4 Jenis Komputasi untuk Internet of Thing
Saya sering melihat kebutuhan komputasi untuk lebih terdistribusi dan tersedia dari perspektif praktisi. Ketika saya mulai mengoordinasikan IoT dengan kerangka kerja OT dan TI, masalah utama yang saya hadapi adalah banyaknya informasi yang dikirimkan perangkat dari server kami. Saya bekerja dalam situasi yang melibatkan otomatisasi pabrik di mana 400 sensor terintegrasi mengirim tiga titik data setiap satu detik.
Sakit Kepala dengan Data?
Anda mungkin sudah mengetahui hal ini, tetapi sebagian besar data sensorik yang dihasilkan tidak berguna setelah lima detik. Apakah Anda sekarang memahami maksud saya?
Kami memiliki 400 sensor, beberapa gateway, beberapa proses, dan beberapa sistem yang diperlukan untuk memproses data ini hampir secara instan. Pada saat itu, sebagian besar pendukung pengoperasian data menganjurkan model Cloud, di mana Anda harus selalu mengirim sesuatu ke cloud. Itu juga jenis pertama dari dasar komputasi IoT.
Komputasi cloud untuk IoT
Dengan model komputasi IoT dan Cloud, pada dasarnya Anda mendorong dan memproses data sensorik Anda di cloud. Anda memiliki modul penyerapan yang mengambil data dan menyimpannya di data lake (penyimpanan yang sangat besar) dan kemudian Anda menerapkan pemrosesan paralel di atasnya (bisa berupa Spark, Azure HD Insight, Hive, dll.) dan kemudian mengkonsumsi ini dengan cepat informasi yang serba cepat untuk mengambil keputusan.
Sejak saya mulai membangun solusi IoT, kami sekarang memiliki banyak produk dan layanan baru yang dapat membuat ini sangat mudah bagi Anda :
- Jika Anda seorang fanboy AWS, Anda dapat memanfaatkan layanan lambda AWS Kinesis dan Big data.
- Anda dapat memanfaatkan ekosistem Azure yang dapat membangun kemampuan data besar dan sangat mudah.
- Atau, Anda dapat menggunakan Produk Google Cloud dengan alat seperti Cloud IoT Core.
Beberapa tantangan yang saya hadapi dengan komputasi awan di IoT adalah :
- Penggunaan platform dan perusahaan berpemilik menjadi tidak nyaman dengan data mereka di Google, Microsoft, properti Amazon
- Masalah latensi dan gangguan jaringan
- Peningkatan biaya penyimpanan, keamanan data, dan persistensi
- Seringkali kerangka kerja data besar tidak cukup untuk membuat modul penyerapan besar yang dapat memfasilitasi kebutuhan data
Tetapi Anda harus memproses data Anda di suatu tempat, bukan? Kini hadir komputasi kabut!
Komputasi Kabut untuk IoT
Kami memperoleh beberapa kekuatan melalui komputasi kabut. Kami sekarang menggunakan komputer atau unit pemrosesan lokal daripada mengirim data Anda ke cloud dan menunggu server memproses dan merespons.
Ketika kami menerapkan ini empat hingga lima tahun yang lalu, baik BLE maupun solusi nirkabel seperti Sigfox dan LoraWAN tidak tersedia, dan tidak ada yang memiliki kemampuan jarak jauh atau mesh. Akibatnya, untuk memastikan bahwa kami dapat membuat koneksi yang aman dan berkelanjutan ke unit pengoperasian data, kami terpaksa menggunakan solusi jaringan yang lebih mahal. Solusi kami didasarkan pada unit pusat ini, yang jarang ditemukan di antara penyedia layanan khusus. Saya menggunakan komputasi kabut untuk pertama kalinya pada proyek pipa minyak dan gas. Kami membangun jaringan kabut dengan simpul kabut untuk menghitung terabyte data yang dihasilkan oleh jalur pipa ini.
Sesuatu yang saya pelajari dari penerapan jaringan kabut sejak saat itu:
- Ada banyak hal yang perlu Anda ketahui dan pahami, jadi itu tidak mudah. Pengembangan perangkat lunak, seperti implementasi IoT, lebih sederhana dan lebih transparan. Selain itu, ini memperlambat Anda ketika jaringan menjadi penghalang.
- Anda memerlukan tim yang sangat besar dan banyak penyedia untuk implementasi seperti itu. Seringkali Anda juga akan menghadapi penguncian vendor.
