Aproveitamento de dados IoT da borda para a nuvem e vice-versa

A Internet das Coisas (IoT) oferece o potencial de melhorar drasticamente muitas tarefas tão diversas como a manutenção preventiva de aparelhos eletrônicos a semáforos inteligentes para ajudar a reduzir o congestionamento.

Como Pinakin Patel, chefe de Engenharia de Soluções do MapR afirma que muitos dos casos de uso exigem a coleta de dados do sensor de dispositivos de borda que são enviados por uma conexão de rede a um aplicativo centralizado para análise antes que uma ação seja executada; frequentemente de volta ao limite.

Essa metodologia clássica de entrada, processo e saída é bem compreendida, mas qualquer ambiente IoT pode ser um desafio de gerenciamento de dados por causa dos enormes volumes de dados que são criados e as latências inerentes à distribuição global.

Dados de IoT maiores

Os desafios de agregar dados de dispositivos orientados ao consumidor, como tecnologias vestíveis e termostatos inteligentes, são bem compreendidos. Para esses tipos de dispositivos, o volume de dados se deve ao grande número de dispositivos, e cada dispositivo individual não cria necessariamente muitos dados.

No entanto, há um novo conjunto de desafios para dispositivos IoT que geram megabytes ou gigabytes de dados por segundo. Por exemplo, a análise em tempo real de vídeo, áudio e 'detecção e alcance de luz' (LIDAR) são áreas onde os fluxos de entrada podem sobrecarregar as arquiteturas de armazenamento de dados tradicionais.

Certamente, a infraestrutura terá que mudar, já que esses volumes de dados provavelmente irão sobrecarregar a largura de banda disponível para agregar os dados em um repositório central. Veículos, dispositivos médicos e plataformas de petróleo são exemplos perfeitos de fontes de dados que precisam de uma arquitetura muito mais poderosa do que a necessária para dispositivos voltados para o consumidor. E, à medida que esses fluxos de dados de IoT atingem as nuvens centralizadas para processamento, cada vez mais a Inteligência Artificial e o Aprendizado de Máquina ajudarão a encontrar insights e gerar as ações subsequentes.

Exemplo de saúde

No entanto, falar de maneira abstrata quando se trata de IoT é difícil, pois cada caso de uso terá drivers e requisitos diferentes. Em vez disso, vamos dar uma olhada em alguns exemplos concretos como um proxy para os tipos de desafios que estão envolvidos.

A detecção precoce e o tratamento de doenças crônicas, como doenças cardíacas, podem salvar vidas e reduzir o custo da saúde. Dois dos maiores problemas são a coordenação do atendimento e a prevenção de internações hospitalares para pessoas com condições crônicas. Vários testes estão usando sensores mais baratos que podem monitorar os sinais vitais dos pacientes e enviar esses dados junto com a leitura do eletrocardiograma (ECG) por redes celulares como um fluxo regular para aplicativos na nuvem.

Esses aplicativos de diagnóstico e monitoramento analisam os sinais vitais de cada paciente e as leituras de ECG enquanto consideram os dados históricos dos registros médicos. Os fluxos de dados para o sistema incluem fluxos em tempo real, dados históricos, dados do paciente e dados de referência criados pela agregação de grandes volumes de exames anteriores de outros pacientes.



Neste exemplo, como em muitos outros no cenário da IoT, os médicos exigem um fluxo de trabalho que reúna dados, agregue e aprenda em toda uma população de dispositivos para entender eventos e situações. Nesse cenário, a detecção de uma anomalia, como excesso de medicação ou sinais de alerta de um evento cardíaco iminente, pode exigir mais inteligência na borda para que possam reagir a esses eventos muito rapidamente.

Os pesquisadores construíram uma plataforma que usa elementos comuns para processar dados de fluxo e lote em uma malha de dados comum que pode ajudar a lidar com todos os dados da mesma maneira, controlar o acesso aos dados e aplicar inteligência de alto desempenho e escalabilidade .

Exemplo automotivo

Essa abordagem de fabric de dados também está sendo exportada em outros aplicativos IoT. Por exemplo, Mojio - The IoT Connected Car visa criar um ecossistema que permitirá que os setores automotivo, de seguros e de telecomunicações prosperem juntos. A Mojio planeja conectar 500.000 veículos à sua plataforma em nuvem na primeira fase, que fornecerá acesso a diferentes tipos de dados comportamentais, diagnósticos e contextuais, dependendo da necessidade.

Por exemplo, dados comportamentais onde o dispositivo telemático de Mojio reúne informações sobre velocidade, direção e entradas de frenagem para determinar o nível de fadiga do motorista e alertas de problemas. Os dados do comportamento de direção de longo prazo também podem ser usados ​​para ajudar o usuário a adotar um estilo de direção mais econômico em termos de combustível e calcular o risco pelas seguradoras.

Convergência e tecidos

Em ambos os cenários; os pesquisadores de saúde e engenheiros de carros conectados estão examinando novas maneiras de construir os aplicativos de última geração. No centro desses projetos estão várias tecnologias comuns, incluindo armazenamento de dados em escala de nuvem para banco de dados poderoso e streaming persistente integrado para criar novas possibilidades para desenvolvedores corporativos que buscam arquitetar, desenvolver e implantar aplicativos que eram impossíveis até agora.

A combinação desses elementos costuma ser chamada de plataforma de dados convergentes e está começando a ser adotada em uma gama mais ampla de casos de uso de IoT. Essas plataformas oferecem benefícios, incluindo a criação de uma malha de arquivos de alta IOPS e baixa latência para aplicativos de computação de alto desempenho. Outra vantagem são os cenários analíticos em tempo real, onde um fabric de dados pode simultaneamente ingerir, armazenar, analisar, processar e decidir, sem fazer cópias.

Conforme os dados de IoT se movem da borda para a nuvem e vice-versa, as organizações precisarão esquecer as arquiteturas monolíticas do passado e considerar a convergência como o ponto de partida para fornecer a escala necessária para novos casos de uso inovadores.

O autor deste blog é Pinakin Patel, chefe de Engenharia de Soluções da MapR.

Sobre o autor

Pinakin Patel é o chefe de Engenharia de Soluções da MapR . Ele tem mais de 25 anos de experiência no mundo dos dados e como as organizações extraem valor desse recurso comercial crítico.