Uzevši u obzir da je Internet stvari (IoT) u uzlaznoj putanji, otkrivanje trendova u IoT-u odvija se na mjesečnoj razini. Čini se da je svaki veliki i manji IoT igrač zauzet postavljanjem svoje vizije o tome gdje tehnologija ide. Većina ih se, naravno, sučeljava na istim temama, od procjene rasta do sigurnosnih propusta. Predviđa se osim toga, da će u zreloj fazi IoT-a, IoT u znatnoj mjeri zamijeniti slanje e-mail poruka. Analizirajući IoT strategije proizvođača i pružatelja usluga stječe se dojam da će 2019. godinu obilježiti rješavanje sasvim neočekivanih problema koji postoje s njim u vezi.

Veća korist za tvrtke

Teza da će industrija pokretati IoT svakako stoji. Razlog je taj što tvrtke mogu ostvariti veću korist od Interneta stvari nego sami krajnji korisnici. Kao ključni primjer može se navesti potrošnja energije i činjenica da industrija troši 54% isporučene energije širom svijeta, odnosno troši više od krajnjih potrošača ili kombiniranog transporta. Smanjenje energije u tvornici aluminija ili papira za jedan ili dva posto može značiti milijune eura uštede. S druge strane, krajnji potrošač koji smanjuje potrošnju energije 1 posto, uštedio bi samo nekoliko eura mjesečno. Istina je da ukupna potrošnja potiče ekonomiju te kako postoji mnogo više kućanstava nego tvornica, ali istodobno samo nekoliko prvih velikih implementacija IoT-a potaknut će ubrzano korištenje Interneta stvari. S druge strane, popularizacija IoT-a – a kroz upotrebu u kućanstvima – skup je marketinški pothvat koji može trajati i godinama, a sve kako bi se ljudima razjasnili složeni mehanizmi i izračuni te često za laike, egzotične koristi.

Zasad se čini da je, osim ušteda koje kućanstva mogu ostvariti uz korištenje IoT-a, aspekt sigurnosti taj koji će privući krajnje korisnike da ga koriste u svojim kućanstvima. Dakle, IoT za kućanstva koji se danas osmišljava mora dati odgovore na sigurnija pitanja stanovanja, kako bi ga krajnji korisnici masovno prihvatili. Čini se da će uz senzor pokreta, koji otkriva sumnjive ili neočekivane osobe u blizini privatnih kuća, senzore kvalitete zraka ili senzore detekcije puknuća vodovodnih cijevi, trebati osmisliti još neka rješenja koja će steći masovnu popularnost. Drugim riječima, još uvijek se očekuje pojava senzora namijenjenog kućanstvima i krajnjim korisnicima koji će IoT-u dugovati za popularnost.

Edge će postati značajniji nego što se danas čini

U kontekstu IoT-a, rub ili Edge u osnovi može biti bilo koje mjesto, vjetroelektrana, tvornica, parkiralište, mjesto na kojem se podaci generiraju, analiziraju i uglavnom lokalno pohranjuju. Kod IoT-a, ogromne količine podataka koji će se generirati neće se pohranjivati u podatkovnim centrima, jer su zaključci izvedeni iz analiza podataka relevantni za okruženje u kojem su nastali.

Gartner prognozira da će se više od 50 posto podataka generirati i obrađivati ​​izvan tradicionalnih podatkovnih centara – na rubu – iako će snapshotsi i zaključci izvedeni iz podataka, zbog duboke analitike ipak biti pohranjeni u cloud. Ta pojava dovest će do nove arhitekture mreža. Rub će, prema svemu sudeći, funkcionirati kao privremena stanica na putu za cloud te će se pojaviti nove zone umrežavanja rubova koji će tvoriti rubove unutar rubova, koji će voditi vlastitu analitiku i obavljati druge zadatke na manjem, učinkovitijem prostoru. U svakom slučaju, iako je arhitektura clouda i dalje dominantna u računalnim mrežama, čini se da će arhitektonske razlike između ruba, podatkovnog centra i oblaka iščezavati.

