Dijital DönüşümIIoTInternet of ThingsMakine ÖğrenmesiNesnelerin İnterneti

IoT ve Bulut Bilişim, Verilerin Geleceği Mi?

Tahminen 29 milyar bağlı cihazın 2022 yılına kadar faaliyete geçmesi bekleniyor – ve 75 milyardan fazla Nesnelerin İnterneti (IoT) cihazının dünya çapında 2025 yılına kadar kullanılması bekleniyor – Nesnelerin İnterneti, ileri görüşlü işletmeler için önemli bir husustur.

Unravel Data baş teknoloji sorumlusu Shivnath Babu “Halen kullanılmakta olan IoT cihazlarının bolluğu, işletmelere güçlü öngörüler oluşturmak için kullanılabilecek çok miktarda veri sunuyor ve bunun sadece önümüzdeki yıllarda büyümesi bekleniyor.” diyor. Bununla birlikte, işletmeler akıllı cihaz dağıttıkça ve üretilen veri miktarları arttıkça, merkezi bulut sistemleri bu anlayışların akıllıca kullanılmasında temel rol oynayacaktır. Bu nedenle, IoT’nin yaygınlaşması önemli DataOps zorlukları getiriyor.

Verilerin işlenmesinde zorluklar

Çok sayıda IoT cihazı ile çok miktarda ve türde veri gelir. Örneğin IoT cihazları, müşteri satışları, kat edilen kilometreler, GPS koordinatları, nem, mevcut kişi sayısı, araç hızı, sıcaklık ve hava kalitesi gibi çeşitli veri türleri sağlayabilir. Birçok işletme, IoT tarafından oluşturulan karmaşıklığı ve çok miktarda veriyi ele almakta zorlanıyor. Gerçek zamanlı akışa dayanan uygulama odaklı hizmetler için bu önemli bir sorundur.

Bu amaçla, modern bulut tarafından sunulan hizmetlerin büyük veri gereksinimlerini yönetmek için Kafka, Spark, Kudu, Flink veya HBase gibi kişiselleştirilmiş, gerçek zamanlı akış uygulamaları gerekir. Bununla birlikte, akan trafik verilerini analiz etmek ve istatistiksel özellikler üretmek karmaşık ve kaynak tüketen izleme yöntemleri gerektirir.

Analistler gelen verilere aynı anda birden fazla algılama yöntemi uygulayabilmelerine rağmen, bu kaçınılmaz olarak karmaşıklık ve performans zorluklarına neden olur. Bu, özellikle uygulamaların birden fazla sisteme yayılması durumunda (örn. Hesaplama için Spark ile, kaynak tahsisi ve zamanlaması için YARN, veri erişimi için HDFS veya S3 veya akış için Kafka veya Flink ile etkileşim). Bu dağıtımlar, tekrar veri önişleme veya birden fazla uygulamada ortak özellik oluşturma olarak bağımsız, kullanıcı tanımlı programlar içeriyorsa daha da karmaşık hale gelebilir.

Patlayıcı IoT büyümesi

IoT cihazlarının patlayıcı büyümesini sürdürmek için gerekli bulut altyapısını oluşturmak için mevcut veri yönetim araçları ve süreçleri bu göreve bağlı değildir. Kapsamlı IoT cihazları tarafından sunulan zorluğu yönetmek için, birçok işletme AI veya ML entegrasyonlarına olan ihtiyacı tanımaya başlıyor.

Bu entegrasyonlar, verileri manuel olarak sıralama yükünü azaltan akıllı veri işlemlerini etkinleştirerek veri ekiplerinin tüm bu verileri anlamlandırma yeteneklerini arttırır. Bu, verilerin doğru yere daha hızlı yönlendirilmesine, iş gereksinimlerine ayak uydurmasına ve veri gruplarının gerçek zamanlı öğesini sürdürmesine yardımcı olur.

Genellikle bu senaryolarda, akış uygulaması, verileri gerçek zamanlı olarak işlemede geride kalabilir ve kök nedenini belirlemek, böyle karmaşık bir sistem için hantal bir zorluk olabilir. Bu nedenle, makine öğrenimine (ML) ve yapay zekaya (AI) dayanan bir veri dağıtımının alternatiflere kıyasla gereken performansı, öngörülebilirliği ve güvenilirliği sağlama olasılığı daha yüksektir.

IoT cihazlarından verimli ve sürekli veri toplanmasını sağlamak için, makine öğrenim algoritmalarının uygulama yürütmesinin incelenmesini sağlama, potansiyel arızanın nedenini belirleme ve performans ve kaynak kullanımını iyileştirmek için öneriler üretmede önemli olduğu kanıtlanmıştır. Bir diğer önemli fayda, bu tür işlemlerin uygulanmasının kuruluşların daha düşük maliyetlerden ve daha fazla güvenilirlikten yararlanmasına izin vermesidir.

Her kullanım durumunu göz önünde bulundurun

Bu nedenle, her bir kullanım durumunu göz önünde bulundurmak ve hangi IoT zorluğunun cevap verdiğini görmek bir anahtardır. Önce çevreyi ve kendi organizasyonu için sunduğu sorunları anlayarak, BT ekipleri gerekli çözümleri uygulamak için daha hızlı bir yol açabilir. İster makine öğrenimi ister AI olsun, IoT tabanlı bir dağıtım sağlamak, ortaya çıkan karmaşıklığı yönetmek için veri ekibini otomasyonla artırmaya bağlıdır.

Metin Can Ayar

İstanbul Bilgi Üniversitesi Enerji Sistemleri Mühendisliği

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Buna da göz atın

Close
Close