In deze serie artikelen beschrijven we de keten van smart oplossingen. Om apparaten en objecten slim te maken, wordt een keten van technologieën ingezet. Zo wordt er Big Data verzameld door de sensoren in Internet of Things-toepassingen. Deze Big Data wordt vervolgens geanalyseerd door Artficial Intelligence. Het doel is om patronen en trends te ontdekken. Door het toevoegen van deze rekenkracht worden de IoT-apparaten “intelligent” en zijn ze in staat om zelf beslissingen te nemen. Ze kunnen daardoor op ieder moment informatie uitwisselen en acties in gang te zetten. Het gaat in onze keten dus uiteindelijk niet om het IoT-apparaat an sich, maar om de digitale, data- en informatiegedreven toegevoegde waarde die uiteindelijk ontstaat. We krijgen inzicht en invloed op situaties, doordat er continue betekenisvolle informatie ontstaat, die omgezet kan worden in (automatische) actie.
Om de keten helder neer te zetten, hebben we in ons vorige artikel alleen de basis beschreven. In dit artikel voegen we graag nog een aantal (zij)stappen toe. We gaan onder meer dieper in op Fog en Edge computing, de “opvolgers” van de Cloud, en de mogelijkheden en manieren van Big Data-analyse, waaronder Deep Learning. En ten slotte besteden we aandacht aan een van de nog niet benoemde toepassingen van de keten: next generation domotica met IoT. Smart oplossingen – Een toename in IoT-apparaten In de toekomst zullen we steeds meer vertrouwen op het IoT (Internet of Things) om ons te verbinden met apparaten, services, service providers en verkopers. We zijn verbonden met het IoT via onze smartphones, wearables, auto’s en huizen. IoT wordt steeds meer naadloos geïntegreerd en zal – zeker in de toekomst – al onze dagelijkse routines en taken beïnvloeden. Vrijwel elk object kan onderdeel worden van het IoT: sensoren worden steeds kleiner en goedkoper, internetverbindingen zijn alomtegenwoordig en de verwerkings- en opslagmogelijkheden van data nemen toe. Daarnaast is IPv6 inmiddels in gebruik genomen, zodat er genoeg IP-adressen beschikbaar zijn die aan objecten meegegeven kunnen worden. Een andere drijvende kracht is de alsmaar toenemende smartphone-adoptie. Ons mobieltje functioneert als afstandsbediening en beeldscherm voor het IoT. In de toekomst komen er steeds meer IoT-apparaten op de markt, die dus ook steeds meer zullen meten en weten. Het gaat erin de toekomst om wat we doen met de verzamelde Big Data. IoT verbetert ons leven door ons meer toegang tot informatie te geven. De hoeveelheid verzamelde gegevens is (en wordt) enorm. Verwacht wordt dat we in 2025 180 biljoen gigabytes aan data zullen creëren; in 2015 was dat nog minder dan 10 biljoen gigabytes. Zelfs nu wordt echter 99,5 procent van de data al niet verwerkt. Zodoende moeten de manieren om Big Data te verwerken ook steeds verbeterd worden. Niet alleen qua grootte, maar ook qua snelheid. Denk hierbij aan verwerking in de Cloud, maar ook lokaal in de apparaten zelf, waarmee echte real-time services mogelijk worden. Dit creëert mogelijkheden voor een geheel nieuw niveau van integratie van Big Data in beslissingen. Tekst gaat verder onder de afbeelding.
IoT profiteert van de schaalbaarheid, prestaties en betaalbaarheid van Cloud computing. Door de gegevens van de sensoren in de Cloud te streamen, kan het zijn groeibehoeften accommoderen op een schaalbare en kosteneffectieve manier. Meer en meer IoT-applicaties worden tegenwoordig geïntegreerd in de Cloud om te profiteren van de prestaties, zakelijke wendbaarheid en “pay as you go”-eigenschappen. De “opvolger” van de Cloud staat echter al klaar: Fog en Edge computing, bieden een manier om gegevens te verzamelen en te verwerken op lokale apparaten in plaats van in de Cloud of op een extern datacenter. Hierbij verzenden sensoren en andere aangesloten apparaten gegevens naar een apparaat dat zich in de nabije omgeving bevindt. Dit zou een gateway-apparaat kunnen zijn, zoals een switch of router, die deze gegevens verwerkt en analyseert.
Er zijn verschillende analyses te maken, waaronder descriptive analytics: beschrijvende analyses waarbij je, door middel van data, nagaat wat er in het verleden is gebeurd. Je krijgt bij deze groep analyses antwoord op de vraag: “What happened?”. Nadat je weet wat er gebeurd is in het verleden is de volgende stap na te gaan waarom dit gebeurd is. Je krijgt met discovery analytics antwoord op de vraag: “Why did it happen?”. Nu je weet wat er gebeurd is in het verleden en wat dit veroorzaakt heeft, kun je je gaan richten op de volgende stap, namelijk het nagaan wat er in de toekomst gaat gebeuren. De vraag die je zodoende beantwoordt met predictive analytics is: “What will happen?” Op basis van de inzichten die je verkregen hebt door middel van discovery analytics kun je what-if scenario’s creëren voor de toekomst. Nog een stap verder dan het, met een bepaalde zekerheid, voorspellen wat er in de toekomst gaat gebeuren, is het bepalen wat je concreet moet gaan doen. Door middel van prescriptive analytics kun je de volgende vraag beantwoorden: “How can we make it happen?” Op basis van je voorspellingen door middel van predictive analytics kun je verschillende scenario’s doorrekenen.
