tama kita harus memperoleh pemahaman umum tentang bagaimana museum biasanya berfungsi sebelum melanjutkan untuk menyelidiki teknologi yang mungkin berguna saat diterapkan oleh museum. Dua indikator kinerja utama yang paling penting untuk sebuah museum adalah: hubungan antara pendapatan tahunan perusahaan dan jumlah pengunjung yang ditarik, dengan pendapatan yang dihasilkan oleh pengunjung. Oleh karena itu, mendatangkan pengunjung sangat penting untuk keberlangsungan sebuah museum. Tapi bagaimana sebuah museum menarik orang?

Koleksi museum berperan di sini. Koleksinya mencontohkan daya tarik mendasar museum bagi pengunjung: Kami akan mendemonstrasikan [x], memungkinkan Anda mengalami [y], dan memberi tahu Anda tentang [z] jika Anda mengunjungi kami.

Dari perspektif bisnis, dapat dikatakan bahwa barang-barang kelas atas biasanya disertakan dalam koleksi permanen untuk menjamin tingkat kualitas dan daya tarik tertentu sepanjang tahun. Museum ini lebih sering menarik pengunjung karena rotasi pameran sementara. Museum harus dapat menghasilkan pendapatan tetap dari kombinasi ini.

Restoran museum, toko suvenir, dan acara khusus merupakan sumber pendapatan sekunder selain pendapatan utama yang diterima dari penjualan tiket. Perlu diingat bahwa koleksi dan jumlah pengunjung museum adalah pendorong utama dari dua aliran pendapatan sekunder pertama ini. Meskipun menjual karya seni sekali atau dua kali setahun juga dapat mendatangkan uang, melakukannya sepanjang waktu tidaklah berkelanjutan.

Dengan cara ini, sumber utama galeri untuk mendukung dirinya sendiri adalah koleksinya. Karena itu, koleksinya merupakan subjek yang sangat baik untuk penelitian tambahan. Dengan cara apa teknologi dapat membantu museum membangun koleksi terbaik dan mengembangkan bisnisnya?

Di sisa artikel ini, kami akan menyelidiki berbagai strategi untuk menanggapi pertanyaan ini.

 

IoT Applications in Museums

 

Setelah mengetahui betapa pentingnya koleksi museum, kita akan melihat bagaimana museum dapat menggunakan teknologi untuk meningkatkan penawarannya dengan:

• Mengumpulkan informasi tentang kegiatan dan minat audiens yang dituju (pengunjung).
• Mengejar pendekatan baru untuk mengevaluasi kinerja koleksi, melampaui jumlah pendapatan dan pengunjungnya.
• Menyesuaikan penawaran pameran di masa mendatang dengan minat (potensial) pengunjung.

Pada bagian ini, saya akan membahas lima tahap penerapan teknologi baru secara berurutan. Masuk akal untuk berasumsi bahwa beberapa museum telah memulai tahap pertama, yang relatif mudah. Namun, teknologi yang diterapkan menjadi semakin maju pada langkah-langkah selanjutnya.

Performa bisnis museum pintar dapat dipengaruhi secara signifikan oleh teknologi canggih ini, yang akan menghasilkan data yang lebih tepat dan detail. Pada saat yang sama, metrik baru yang kemungkinan akan digunakan untuk mengukur “kinerja seni” diperkenalkan oleh teknologi terapan. Lima tahap akan memperkenalkan metrik ini.

Pada langkah-langkah yang disebutkan di bawah ini, kami akan menggunakan inovasi untuk menilai presentasi karya seni tunggal berdasarkan tingkat perhatian yang berhasil ditangkap dari pengunjung galeri. Asumsi bahwa pengunjung datang ke pameran dengan tingkat keingintahuan dan/atau ekspektasi tertentu mendasari metrik pertama ini. Idenya adalah bahwa sebuah karya seni lebih penting untuk koleksi semakin lama menarik perhatian pengunjung, memenuhi (atau menentang) keingintahuan atau harapan mereka.

 

Tahap 1: Melacak Perjalanan Pengunjung

Pada tahap utama, kita mulai dengan memperkenalkan penghitung grup dengan masuknya spasi. Kami dapat melacak jumlah pengunjung yang masuk dan keluar dari setiap ruang museum sebagai akibatnya. Pemilik museum yang cerdas dapat menentukan, melalui pemeriksaan data yang dihasilkan ruang, area mana yang paling menarik pengunjung dan, akibatnya, karya seni mana yang paling menarik perhatian.

Sebuah laporan dari museum Louvre di Paris, misalnya, mungkin menunjukkan: Ruang A, rumah bagi Mona Lisa, telah dikunjungi oleh 90% pengunjung hari ini, dan Ruang B, tempat karya seniman lokal yang akan datang, telah dikunjungi oleh 25% dari pengunjung hari itu.

Meskipun data dalam laporan di atas seharusnya tidak mengejutkan, akan sangat menarik jika dua ruang memiliki “kualitas” yang serupa tetapi memiliki jumlah pengunjung yang sangat berbeda. Benarkah orang menganggap karya seni di satu ruang lebih menarik daripada di ruang lain? Masalah dengan rambu atau wayfinding juga bisa menjadi penyebabnya. Apa yang akan terjadi jika ini diotak-atik? Atau, apa yang akan terjadi jika kita memindahkan kepingan-kepingan itu dari satu tempat ke tempat lain?

Data yang dikumpulkan dapat memacu eksperimen dan menunjukkan efek peningkatan potensial. Namun, kelemahan utama dari metode ini adalah kami tidak dapat menentukan seberapa besar pengaruh masing-masing karya seni terhadap keinginan pengunjung untuk mengunjungi ruangan tertentu. Untuk secara akurat mengukur “daya tarik” masing-masing bagian, yang jauh dari ideal, masing-masing akan membutuhkan ruangnya sendiri dan orangnya sendiri. Memang, bahkan pusat sejarah besar seperti Louver akan segera kehabisan ruangan. Untungnya, teknologi mutakhir dapat mengatasi masalah ini.

 

Tahap 2. Pelacakan Lokasi Pengunjung Real-Time

Melalui sensor yang dipasang di langit-langit, kami memantau di mana pengunjung berada di setiap ruang selama fase kedua. Berkat ini, kami dapat menentukan dengan tepat di mana pengunjung berdiri dan memeriksa pola pergerakan mereka di seluruh ruangan.

Saat pengunjung memeriksa sebuah karya seni, dia biasanya berdiri pada jarak standar dari karya tersebut; lebih dekat ke yang lebih kecil dan lebih jauh dari yang lebih besar. Namun, jarak ini tetap cukup konstan untuk masing-masing bagian. Ini menunjukkan bahwa seorang pengunjung memperhatikan sebuah karya setiap kali mereka berdiri pada jarak yang telah ditentukan darinya. Ini disebut sebagai “titik perhatian”. Mekanisme penilaian dapat dipicu oleh titik perhatian ini: Kita dapat mengukur “daya tarik” karya seni dalam kaitannya dengan karya seni lainnya di ruang dan museum pintar dengan memasuki titik perhatian dari karya seni tersebut dan menerima titik perhatian.

Karya seni harus diposisikan di sekitar ruangan sehingga titik perhatian mereka tidak tumpang tindih agar bisa berfungsi. Dengan melakukan itu, kami benar-benar membagi ruang aktual menjadi ruang virtual yang lebih kecil, memungkinkan kami mengukur perhatian per karya seni, bukan per ruang, sehingga menyelesaikan masalah tahap 1 kami.

Selain itu, titik perhatian dapat dimanfaatkan dalam berbagai cara untuk menghasilkan data:

• Karya seni mendapatkan poin perhatian setiap kali pengunjung melewati titik perhatiannya.
• Poin saat pengunjung berjalan sangat lambat melalui titik perhatian.
• Poin untuk setiap detik saat pengunjung diam, dan lebih banyak poin untuk setiap detik saat pengunjung diam.
• Poin diberikan setiap kali pengunjung mendekat untuk melihat lebih dekat.

Kami hanya dapat berasumsi bahwa pengunjung memperhatikan suatu karya setiap kali mereka berada di tempat perhatiannya menggunakan teknologi ini. Seorang pengunjung mungkin juga berbicara dengan orang lain atau memeriksa telepon mereka.

Meskipun demikian, penggunaan inovasi alternatif dan lebih maju akan memungkinkan kami untuk mengukur pertimbangan yang diberikan secara tepat pada setiap karya seni yang tak dapat disangkal lagi. Oleh karena itu, mari lanjutkan ke tahap berikutnya sambil menambahkan metrik lain ke dalam campuran secara bersamaan.