Sintetički podaci postat će sve popularniji

Obuka modela za strojno učenje može zahtijevati milijune podataka, i to može biti glavna prepreka u razvoju strojnog učenja. Dolaženje u posjed podatka i njihovo označavanje može biti dugotrajan i skup proces. Uzmimo kao primjer projekt medicinske dijagnoze pomoću MR slike. Netko je izračunao da bi angažiranje radiologa koji će pregledati i označiti 1.000 slika, dinamikom od šest slika na sat, koštalo 30.000 eura. Problematika privatnosti i povjerljivosti također može otežati dobivanje podataka za rad. Pojavljuje se niz obećavajućih tehnika za smanjenje količine podataka potrebnih za razvoj strojnog učenja. Jedan podrazumijeva korištenje sintetičkih podataka, koji se generiraju algoritamski, kako bi se oponašale karakteristike stvarnih podataka. Deloitteov LLP tim testirao je alat koji je omogućio izgradnju točnog modela sa samo 20 posto potrebnih autentičnih podataka iz stvarnog svijeta, sintetiziranjem preostalih 80 posto.

Sintetički podaci su umjetno, algoritamski generirane informacije, “umjetno” proizvedene, a ne generirane stvarnim događajima. Sintetički podaci kreirani su algoritamski, a koriste se za testiranje proizvodnih ili operativnih podataka, za validaciju matematičkih modela i sve više, za obuku modela strojnog učenja. Prednosti korištenja sintetičkih podataka uključuju smanjenje ograničenja pri korištenju osjetljivih ili reguliranih podataka, prilagođavanje podataka određenim uvjetima koji se ne mogu dobiti korištenjem autentičnih podataka te generiranjem skupova podataka za testiranje softvera. Ti umjetno proizvedeni podaci zapravo su vrlo važni za DevOps timove. Nedostaci u radu sa sintetičkim podacima uključuju nedosljednost u pokušaju repliciranja složenosti koja je obilježje izvornog skupa podataka i nemogućnosti izravne zamjene autentičnih podataka, jer su potrebni točni, autentični podaci kako bi se proizveli korisni sintetički primjeri informacija. Sektori poput zdravstva i financija imaju velike koristi od sintetičkih podataka.

Primjerice, korištenje sintetičkih podataka koji su prema svojim atributima slični stvarnim osjetljivim ili reguliranim podacima, daje mogućnost stručnjacima koji rade u zdravstvu da ih javno koriste na razini zapisa, ali da i dalje čuvaju povjerljivost podataka o pacijentu.

U financijskom sektoru, sintetički skupovi podataka, poput skupova podataka o plaćanjima debitnim i kreditnim karticama, koji izgledaju i djeluju kao tipični transakcijski podaci, mogu pomoći u otkrivanju lažnih aktivnosti. Znanstvenici koji se bave podacima mogu koristiti sintetičke podatke za testiranje ili procjenu sustava za otkrivanje prijevara, kao i za razvoj novih metoda otkrivanja prijevara.

Natjecanja u modeliranju i analizi

Sintetički financijski skupovi podataka mogu se pronaći na Kaggleu, platformi koju može koristiti svatko, i gdje se organiziraju natjecanja u modeliranju i analizi prediktivnih podataka.

Znanstvenici trenutačno ulažu velike napore kako bi unaprijedili korištenje sintetičkih podataka u strojnom učenju. Primjerice, članovi Laboratorija za podatke na američkom MIT-u (Data to AI Lab, MIT Laboratory for Information and Decision Systems) dokumentirali su nedavne uspjehe sa svojim sintetičkim podacima, koji mogu konstruirati modele strojnog učenja za automatsko generiranje i izdvajanje vlastitih sintetičkih podataka.

Brojne organizacije uspješno su angažirale treće strane u osmišljavanju modela strojnog učenja, objavivši svoje podatke on-line kako bi vanjski stručnjaci pomogli u radu s podacima. Istraživači na MIT-u iznova su se pokazali osebujnima koristeći sintetičke podatke: koristili su pravi skup podataka kako bi stvorili sintetičku alternativu koju su dijelili s vanjskom znanstvenom zajednicom. Podatkovni stručnjaci stvorili su modele strojnog učenja koji koriste te sintetičke podatke. U 11 od 15 testova, modeli razvijeni na sintetičkim podacima bili su jednako točni kao modeli izvedeni na autentičnim podacima.

Neki od stručnjaka koji rade na razvoju aplikacija za IoT smatraju da sintetički ili lažni podaci u kontekstu IoT-a predstavljaju podcijenjeni rizik. Uopće, do baza podataka vezanih uz IoT stručnjaci teško dolaze jer su u vlasništvu velikih korporacija, ali slažu se da se preciznim modeliranjem sintetičkih podataka može približiti vrijednostima iz realnog svijeta. Ovdje se posebno misli na zdravstvo, automobilsku industriju i slične, za koje je sigurnost imperativ broj jedan.

