4 pasos para derivar acciones a partir de datos de IoT

Hoy en día, los dispositivos generan más datos de IoT que las redes sociales. Cada dispositivo puede enviar datos varias veces por segundo. Con millones de dispositivos conectados, es posible que se requiera una plataforma de procesamiento de datos típica para lidiar con miles de millones de tales eventos entrantes todos los días.

Aunque el procesamiento de esta cantidad de datos es obviamente un desafío tecnológico considerable y de ninguna manera trivial, está claro que los datos del dispositivo en sí, incluso cuando se almacenan en una forma preprocesada, no son algo procesable. Para obtener información procesable, los datos recopilados deben analizarse.

Un tipo de tarea que se puede abordar de manera eficaz con el análisis de datos en IoT es la detección de anomalías . . Su objetivo es identificar comportamientos inusuales en dispositivos conectados que difieran significativamente de lo observado antes o de lo esperado.

Fuente:Bosch.IO

¿Está todo bien con mis cortadoras de césped conectadas?

Veamos un ejemplo tomado de uno de nuestros proyectos de detección de anomalías. Aplicamos nuestros algoritmos a una flota de cortadoras de césped autónomas (ALM). Con uno de nuestros servicios Bosch IoT Analytics, se pueden calcular anomalías para esta flota de cortadoras de césped habilitadas para IoT durante la temporada de corte. Para este propósito, los datos utilizados contienen mensajes de estado y error enviados desde las cortadoras de césped en uso al backend en la nube.

Supongamos que todas las semanas, nuestro servicio está configurado para identificar las diez anomalías principales en estos datos. Las cortadoras de césped que aparecen repetidamente en la lista de anomalías principales se pueden marcar y organizar automáticamente en una lista. El personal de servicio y / o los gerentes de calidad pueden inspeccionarlos manualmente. Además, los resultados de la detección de anomalías pueden analizarse en busca de patrones significativos y agruparse en categorías de incidentes.

Por ejemplo, patrones particulares de estado y mensajes de error pueden ser una indicación de que el firmware de los cortacéspedes individuales debe actualizarse o de que los cortacéspedes no se han configurado correctamente. Al agrupar los patrones observados en categorías, las estrategias de solución, es decir, acciones específicas, pueden asociarse con ellos y activarse automáticamente cada vez que los patrones surgen en los datos del evento. Esto puede resultar en impulsar activamente el firmware más reciente en la cortadora de césped afectada, o contactar de manera proactiva al cliente (siempre que haya dado su consentimiento) para ofrecer soporte de un técnico de servicio. Estas son formas de aumentar la satisfacción del cliente.

Fuente:Bosch.IO

¿Cómo detecta anomalías en los datos de su dispositivo?

El análisis de datos, y la detección de anomalías en particular, no es un procedimiento, sino un nombre genérico para una serie de algoritmos y transformaciones destinadas a extraer conocimiento implícito oculto en los datos. Hay muchos tipos diferentes de anomalías y muchos dominios de problemas diferentes con sus datos específicos y formulaciones de problemas.

El proceso de análisis de datos implica muchos pasos y utiliza tecnologías bastante diferentes, desde transformaciones de formato hasta sofisticados algoritmos de aprendizaje automático y la construcción de visualizaciones valiosas. Normalmente, un proceso de análisis de datos incluye los siguientes pasos:

Paso 1:hacer que los datos del dispositivo estén disponibles

Después de haber conectado sus dispositivos, los datos enviados por estos dispositivos deben transferirse a través de varios canales y luego almacenarse consistentemente en una base de datos antes de que puedan procesarse.

Paso 2:procesamiento previo de los datos del dispositivo

En el proceso de análisis general, varias tareas de preprocesamiento de datos pueden explicar la mayoría de las dificultades. Por eso es importante elegir o desarrollar una tecnología para el desarrollo y ejecución eficiente de dichos scripts. Este paso está diseñado para resolver muchos problemas, como la limpieza de datos y la generación de características específicas del dominio. Con frecuencia se lo conoce como disputa de datos, que se define como exploración y transformación iterativa de datos para permitir el análisis.

Paso 3:analizar los datos del dispositivo

Este paso del proceso se enfoca en encontrar anomalías en los datos de entrada mientras se elige un algoritmo de minería de datos apropiado y se ajustan sus parámetros.

Paso 4:visualización de los datos del dispositivo

Por último, pero no menos importante, los datos deben visualizarse para el usuario final. Al hacerlo, es importante elegir técnicas visuales que sean apropiadas para la tarea que se está resolviendo y el dominio del problema respectivo.

Fuente:Bosch.IO Fuente:Bosch.IO

La detección de anomalías es solo un primer paso hacia casos de uso de análisis de IoT más complejos, como el mantenimiento predictivo. Una vez que se han identificado los dispositivos que se comportan de forma anómala, los expertos en el dominio deben explorarlos y clasificarlos en clases de problemas. Si es posible, también se debe anotar la información sobre la solución del problema. La recopilación de información de mantenimiento y su fusión con estos datos y los resultados del análisis permite la construcción de un conjunto de datos limpio y rico. A su vez, este conjunto de datos se puede utilizar para construir un modelo de predicción del tipo requerido para las soluciones de mantenimiento predictivo.

Además, estos resultados de detección de anomalías no solo resaltan problemas, sino que también pueden señalar a los expertos en el dominio nuevas oportunidades (comerciales). Si aparecen anomalías específicas en diferentes dispositivos de manera sistemática, puede ser un indicador de que falta una característica determinada. En el caso de las cortadoras de césped autónomas, las anomalías sistemáticas que aparecen en un subgrupo pueden deberse a un patrón repetido de topografía especial en los jardines que se cortan. Por lo tanto, estos pueden requerir un complemento algorítmico para la cortadora de césped que se puede vender como una funcionalidad avanzada.

Recientemente publicamos un informe técnico sobre “Detección de anomalías con datos de eventos en Internet de las cosas” que generó mucho interés. Se centra en los desafíos y las mejores prácticas para los pasos de procesamiento mencionados anteriormente e incluye observaciones que hice en varios proyectos de análisis de datos.

Descargar el informe técnico