Aprovechar los datos de IoT desde el borde hasta la nube y viceversa

La Internet de las cosas (IoT) ofrece el potencial de mejorar drásticamente muchas tareas tan diversas como el mantenimiento preventivo de los aparatos electrónicos y los semáforos inteligentes para ayudar a reducir la congestión.

Como Pinakin Patel, jefe de ingeniería de soluciones de MapR dice que muchos de los casos de uso requieren la recopilación de datos de sensores de dispositivos de borde que se envían a través de una conexión de red a una aplicación centralizada para su análisis antes de que se lleve a cabo una acción; a menudo de vuelta al borde.

Esta metodología clásica de entrada, proceso y salida se comprende bien, pero cualquier entorno de IoT puede ser un desafío para la gestión de datos debido a los enormes volúmenes de datos que se crean y las latencias inherentes a tener una distribución global.

Datos de IoT más grandes

Los desafíos de agregar datos de dispositivos orientados al consumidor, como tecnologías portátiles y termostatos inteligentes, se comprenden bien. Para esos tipos de dispositivos, el volumen de datos se debe a la gran cantidad de dispositivos, y cada dispositivo individual no crea necesariamente muchos datos.

Sin embargo, hay un nuevo conjunto de desafíos para los dispositivos de IoT que generan megabytes o gigabytes de datos por segundo. Por ejemplo, el análisis en tiempo real de video, audio y "detección y rango de luz" (LIDAR) son áreas donde las transmisiones entrantes podrían abrumar las arquitecturas tradicionales de almacenamiento de datos.

Ciertamente, la infraestructura tendrá que cambiar, ya que esos volúmenes de datos probablemente abrumarán el ancho de banda disponible para agregar los datos en un repositorio central. Los vehículos, los dispositivos médicos y las plataformas petrolíferas son ejemplos perfectos de fuentes de datos que necesitan una arquitectura mucho más poderosa que la que necesitan los dispositivos orientados al consumidor. Y a medida que estos flujos de datos de IoT lleguen a las nubes centralizadas para su procesamiento, será cada vez más la inteligencia artificial y el aprendizaje automático los que ayudarán a encontrar conocimientos y generar las acciones posteriores.

Ejemplo de atención médica

Sin embargo, hablar en abstracto cuando se trata de IoT es difícil, ya que cada caso de uso tendrá diferentes controladores y requisitos. En cambio, veamos algunos ejemplos concretos como un indicador de los tipos de desafíos involucrados.

La detección y el tratamiento tempranos de enfermedades crónicas, como las enfermedades cardíacas, pueden salvar vidas y reducir el costo de la atención médica. Dos de los mayores problemas son la coordinación de la atención y la prevención de ingresos hospitalarios para personas con enfermedades crónicas. Varios ensayos utilizan sensores más baratos que pueden monitorear los signos vitales de los pacientes y enviar estos datos junto con la lectura del electrocardiograma (ECG) a través de redes celulares como un flujo regular a las aplicaciones en la nube.

Estas aplicaciones de diagnóstico y monitoreo analizan los signos vitales y las lecturas de ECG de cada paciente mientras consideran los datos históricos de los registros médicos. Los flujos de datos en el sistema incluyen flujos en tiempo real, datos históricos, datos de pacientes y datos de referencia creados al agregar grandes volúmenes de exploraciones anteriores de otros pacientes.

En este ejemplo, como muchos otros dentro del panorama de IoT, los médicos requieren un flujo de trabajo que recopile datos, agregue y aprenda a través de toda una población de dispositivos para comprender eventos y situaciones. En este escenario, la detección de una anomalía, como medicación excesiva o señales de advertencia de un evento cardíaco inminente, puede requerir más inteligencia en el borde para que puedan reaccionar a esos eventos muy rápidamente.

Los investigadores han construido una plataforma que utiliza elementos comunes para procesar datos de flujo y por lotes dentro de una estructura de datos común que puede ayudar a manejar todos los datos de la misma manera, controlar el acceso a los datos y aplicar inteligencia de una manera escalable y de alto rendimiento. .

Ejemplo de automoción

Este enfoque de tejido de datos también se exporta a otras aplicaciones de IoT. Por ejemplo, Mojio - The IoT Connected Car tiene como objetivo crear un ecosistema que permitirá que la industria automotriz, de seguros y de telecomunicaciones prospere en conjunto. Mojio planea conectar 500,000 vehículos a su plataforma en la nube en la primera fase que brindará acceso a diferentes tipos de datos contextuales, de diagnóstico y de comportamiento según la necesidad.

Por ejemplo, datos de comportamiento en los que el dispositivo telemático de Mojio recopila información sobre las entradas de velocidad, dirección y frenado para determinar el nivel de fatiga del conductor y emitir alertas. Los datos de comportamiento de conducción a largo plazo también se pueden utilizar para ayudar al usuario a adoptar un estilo de conducción más eficiente en el consumo de combustible y calcular el riesgo por parte de las compañías de seguros.

Convergencia y tejidos

En ambos escenarios; los investigadores de la salud y los ingenieros de automóviles conectados están examinando nuevas formas de crear aplicaciones de próxima generación. En el corazón de estos proyectos se encuentran varias tecnologías comunes que incluyen el almacenamiento de datos a escala de la nube en una base de datos potente y una transmisión persistente integrada para crear nuevas posibilidades para los desarrolladores empresariales que buscan diseñar, desarrollar e implementar aplicaciones que hasta ahora eran imposibles.

La combinación de estos elementos a menudo se denomina plataforma de datos convergentes y está comenzando a adoptarse en una gama más amplia de casos de uso de IoT. Estas plataformas brindan beneficios que incluyen la creación de un tejido de archivos de baja latencia y IOPS alto para aplicaciones informáticas de alto rendimiento. Otra ventaja son los escenarios de análisis en tiempo real donde un tejido de datos puede ingerir, almacenar, analizar, procesar y decidir simultáneamente, sin hacer copias.

A medida que los datos de IoT se mueven desde el borde a la nube y viceversa, las organizaciones deberán olvidar las arquitecturas monolíticas del pasado y considerar la convergencia como el punto de partida para ofrecer la escala necesaria para nuevos casos de uso innovadores.

El autor de este blog es Pinakin Patel, director de Ingeniería de Soluciones de MapR.

Sobre el autor

Pinakin Patel es el jefe de ingeniería de soluciones de MapR . Tiene más de 25 años de experiencia en el mundo de los datos y en cómo las organizaciones extraen valor de este recurso empresarial fundamental.