Automobilska industrija rado dijeli autentične podatke iz svojih vozila kako bi znanstvenici izvan njihovih tvornica razvili što sigurnije IoT senzore.

Podaci u realnom vremenu dobit će na značaju

Živimo u sve povezanijem svijetu. Danas imamo tehnološke mogućnosti međusobne komunikacije u gotovo realnom vremenu, s jednog kraja svijeta na drugi. U današnjem digitalnom svijetu IoT-a čak i strojevi mogu komunicirati jedni s drugima, obrađivati ​​informacije i analizirati podatke bez intervencije ljudi. Internet stvari danas je dio mnogih uređaja – od žarulja i implantata za ljudske organe, do kamera i autonomnih vozila. Podaci se bilježe pomoću IoT senzora ugrađenih u uređaje i prenose se preko Interneta (preko žičnih ili bežičnih mreža) za pohranu ili daljnju obradu drugim povezanim uređajima. S Big Data i najmodernijim alatima za poslovnu inteligenciju, Internet stvari preoblikuje svijet kakav je postojao do danas. Procjenjuje se da će do 2020. godine biti 50,1 milijarda uređaja koji će biti omogućeni IoT-u. I IDC, u svojem polugodišnjem vodiču za potrošnju Interneta za 2018. godinu, procjenjuje da će potrošnja na Internet stvari dosegnuti nevjerojatnih 1,2 trilijuna dolara do 2022. godine, uz povećanu godišnju stopu rasta od 13,6%.

Ako pogledamo pametne gradove koji se razvijaju u sve veće međusobno povezane ekosustave, uočavamo da je ključni izazov za razvoj aplikacija pametnih gradova agregiranje i obrada podataka iz različitih domena. Zapravo, velike količine vrijednih podataka iz senzora danas još uvijek ostaju neiskorištene ili su ograničene na određene domene primjene zbog velikog broja specifičnih tehnologija i formata. Učinkovita obrada podataka za ogromne količine događaja još uvijek je težak zadatak.

Postoje brojni izazovi u prikupljanju i obradi podataka o fizičkom svijetu i njihovoj integraciji u virtualni i socijalni svijet. Pametni gradski podaci mogu se smatrati velikim podacima, međutim oni nisu veliki samo u svom volumenu, oni su i multimodalni, variraju u kvaliteti, formatu, obliku prezentiranja i učestalosti pojavljivanja. Glavna razlika između podataka koje dobivamo sa senzora u usporedbi s konvencionalnim tokovima i podatkovnim modelima jest ogromna razlika u promjenama vrijednosti podataka, dinamičnosti okoliša u kojem nastaju, ograničenjima IoT platformi i prijenosnih sustava, a sve to čini obradu podataka u realnom vremenu vrlo zahtjevnim zadatkom. Podaci iz ekosustava, poput pametnoga grada, prikupljaju se iz različitih izvora, različite su kvalitete, modaliteta i različite razine vjerodostojnosti.

Uza sve to, postoje funkcionalni zahtjevi koji su postavljeni pred IoT, poput virtualizacije podataka – radi ogromnih količina IoT streamova od korisnika prema aplikaciji potrebno je podatke obogaćivati metapodacima kako bi se olakšali procesi obrade podataka, bez obzira iz kojih izvora dolaze; pouzdane obrade podataka – uključena su dva mehanizma, QoI Datastore i Reputation Systems kako bi automatski identificirali lažne podatke, ocjenjivali točnost podataka i prilagođavali ih pomoću tehnika kao što su teorija vjerojatnosti, Bayesove mreže i neki drugi, i inteligencije u realnom vremenu – primjenjuje se radi dinamičnih tokova podataka, a zbog pametnih gradskih aplikacija. Specifično, za IoT se naziva Real-Time IoT inteligencija i rješava problem prilagodbe prilikom pojave nepredvidivih podataka i pomaže osigurati optimalnu konfiguraciju aplikacije za pametni grad.

Umjetna inteligencija i razvoj rješenja za strojno učenje u značajnoj će mjeri obilježiti razvoj IoT-a.

