A cura di Maurizio Canton, Chief Technology Officer di TIBCO Semea
Nonostante il fatto che il valore e la forza dell’Internet of Things (IoT) derivi dalla sua capacità di collezionare e usare informazioni che arrivano da più dispositivi remoti contemporaneamente, possiamo comunque guardare a ognuno di questi dispositivi come a un elemento a sé stante.
Hardware, software, middleware, cloud, storage, sicurezza, piattaforme d’integrazione e connettività sono tutti elementi che possono essere combinati tra loro per costruire una soluzione completa (end-to-end) ed efficace. Naturalmente tutto questo richiede una collaborazione a diversi livelli tra i vari elementi in gioco che, almeno fino ad ora, non si è ancora vista dai vari fornitori di tecnologia edge.
L’incremento delle applicazioni e della varietà dei dispositivi IoT attualmente presenti nella nostra vita quotidiana fa sorgere alcune domande fondamentali, e ha certamente portato a una maggiore consapevolezza del valore delle applicazioni che operano su scala globale. Tutti oggi comprendono come la collaborazione tra macchine e dispositivi, programmati per agire in modo autonomo in nostra vece, possa aiutarci a vivere in modo più produttivo e a lavorare in un modo più efficace. Il machine learning e l’intelligenza artificiale hanno sicuramente contribuito ad accelerare questo processo evolutivo, rendendo i vari dispositivi sempre piu’ “intelligenti”, mettendoli in grado di agire sul contesto delle informazioni ricevute e in alcuni casi eliminando completamente il ruolo dell’intervento umano. Anche se le auto connesse sono da lungo tempo l’esempio più riportato nei titoli, l’argomento va ben oltre i domini tradizionali dei trasporti e della casa intelligente. Il monitoraggio dei pazienti e gli smartmeter intelligenti sono solo due altri esempi di una lunga lista di applicazioni che stanno gradualmente inserendosi in molti aspetti della nostra esistenza di tutti i giorni.
Questa crescente ubiquità (unita a capacità tecniche migliorate) è il motivo per cui incrementare la potenza e l’impatto dei dispositivi IoT in termini numerici è diventato il prossimo logico passaggio evolutivo. Un passaggio evidente che si è gia materializzato, ad esempio, nel mondo dei droni, dove tramite software, sistemi aerotrasportati senza pilota possono operare insieme governati remotamente da un unico operatore per trovare, tracciare, e identificare obiettivi con ritorni finanziari molto più interessanti rispetto ai limitati investimenti richiesti.
“Il machine learning dev’essere supervisionato e localizzato per predire le risposte direttamente sul dispositivo”
Tuttavia, con componenti distribuiti remotamente e la necessità di analizzare le informazioni e agire in modo veloce, lo sviluppo di queste tecnologie si focalizza ancora una volta sul dispositivo e la rete edge, sottolineando come il valore di una soluzione ottimale si basi sulla flessibilità della piattaforma che gestisce il deployment e i dispositivi stessi.
Tutto questo però presenta un interessante dilemma. Una preoccupazione profondamente radicata in molti project manager IoT è legata alla percezione di una possibile perdita di controllo dei dispositivi. In molti temono ancora di dover sacrificare la loro possibilità di monitorare l’attività dei dispositivi se questa avviene nella rete periferica, lontano dal tradizionale IT. D’altro canto, i fautori dell’ IoT controbattono che creare una rete di dispositivi “intelligenti” che collaborano assieme, in grado di prendere decisioni basate su modelli algoritmici, migliorano la sicurezza e l’operatività dell’intero Enterprise ecosystem.
Quando si applicano algoritmi più sofisticati a flussi di dati continui di IoE, è chiaro che ci si apre una grande opportunità. Occorre però ricordare che ottenere dei benefici dipende molto dal grado di integrazione e collaborazione che si ha all’interno dell’Enterprise. Questa sfida è resa più impegnativa e complessa dall’implementazione e utilizzo del machine learning e dagli enormi scambi di dati ed esigenze di connettività che questo comporta.
Per sfruttare al meglio le singole capacità di ciascun dispositivo, gli algoritmi di machine learning devono essere localizzati e gestiti sul dispositivo stesso. Ciò richiede un motore di integrazione assolutamente più leggero rispetto ai tradizionali motori costruiti in Java o Node.js. In questo è possibile costruire dei flussi di processo che possono essere installati e girare direttamente sui dispositivi. È quindi possibile avere modelli di intelligenza artificiale e machine learning funzionanti direttamente anche su dispositivi che possiedono risorse minime.
In questo modo ogni dispositivo, per quanto piccolo e remoto che sia, ha un’importanza fondamentale per l’Enterprise. Il loro successo collettivo s’impernia sulle loro capacità tecniche di monitorare e comprendere un insieme di condizioni diverse in continua evoluzione, avendo la possibilità di agire sulla base dei dati che stanno analizzando.