Saatnya untuk menaikkan taruhan sekarang setelah kita mulai menyelidiki perhatian sebagai kriteria baru untuk mengevaluasi “kinerja” seni. Untuk tahap-tahap berikut, kami akan berusaha untuk memanfaatkan inovasi terjauh untuk melihat apakah kami dapat menjelajah dalam memperkirakan efek dekat ke rumah dari sebuah karya: Art Emotion Score

 

Tahap 3: Kamera Pengenalan Wajah

Pada titik ini, alih-alih mengandalkan lokasi pengunjung untuk menentukan apakah mereka memperhatikan suatu karya seni, kami menggunakan teknologi pengenalan wajah untuk memverifikasinya. Kami melakukannya dengan memasang kamera di atas setiap bagian, menangkap dan menganalisis wajah pengunjung. Itu akan memungkinkan kami untuk mengumpulkan informasi tentang:

• Apakah dan untuk berapa lama pengunjung tertentu memperhatikan karya seni (dan bahkan bagian mana).
• Demografi pengunjung: jenis kelamin, tinggi badan, berat badan, etnis, dan faktor lainnya
• Perasaan pengunjung: kebahagiaan, penolakan, keheranan, ketakutan, dll.
• Kombinasi dari semua karya seni yang dilihat pengunjung di museum pintar, menghasilkan profil preferensi pengunjung yang khas.

Penerapan teknologi ini mengungkapkan harta karun potensi manfaat dan perspektif baru. Ini akan, misalnya, memungkinkan kita untuk memberikan poin perhatian dan emosi pada seni. Berapa banyak orang yang tersenyum ketika mereka melihat sebuah lukisan? Atau tampak sedih? Atau marah?

Tujuan dari sebuah museum cerdas dapat dihubungkan dengan efek emosional ini. Metrik kinerja target untuk museum yang bertujuan mendidik pengunjungnya tentang efek negatif perang terhadap masyarakat lokal mungkin setidaknya 70% pengunjung menunjukkan perasaan tidak nyaman tiga kali per kunjungan, asalkan pengguna tidak menemukan cara untuk melakukannya. menipu sistem pengenalan wajah. Selain itu, seniman mungkin menganggap data tentang dampak emosional ini sangat berguna. Bagaimana karya yang mereka ciptakan memengaruhi orang secara emosional? Apakah efek emosional yang diinginkan tercapai?

Data laporan ini menggambarkan: Wanita berusia antara 30 dan 44 tahun, khususnya yang berasal dari bagian selatan Eropa, sangat tertarik dengan Mona Lisa karena kemampuannya memikat mereka. Apalagi lukisan itu menunjukkan dampak emosional pada emosi “bahagia” mereka yang di atas rata-rata. Menanggapi laporan tersebut, museum pintar mungkin memutuskan untuk beriklan di Eropa Selatan. Misalnya, mereka mungkin menampilkan gambar Mona Lisa di majalah wanita.

 

Tahap 4: Identifikasi Pengunjung

Kami menambahkan lapisan sosial ke teknologi pengenalan wajah yang kami gunakan di tahap sebelumnya untuk melacak semua metrik di tahap ini. Kami juga menggunakan media sosial untuk menghubungkan wajah dengan identitas pengunjung yang sebenarnya, bukan sekadar mengenali wajah dan melacak di mana ia muncul di seluruh museum selama kunjungan. Selain itu, ini mungkin mengganggu beberapa orang.

Jadi, bagaimana kita harus melanjutkan dengan ini? Anda mungkin tidak percaya betapa mudahnya itu. Dengan menganalisis struktur wajah yang khas di foto Facebook Anda, Facebook sudah mengetahui nama Anda dan seperti apa penampilan Anda. Raksasa teknologi ini juga melakukan investasi signifikan dalam teknologi yang memungkinkannya mengidentifikasi Anda dari sumber video (langsung) apa pun menggunakan pengenalan wajah dan data pada struktur wajah Anda yang sudah ada di basis data mereka.

Sebuah laporan museum sekarang dapat dibaca sebagai berikut dengan menggunakan data yang baru diperoleh ini: Selama 113,6 detik, Amsterdamer Daan de Geus memusatkan perhatian pada Mona Lisa dengan seringai di wajahnya. Pola dasar pengunjungnya memiliki rentang perhatian rata-rata yang lebih pendek, yaitu 34%. Kami menemukan bahwa 16 dari 481 teman Facebook Daan mungkin menganggap Mona Lisa menarik dengan menganalisis preferensi mereka melalui “suka” mereka. Dua dari rekan ini sebelumnya telah berbagi foto yang diambil di dalam Louver bulan lalu. Akibatnya, saya telah membayar Facebook untuk mempromosikan Mona Lisa di profil media sosial yang relevan dari 14 teman Daan.”

 

Tahap 5: Sensor Biometrik

The most experimental stage is the fifth and final one. At this point, we shift our focus from collecting data from the outside and inside of smart museum visitors’ bodies to collecting data from their behavior. Our objective is to find changes in the body brought on by emotions that can be sparked by art. We could count:

• Denyut jantung. Dari kejauhan, kami menggunakan sensor denyut nadi untuk mengukur denyut nadi pengunjung di sini, memungkinkan kami mengukur perubahan detak jantung rata-rata untuk setiap ruang atau karya seni.
• Suhu. Perubahan suhu telah terbukti terjadi di bagian tubuh dan wajah tertentu sebagai respons terhadap emosi tertentu. Dengan menambahkan inframerah hangat ke kamera pengenalan wajah kami, kami dapat memperoleh perubahan di dekat rumah pada tingkat yang lebih mendalam.
• Kualitas Suara. Memasang mikrofon memungkinkan kita mengevaluasi nada suara pengunjung. Di sekitar karya seni, suara bernada tinggi di atas rata-rata dapat menunjukkan emosi tertentu. Ingatlah bahwa ini hanya mencatat bagaimana sesuatu dikatakan, bukan apa yang dikatakan.

Laporan museum cerdas mungkin berbunyi: Perubahan suhu rata-rata untuk setiap pengunjung yang pergi melihat Mona Lisa adalah +0,6 derajat Celcius. Peningkatan aliran darah rata-rata yang signifikan ke dahi dan ujung hidung juga diamati pada saat yang sama, kemungkinan menunjukkan kegembiraan. Nada suara mengidentifikasi emosi “kegembiraan” pada tingkat yang jauh lebih tinggi daripada rata-rata di semua ruang, dan detak jantung meningkat rata-rata 1,4 detak per menit.

 

Dari Wawasan Data hingga Peluang Bisnis Nyata

Berbagai macam data baru yang berharga dikumpulkan dengan menggunakan teknologi dalam lima langkah yang tercantum di atas. Setelah masing-masing dari kelima tahap tersebut, contoh laporan menunjukkan bagaimana data ini dapat secara langsung menghasilkan wawasan yang dapat digunakan. Bagaimanapun, ada lebih banyak peluang untuk mengubah informasi yang baru dibuat menjadi nilai. Tujuh tercantum di bawah ini:

• Triangulasi data. Meskipun berbagai metode yang digunakan untuk mengumpulkan data selama lima tahap tersebut dapat berguna dengan sendirinya, metode tersebut juga dapat menjadi bias. Apakah kita benar-benar mengukur apa yang kita yakini sedang kita ukur? Analisis yang secara signifikan lebih akurat dan wawasan baru yang dapat diperoleh dimungkinkan dengan metode pengumpulan data yang tumpang tindih di seluruh tahapan.
• Modifikasi koleksi. Museum pintar belajar banyak tentang preferensi audiens targetnya dari data yang dikumpulkannya. Museum dapat menyesuaikan koleksinya saat ini dan merancang penawaran pameran di masa mendatang berdasarkan wawasan ini untuk menarik lebih banyak pengunjung.
• Sumber data yang ada. Di dalam dan di luar museum, ada banyak sumber data tambahan yang bisa dimanfaatkan. Bagaimana jika kita menghubungkan perasaan kita dengan cuaca di luar?
• Metrik meta yang ditingkatkan Kami melihat metrik baru untuk mengevaluasi kinerja seni dalam artikel ini. Metrik meta baru dapat muncul dari penggabungan metrik ini dengan kumpulan data lainnya. Menurut teori belajar, misalnya, seorang siswa harus dihadapkan pada berbagai contoh untuk mempelajari sesuatu yang baru. Mungkinkah ini berarti bahwa kita dapat menyiratkan bahwa pengunjung telah mempelajari sesuatu ketika mereka telah memperhatikan “y” sejumlah bagian dalam sebuah tema setidaknya selama “x detik”?
• Benchmarking di seluruh museum. Data smart museum juga dapat digunakan untuk membandingkan kinerja museum lain. Museum mana yang memiliki dampak keseluruhan terbesar, baik secara pendidikan maupun emosional? Bagaimana satu karya seni dapat bertahan di berbagai museum pintar?
• Penerapan di semua industri Pemilik bangunan di industri lain juga dapat memperoleh manfaat dari teknologi dan metode yang dibahas dalam artikel ini. Mengapa kita tidak ingin mengukur perasaan orang di perusahaan ritel? Bagaimana dengan memantau dan mengurangi ketidakhadiran karena sakit atau kelelahan dengan mengukur detak jantung karyawan di tempat kerja?
• Mesin untuk rekomendasi pengunjung Nilai informasi yang dikumpulkan tentang pengunjung juga dapat dikembalikan kepada pengunjung. Mesin rekomendasi adalah contohnya: Anda pasti harus pergi ke museum E berdasarkan preferensi Anda (skor perhatian dan emosi) dari museum A atau museum B ke D. Seperti yang dinyatakan sebelumnya, seniman dapat menganalisis dampak emosional dari karya mereka dengan yang baru dihasilkan data. Mereka juga dapat menggunakan teknologi baru untuk membuat seni interaktif pada saat yang bersamaan. Bagaimana dengan lukisan abstrak yang merespon detak jantung, posisi, atau ekspresi wajah Anda secara real time?

