IoT fica mais inteligente, mas ainda precisa de análises de back-end

Uma forma de fazer análises usando a Internet das Coisas é ter “uma grande variedade de endpoints pouco sofisticados, enviando dados como níveis de temperatura e pressão para um dispositivo em algum local da fábrica ou até uma nuvem back-end ou data center”.

Mas isso começa a mudar. Os dispositivos endpoint estão cada vez mais próximos da capacidade de fazer sua própria análise, levando a arquiteturas de sistema mais simples e a sistemas mais responsivos. 

Esta abordagem de fazer mais no dispositivo ajuda a reduzir a latência para aplicações críticas e a dependência da nuvem, além de gerenciar melhor o enorme tráfego de dados gerados pela IoT. O processamento no dispositivo melhora a velocidade dos alertas, ao mesmo tempo em que reduz as chances de alertas falsos e recorrentes. Segurança e a privacidade também podem ser melhoradas com a computação e a análise migrando para a borda da rede, mantendo dados confidenciais dentro do dispositivo.

Evitar as viagens de ida e volta dos dados do dispositivo para a nuvem é fundamental para aplicativos que usam visão computacional ou Machine Learning – por exemplo, um sistema de verificação de identidade empresarial ou um rastreamento e filmagem de um drone proprietário ou de um objeto. O Machine Learning no dispositivo também pode melhorar as interfaces de linguagem natural, permitindo que os alto-falantes inteligentes, como o Echo, da Amazon, ou o Google Home, reajam mais rapidamente, interpretando as instruções de voz localmente, executando comandos básicos, como ativar/desativar as luzes, ou ajustar as configurações do termostato, mesmo que a conectividade com a Internet falhe. Além disso, a computação na borda permite atualizações comandadas remotamente para o software do dispositivo e a lista de comandos locais que pode executar, ampliando sua vida útil, dando a eles novas funções.

A proliferação da soluções de Machine Learning para aplicações IoT é um poderoso driver para capacidades avançadas de Edge Computing. Os dispositivos não só precisam executar redes neurais complexas de Machine Learning, de forma rápida, como precisam fazê-lo enquanto consumem muito pouca energia, já que muitos dispositivos IoT funcionam com bateria. Isso está levando a adoção de arquiteturas de computação heterogêneas – integrando diversos mecanismos como CPUs, GPUs e DSPs – nos dispositivos IoT para que diferentes cargas de trabalho sejam atribuídas de forma mais eficiente, melhorando assim o desempenho e a eficiência energética. De fato, os DSPs mostraram uma melhoria de 25 vezes na eficiência energética e uma melhoria 8 vezes no desempenho versus a execução das mesmas cargas de trabalho em uma CPU.

Um bom exemplo desta tendência é a recém-anunciada câmera de segurança indoor da Nest, Cam IQ, com capacidade de reconhecimento de imagens no dispositivo para analisar o movimento, distinguir membros da família e enviar alertas somente se alguém não reconhecido ou que não corresponda aos parâmetros pré-definidos entre no seu campo de visão. Ao executar tarefas de visão computacional dentro da câmera, a Nest reduz a quantidade de largura de banda e o processamento e o armazenamento na nuvem. 

Mas existem três áreas principais em que permitir que os endpoints façam sua própria análise de dados – no todo ou em parte – está se tornando cada vez mais comum – cidades inteligentes, ambientes industriais e transporte.

IoT em cidades inteligentes
Nas cidades inteligentes, as câmeras inteligentes podem fazer certos tipos de análise no dispositivo, ajudando os planejadores a entender os padrões de tráfego de pedestres e de veículos.

Mas embora a aplicação das lições aprendidas com o ML sofisticado seja bastante fácil, mesmo para dispositivos relativamente restritos, algumas partes do processo ML exigem muito poder computacional para acontecer na maioria dos endpoints. Isso significa que os próprios endpoints não alteram suas instruções, mas fornecem informações que podem ser usadas por um back-end mais poderoso para personalizar uma determinada implementação de IoT.

O caso da análise de vídeo para aplicativos de cidades inteligentes, como o monitoramento de tráfego é instrutivo, nesse sentido. Elas usam um sistema no qual as próprias câmeras rastreiam pedestres e motoristas e, em seguida, pontuam esses dados em relação a um modelo de IA criado centralmente.

O treinamento de IA necessário nesse caso ainda requer um poder computacional maior do que aquele que as câmeras sozinhas podem fornecer, por isso deve ser feito em algum lugar no back-end. As próprias câmeras podem aplicar as lições aprendidas pelo modelo de IA, mas precisam de um hardware mais potente para alterar de maneira inteligente as instruções fornecidas.

