IoT e Trasformazione Digitale

La convergenza fra le due tecnologie costituisce una parte fondamentale di industria 4.0. Attraverso l’analisi dei dati sono possibili numerose attività che migliorano la produzione e abilitano la smart manufacturing.

Esiste una correlazione quasi naturale fra le tecnologie dell’Internet of things (IoT) e dei big data. Le prime, infatti, sono produttrici di grandi quantità di dati grezzi, le seconde forniscono gli strumenti per filtrare, ordinare e analizzare questi dati ed estrarne valore. La convergenza di IoT e big data costituisce quindi un potente strumento che può essere messo a disposizione delle aziende per svariati scopi. Ad esempio, nelle smart city, dove i dati raccolti da sensori distribuiti sul territorio costituiscono un prezioso patrimonio dal quale si possono estrarre informazioni di ogni genere, dal traffico all’utilizzo dei parcheggi. La convergenza fra IoT e Big data è ovviamente parte integrante di industria 4.0: gli oggetti connessi installati nelle fabbriche inviano i dati relativi all’ambiente che li circonda e al loro stesso funzionamento, consentendo una serie di possibilità, che vanno dal monitoraggio dei lavoratori al controllo stesso delle macchine.

Vi sono differenti ambiti ai quali si può applicare il processo circolare continuo generato dalla convergenza fra IoT e big data, in un crescendo che va dal singolo processo produttivo fino a coinvolgere non solo l’azienda produttrice ma anche i suoi clienti (in ottica servitization ad esempio). Applicato a un processo produttivo, consente di monitorarlo per migliorarlo e adattarlo al mutare delle condizioni esterne. Oppure, il processo può essere adottato da diversi reparti della stessa azienda, al fine di ottenere la migliore integrazione e migliorare i risultati dell’intera azienda. Se, come già anticipato, la convergenza IoT big data e il processo circolare continuo vengono estesi anche ai clienti dell’azienda che adotta tali tecnologie, le informazioni inviate dai prodotti forniscono indicazioni preziose sul loro funzionamento e sulla necessità di manutenzione.

A tale riguardo va sottolineato come la convergenza IoT – big data consente la manutenzione predittiva, ovvero permette di intervenire su macchine e dispositivi prima che questi presentino difetti di funzionamento o interruzioni, sia che si trovino all’interno della fabbrica, sia che siano installati presso il cliente.

Infine, l’interconnessione fra oggetti, dispositivi e macchinari, oltre a ottenere da questi le informazioni, presenta il vantaggio di poterli controllare o configurare da remoto. Una possibilità che può rivelarsi di estrema utilità quando l’oggetto da monitorare, comandare o programmare si trovi in un luogo impervio da raggiungere o sia inserito in un contesto pericoloso o ostile per il lavoratore.

Grazie alla sempre maggiore miniaturizzazione dei sensori e dei circuiti per le comunicazioni wireless, attualmente è possibile inserire in quasi ogni oggetto un dispositivo atto a raccogliere le informazioni relative all’ambiente e a trasmetterle in rete.

Questi dispositivi sono definiti “sistemi embedded”. A questo si aggiunge la disponibilità di molteplici reti wireless per la connessione di oggetti e macchine. I dati che i dispositivi IoT generano sono differenti a seconda del tipo di oggetto o macchina presi in considerazione. Possono essere:

• dati rilevati da sensori riguardanti l’ambiente esterno (temperatura, umidità, presenza di fumo, agenti inquinanti o sostanze pericolose, ecc.);
• dati relativi al monitoraggio dei lavoratori (presenza in un’area determinata, rispetto degli obblighi in materia di dispositivi di protezione individuale, rispetto delle norme di sicurezza, ecc.)
• dati relativi al proprio funzionamento (utilizzabili dal sistema per effettuare diagnosi in tempo reale e predire le attività di manutenzione)
• dati relativi a informazioni di vario genere, che vengono rilevate e poi processate da sistemi di big data analytics (ad es. smart city, smart mobility, ecc.)
• dati provenienti da dispositivi indossabili (wearable) relativi a parametri vitali della persona, utilizzabili nell’ambito della telemedicina o dello svolgimento di pratiche sportive.

La combinazione di IoT e AI consente di sviluppare soluzioni tecnologiche sempre più innovative e avanzate, tanto da poter parlare di “AIoT”. Ma in che modo possono integrarsi queste due realtà?
L’intelligenza artificiale sfrutta una risorsa molto preziosa per poter funzionare e migliorare costantemente: i Big Data! Ma affinché si possa realmente parlare di un’intelligenza delle macchine, simile a quella umana, è necessario che queste risorse siano affidabili e sempre disponibili.

Per ovviare a questo problema, entrano in gioco proprio le tecnologie IoT. Queste ultime sono infatti in grado di raccogliere, aggregare, analizzare e fornire modelli predittivi sfruttando un sistema di piattaforme e device molto complesso. Ecco quindi che l’utilizzo congiunto di IoT e AI consente di incrementare il valore reciproco delle due soluzioni: da una parte l’AI aumenta le potenzialità dell’IoT implementando l’apprendimento automatico delle macchine e dei dispositivi; dall’altra l’IoT aumenta il valore dell’AI fornendo risorse in termini di connettività e scambio di dati.

La combinazione di IoT e AI, che possiamo definire come AIoT, permette quindi di ottenere dati, modelli predittivi e funzioni ancora più affidabili e precisi, fornendo una solida base su cui poter sviluppare nuove soluzioni tecnologiche efficienti ed efficaci.

Esistono diversi modi per archiviare i dati generati dai dispositivi IoT, anche ai fini della loro analisi: on premises (in loco), in cloud o ibridando le due opzioni.
La scelta fra le varie possibilità dipende dal volume dei dati, ma anche dal tipo di connettività, oltre che da altri fattori (ad es. quando esistano problemi di alimentazione dei dispositivi).
Un altro elemento di discrimine è lo scopo cui sono destinati i dati: fa differenza, infatti, se questi sono raccolti a scopo di archiviazione oppure per effettuare l’analisi in tempo reale. In alternativa, l’analisi può essere eseguita in batch.

Esaminiamo alcune metodologie di big data analytics.

• analisi distribuite: sono idonee ad analizzare dati su larga scala. I dati possono essere distribuiti su più database. Per l’elaborazione in batch si possono utilizzare software Hadoop e Spark.
• analisi in tempo reale: servono ad analizzare flussi di dati IoT dipendenti dal fattore tempo. In questo caso, per via della latenza, si esclude l’elaborazione batch.
• edge analytics: metodo di analisi a bassa latenza. Serve a pre-analizzare i dati allo scopo di filtrare eventuali duplicazioni e per riordinare e aggregare i dati prima dell’analisi vera e propria. Questa elaborazione avviene generalmente nel punto di acquisizione dai dati, ossia sui dispositivi IoT stessi o sui gateway, da cui il termine “edge” (margine).
• ibrido: è considerato l’approccio più comune; prevede la pre-analisi edge, prima dell’invio del flusso dei dati al data center in cloud.
• analisi descrittive: ricavano dai big data una sorta di “quadro della situazione”, visualizzabile tramite report e dashboard grafici.
• analisi diagnostiche: forniscono informazioni sulle cause che hanno generato una determinata situazione. L’analisi diagnostica abilita l’analisi predittiva.
• analisi predittiva: permettono di prevedere, appunto, malfunzionamenti o fermi di macchinari e impianti e permettere interventi di manutenzione preventiva.
• analisi prescrittiva: va al di là delle previsioni e a fronte di un problema suggerisce, ed eventualmente mette in atto, le contromisure.