 

Model Bisnis Baru Melalui Teknologi IoT

Terlepas dari peluang lain yang mungkin dibawa oleh inovasi baru, penerapannya juga dapat mengarah pada pendekatan yang lebih baik untuk melanjutkan pekerjaan untuk galeri yang cemerlang. Saya akan menunjukkan kepada Anda dalam contoh di bawah ini bagaimana seluruh rantai nilai seni dapat dipengaruhi oleh perubahan kecil dalam model bisnis museum.

 

Museum Cerdas ‘Bayar-Per-Tayang’

Kami hanya dapat membebankan biaya kepada pengunjung untuk karya seni yang mereka lihat karena teknologi pengenalan wajah dapat merekam karya seni mana yang mereka lihat. Dalam praktiknya, ini bisa berarti bahwa alih-alih membebankan biaya €20 untuk tiket masuk reguler, kami akan mengenakan biaya €1 per tampilan (definisi “tampilan” perlu diklarifikasi). Tiket bayar-per-tayang pengunjung akan secara otomatis beralih ke tiket reguler jika jumlah total tampilan pengunjung melebihi 20. Hal ini akan memastikan bahwa pengunjung tidak perlu membayar lebih dari €20.

Model ini memiliki keunggulan utama dalam mendatangkan pengunjung ke museum pintar yang hanya ingin melihat beberapa bagian, mungkin untuk belajar atau menggambar, tetapi terhalang oleh mahalnya harga tiket reguler. Dengan cara ini, opsi bayar-per-tayang dapat membawa lebih banyak orang ke museum pintar dan berpotensi meningkatkan aliran pendapatan sekunder dari restoran dan suvenir. Museum pintar dapat berupaya untuk “merayu” pengunjung bayar-per-tayang di dalam untuk melihat lebih banyak karya, menghasilkan pengunjung yang tidak akan masuk dengan membayar harga penuh tiket mereka.

Tautan lain dalam rantai nilai seni juga dapat dipengaruhi oleh pengadopsian model bayar-per-tayang ini. Museum pintar akan dapat menyewa karya seni dari pihak lain dan hanya membayar untuk jumlah tampilan atau bahkan jumlah emosi tertentu yang ditimbulkannya (tergantung pada tujuan pameran). Selain itu, model ini akan mengizinkan artis untuk mendapatkan royalti per penayangan, menghasilkan model yang sebanding dengan Spotify dan YouTube, di mana penerbit dan artis menerima jumlah yang telah ditentukan sebelumnya untuk setiap x jumlah pemutaran.

 

Kesimpulan

Potensi dan penerapan teknologi bangunan pintar tampaknya tidak terbatas. Artikel ini menunjukkan bahwa tidak semua organisasi yang sangat komersial atau berbasis teknologi menggunakan teknologi. Mulai menyelidiki bagaimana teknologi bangunan pintar dapat digunakan untuk meningkatkan bisnis seseorang adalah sesuatu yang dapat dan harus dilakukan oleh setiap pemilik properti.

Kita sekarang tahu bahwa menggabungkan teknologi baru dengan teknologi lain atau kumpulan data baru, serta menerapkannya secara langsung pada masalah yang ada, dapat menghasilkan peluang baru. Selain itu, kami melihat bahwa perkembangan teknologi berpotensi membuka model bisnis baru bagi suatu organisasi, yang dapat berdampak pada keseluruhan rantai nilai di mana ia beroperasi. Telah dibuktikan bahwa menjadi pihak yang memprakarsai perubahan ini telah menghasilkan posisi kekuasaan yang unik. Namun, penting juga untuk menggunakan IoT dengan cara yang diperhitungkan, memutuskan perangkat mana yang harus terhubung dan mana yang harus tetap offline.

Penerapan teknologi baru memiliki potensi untuk mengamankan stabilitas keuangan serta relevansi sosial di masa depan, khususnya untuk museum pintar. Dampak museum cerdas terhadap pendidikan, emosi, dan perubahan perilaku yang sebelumnya tidak dapat diukur kini mulai dapat diukur seiring dengan kemajuan teknologi dari hari ke hari.

6 Aplikasi IoT yang Menyenangkan di Bidang Kesehatan

 

Anda mungkin sudah tahu tentang Internet of Things (IoT) dan bagaimana Internet telah mengubah cara kami mengelola hal-hal seperti utilitas dan keamanan rumah. Namun, IoT dapat melakukan lebih banyak lagi. Tenaga kerja manusia digunakan untuk banyak tugas perawatan kesehatan yang seringkali membosankan, berulang, dan manual. Internet of Things memiliki potensi untuk meningkatkan perawatan pasien, menyelamatkan nyawa, dan secara signifikan mengurangi biaya operasional industri perawatan kesehatan.

Lihatlah enam contoh ini:

 

1. Mengurangi Waktu Tunggu Ruang Gawat Darurat

Tidak banyak hal yang pada dasarnya membosankan dan melelahkan seperti kunjungan ke pusat trauma. Selain biaya terkait, kunjungan ke ruang gawat darurat bisa memakan waktu beberapa jam.

Setidaknya satu rumah sakit, Mt. Sinai Medical Center di New York City, mampu memangkas waktu tunggu secara efektif untuk 50% pasien ruang gawat darurat mereka yang membutuhkan rawat inap berkat beberapa kecerdikan baru-baru ini dan Internet of Things.

AutoBed, perangkat lunak berbasis IoT baru yang dikembangkan bekerja sama dengan GE Healthcare, memantau hunian di 1.200 unit dan memperhitungkan 15 metrik berbeda untuk menentukan kebutuhan khusus setiap pasien.

Ini adalah sistem yang bekerja dengan sangat baik dan mendemonstrasikan beberapa aplikasi IoT yang paling kreatif dan menarik.

2. Kesehatan dan Pemantauan Jarak Jauh

Patients may not even need to visit a hospital or emergency room in some instances. Remote health monitoring, also known as telehealth, is one of the most obvious and widely used applications of healthcare and the Internet of Things.

Not only does it reduce costs and eliminate the need for some visits, but it also contributes to an improvement in the patient’s quality of life by removing the annoyance of having to travel.

Something as basic as this can make all the difference in the world for a patient who has limited mobility or relies on public transportation.

3. Memastikan Ketersediaan dan Aksesibilitas Perangkat Keras Penting

Agar dapat berfungsi, rumah sakit modern membutuhkan perangkat lunak dan perangkat keras mutakhir, beberapa di antaranya bahkan digunakan untuk menyelamatkan atau memelihara kehidupan manusia. Peralatan ini, seperti semua perangkat elektronik, rentan terhadap berbagai risiko yang dapat mengancam jiwa, seperti kegagalan sistem dan pemadaman listrik.

Masalah itu adalah fokus dari solusi baru berbasis IoT Philips yang dikenal sebagai e-Alert.

Alih-alih percaya bahwa gadget akan gagal, kerangka kerja baru Philips mengadopsi strategi proaktif dengan hanya memeriksa peralatan klinis dan memperingatkan staf klinik medis jika ada masalah.

Produk tersebut baru-baru ini diluncurkan oleh Philips dan OpenMarket bersama.

4. Melacak Staf, Pasien, dan Inventaris

Keselamatan adalah perhatian utama dari rumah sakit atau fasilitas medis mana pun atau setidaknya seharusnya begitu. Sulit mempertahankan tingkat keamanan maksimum tanpa kemampuan melacak aset anggota staf, pasien, dan perangkat keras di seluruh gedung.

