IoT-datan hyödyntämisessä kannattaa lähteä liikkeelle perehtymällä IoT-alustan ja IoT-infrastruktuurin eroihin, ymmärtää Roopen tärppien mukaisen data-alustan tärkeys sekä määritellä liiketoimintatarpeet siten, että IoT-data voidaan valjastaa hyödylliseen, visualisoitavaan muotoon. Data Science avaa kaiken tämän lisäksi vielä valtavan määrän mahdollisuuksia – vain mielikuvitus on rajana kun koneoppimisalgoritmeja lähdetään soveltamaan IoT-maailmaan. Käsittelen esimerkkejä potentiaalisista sovelluksista käyttäen kolmea eri näkökulmaa: ennakointi, optimointi ja erityistapauksien tunnistaminen datan avulla.
Käännä ajatusmaailmasi reagoivasta ennakoivaksi
Perinteisellä IoT-datan analytiikalla, muiden datalähteiden yhdistelyllä ja tulosten raportoinnilla voidaan seurata laitteiden toimintaa ja hyvässä tapauksessa löytää säännönmukaisuuksia ja trendejä saadusta datasta. Oikein toteutetuilla hälytyksillä datassa tapahtuviin poikkeuksiin voidaan reagoida hyvinkin nopeasti.
Kun esimerkiksi tuotantokoneen osa rikkoutuu, siihen liitetyn anturin mittaustulos muuttuu ja aiheuttaa hälytyksen, jonka perusteella voidaan tehdä tarvittavat toimenpiteet laitteen kunnon tarkistamiseksi ja korjaamiseksi. Silti, vaikka hälytys tulisi kuinka nopeasti, on vahinko jo tapahtunut ja pahimmillaan koko laite tai tuotantolaitos saattaa seisoa vian tarkistamisen ja korjauksen ajan. Entä jos hajoaminen olisi voitu ennustaa?
Data Scientist on supersankarisi, sillä hän muuttaa suhtautumisesi IoT-dataan reagoivasta ennakoivaksi.
Jos kerättyyn dataan on saatu tallennettua vikatilanteita, Data Scientist voi tunnistaa laitteiden historiadatan perusteella hajoamiseen liittyvät säännönmukaisuudet, joita ei välttämättä suoraan huomaa pelkästään raportoidusta datasta. Erityisesti rikastamalla kerättyä dataa muilla datalähteillä, kuten lämpötilalla, paineella tai muulla relevantilla suureella voidaan löytää uusia ennusteisiin vaikuttavia tekijöitä. Huoltotoimenpiteiden ennakoinnin lisäksi ennusteita voi luoda esimerkiksi laitteiden kapasiteetista tai kuormituksesta, tai muusta liiketoiminnalle tärkeästä suureesta.
Data Scientist ei kuitenkaan voi yksin tehdä ihmeitä datallasi. Liiketoimintaongelmien hyvä määrittely ja domain-osaamisen yhdistäminen Data Science -osaamisen kanssa on ensiarvoisen tärkeää.
Optimoinnilla tehokkaammaksi
Ennakoiva huolto (predictive maintenance) on vain yksi, joskin valtaisan potentiaalin tarjoava esimerkki datan hyödyntämisestä IoT-maailmassa. Potentiaalisten sovellusten kirjo on kuitenkin valtava. Kun esimerkiksi laitteen tai tuotannon kapasiteettia tai kuormitusta osataan ennustaa tarpeeksi luotettavasti, on seuraava järkevä askel hyödyntää näitä ennusteita ja optimoida tuotantoa prosessien tehostamiseksi. Jos tuotannon seisominen osataan ennustaa, voidaan näihin hetkiin kohdistaa haluttuja toimenpiteitä. Esimerkiksi huoltoikkunat voidaan aikatauluttaa ennustettuihin hiljaisiin hetkiin ja siten maksimoida laitteen käytettävyys. Optimointia voi hyödyntää myös tuotantoprosessien hienosäätämiseen laadun ja asiakastyytyväisyyden parantamiseksi.