Buka Kabut dan Dampaknya pada Komputasi Kabut
Setahun yang lalu seorang rekan memperkenalkan saya ke OpenFog, kerangka kerja komputasi Open Fog untuk arsitektur komputasi kabut yang dikembangkan oleh praktisi terkemuka. Ini menyediakan :
- Aplikasi • Spesifikasi tekni
- Tempat tidur percobaan
- Dan arsitektur referensi juga
Komputasi Tepi untuk IoT
Internet of Things (IoT) berputar dengan cepat menanggapi interaksi kecil. Kami dapat menerapkan pembelajaran mesin di wilayah sensor berkat komputasi tepi, yang membawa kita paling dekat ke sumber data. Jika Anda telah membaca tentang perbedaan antara komputasi kabut dan komputasi tepi, Anda harus tahu bahwa komputasi kabut masih bergantung pada jaringan area lokal untuk menyediakan daya komputasi untuk tugas-tugas data-intensif, sedangkan komputasi tepi adalah semua tentang kecerdasan pada node sensor.
Untuk tujuan memfasilitasi kecerdasan mesin pada gateway IoT dan node sensor dengan daya komputasi yang memadai, raksasa industri seperti Microsoft dan Amazon telah merilis Azure IoT Edge dan AWS Green Gas. Meskipun ini adalah solusi luar biasa yang menyederhanakan pekerjaan, mereka secara signifikan mengubah arti edge komputasi yang praktisi. Komputasi tepi seharusnya tidak memerlukan algoritme pembelajaran mesin untuk berjalan di gateway agar membangun kecerdasan. Pada tahun 2015, saya menemukan Knowm dan melihat karya mereka yang mengesankan pada prosesor Neuromemristive. Alex dari Knowm berbicara tentang cara kerja Embedded AI pada prosesor neuromemristive pada konferensi ECI :
Komputasi tepi akan terjadi pada perangkat neuromemristik semacam itu yang dapat dimuat sebelumnya dengan algoritme pembelajaran mesin di dalamnya untuk melayani satu tujuan dan tanggung jawab. Apakah itu bagus? Katakanlah node akhir gudang Anda dapat melakukan NLP secara lokal untuk beberapa string kunci yang membuat kata sandi seperti “Open Sesame”! Perangkat tepi ini biasanya berisi struktur yang menyerupai jaringan saraf akibatnya, ketika algoritme pembelajaran mesin dimuat ke dalamnya, jaringan saraf secara efektif dihancurkan.Namun, Anda tidak akan dapat membatalkan pembatalan ini itu akan menjadi permanen.
Node sensor berdaya rendah sekarang dapat memanfaatkan kecerdasan tepi tertanam berkat kategori baru perangkat tertanam. Sekarang mari kita lihat jenis komputasi keempat untuk IoT komputasi MIST
Komputasi MIST untuk IoT
Kami menemukan bahwa hal berikut dapat dicapai untuk memfasilitasi kecerdasan IoT dan pemrosesan data :
- Model komputasi berbasis cloud
- Model komputasi berbasis kabut
- Model komputasi tepi
Tanpa harus kita menunggu lagi, inilah jenis komputasi yang meningkatkan komputasi kabut dan tepi sekaligus melengkapinya. Kita dapat dengan mudah memanfaatkan model kecerdasan dinamis yang tidak disediakan oleh komputasi kabut maupun tepi dengan menghadirkan kemampuan jaringan perangkat IoT, mendistribusikan beban kerja, dan melakukannya. Pemrosesan data berkecepatan tinggi dan ekstraksi kecerdasan dari perangkat dengan memori 256 kilobyte dan kecepatan transfer data kurang dari 100 kilobyte per detik dapat dihasilkan dari pembentukan paradigma baru ini.
Saya tidak akan mengatakan bahwa model teknologi ini cukup matang untuk membantu kami dengan model komputasi IoT. Tetapi dengan jaringan Mesh kita pasti melihat fasilitator untuk model komputasi seperti itu. Secara khusus, saya telah menginvestasikan beberapa energi untuk mengeksekusi PoC berbasis Kabut di lab kami, dan tes yang kami coba atasi adalah model pendaftaran yang tersebar dan administrasinya. Namun, saya benar-benar yakin bahwa dalam enam bulan seseorang akan mengembangkan MIST- yang unggul. model berbasis yang kita semua dapat dengan mudah memanfaatkan dan mengkonsumsi. IoT sangat menarik dan menantang pada saat yang sama, dan apa yang saya tulis sebagian besar berasal dari pengalaman saya sendiri. Jika Anda memiliki sesuatu untuk dibagikan, ditambahkan, atau dikritik, saya siap mendengarkan!