Ini adalah tugas yang mudah dicapai di institusi yang lebih kecil, tetapi bagaimana dengan fasilitas yang lebih besar yang memiliki banyak struktur dan kampus serta ribuan pasien dan anggota staf?

Banyak yang beralih ke IoT dan sistem lokasi real-time untuk memfasilitasi pelacakan aset. Tidak hanya metode pemantauan aktivitas sehari-hari yang murah di lingkungan rumah sakit, tetapi juga tidak mengganggu, efektif, dan mutakhir.

5. Manajemen Obat yang Ditingkatkan

Obat resep baru adalah salah satu terobosan perawatan kesehatan dan Internet of Things yang paling menarik.

Pil dengan sensor mikroskopis seukuran sebutir beras dapat mengirimkan sinyal ke perangkat eksternal, biasanya tambalan yang dikenakan di tubuh, untuk memastikan dosis dan penggunaan yang tepat, yang tampak seperti sesuatu yang keluar dari novel fiksi ilmiah.

Dalam hal memastikan pasien ingat untuk meminum obatnya dan bahkan saat meresepkan obat baru, informasi semacam ini bisa sangat membantu.

Melalui aplikasi smartphone yang praktis, pasien juga dapat mengakses data untuk melacak performa mereka sendiri dan mengubah kebiasaan mereka.

6. Mengatasi Penyakit Kronis

Tidak ada satu pun inovasi atau perangkat yang membantu pengobatan penyakit kronis di abad ke-21; melainkan kombinasi dari teknologi yang dapat dikenakan, analitik generasi berikutnya, dan konektivitas seluler. Meskipun masalah kesehatan berulang tidak pernah menarik, kemajuan signifikan sedang dibuat dalam penanganan masalah tersebut, dan sebagian besar merupakan akibat langsung dari Internet of Things.

Internet of Things (IoT) digunakan oleh utilitas seperti Fitbit untuk melacak kesehatan orang. Informasi ini dapat dibagikan dengan dokter untuk membantu mengatasi masalah yang berulang.

Sebuah perusahaan bernama Health Net Connect baru-baru ini meluncurkan program manajemen diabetes untuk masyarakat umum dengan tujuan meningkatkan perawatan klinis dan menurunkan keseluruhan biaya perawatan kesehatan bagi pasien. Sampai sekarang, mereka telah mencapai beberapa hasil yang mengesankan.

 

Memicu Perubahan Konstan dalam IT Kesehatan

IoT memiliki potensi untuk menjangkau setiap manusia di planet ini pada satu waktu atau lainnya dalam hidup mereka.

Itu berubah dari lantai pabrik modern menjadi rumah sakit dan fasilitas medis berbasis teknologi dalam waktu yang sangat singkat, dan ini merupakan perkembangan yang telah mengubah industri TI perawatan kesehatan.

Tidak ada keraguan bahwa itu akan terus berlanjut seiring dengan kemajuan teknologi – tetapi seberapa jauh hal itu akan membawa kita tidak dapat ditebak oleh siapa pun pada saat ini.

Bagaimana IoT Membentuk Masa Depan Kebugaran

 

Internet of Things membuka banyak pintu bagi industri kebugaran. Namun, agar perangkat kebugaran menjadi benar-benar cerdas, pengembang dan produsen harus membuat perangkat data yang dapat ditindaklanjuti.

Peralatan olahraga, aplikasi kebugaran seluler, dan perangkat yang dapat dikenakan yang terhubung yang diaktifkan oleh Internet of Things bukan lagi barang baru. Dengan aplikasi seperti Zwift gamifying pengalaman pelatihan dalam ruangan dan perusahaan seperti TrainerRoad menciptakan kembali pengalaman gym dan latihan individu, pelatih sepeda pintar, misalnya, telah muncul sebagai kategori produk yang berbeda. Dengan perjalanan terpandu dan koneksi ke kelas secara keseluruhan, yang lain, seperti Peleton, menyempurnakan pengalaman itu. Dengan program dan kelas yang didukung IoT, butik kebugaran dan spin memajukan latihan kelompok, dan pasar untuk pelacak dan jam tangan kebugaran yang dapat dikenakan juga telah dibanjiri. Faktanya, pasar perangkat yang dapat dikenakan global diperkirakan akan mengirimkan hampir 125 juta unit pada akhir tahun, menurut penelitian IDC baru-baru ini.

Visibilitas yang diberikan oleh teknologi IoT adalah salah satu alasan utama mengapa hal itu berdampak besar pada industri kebugaran. Terlepas dari tujuan latihan individu seseorang, tujuannya adalah peningkatan dan pengukuran peningkatan itu. Teknologi IoT secara mendasar telah mengubah cara orang berolahraga dengan memberikan visibilitas yang belum pernah terjadi sebelumnya dengan terus mengumpulkan dan mengirimkan data yang dapat digunakan untuk melacak pertumbuhan pribadi. Selain itu, data yang dihasilkannya dapat digunakan untuk memberikan respons objektif terhadap pertanyaan lama, “Apakah benar-benar layak pergi ke gym?”

 

6 Tren Kebugaran Berbasis IoT yang Menjanjikan

Harapkan industri kebugaran dan praktik olahraga mengalami transformasi lebih lanjut karena teknologi IoT terus berkembang. Faktanya, sejumlah tren baru yang didorong oleh IoT baru belakangan ini mulai diterima secara luas.

1: Kebugaran Grup yang Didukung Teknologi

Internet of Things (IoT) telah muncul sebagai pendukung penting untuk kebugaran kelompok. Misalnya, pusat kebugaran, klub, atau kelas yang berfokus pada kelompok semakin banyak menggunakan sensor dan gateway nirkabel bertenaga baterai sehingga peserta dapat melihat apa yang dilakukan orang lain dan instruktur dapat memenuhi kebutuhan individu setiap peserta dan kelas dengan lebih baik.

2: Pengalaman Latihan Imersif

Anda tidak lagi harus puas dengan treadmill dasar atau pelatih sepeda dengan akses ke televisi. Orang-orang saat ini menginginkan olahraga yang lebih menarik, tertanam, dan imersif. Mereka ingin menggunakan pelatih sepeda di dunia maya, melihat bagaimana detak jantung mereka dibandingkan dengan teman sekelasnya di kelas berkelompok, atau lari maraton terkenal secara virtual dengan acara real-time.

3: Data Pelacakan yang Dapat Dibagikan

Baik itu untuk kontes, inspirasi atau tanggung jawab, individu dengan panik perlu menyampaikan informasi aktivitas mereka kepada orang lain. Pengembang aplikasi telah mengetahui dan sekarang menawarkan segalanya mulai dari aplikasi yang menghubungkan pengguna ke teman dan keluarga mereka (seperti Strava) hingga aplikasi yang terhubung ke akun media sosial yang ada dan ke komunitas orang asing.

4: Sistem Papan Peringkat

Gym mulai menerapkan sistem papan peringkat yang terhubung, yang berkontribusi pada tren menuju pengalaman olahraga yang lebih imersif. Misalnya, studio Orange Theory Fitness menggunakan sensor Detak Jantung nirkabel untuk secara visual melacak kinerja detak jantung setiap anggota dari waktu ke waktu. Dalam upaya memotivasi peserta untuk bekerja lebih keras atau mengejar ketertinggalan di kelas, studio Spin juga menggunakan papan peringkat dari Performance IQ untuk menunjukkan detak jantung, irama, atau output daya peserta.

5: Pengalaman Tamu yang Terhubung

Berbagi data dan menggunakan papan peringkat adalah hal yang bagus, tetapi semua orang ingin menjadi lebih baik dengan cara mereka sendiri. Menggunakan teknologi Internet of Things (IoT), pusat kebugaran, kelas, dan aplikasi memenuhi permintaan ini dengan membuat pengalaman tamu mereka lebih mulus dan personal. Peleton adalah ilustrasi fantastis tentang bisnis yang berhasil menjembatani kesenjangan antara penyediaan pengaturan grup dan pengalaman tamu yang sangat personal.

6: Sensor yang Lebih Cerdas

Ketika seseorang ingin melacak detak jantungnya empat tahun lalu, mereka harus memakai perangkat sekali pakai yang disebut monitor detak jantung. Monitor detak jantung sekarang sudah biasa. Mereka dibangun menjadi perangkat pintar yang dapat dikenakan dan mengirim data ke cloud segera dan terus menerus dari pergelangan tangan seseorang (sesuai kebijaksanaan mereka, tentu saja!) Di tahun-tahun mendatang, sensor hanya akan menjadi lebih baik. Mereka akan membutuhkan lebih sedikit daya, perangkat keras, dan infrastruktur sambil memberikan lebih banyak data dan wawasan baru.