“Então, para chegar a algumas análises preliminares no endpoint e, em seguida, enviá-las de volta para treinamento adicional, você tem um tipo de sistema de aprendizado federado”, diz Hung.

IoT industrial
Outra área importante para análise de IoT baseada em endpoint é o setor industrial e de manufatura. Joe Biron é o CTO da PTC, desenvolvedora ds ThingWorx, uma plataforma de software de IoT industrial. Biron disse que a PTC está tentando obter inteligência em máquinas industriais há cerca de uma década, com a intenção de ajudar as empresas a economizarem dinheiro através de manutenção preditiva e outros aplicativos automatizados, de gerenciamento ou operacionais.

“Há dez anos, o estado da tecnologia para fazer detecção de falhas proativa e preditiva não usava exatamente o que podemos chamar de tecnologias disruptivas”, explicou Biron. Era, em grande parte, um processo baseado em inteligência humana que se baseava no conhecimento profundo de um especialista técnico sobre como os componentes industriais funcionavam. Com base nesse conhecimento, as regras para detectar os parâmetros que predizem falhas iminentes podem ser transformada em código e embutidas até mesmo no “mais estúpido” dos endpoints.

O verdadeiro desafio surge quando não há uma pessoa familiarizada com a confluência crítica de indicadores capazes de prever antecipadamente algum problema. Para isso, você precisa de Machine Learning e, mais especificamente, um modelo de aprendizado de máquina que pode pontuar entradas de dados versus resultados e filtrar quais pontos de dados são os mais importantes para fazer as previsões. Do ponto de vista computacional isso é caro, de acordo com Biron, limitando sua capacidade de ser manipulado em endpoints.

“Uma vez que você tenha criado o modelo, você passa a ter algo muito leve para pontuar. Esse modelo pode ser alimentado em tempo real ou quase em tempo real, e pode ser usado para fazer determinações estatísticas sobre a ocorrência de determinados eventos”, disse ele. “A pontuação do modelo é barata, mas o treinamento do modelo é caro”.

Humera Malik, CEO e fundador da Canvass Analytics, disse que a federação desses endpoints (e qualquer coisa que tenha um sensor digital conectado a ele em um chão de fábrica é considerado um endpoint) é extremamente importante no setor industrial.

“Poderia ser um rolamento, ou qualquer um dos ativos – uma turbina, um gerador – todos esses ativos diferentes que, coletivamente, estão executando esse processo”, disse.

A análise de IoT no dispositivo também funciona bem em ambientes industriais, porque lá, as aplicações da tecnologia IoT tendem a não ser tolerantes a atrasos. O tempo que leva para os dados saírem de um dispositivo, negociar com uma topologia de rede complexa e retornar na forma de instruções corretivas pode ser muito demorado para o gerenciamento eficaz de dispositivos.

IoT e veículos inteligentes
A terceira – e provavelmente menos bem-percebida – área em que a análise de IoT está se popularizando é o transporte. Hung observa que qualquer coisa que exija navegação autônoma, seja um drone, um carro, um caminhão ou uma máquina agrícola, é um ótimo candidato para ser um endpoint de IoT relativamente inteligente.

Os veículoss estão ficando cada vez mais automatizados e informatizados, há anos, e o advento da IoT generalizada apenas acelerou o processo, pois os fabricantes criaram recursos de segurança inteligentes cada vez mais sofisticados, com o gerenciamento de frota ganha novas ferramentas para manutenção e rastreamento.

A crescente automação do automóvel é um ótimo exemplo de como esse tipo de tecnologia IoT semi-autônoma deve funcionar, de acordo com Ruhollah Farchtchi, CTO da Zoomdata.

O futuro
Olhando para o futuro, a saúde e a produção de energia – particularmente nas indústrias de petróleo e gás – estão posicionadas para se tornarem áreas de crescimento para análise de IoT nos endpoints. 

Hospitais e clínicas estão clamando por uma tecnologia mais inteligente – testemunhei o trabalho que está sendo feito para reduzir a fadiga de alarmes e aumentar a interoperabilidade em ambientes clínicos. Ter uma tecnologia de computação mais capaz incorporada em endpoints poderia ser um grande benefício para o atendimento ao paciente.

Isso não quer dizer que não haja dores de cabeça envolvidas, particularmente onde a questão do Machine Learning é importante, de acordo com Biron.