Teknologi LiDAR: Bukan Hanya untuk Kendaraan Otonom
Inovasi LiDAR digunakan melalui kendaraan independen untuk mengeksplorasi kondisi, namun ada banyak manfaat hebat lainnya dari inovasi LiDAR. Lihat mereka. Pertama kali saya tahu tentang inovasi LiDAR adalah berhubungan dengan kendaraan independen, digunakan sebagai pendekatan untuk mengenali (dan akibatnya menjauh dari) objek. Saya mulai melihat ke LiDAR karena saya ingin tahu tentang cara kerjanya. Saya menemukan bahwa itu dapat digunakan untuk lebih dari sekedar kendaraan otonom. Teknologi LiDAR sangat berguna di bidang-bidang seperti arkeologi, fisika, dan astronomi, antara lain. Karena saya bekerja di Internet of Things di Leverege, saya sangat tertarik dengan aplikasi LiDAR di IoT. Di bawah ini, saya akan membahas beberapa aplikasi LiDAR keren di pertanian pintar, ritel pintar, dan kota pintar.
Bagaimana Teknologi LiDAR Bekerja?
Mengetahui bagaimana dan mengapa segala sesuatunya berjalan seperti yang mereka lakukan. Jadi saya akan membagikan klarifikasi singkat tentang LiDAR sebelum kita melihat aplikasi tertentu. Kata “cahaya” dan “radar” digabungkan pada awal 1960-an untuk menciptakan istilah “LiDAR.” Meskipun istilah “Pencitraan Cahaya, Deteksi, dan Jangkauan” dan “Deteksi dan Jangkauan Cahaya” diciptakan di masa lalu, beberapa orang memperlakukan LiDAR sebagai akronim.
LiDAR menggunakan cahaya, seperti sonar yang menggunakan gelombang suara dan radar menggunakan gelombang radio untuk membuat peta lingkungan. LiDAR bekerja dengan menembakkan laser secara cepat ke target, terkadang hingga 900.000 kali per detik, dan kemudian mengukur waktu yang dibutuhkan cahaya untuk memantul dari target dan kembali ke sumbernya. Anda dapat menentukan jarak objek dari Anda karena kecepatan cahaya adalah konstan :
Ini akan memberi Anda jutaan poin, yang disebut “point cloud” secara gabungan, yang menciptakan pemetaan digital lingkungan. Sebuah posisi (GPS) dan sistem navigasi juga diperlukan untuk sistem LiDAR yang bergerak, seperti yang ada di pesawat terbang atau mobil. Meskipun cahaya bergerak dengan kecepatan cahaya, itu tidak instan. Jadi jika Anda bergerak, Anda tidak hanya memerlukan waktu terbang untuk cahaya, tetapi Anda juga memerlukan lokasi yang tepat di mana laser ditembakkan dan lokasi persis di mana laser yang kembali diterima. Ini memungkinkan Anda membangun titik cloud yang akurat seperti gambar di atas.
Aplikasi Teknologi LiDAR
Meskipun LiDAR baru-baru ini menjadi sangat berguna untuk mobil otonom, LiDAR telah digunakan dengan cara yang penting selama beberapa dekade. Sebelum kita masuk ke aplikasi IoT, berikut adalah dua aplikasi non-IoT yang menurut saya sangat keren :
Arkeologi
Pesawat yang terbang dengan sistem LiDAR dapat menangkap model situs arkeologi beresolusi tinggi yang dapat mengungkapkan topografi mikro yang tersembunyi oleh vegetasi. Di hutan Honduras, LiDAR digunakan pada tahun 2012 untuk menemukan kota dongeng La Ciudad Blanca. LiDAR mampu menunjukkan struktur buatan manusia yang luas yang tidak ditemukan oleh pencarian di darat selama ratusan tahun, meskipun ada dedaunan lebat.