 

Data yang Dapat Dikonsumsi dan Dapat Ditindaklanjuti adalah Kuncinya

 

Nasib kesehatan yang digerakkan oleh IoT memang luar biasa, terutama mengingat fakta bahwa teknologi cloud telah membuat pengumpulan, penyimpanan, dan penyampaian banyak informasi menjadi cukup masuk akal. Platform pengembangan yang dapat dikenakan telah memberi pengembang kesempatan untuk menciptakan pengalaman bermerek dalam ekosistem produk yang dapat dikenakan, dan badan standar telah mempermudah penambahan data baru ke kolektif.

Meskipun aplikasi seluler terkait kebugaran dan kesehatan terus memiliki tingkat retensi tertinggi di antara kategori seluler, ada masalah yang membayangi yang perlu dikenali: Kapan jumlah total data kebugaran menjadi berlebihan? Artinya, dengan tipe data baru dan sensor yang lebih cerdas muncul secara teratur, bagaimana cara memilah semuanya?

Rata-rata orang hanya dapat menyerap begitu banyak informasi dengan cara yang produktif, dan ketika pelacak kebugaran menggabungkan berbagai aliran data untuk membuat metrik baru seperti detak jantung versus jarak tempuh versus kecepatan, situasinya bisa menjadi lebih kewalahan. Produsen dan pengembang aplikasi harus bertanggung jawab atas data yang mereka hasilkan dan membuatnya dapat segera dikonsumsi dan ditindaklanjuti untuk memastikan bahwa Internet of Things (IoT) terus membentuk masa depan kebugaran secara konstruktif. Lebih baik lagi, ada peluang bagi industri kebugaran secara keseluruhan untuk bergerak melampaui titik kontak awal aplikasi, sensor, dan perangkat IoT dan benar-benar meningkatkan kehidupan sehari-hari orang dengan memberikan wawasan yang jelas dan mudah dicerna dari kumpulan data aktivitas yang tersedia.

 

5 Cara IIoT Merevolusi Industri Minyak dan Gas

 

Internet of Things memberi minyak dan gas kesempatan untuk bersaing di dunia yang digerakkan oleh pasar.

Masa depan industri migas terletak pada Industrial Internet of Things (IIoT). Sektor khusus ini tertinggal dari jaringan perangkat, sensor, dan perangkat lunak Internet of Things (IoT), yang mengubah kehidupan sehari-hari konsumen.

Metode usang dan tidak efektif yang digunakan banyak bisnis untuk memelihara aset dan mengumpulkan data sebagian besar merupakan penyebab kesulitan yang dialami industri minyak dan gas.

Industri minyak dan gas akan bertransformasi dalam lima cara berkat Internet of Things (IoT):

 

1. Peningkatan Efisiensi Operasional

Rigzone mengatakan bahwa industri minyak dan gas akan kehilangan uang dalam beberapa tahun ke depan karena semakin sedikit orang dengan pengalaman industri yang dapat mengisi posisi terbuka saat Baby Boomers pensiun. Perusahaan akan dapat menggunakan analisis data besar dan visibilitas jarak jauh untuk mengelola aset mereka dengan lebih baik dan menggunakan hasilnya untuk meningkatkan produksi. Memanfaatkan kemampuan IIoT dapat mengurangi waktu pemecahan masalah dari hari ke menit, memungkinkan lebih banyak waktu untuk operasi bisnis lainnya.

2. Pendapatan

Sektor ini memiliki dampak signifikan terhadap PDB global: Penerapan IIoT di seluruh industri dapat meningkatkan PDB global sebanyak 0,8%, atau $816 miliar, dalam dekade berikutnya, menurut Oxford Economics.

Karena harga minyak yang lebih rendah adalah normal baru, margin keuntungan menyempit. Alih-alih memotong biaya secara impulsif, perusahaan minyak dan gas harus memanfaatkan kesempatan ini untuk berinvestasi dalam teknologi mutakhir. Ketika industri menjadi lebih kompetitif, keuntungan finansial dari pengurangan biaya dan penghematan waktu akan menjadi tak ternilai harganya.

3. Data Waktu Nyata

Industri minyak dan gas tidak asing dengan big data, tetapi Internet of Things (IoT) memiliki potensi untuk meningkatkan metode pengumpulan data secara signifikan. Industri minyak dan gas menghargai akurasi dan efisiensi lebih dari industri lainnya.

Peningkatan kecil dalam efisiensi dapat memiliki dampak yang signifikan terhadap perekonomian. Keuntungan industri migas bergantung pada data produksi yang tepat waktu dan akurat. Dengan koordinasi IIoT, produksi minyak dapat ditangkap terus menerus melalui sensor yang ditanamkan dan komputerisasi yang tepat dari situasi pertukaran informasi memberdayakan organisasi untuk mengumpulkan data dari sumber daya di mana saja dan membuat pilihan berdasarkan informasi.

Setelah membandingkan data real-time dari pengeboran downhole dengan data dari produksi sumur terdekat, bisnis, misalnya, dapat mengubah strategi pengeboran mereka. Bain & Company mengklaim bahwa perusahaan minyak dan gas dapat meningkatkan produksi sebesar 6% hingga 8% dengan tingkat visibilitas tersebut. Pergeseran ke pembuatan data berbasis cloud juga memungkinkan peningkatan jumlah transaksi yang dapat terjadi di seluruh rantai pasokan.

Poin terpenting di sini adalah bahwa bisnis membutuhkan platform IIoT yang solid untuk membantu mereka mengubah data dalam jumlah besar menjadi informasi yang berguna. Keuntungan utama bagi perusahaan Minyak dan Gas adalah kemampuan mereka menyedot regulator yang berbicara tentang konvensi warisan untuk mengambil bagian dalam Web of-Things dan mengambil bagian dalam keuntungan dari layanan web saat ini.

4. Risiko Keselamatan Berkurang

Secara internal dan eksternal, keselamatan tidak diragukan lagi merupakan masalah paling mendesak yang dihadapi industri ini. Dengan mengidentifikasi potensi masalah sebelum menjadi masalah aktual atau bahaya keselamatan, IIoT dapat mengurangi risiko yang diambil. Regulasi rig minyak akan lebih konsisten dan efektif dengan pemecahan masalah jarak jauh. Integrasi IIoT yang sepenuhnya dimanfaatkan juga menghasilkan perjalanan personel yang lebih sedikit dan tugas yang berpotensi berbahaya.

5. Jejak Lingkungan

Dampak industri minyak dan gas terhadap lingkungan dapat dikurangi secara signifikan dengan mengadopsi IIoT karena berbagai alasan, termasuk peningkatan efisiensi, penurunan risiko keselamatan, dan pengurangan perjalanan. Perhatian terhadap IIoT cukup signifikan bagi minyak dan gas karena memungkinkan pemantauan penggunaan energi dan sumber daya yang lebih jelas, serta menghindari tumpahan minyak dan kecelakaan lainnya serta menghasilkan lebih sedikit karbon.

Dari operasi hingga keterlibatan pelanggan, rantai pasokan minyak dan gas akan dipengaruhi oleh integrasi perangkat yang terhubung. Ini adalah kesempatan bagi minyak dan gas untuk bersaing di dunia di mana segala sesuatu adalah komoditas dan industri lama mengalami perubahan yang cepat.

Perbandingan Teknologi LPWAN – Mana yang Terbaik untuk Saya?

 

Perbandingan obyektif teknologi LPWAN seperti SigFox, LoRaWAN, Symphony Link, Ingenu RPMA, dan Weightless Cari tahu mana yang terbaik untuk kebutuhan Anda.

Perbandingan posting blog tentang teknologi LPWAN ini didasarkan pada penelitian yang tersedia untuk umum dan tidak boleh ditafsirkan sebagai dukungan dari satu layanan di atas yang lain. Mengingat pesatnya perubahan dalam industri ini, saya sarankan untuk menghubungi vendor berikut jika ada pertanyaan teknis.

 

SigFox, LoRaWAN, Symphony Link, Ingenu RPMA, dan Weightless

Kemajuan dan norma LPWAN ini berada di bawah pergantian peristiwa atau pengiriman yang dinamis. LTE-Cat M, IEEE P802.11ah (WiFi berdaya rendah), dan Protokol Aliansi Dash7 antara lain, tetapi mereka belum menangkap sebanyak yang lain.

Setiap teknologi akan dibahas secara singkat dan kelebihan dan kekurangannya akan dicantumkan di bagian berikut.