Pravila za dijeljenje IoT podataka

GDPR nalaže svim pravnim subjektima koji raspolažu osobnim podacima europskih građana dokazivanje sukladnosti s propisanom zaštitom osobnih podataka tijekom cijelog poslovnog procesa. Tom uredbom također je propisano da i sve treće strane, odnosno i inozemni dobavljači europskih tvrtki, moraju dokazati svoju sukladnost s GDPR-om u svim područjima dijeljenja ili protoka osobnih podataka europskih građana. GDPR propisuje da građaninu EU mora biti transparentno kako se njegovi osobni podaci prikupljaju, koriste, daju na uvid, kako se obrađuju ili će se obrađivati. Sama regulativa zasniva se na standardu informacijske sigurnosti i zaštite podataka ISO27001, i podrazumijeva usvajanje poslovnih procesa zaštite podataka i osiguranja prava pojedincima.

Europljanima je i zakonski osigurano pravo na informiranost, pristup podacima, ispravak, zaborav, ograničenje obrade podataka, prenosivost, prigovor i izuzeće pravnih odluka pri automatiziranom donošenju odluka i profiliranja. Podaci se u treće zemlje ili međunarodne organizacije smiju prenositi isključivo uz puno poštivanje uredbe, što znači da treće strane moraju osigurati punu propisanu zaštitu podataka. Kod IoT-a to znači da proizvođači ili pružatelji usluga moraju osigurati europskim građanima prava koja propisuje GDPR. U svijetu bihevioralnog marketinga, građani najčešće nisu svjesni u koje se svrhe podaci o njima prikupljaju i s kojim se trećim stranama oni dijele. Kod pametnih kućanstava korištenje aplikacija za automatsku kontrolu troškova i daljinsko upravljanje uređajima, proizvođačima IoT opreme, vlasnicima aplikacija i mreža za prijenos podataka, dajemo podatke o našem kretanju, potrebama i životnom stilu, nas i naših ukućana, pri čemu je lako zaključiti u koje doba dana niste u svojim kućama i stanovima.

IoMT predstavlja medicinski IoT ekosustav za uređaje i aplikacije u zdravstvu, koji su vezani na različite ICT sustave zbog praćenja zdravstvenog stanja pacijenata i čiji su podaci pohranjeni u oblaku. Taj je sustav usko povezan sa sustavom za telemedicinu zbog daljinskog monitoringa i smanjenja broja pregleda u zdravstvenim ustanovama te pravodobnog reagiranja pri uočenim neočekivanim povratnim informacijama, što uvelike smanjuje broj komplikacija i eliminira nepotrebne troškove u zdravstvu.

Tradicionalne tvrtke će kroz IoT usvojiti nove poslovne modele

Novi tehnološki pronalasci, poput umjetne inteligencije, blockchaina, virtualne stvarnosti, proširene stvarnosti, kao i Interneta stvari, potaknuli su transformaciju gospodarstva u digitalnom smjeru, pri čemu se stvaraju sasvim drugačiji poslovni modeli od onih koje smo do sada tradicionalno koristili. Gledajući vertikalnu podjelu poslovnih segmenata, mnogi se slažu s time da je najdramatičnija promjena ona koja se odvija u segmentu zdravstva. To svakako nije slučajno, jer osim europskog stanovništva, stare i mnoga druga svjetska područja te, prema podacima Svjetske zdravstvene organizacije, do 2050. godine gotovo dvije milijarde ljudi na svijetu bit će starije od 60 godina. Europska unija ulaže znatna sredstva u razvoj tehnologija u području zdravstva kako bi smanjila troškove u tom području. Današnja IoT tehnologija uvelike utječe na sposobnost predikcije bolesti.

Ne samo u zdravstvu, predikcija i prevencija utjecat će na mnoge segmente ljudskog života i rada, od predikcija ponašanja mreža na kojima radimo, do automobila i poljoprivrede. Predikcija ponašanja u dobroj mjeri zamjenjuje ljudsko ponašanje, koje čovjek često izostavlja iz svoje dnevne rutine.

Generiranje ogromnih količina podataka korištenjem IoT tehnologije dovodi do različitih derivata podataka, koje je moguće iskoristiti mnogo šire od osnovnog razloga njihova nastanka.

IoT već mijenja poslovne modele u prometu, agronomiji, distribuciji energenata i uopće, može se reći da zaista mijenja svijet.

NAPOMENA: Ovaj tekst je izvorno objavljen u časopisu Mreža.