Fisika dan Astronomi
Di Bulan, retroreflektor dipasang sebagai bagian dari program Apollo. Retroreflektor ini, seperti namanya, digunakan untuk memantulkan kembali laser yang ditembakkan dari observatorium berbasis Bumi. Posisi Bulan dapat ditentukan dengan membandingkan data yang dihasilkan oleh sistem LiDAR ini di observatorium di seluruh dunia. Kami telah dapat menguji relativitas umum dengan pengukuran tepat ini. Selain itu, pemetaan permukaan benda langit dapat memperoleh manfaat besar dari LiDAR. Untuk memilih lokasi pendaratan datar, peta topografi yang akurat sangat penting untuk pendarat bulan dan planet. Ketepatan luar biasa dari survei topografi global Mars Global Surveyor, yang diselesaikan pada tahun 2001 , sangat penting untuk misi berikutnya ke Mars.
Teknologi LiDAR dan Internet of Things (IoT)
LiDAR sangat berguna dalam beberapa aplikasi IoT karena beberapa aspek. LiDAR mampu menembus vegetasi dan menghasilkan peta topografi yang mendasarinya, seperti yang kita lihat dengan arkeologi. LiDAR juga sangat tepat, sehingga bahkan dapat digunakan untuk menemukan dan mengidentifikasi awan awan gas. Terakhir, LiDAR menghasilkan peta tiga dimensi abstrak yang tidak dapat diidentifikasi secara pribadi.
Pertanian Cerdas
Pertanian Cerdas adalah tentang mendapatkan wawasan yang dapat ditindaklanjuti tentang pertanian sehingga penanaman, dan pemanenan semuanya dapat dioptimalkan dengan sumber daya paling sedikit untuk menciptakan hasil tertinggi. Drone yang dilengkapi dengan LiDAR dapat terbang di atas lahan pertanian, membangun peta topografi lanskap beresolusi tinggi. Kemudian, peta ini dapat digabungkan dengan hasil panen yang diketahui dari tahun sebelumnya untuk mengidentifikasi zona mana yang memiliki hasil tinggi, hasil sedang, dan hasil rendah. Dengan wawasan ini, petani dapat menerapkan pupuk mahal hanya di tempat yang dibutuhkan dan mencapai hasil panen tertinggi dengan biaya lebih rendah.
Kota Cerdas
Seperti yang direferensikan, keakuratan LiDAR memungkinkannya digunakan untuk membedakan dan mengenali kabut gas. Kapasitas ini dapat dimanfaatkan untuk mengumpulkan informasi berharga tentang kontaminasi dan kabut coklat di udara di wilayah perkotaan. Dengan membedakan contoh dan titik nyeri, masyarakat perkotaan dapat lebih baik dimaksudkan untuk mengurangi kontaminasi ini dan lebih mengembangkan kualitas udara bagi penduduk. Karena LiDAR bisa sangat tepat, ia dapat digunakan untuk mendeteksi dan melacak polusi di udara di atas dan di dalam kota. Hal ini dapat mengarah pada perencanaan kota yang lebih baik untuk mengurangi polusi dan kabut asap.
Demikian juga, panduan 3D yang tepat yang dihasilkan dari sebuah kota oleh LiDAR dapat digabungkan dengan informasi tentang perkembangan matahari sepanjang tahun untuk membuat peta bayangan. Yaitu, bagian kota mana yang tersembunyi, pada musim apa, dan pada musim apa. Informasi ini penting untuk memaksimalkan keluaran daya dalam penyebaran energi surya di seluruh kota. Area yang menerima sinar matahari paling banyak dapat memasang panel surya di sana. Selain itu, informasi ini sangat berguna untuk perencanaan kota. Daerah dengan lebih banyak sinar matahari mungkin memiliki harga sewa apartemen yang lebih tinggi serta lalu lintas pejalan kaki yang lebih tinggi.
Ritel Cerdas
Representasi 3D LiDAR kekurangan banyak informasi yang dapat diidentifikasi secara pribadi, tidak seperti visi mesin. Tanpa menimbulkan banyak masalah privasi, pandangan abstrak orang-orang di luar angkasa ini adalah metode yang sangat baik untuk melacak orang dan perilaku mereka. Dalam iklim ritel, sangat penting untuk menyadari bagaimana individu melakukan perjalanan di seluruh toko. Di mana mereka berhenti? Jalur atau pajangan apa yang mereka lewati tanpa henti? Menggabungkan informasi ini dengan apa yang benar-benar dibeli klien dapat memberikan sedikit pengetahuan yang signifikan untuk membantu membentuk wawasan ritel yang lebih baik bagi klien, memperluas manfaat.