Karena kampanye pemasarannya yang sukses di Eropa, SigFox bisa dibilang sebagai penyedia LPWAN paling populer. Ini juga memiliki ekosistem vendor yang hebat, termasuk Axom, Silicon Labs, dan Texas Instruments.

Inovasi SigFox LPWAN adalah contoh penggunaan kecepatan tweak yang lamban untuk mencapai jangkauan yang lebih panjang. SigFox adalah pilihan tepat untuk aplikasi yang sistemnya hanya perlu mengirim semburan data kecil dan jarang karena pilihan desain ini. Sensor parkir, meteran air, dan tong sampah pintar semuanya merupakan kegunaan potensial. Namun, itu juga memiliki beberapa kelemahan. Kemampuan downlink untuk mengirimkan data kembali ke sensor dan perangkat sangat terbatas, dan interferensi sinyal dapat muncul.

Kelebihan:
Hemat daya: Digunakan dengan banyak daya tarik Hubungan baik dengan vendor (TI, Silicon Labs, dan Axom). Karena tidak ada sirkuit RX, sensor menggunakan lebih sedikit energi. Ini bagus untuk aplikasi pemantauan dan pengukuran sederhana.

Kekurangan:
Itu terbatas pada jaringan SigFox dan bukan merupakan protokol terbuka. Aplikasi terbatas pada enkripsi 16 bit: tidak cocok untuk aplikasi yang memerlukan komunikasi downlink penting Peraturan FCC: Panjang transmisi SigFox melebihi batas Bagian 15 yang ditetapkan oleh FCC. Akibatnya, arsitektur di Amerika Serikat berbeda secara signifikan dari arsitektur yang terbukti benar di Eropa.
Tingkat interferensi RF yang berpotensi signifikan.

Aliansi LoRa mengawasi LoRaWAN standar terbuka. Namun, karena chip dasar yang diperlukan untuk mengimplementasikan tumpukan LoRaWAN lengkap hanya tersedia melalui Semtech, itu tidak benar-benar terbuka. LoRa pada dasarnya adalah lapisan fisik; perangkat Lapisan MAC adalah LoRaWAN; perangkat lunak yang diinstal chip yang memungkinkan jaringan.

Fungsinya mirip dengan SigFox karena sebagian besar digunakan untuk aplikasi hanya uplink dengan banyak titik akhir (data dari sensor atau perangkat ke gateway). Pesan berkode, di sisi lain, menyebarkan informasi di berbagai saluran frekuensi dan kecepatan data daripada menggunakan transmisi narrowband. Kapasitas gateway ditingkatkan karena pesan-pesan ini cenderung bertabrakan dan mengganggu.

Kelebihan:
Peningkatan keamanan: Cisco, IBM, Kerlink, Actility, dan SK Telecom adalah beberapa anggota yang berpengaruh. Enkripsi dan autentikasi AES CCM dengan ukuran paket fleksibel yang dapat diatur oleh pengguna dalam penerapan. Seiring dengan SigFox, itu yang paling populer.

Kekurangan:
Tidak ideal untuk jaringan yang digunakan pelanggan atau jaringan pribadi; Kemampuan downlink masih terbatas; Protokol tipe ALOHA membuat validasi dan pengakuan menjadi sulit. dapat, dalam kasus ekstrim, memiliki tingkat kesalahan lebih besar dari 50%.

Sebagai anggota Aliansi LoRa, Link Labs menggunakan chip LoRa yang disebutkan sebelumnya. Namun, Link Labs telah mengembangkan Symphony Link, lapisan (perangkat lunak) MAC berpemilik berdasarkan chip Semtech, bukan LoRaWAN.

Beberapa fitur tambahan ditambahkan oleh lapisan berpemilik ini, antara lain: penerimaan pesan yang terjamin, kemampuan untuk meng-upgrade firmware melalui udara, penghapusan batas duty cycle, kemampuan repeater, dan jangkauan dinamis.

Kelebihan:
Mirip dengan LoRaWAN, ia memiliki sensitivitas tinggi: -137 dBm Frekuensi yang dapat disesuaikan tanpa batas siklus tugas: 150 MHz hingga 1 GHz (baik tidak berlisensi maupun berlisensi) fitur protokol LoRaWAN seperti kemampuan untuk beroperasi tanpa server jaringan telah ditambahkan.

Kekurangan:
Membutuhkan perangkat lunak Symphony Link, yang merupakan ketergantungan tambahan. Ada lebih sedikit pengguna.

Berbeda dengan grup SigFox dan LoRaWAN, Ingenu berupaya keras untuk mengembangkan tumpukan teknologi LPWAN sebagai anggota pendiri grup tugas IEEE 802.15.4k, yang berfokus pada pemantauan infrastruktur hemat energi.

Ini memiliki kapasitas uplink dan downlink lebih banyak daripada model lain karena arsitekturnya. Ia mengklaim lebih kuat di bidang penjadwalan, interferensi, dan doppler. Ini beroperasi dalam spektrum 2,4 GHz global, yang juga digunakan untuk Bluetooth dan WiFi. Ini menunjukkan bahwa tidak seperti SigFox, tidak ada perubahan arsitektur per wilayah.

RPMA memiliki link budget yang jauh lebih tinggi (masing-masing 177 dibandingkan dengan 149 dan 157 untuk SigFox dan LoRa, menurut studi internal), yang menunjukkan cakupan yang lebih besar.

Kelebihan:
Cakupan yang kuat dan tumpukan teknologi Memperoleh daya tarik komersial meskipun terlambat memasuki pasar

Kekurangan:
menggunakan spektrum 2,4 GHz, yang menghasilkan peningkatan interferensi dari Bluetooth dan WiFi. pada frekuensi 2,4 GHz yang lebih tinggi, kurang efektif. Namun demikian, mengingat anggaran tautannya yang lebih besar, ini mungkin tidak menjadi masalah.
menggunakan lebih banyak daya pemrosesan, sehingga mungkin tidak memenuhi persyaratan untuk masa pakai baterai yang lama.

Satu-satunya standar yang benar-benar terbuka yang beroperasi dalam spektrum sub-1 GHz tanpa izin adalah Tanpa Bobot. Weightless tersedia dalam tiga rasa berbeda, masing-masing dengan tujuan berbeda:

Weightless-W: menggunakan spasi putih, yang merupakan spektrum lokal yang tidak digunakan dalam pita TV berlisensi. Weightless-N: Weightless-P, protokol spektrum pita sempit tanpa izin berdasarkan teknologi NWave: protokol dua arah yang dikembangkan oleh M2COMM berdasarkan teknologi Platanusnya. Karena masa pakai baterai Weightless-W lebih pendek, opsi Weightless N dan P adalah yang paling banyak digunakan.

 

Tanpa Bobot-N/N Gelombang

Nwave pada dasarnya sama dengan SigFox dalam hal kegunaan namun menawarkan eksekusi lapisan Macintosh yang lebih baik. Ini menegaskan bahwa “teknik demodulasi lanjutan” digunakan untuk memungkinkan jaringannya hidup berdampingan dengan teknologi radio lainnya tanpa menambahkan kebisingan tambahan. Ini berfungsi paling baik, seperti SigFox, untuk jaringan berbasis sensor, pembacaan suhu, pemantauan level tangki, pengukuran cerdas, dan aplikasi lain seperti ini.

Kelebihan:
Sangat baik untuk jaringan sensor, jangkauan perkotaan, dan standar terbuka

Kekurangan:
Tidak ada kemampuan downlink, dan sangat lambat (100 bps). Ini membutuhkan osilator kristal yang dikontrol suhu (TCXO).

 

Weightless-P

 

Pada pita sempit 12,5 kHz, standar ini menggunakan modulasi FDMA+TDMA, yang lebih unggul dari SigFox tetapi lebih rendah dari LoRa. Mirip dengan Symphony Link, ia memiliki kecepatan data adaptif 200 bps hingga 100 kbps. Sensitivitasnya, yaitu -134 dBm pada 625 bps, cukup tinggi, dan dapat menangani modulasi GMSK dan PSK.

Weightless-P masuk akal untuk jaringan pribadi, aplikasi yang lebih canggih, dan situasi di mana penting untuk mengontrol data uplink dan downlink.

Kelebihan:
Komunikasi dua arah Kecepatan data yang fleksibel dan standar terbuka.

Kekurangan:
Karena saluran yang lebih luas, ketersediaan perangkat keras terbatas. Skalabilitas lebih rendah dibandingkan dengan Weightless-N. Jangkauan komunikasi terbatas.

