Περιεχόμενο
- Ποια είναι τα παραδοσιακά δεδομένα και τα δεδομένα που δημιουργούνται από το IoT;
- Διαφορές μεταξύ της Traditional Data Analytics και του Analytics που παράγεται από το IoT
- συμπέρασμα
Πηγή: Denisismagilov / Dreamstime.com
Πάρε μακριά:
Η ανάλυση των δεδομένων του Διαδικτύου των πραγμάτων απαιτεί μια εντελώς διαφορετική στρατηγική από τα παραδοσιακά δεδομένα. Εδώ εξετάζουμε πώς χειρίζονται οι δύο τύποι δεδομένων.
Υπάρχουν θεμελιώδεις διαφορές μεταξύ των προσεγγίσεων επεξεργασίας των παραδοσιακών δεδομένων και των ροών δεδομένων που προέρχονται από συσκευές ή αισθητήρες Διαδικτύου των πραγμάτων (IoT). Η στατική ή παραδοσιακή ανάλυση δεδομένων είναι μια γραμμική διαδικασία, ενώ η ανάλυση δεδομένων που παράγεται από το IoT δεν είναι. Η τεχνολογία και οι δεξιότητες που απαιτούνται για την ανάλυση των δεδομένων που δημιουργούνται από το IoT είναι εντελώς διαφορετικές.
Μια σημαντική διαφορά μεταξύ των παραδοσιακών δεδομένων και των δεδομένων που παράγονται από τη διαδικτυακή πύλη είναι ότι αυτά μπορούν να παραδοθούν σε πραγματικό χρόνο, γεγονός που είναι κρίσιμο για ορισμένες βιομηχανίες όπως η τραπεζική, η τηλεπικοινωνία και η άμυνα. Τα στατικά δεδομένα, από την άλλη πλευρά, δεν παρέχουν δεδομένα σε πραγματικό χρόνο, αλλά εξακολουθούν να έχουν μεγάλη χρησιμότητα. Τούτου λεχθέντος, τα δεδομένα που δημιουργούνται από το IoT υπήρξαν το επίκεντρο της προσοχής εδώ και αρκετό καιρό και υπάρχει πολλή μπουζούλα γύρω από αυτό. Αυτό, ωστόσο, δεν σημαίνει ότι έχει περάσει ο παραδοσιακός χρόνος.
Ποια είναι τα παραδοσιακά δεδομένα και τα δεδομένα που δημιουργούνται από το IoT;
Παραδοσιακά ή στατικά δεδομένα, απλά τοποθετημένα, είναι δεδομένα που δεν αλλάζουν. Ας καταλάβουμε αυτό με ένα παράδειγμα. Συμπληρώσατε μια φόρμα όπου πρέπει να επιλέξετε την κατάστασή σας από μια λίστα. Ο κατάλογος δεν αλλάζει επειδή ο αριθμός των καταστάσεων στις Η.Π.Α. δεν αλλάζει (ή δεν έχει, από το 1959, ούτως ή άλλως). Τώρα, αυτή η λίστα κρατών διατηρείται κάπου στο σύστημα και, καθώς η λίστα δεν αλλάζει, μπορεί να ειπωθεί με ασφάλεια ότι τα δεδομένα δεν προσπελάζονται ή δεν επεξεργάζονται συχνά.
Τα δεδομένα που δημιουργούνται από το IoT είναι τα δεδομένα που παράγονται από τους αισθητήρες που τοποθετούνται σε διασυνδεδεμένες συσκευές. Στο σχέδιο IoT των πραγμάτων, κάθε συσκευή θα έχει μια διεύθυνση IP, ώστε να μπορεί να επικοινωνεί με άλλες συσκευές που έχουν διευθύνσεις IP. Μπορεί να ανταλλάξει δεδομένα, για παράδειγμα. Τώρα, αυτές οι συσκευές μπορεί να είναι συνδεδεμένες σε ένα διακομιστή ο οποίος συλλέγει δεδομένα συνεχώς από αυτές τις συσκευές. Για παράδειγμα, το smartphone σας μπορεί να εγκαταστήσει μια εφαρμογή που συλλέγει πληροφορίες για την υγεία σας και είναι σε ένα διακομιστή που μπορεί να έχει πρόσβαση σε ένα νοσοκομείο. Έτσι, μπορείτε να φανταστείτε το πλήθος των ποικίλων δεδομένων πλημμύρες στο διακομιστή κάθε λεπτό. Τα δεδομένα συνεχώς και αμείλικτα μεταβάλλονται. Τα δεδομένα που παράγονται από το IoT, κατά μία έννοια, είναι επίσης δυναμικά δεδομένα επειδή τείνουν να αλλάζουν.