Om slimme beslissingen te nemen, zal Artificial Intelligence (AI) in de toekomst een grote rol spelen. AI-systemen kunnen snel grote hoeveelheden gestructureerde en ongestructureerde gegevens verwerken en deze betekenis geven door modellen en relaties te maken. Ze genereren hypotheses, formuleren mogelijke antwoorden op vragen en bieden voorspellingen en aanbevelingen, die kunnen worden gebruikt om menselijke intelligentie en besluitvorming te verbeteren. Met de invoer van nieuwe Big Data evolueren en verbeteren AI-systemen in de loop van de tijd, waarbij nieuwe kennis wordt afgeleid zonder dat de systemen expliciet te worden geprogrammeerd.
Gezien de aandacht voor machine learning zou je bijna denken dat het iets nieuws is. De eerste algoritmes werden echter al 50 jaar geleden ingezet. Wat machine learning echter juist nu zo interessant maakt, is dat de wereld om ons heen is veranderd: het digitale tijdperk heeft geleid tot een explosie van Big Data in alle vormen en uit alle regio’s van de wereld. Machine learning verwijst naar elk systeem waar de prestatie van een machine bij het uitvoeren van een taak beter wordt door meer ervaring op te doen in het uitvoeren van die taak. Machine learning bestaat uit algoritmes die leren dankzij data. Bij machine learning wordt veelal op basis van data een trendlijn berekend. Het systeem kan op die manier een patroon herkennen in een wolk met punten. Ook kan het systeem dat patroon doortrekken om voorspellingen te maken. Machine learning omvat deep learning. Het zijn beide technieken waarmee computersystemen kunnen leren met behulp van ervaring. Deep learning is daarmee een complexe vorm van machine learning. Zo worden er meerlaagse neurale netwerken en niet-lineaire transformaties gebruikt. Anders gezegd: deep learning bestaat uit algoritmen die het mogelijk maken om computers te trainen door blootstelling van meerlaagse neurale netwerken aan enorme hoeveelheden Big Data.
Bovenal zijn deze diepe neurale netwerken in staat om latente structuren te ontdekken binnen ongestructureerde en ongelabelde data, oftewel de overgrote meerderheid van alle gegevens ter wereld. Een van de problemen waar deep learning in uitblinkt, is het verwerken en bundelen van deze ruwe data. Oftewel: het onderscheiden van patronen in gegevens die geen mens ooit heeft georganiseerd of een naam heeft gegeven. Terwijl we Big Data verzamelen, worden voorheen ondenkbare kansen duidelijk. De toekomst van IoT biedt de mogelijkheid om te leren van data zonder eerst alles zelf uit te hoeven zoeken. In de toekomst van IoT kunnen we misschien leren van zaken als windturbines, hoogwerkers of bloedanalyses voordat we weten wat we zoeken of proberen te bereiken.
IoT geeft bijvoorbeeld domotica (woonhuisautomatisering; Smart Homes) een boost. Domotica is het toepassen van elektronica en huisnetwerken ten behoeve van de automatisering van processen in en om de woning. Domotica verbonden met het IoT kan bijvoorbeeld een bijdrage leveren aan de kwaliteit van leven van ouderen en gehandicapten. Door de omgeving van deze mensen te monitoren en managen, wordt gezorgd dat zij (onafhankelijk) zo veilig mogelijk kunnen leven in hun eigen huis. Met domotica verbonden met het IoT kunnen we onder meer risico’s voor de gezondheid detecteren en rapporteren. Denk hierbij aan bewegingssensoren en andere monitoring, en beveiligingsmiddelen, zoals alarmen, sloten en camera’s. Smart Homes kunnen gevoelens van kwetsbaarheid verminderen, zelfredzaamheid helpen bewaren en de kwaliteit van zorg vergroten. Dit gebeurt onder meer met de inzet van bewegingsdetectoren, valdetectie, zwerfdetectie, automatische verlichting en zorg op afstand. Het is niet zo moeilijk om je een toekomst voor te stellen waarin mensen, IoT-apparaten en AI-aangedreven robots zullen samenwerken als een soort collectief “digitaal brein” dat anticipeert op menselijke behoeften, en voorspellingen, aanbevelingen en oplossingen biedt. In de toekomst zullen we hiermee onze besluitvorming verbeteren en bepaalde acties uit handen geven.
Dit artikel is onderdeel van een serie.
Lees meer:
Deel 1 – De keten van slimme oplossingen: sensoren, IoT, Big Data en AI
Deel 2 – Voorbeelden: Sensoren, IoT, Big Data en AI in slimme oplossingen
Infographic – De keten van slimme oplossingen: sensoren, IoT, Big Data en AI