Data Scientist voi luoda juuri sinun tuotantoprosessillesi ratkaisevan kilpailuedun.
Optimointia voi soveltaa laajalla kentällä IoT-maailmassa myös tuotantolaitosten ulkopuolella. Esimerkiksi yhdistelemällä usean eri anturin lähettämää dataa voidaan päätellä vaikkapa henkilön reaaliaikainen sijainti sisätiloissa tai rakennuksessa. Toisaalta tuotantolaitosta vastaavaa hiljaisten ja kiireisten hetkien optimointia voidaan suorittaa myös liikenteestä saatavalle datalle, ja määritellä parhaat matkustusajat ruuhkien välittämiseksi. Ennusteiden avulla voidaan myös optimoida esimerkiksi rakennusten lämmitysajankohdat, tai ajoneuvon polttoaineen kulutus – vain mielikuvitus on rajana!
Tunnista erityisiä tapahtumia datasta
Datasta voi olla silmämääräisesti haastavaa löytää esimerkiksi juurikin laitteen hajoamiseen liittyviä poikkeustapauksia. Käytännössä tällaisen datassa epäsuorasti ilmenevän tapahtuman voi havaita soveltamalla säännönmukaisuuksien tunnistamista yhden tai useamman anturin keräämään dataan. Datan perusteella voidaan havaita ja ennustaa etukäteen epänormaalit kohdat laitteen toiminnassa.
Data Science mahdollistaa säännönmukaisuuksien löytämisen poikkeaville tapahtumille.
Löydettyjen säännönmukaisuuksien avulla voidaan parhaimmillaan ennakoida laitteiden huoltotarpeita, mutta sitä voidaan soveltaa monella muullakin tavalla. IoT-laitteille on tyypillistä lähettää aikasarjadataa, joka yleensä noudattaa tiettyjä säännönmukaisuuksia. Aikasarjadata voi olla yhteyksistä ja lähetystavasta riippuen kuitenkin osittain puutteellista, jolloin sen analysointi käy hankalaksi. Säännönmukaisuuksilla voidaan korjata tällaista puutteellista datasettiä puuttuvien arvojen osalta.
IoT-datalähteinä käytetään etenevässä määrin perinteisten, tiettyä suuretta mittaavien antureiden lisäksi myös videolähteitä. Kuvantunnistuksen avulla voidaan tunnistaa haluttuja tai poikkeavia tapahtumia myös videostriimistä. Esimerkiksi valvontakameran lähettämästä videosta voidaan reaaliajassa tunnistaa vapaiden autopaikkojen määrää parkkipaikalla ja välittää tieto lähellä liikkuville ajoneuvoille. Koneoppimista voidaan soveltaa toisaalta myös erilaisten äänten luokitteluun ja tunnistamiseen äänitteestä. Tällöin vaikkapa koiran haukkuminen tai vauvan itku voidaan triggeröidä hälyttämään koiran omistajan tai vauvan vanhempien puhelinsovellus.
IoT-datassasi piilee valtavasti potentiaalia ja tässä blogissa käsiteltiin vain murto-osa mahdollisista sovelluksista. Mikäli haluat kuulla lisää, niin otathan rohkeasti yhteyttä. Seuraavaksi on aika valjastaa sinun data sinun käyttöösi.
Kiinnostuitko? Lataa itsellesi ilmainen A Quick Guide to Complete IoT solutions -opas ja lue lisää asiantuntijoidemme näkemyksiä muista blogeistamme.
Miia työskentelee Solitan Data-yksikössä Data Science -tiimissä. Taustaltaan Miia on fyysikko, jota kiehtoo erityisesti IoT-datan analysointi ja uusien ilmiöiden löytäminen ja hyödyntäminen datan avulla.