Δεδομένης της εντελώς διαφορετικής φύσης των δεδομένων, είναι προφανές ότι οι προσεγγίσεις αποθήκευσης και επεξεργασίας των δεδομένων θα είναι εντελώς διαφορετικές. Οι παρακάτω παράγραφοι αναλύουν τις κυριότερες διαφορές μεταξύ των παραδοσιακών και των δεδομένων που δημιουργούνται από το IoT.
Διαφορές μεταξύ της Traditional Data Analytics και του Analytics που παράγεται από το IoT
Δεδομένου ότι και οι δύο τύποι δεδομένων είναι διαφορετικοί, οι θεμελιώδεις μέθοδοι αποθήκευσης και επεξεργασίας πρέπει να είναι διαφορετικές. Τα δεδομένα που δημιουργήθηκαν από το IoT παρήγαγαν μεγάλη προσοχή και επαίνους, στο βαθμό που ορισμένοι δήλωσαν ότι τα παραδοσιακά δεδομένα δεν έχουν πλέον θέση στον κλάδο. Αυτό δεν είναι αλήθεια. Οι σημαντικές διαφορές μεταξύ των δύο τύπων αναλύσεων εξετάζονται παρακάτω.
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
Τα παραδοσιακά δεδομένα μπορούν να επεξεργαστούν με τη βοήθεια τυποποιημένων γλωσσών αναζήτησης όπως SQL και analytics μπορούν να δημιουργηθούν με τη βοήθεια τυποποιημένων γλωσσών προγραμματισμού. Δεν χρειάζεται καμία νέα μάθηση για την εκτέλεση παραδοσιακών αναλύσεων δεδομένων. Η κατάσταση είναι λίγο πιο δύσκολη με τα δεδομένα IoT, τα οποία επίσης αναφέρονται από πολλούς ως μεγάλα δεδομένα. Ο Hadoop, μέχρι σήμερα, είναι το πιο δημοφιλές πλαίσιο για την επεξεργασία μεγάλων δεδομένων, αλλά πολλοί εξακολουθούν να το δοκιμάζουν. Η ερώτηση σχετικά με τα δεδομένα IoT δεν είναι εύκολη υπόθεση επειδή η τεχνολογία δεν έχει εξελιχθεί ακόμα και απαιτούνται πολλές επενδύσεις για να καταστούν τα εργαλεία φιλικά προς το χρήστη. Η φύση των δεδομένων των διανυσματικών δεδομένων είναι αρκετά διαφορετική από εκείνη των παραδοσιακών δεδομένων και συνεπώς η βιομηχανία εξακολουθεί να βρίσκει τρόπους για να αποκτήσει καλές αναλύσεις σε μικρότερες επενδύσεις.
συμπέρασμα
Αν και οι διαφορές τους, οι παραδοσιακές αναλύσεις μπορούν σε ορισμένες περιπτώσεις να συμπληρώσουν τα αναλυτικά στοιχεία του IoT. Κατά μία έννοια, τα δεδομένα του IoT γίνονται και ιστορικά δεδομένα μετά από κάποιο χρονικό διάστημα. Η παραβίαση του IoT παρά τις παραδοσιακές αναλύσεις δεδομένων δεν πρόκειται να εξαφανιστεί σύντομα. Τα δεδομένα IoT και οι μεγάλες αναλύσεις δεδομένων εξακολουθούν να εξετάζονται δειλά και υπάρχει μεγάλη προσοχή. Χρειάζεται χρόνος για τις βιομηχανίες να υιοθετήσουν κάτι νέο, πολύπλοκο και απαιτεί επενδύσεις. Η παραδοσιακή ανάλυση δεδομένων αποδεικνύεται και καθιερώνεται, από την άλλη πλευρά. Αν και είναι μια ενδιαφέρουσα κατάσταση, φαίνεται ότι μετά από λίγα χρόνια, η IoT θα κερδίσει πολύ περισσότερη πίστη και οι εταιρείες πρόκειται να απομακρυνθούν από την παραδοσιακή ανάλυση δεδομένων. Για να συμβεί αυτό, η υποδομή αναλύσεων δεδομένων IoT χρειάζεται να ωριμάσει και να βρει αποδοχή. Η αλλαγή είναι - πάντα - μια αργή και περίπλοκη διαδικασία.