 

Klasifikasi Suara dengan TensorFlow

 

Anda dapat membuat solusi cerdas yang mencakup area yang sangat luas dengan solusi ini dan platform IoT.

Ada banyak alat yang dapat mendeteksi, menguraikan, dan menindaklanjuti ucapan manusia. Namun, saat kami mencoba menemukan alat yang dapat mengidentifikasi suara seperti ucapan, hewan, atau musik, kami kesulitan menemukan alat yang berfungsi. Jadi kami menciptakan milik kami sendiri. Kami akan menunjukkan cara menggunakan algoritme pembelajaran mesin Tensorflow untuk membangun beberapa contoh proyek klasifikasi suara di artikel ini.

Kami berbicara tentang alat yang kami gunakan, kesulitan yang kami temui, cara kami melatih model TensorFlow, dan cara menjalankan proyek sumber terbuka kami di artikel ini. Selain itu, kami telah memberikan hasil pengenalan ke platform IoT DeviceHive untuk digunakan dalam layanan cloud untuk aplikasi pihak ketiga. Kami harap Anda dapat memperoleh manfaat dari keahlian kami dan memanfaatkan alat kami.

 

Memilih Alat dan Model Klasifikasi

Untuk mulai bekerja dengan jaringan saraf, kita harus memilih perangkat lunak. Analisis Audio Python adalah solusi pertama yang cocok yang kami temukan.

Dataset pelatihan yang baik adalah masalah utama dalam pembelajaran mesin. Ada banyak kumpulan data untuk klasifikasi musik dan pengenalan suara, tetapi hanya sedikit untuk klasifikasi suara acak. Kami menemukan kumpulan data suara perkotaan setelah melakukan beberapa penelitian.

Setelah beberapa pengujian, kami mengalami masalah berikut:

• pyAudioAnalysis tidak cukup mudah beradaptasi. Tidak memerlukan banyak parameter, dan beberapa di antaranya dihitung secara otomatis. misalnya jumlah tes persiapan berdasarkan jumlah tes dan Anda tidak dapat mengubah ini.
• Hanya ada sepuluh kelas dalam kumpulan data, dan semuanya “perkotaan”.

Google AudioSet muncul sebagai opsi kami berikutnya. Itu dapat diunduh dalam dua format dan didasarkan pada segmen berlabel video YouTube:

• Catatan CSV yang menggambarkan, untuk setiap fragmen, ID video YouTube, waktu mulai, waktu selesai, dan setidaknya satu nama.
• File Rekam TensorFlow digunakan untuk menyimpan fitur audio yang diekstrak.

Model YouTube-8M kompatibel dengan fitur ini. Model TensorFlow VGGish juga tersedia sebagai ekstraktor fitur dalam solusi ini. Hasilnya, ini memenuhi sebagian besar kebutuhan kami dan merupakan pilihan terbaik bagi kami.

 

Model Pelatihan

Memahami cara kerja antarmuka YouTube-8M adalah tugas selanjutnya. Itu dibuat untuk bekerja dengan video, tapi untungnya juga bisa bekerja dengan audio. Meskipun pustaka ini cukup dapat diadaptasi, jumlah kelas sampel telah ditentukan sebelumnya. Akibatnya, kami sedikit mengubah ini untuk menerima jumlah kelas sebagai parameter.

YouTube-8M dapat bekerja dengan dua jenis data: fitur bingkai dan fitur gabungan. Seperti disebutkan sebelumnya, Google AudioSet dapat menyediakan data sebagai fitur. Kami menyelidiki lebih lanjut dan menemukan bahwa fitur disajikan dalam format bingkai. Langkah selanjutnya adalah memilih model yang akan dilatih.

 

Sumber Daya, Waktu, dan Akurasi

Memahami cara kerja antarmuka YouTube-8M adalah tugas selanjutnya. Itu dibuat untuk bekerja dengan video, tapi untungnya juga bisa bekerja dengan audio. Meskipun pustaka ini cukup dapat diadaptasi, jumlah kelas sampel telah ditentukan sebelumnya. Akibatnya, kami sedikit mengubah ini untuk menerima jumlah kelas sebagai parameter.

YouTube-8M dapat bekerja dengan dua jenis data: fitur bingkai dan fitur gabungan. Seperti disebutkan sebelumnya, Google AudioSet dapat menyediakan data sebagai fitur. Kami menyelidiki lebih lanjut dan menemukan bahwa fitur disajikan dalam format bingkai. Langkah selanjutnya adalah memilih model yang akan dilatih.

 

Memilih Modelnya

Berikut adalah daftar lengkap model YouTube-8M dengan deskripsi. Model tingkat bingkai harus digunakan karena data pelatihan kami dalam format bingkai. Kami menerima kumpulan data tiga bagian dari Google AudioSet: evaluasi, kereta tidak seimbang, dan kereta seimbang. Informasi lebih lanjut tentang mereka dapat ditemukan di sini.

Versi YouTube-8M yang diubah digunakan untuk persiapan dan penilaian. Anda bisa mendapatkannya di sini.

 

Kereta Seimbang

Beginilah tampilan perintah pelatihan:

python train.py –train_data_pattern=/path_to_data/audioset_v1_embeddings/bal_train/*.tfrecord –num_epochs=100 –learning_rate_decay_examples=400000 –feature_names=audio_embedding –feature_sizes=128 –frame_features –batch_size=512 –num_classes=527 –train_dir=/path_to_logs –model=ModelName

Simak hasil pelatihannya:

 

Lebih Lanjut Tentang Pelatihan

YouTube-8M mengambil banyak batasan dan banyak di antaranya memengaruhi siklus persiapan.

Misalnya, Anda dapat menyetel kecepatan pembelajaran dan jumlah usia yang akan banyak mengubah interaksi persiapan. Ada juga tiga kemampuan berbeda untuk memperkirakan kerugian dan banyak faktor bermanfaat lainnya yang dapat Anda atur dan ubah untuk mengerjakan hasilnya.

 

Menggunakan Model Terlatih dengan Perangkat Penangkap Audio

Saatnya menambahkan beberapa kode untuk berinteraksi dengan model yang dilatih sekarang setelah kita memilikinya.

 

Tangkap Mikrofon

Kami perlu mendapatkan data audio dari mikrofon dengan cara tertentu. PyAudio akan digunakan. Ini dapat digunakan di sebagian besar platform dan memiliki antarmuka pengguna yang mudah.

 

Persiapan Suara

Seperti yang dinyatakan sebelumnya, model VGGish TensorFlow akan berfungsi sebagai ekstraktor fitur. Penjelasan singkat mengenai proses transformasi tersebut adalah sebagai berikut:

Ilustrasi “kulit anjing” dataset UrbanSound digunakan untuk visualisasi.

Sampel ulang audio ke mono pada 16 kHz.

Hitung spektogram menggunakan magnitudo Transformasi Fourier Waktu Pendek dengan ukuran jendela 25 ms, lompatan jendela 10 ms, dan jendela Hann periodik.

 

Mengklasifikasikan

Terakhir, diperlukan sarana untuk berkomunikasi dengan jaringan saraf dan mendapatkan hasilnya.

Sebagai ilustrasi, kami akan memodifikasi antarmuka YouTube-8M untuk menghilangkan langkah serialisasi dan deserialisasi.

Hasil dari usaha kami dapat dilihat disini. Mari kita periksa lebih dekat.

 

Instalasi

PyAudio memerlukan instalasi libportaudio2 dan portaudio19-dev agar berfungsi.

Pustaka Python diperlukan. Menggunakan pip, Anda dapat menginstalnya.

instal pip -r requirements.txt

 

Menjalankan

1. Memproses File Audio Prarekam

Jalankan python parse_file.py path_to_your_file.wav, dan Anda akan melihat sesuatu seperti Pidato di terminal: 0,75, Musik: 0,12, Ruangan besar atau lorong di dalam: 0,03 Hasilnya ditentukan oleh file input. Prediksi yang dibuat oleh jaringan saraf diwakili oleh nilai-nilai ini. Nilai yang lebih tinggi menunjukkan kemungkinan yang lebih besar bahwa file input termasuk dalam kelas tersebut.

2. Menganalisis dan Memproses Data Mic

Proses yang akan menangkap data dari mikrofon Anda tanpa batas dimulai oleh python capture.py. Ini akan secara otomatis mengirim data ke antarmuka klasifikasi setiap 5-7 detik. Hasilnya terlihat jelas pada ilustrasi sebelumnya.

Jika Anda menjalankannya dengan –save_path=/path_to_samples_dir/, semua data yang diambil akan disimpan sebagai file wav di direktori yang disediakan. Jika Anda ingin menguji model yang berbeda menggunakan contoh yang sama, fungsi ini sangat membantu. Untuk informasi tambahan, gunakan parameter –help.

