4 etapas para derivar ações de dados IoT

Hoje, os dispositivos geram mais dados de IoT do que as redes sociais. Cada dispositivo pode enviar dados várias vezes por segundo. Com milhões de dispositivos conectados, uma plataforma de processamento de dados típica pode ser necessária para lidar com bilhões desses eventos recebidos todos os dias.

Embora o processamento dessa quantidade de dados seja obviamente um desafio tecnológico considerável e de forma alguma trivial, está claro que os dados do dispositivo em si - mesmo quando armazenados em uma forma pré-processada - não são acionáveis. Para obter insights acionáveis, os dados coletados devem ser analisados.

Um tipo de tarefa que pode ser efetivamente abordada com a análise de dados na IoT é a detecção de anomalias . Seu objetivo é identificar um comportamento incomum em dispositivos conectados que difere significativamente do que foi observado antes ou do que é esperado.
Fonte:Bosch.IO

Está tudo bem com meus cortadores de grama conectados?

Vejamos um exemplo tirado de um de nossos projetos de detecção de anomalias. Aplicamos nossos algoritmos a uma frota de cortadores de grama autônomos (ALMs). Usando um dos nossos serviços Bosch IoT Analytics, as anomalias podem ser calculadas para esta frota de cortadores de grama habilitados para IoT durante a temporada de corte. Para isso, os dados usados ​​contêm mensagens de status e de erro enviadas dos cortadores de grama em uso para o backend na nuvem.

Suponhamos que, todas as semanas, nosso serviço seja configurado para identificar as dez principais anomalias nesses dados. Cortadores de grama que aparecem repetidamente na lista de principais anomalias podem ser marcados automaticamente e organizados em uma lista. O pessoal de serviço e / ou gerentes de qualidade podem então inspecioná-los manualmente. Além disso, os resultados da detecção de anomalias podem ser analisados ​​quanto a padrões significativos e agrupados em categorias de incidentes.

Por exemplo, padrões específicos de estado e mensagens de erro podem ser uma indicação de que o firmware de cortadores individuais precisa ser atualizado ou que os cortadores não foram configurados corretamente. Ao agrupar os padrões observados em categorias, estratégias de solução - ou seja, ações específicas - podem ser associadas a eles e acionadas automaticamente sempre que os padrões aparecem nos dados do evento. Isso pode resultar em enviar ativamente o firmware mais recente para o cortador afetado ou entrar em contato proativamente com o cliente (desde que ele tenha dado seu consentimento) para oferecer suporte de um técnico de serviço. Essas são formas de aumentar a satisfação do cliente.
Fonte:Bosch.IO

Como você detecta anomalias nos dados do seu dispositivo?

A análise de dados - e a detecção de anomalias em particular - não é um procedimento, mas um nome genérico para uma série de algoritmos e transformações destinadas a extrair conhecimento implícito oculto nos dados. Existem muitos tipos diferentes de anomalias e muitos domínios de problemas diferentes com seus dados específicos e formulações de problemas.

O processo de análise de dados envolve muitas etapas e usa tecnologias bastante diferentes - de transformações de formato a sofisticados algoritmos de aprendizado de máquina e a construção de visualizações valiosas. Normalmente, um processo de análise de dados inclui as seguintes etapas:

Etapa 1:Disponibilizando os dados do dispositivo

Depois de conectar seus dispositivos, os dados enviados por eles devem ser transferidos por vários canais e, em seguida, armazenados de forma consistente em um banco de dados antes de serem processados.

Etapa 2:pré-processamento dos dados do dispositivo

No processo de análise geral, várias tarefas de pré-processamento de dados podem ser responsáveis ​​pela maioria das dificuldades. Por isso é importante escolher ou desenvolver uma tecnologia para o desenvolvimento e execução eficientes de tais scripts. Esta etapa foi projetada para resolver muitos problemas, como limpeza de dados e geração de recursos específicos de domínio. É frequentemente referido como transformação de dados, que é definido como exploração e transformação iterativa de dados para permitir a análise.

Etapa 3:Analisando os dados do dispositivo

Esta etapa do processo concentra-se em encontrar anomalias nos dados de entrada ao escolher um algoritmo de mineração de dados apropriado e ajustar seus parâmetros.

Etapa 4:Visualização de dados do dispositivo

Por último, mas não menos importante, os dados devem ser visualizados para o usuário final. Ao fazê-lo, é importante escolher técnicas visuais adequadas à tarefa a ser resolvida e ao respetivo domínio do problema.
Fonte:Bosch.IO Fonte:Bosch.IO
Detectar anomalias é apenas uma primeira etapa em direção a casos de uso de analítica IoT mais complexos, como manutenção preditiva. Depois que os dispositivos que estão se comportando de maneira anômala forem identificados, eles precisam ser explorados por especialistas no domínio e classificados em classes de problemas. Se possível, as informações sobre a solução do problema também devem ser anotadas. Compilar as informações de manutenção e mesclá-las com esses dados e os resultados da análise permite a construção de um conjunto de dados limpo e rico. Por sua vez, este conjunto de dados pode ser usado para construir um modelo de predição do tipo necessário para soluções de manutenção preditiva.

Além disso, esses resultados de detecção de anomalias não apenas destacam os problemas, mas também podem apontar os especialistas do domínio para novas oportunidades (de negócios). Se anomalias específicas estão aparecendo em diferentes dispositivos de forma sistemática, pode ser um indicador de que um determinado recurso está faltando. No caso dos cortadores de grama autônomos, as anomalias sistemáticas que aparecem em um subgrupo podem ser causadas por um padrão repetido de topografia especial nos jardins que estão sendo cortados. Portanto, isso pode exigir um complemento algorítmico para o cortador de grama que pode ser vendido como uma funcionalidade avançada.

Recentemente, publicamos um artigo sobre “Detecção de anomalias com dados de eventos na Internet das coisas” que gerou muito interesse. Ele se concentra nos desafios e nas melhores práticas para as etapas de processamento mencionadas acima e inclui observações que fiz em vários projetos de análise de dados.
Baixar white paper