3. Antarmuka Web

Antarmuka web langsung dibangun ke dalam python daemon.py dan dapat diakses secara default di http://127.0.0.1:8000. Kode yang sama digunakan seperti pada contoh sebelumnya.

 

Integrasi Layanan IoT

Integrasi dengan infrastruktur IoT adalah yang terakhir, namun tidak kalah pentingnya. Status dan konfigurasi klien DeviceHive dapat ditemukan di halaman indeks jika Anda menggunakan antarmuka web yang disebutkan di bagian sebelumnya. Prediksi akan dikirim sebagai notifikasi ke perangkat yang ditentukan selama klien terhubung.

 

Apa itu CBRS? – LTE dalam Spektrum Bersama 3,5 GHz dan Apa Artinya untuk IoT

 

Apa itu spektrum CBRS, mengapa menarik bagi operator nirkabel dan seluler, dan bagaimana pengaruhnya terhadap strategi bisnis IoT.

Setiap hari, Aliansi CBRS tampaknya semakin kuat. Keempat operator seluler utama AS, AT&T, Verizon, T-Mobile, dan Sprint, serta raksasa kabel Comcast dan Charter, serta Google, Intel, Nokia, dan Qualcomm , adalah anggota grup, yang mengadvokasi layanan LTE dalam spektrum 3,5 GHz (CBRS).

Sangat mudah untuk melihat mengapa perusahaan telepon seluler menginginkan lebih banyak spektrum, tetapi apa yang memotivasi Google dan perusahaan kabel lainnya menginginkan pita?

Dalam posting ini, kita akan melihat apa itu spektrum CBRS, mengapa itu menarik bagi operator nirkabel dan seluler, dan bagaimana pengaruhnya terhadap strategi bisnis IoT di masa depan.

 

Apa itu CBRS?

 

FCC mengizinkan akses nirkabel bersama untuk digunakan dalam pita 3,5 GHz (dari 3550 MHz hingga 3700 MHz) pada tahun 2015, membuka spektrum yang sebelumnya dilindungi yang digunakan oleh Angkatan Laut AS dan anggota DoD lainnya.

Dalam spektrum berlisensi serta pita 5 GHz tanpa lisensi, CBRS berbeda dari LTE dalam hal penetapan spektrumnya berbeda.

 

Server Alokasi Spektrum (SAS) harus secara terprogram menetapkan band untuk setiap pengguna agar dapat menggunakan spektrum CBRS. Sebelum menyetujui permintaan, SAS menggunakan data medan dan propagasi radio untuk menentukan kerapatan RF dan ketersediaan saluran.

 

Selain itu, saluran disediakan untuk pemohon tambahan saat penggunaan spektrum tidak lagi diperlukan.

Untuk menetapkan penggunaan spektrum CBRS, Aturan FCC Bagian 96 selanjutnya mendefinisikan tiga tingkat akses prioritas:

 

• Petahana:

Untuk situs terdaftar, pengguna yang sudah ada (seperti US Naval Radar dan personel DoD) menerima perlindungan spesifik lokasi selain prioritas permanen.

 

•  Lisensi Akses Prioritas (PAL):

Selama tiga tahun, organisasi dapat meminta hingga empat PAL di area terbatas dengan biaya tertentu. Pita CBRS 100 MHz yang lebih rendah akan dilelang sendiri; dengan batas tujuh PAL 10 MHz yang dialokasikan secara bersamaan di wilayah yang sama.

 

•  Akses Resmi Umum (GAA):

Penggunaan GAA akan diizinkan pada spektrum yang tersisa, dan penyedia SAS akan menentukan masalah koeksistensi untuk alokasi spektrum.

Penting juga untuk diingat bahwa biaya PAL akan berbanding terbalik dengan kepadatan populasi lokasi. Oleh karena itu, operator jaringan pedesaan dapat mempertahankan lisensi mereka dengan biaya lebih rendah.

FCC mengantisipasi bahwa biaya lisensi yang rendah akan membantu meringankan masalah spektrum yang kelebihan beban di lingkungan perkotaan yang padat, bahkan untuk operator besar, mengingat banyaknya traktat (74.134) dengan masing-masing hingga 7 PAL.

 

Kelebihan CBR

Untuk operator nirkabel non-tradisional, CBRS secara signifikan menurunkan penghalang masuk. Properti propagasi terbatas spektrum 3,5GHz ideal untuk opsi penyebaran lantai demi lantai dalam ruangan yang bersaing dengan jaringan WiFi saat ini.

Operator swasta sekarang memiliki akses ke spektrum 150 MHz di setiap lantai karena biaya PAL jauh lebih rendah daripada biaya spektrum berlisensi. Ini jelas memiliki banyak potensi dalam bisnis, IoT industri, dan tempat dengan banyak orang.

 

Di bidang rumah pintar dan IoT industri, uji coba sudah berlangsung. Untuk platform Predix-nya, GE Digital di San Ramon melakukan uji coba LTE pribadi dengan Qualcomm dan Nokia menggunakan spektrum CBRS. PAL memenuhi persyaratan kompleks industri seperti tambang, pembangkit listrik , anjungan minyak, pabrik, dan gudang untuk memiliki konektivitas lokal di lokasi yang tidak dapat diakses atau sementara. Rendahnya biaya spektrum tanpa lisensi dan kualitas layanan tinggi yang ditawarkan oleh LTE digabungkan dalam penerapan LTE pribadi dan lokal.

 

Alex Glaser dari Harbor Research melihat CBRS di tempat kerja dan juga di rumah. Dia menyebutkan pembelian Comcast atas iControl Networks sebagai sarana potensial untuk mentransfer perangkat rumah pintar ke jaringan CBRS. Perusahaan kabel seperti Comcast dapat menggunakan kemitraan dengan Huawei untuk mengubah router WiFi menjadi CBRS -Gateway yang kompatibel berkat kualitas, kinerja, dan keamanan LTE yang superior.

 

Peran SAS & Host Netral

Peran yang dimainkan SAS dan host netral di CBRS adalah aspek lain yang menarik. Meskipun keempat operator seluler utama telah menyatakan minatnya pada spektrum 3,5GHz, Preston Marshall, direktur teknik Google untuk Akses Alfabet, percaya bahwa konsep host netral adalah yang paling aplikasi penting.

 

Host netral dapat mengelola beberapa jaringan pribadi dengan menggabungkan lalu lintas dan meneruskannya ke jaringan utama. Melalui backhaul umum dan manajemen yang tidak terikat pada penyedia jaringan tunggal, ini memberi pengguna layanan LTE dalam bangunan yang kuat.

 

Kepemilikan spektrum didefinisikan ulang di bawah model spektrum terdesentralisasi ini, dan pemain yang lebih kecil didorong untuk membuat jaringan pribadi.

Dalam praktiknya, operator jaringan pada dasarnya menggunakan spektrum CBRS seperti WiFi. Mereka cukup memilih vendor SAS untuk terhubung ke jaringan, membeli peralatan bersertifikasi FCC, dan mendaftarkannya.

Google, Federated Wireless, Spectrum Bridge, Amdocs, dan Comsearch semuanya tertarik dengan spektrum 3,5 GHz karena pentingnya vendor SAS dalam skenario ini.

 

Strategi IoT

Selain pemain IoT modern dan administrator organisasi umum yang mencari saluran tambahan yang dapat diakses, model SAS untuk CBRS menyambut lebih banyak pemain untuk mengambil bagian dalam pengaturan inovasi 5G yang memungkinkan. Operator seluler nontradisional kini dapat membangun jaringan pribadi di pita 5GHz tanpa bergantung pada frekuensi berlisensi eksklusif atau spektrum tanpa lisensi yang sangat padat karena biaya lisensi yang rendah dan host netral.

 

Qualcomm mengumumkan pada bulan Februari bahwa spektrum CBRS akan didukung oleh modem Snapdragon X20. Dukungan CBRS untuk sel dalam dan luar ruangan Nokia, CBRS versi Ruckus Wireless yang disebut OpenG, dan demonstrasi interoperabilitas SpiderCloud dengan Federated Wireless SAS adalah pengumuman berikutnya.

 

Perbandingan CBRS dengan model spektrum berlisensi dan tidak berlisensi yang lebih konvensional ditunjukkan pada tabel di bawah ini, beserta beberapa kelebihannya.

Jika sistem IoT Anda berputar di sekitar rumah pribadi / brilian, bisnis atau IoT modern, metropolitan, atau perusahaan swasta negara, sekarang adalah waktu yang tepat untuk mempertimbangkan CBRS sebagai pilihan pengiriman yang serius.