Для того чтобы поставить себе на службу новые источники и потоки данных, организации должны привести в порядок собственные информационные хранилища, учитывая, что в некоторых случаях соединенные с сетями устройства будут без участия человека принимать решения, менять свои настройки и устранять неисправности. А в каких-то ситуациях группы устройств будут действовать как адаптируемые экосистемы, способные делиться данными с другими. Готовясь к появлению Интернета вещей, нужно иметь в виду, что одним из его главных механизмов станет машинное обучение — способы смысловой интерпретации данных, применяемые наряду с традиционными бизнес-инструментами и методами анализа информации.

Интернет вещей стремительно разрастается — по прогнозам аналитиков Gartner, к 2020 году он объединит 26 млрд устройств, а объем рынка соответствующих продуктов и сервисов достигнет 300 млрд долл. [1]. И это вполне правдоподобно — ведь промышленный Интернет (системы и приложения для мониторинга и оптимизации рабочих процессов и производительности промышленного оборудования), по оценкам компании General Electric, в следующие 20 лет добавит 10–15 трлн долл. к мировому валовому продукту [2].

Вокруг новых и развивающихся технологий, как обычно, поднялась невероятная шумиха — например, аналитики Gartner пишут, что Интернет вещей сейчас находится на пике завышенных ожиданий (тогда как Большие Данные вошли в период избавления от иллюзий) [3]. Независимо от ожиданий предпринимателей и восторженных описаний в прессе, имеется ряд реальных задач, которые предприятиям нужно будет решить, чтобы поставить перспективные технологии себе на службу.

Прежде всего предстоит оценить уровень зрелости продуктовых технологий и ИТ, а также функции Интернета вещей, которые можно было бы взять на вооружение, в том числе с пользой для заказчиков. Кроме того, надо переосмыслить перспективы машинного обучения, прогнозного анализа и переработать бизнес-модели и цепочки формирования ценности с учетом скорости перемен на рынке и темпов перестройки конкурентов.

Зрелость продуктов и ИТ. Насколько зрелым является ваш продуктовый ассортимент? Относится ли ваша продукция к классу традиционной, характеризующейся более медленными изменениями и постепенностью развития, или это быстроразвивающаяся, более сложная технологическая экосистема? Горнодобывающая техника сложна, но у нее более длительный жизненный цикл, а эволюция медленнее, чем у научно-технического оборудования. Но это не означает, что компания по производству последнего имеет больше возможностей для оптимизации своего ассортимента с помощью Интернета вещей. Еще один фактор, который нужно учесть, — зрелость ИТ-процессов, определяющая модели эволюции. Например, поставщик научно-исследовательских инструментов, хотя он и работает в высокотехнологичной сфере, может не иметь мощной ИТ-архитектуры и высокоразвитых процессов, а у производителя горнодобывающего оборудования внутренние ИТ-процессы, напротив, могут быть очень зрелыми. Первый с помощью Интернета вещей мог бы обновлять функциональность своей продукции, которая уже применяется заказчиками, но, возможно, не стоит пытаться оптимизировать информационную экосистему собственной лаборатории. Разумеется, незрелость ИТ как центра издержек совсем не означает низкой доходности, однако во многих организациях при разработке или расширении ИТ-сервисов опираются на существующие базовые возможности.

Оценка возможностей Интернета вещей. Далее следует подумать о том, какие возможности Интернета вещей можно задействовать в умных изделиях, соединенных с сетями:

  • мониторинг: датчики предоставляют информацию о рабочей среде, использовании и работоспособности изделия;
  • контроль: функции изделия можно контролировать и персонализировать;
  • оптимизация: мониторинг и контроль позволяют  поддерживать  необходимый уровень КПД и производительности, устанавливать  сроки  профилактики неисправностей, диагностики и ремонта;
  • автономия: мониторинг, контроль и оптимизация обеспечивают возможности независимой работы, координации с другими системами, взаимодействия со средой, персонализации, восполнения расходных материалов, а также самодиагностики и ремонта.

Наличие всех этих возможностей позволит переработать цепочки поставок и создания ценности, изменив саму концепцию продуктов — из изделий с фиксированной функциональностью они должны превратиться в гибкие, адаптируемые. «Умные» изделия будут меняться вместе с потребностями пользователя. С программным обеспечением это произошло еще годы тому назад, а теперь и физические объекты становятся носителями программно-конфигурируемой функциональности. Чтобы она могла развиваться, понадобятся все более сложные методы анализа, в том числе способность аналитических алгоритмов к самосовершенствованию и обучению на основе собранных ими данных.

Мониторинг осуществляют механизмы, в режиме реального времени следящие за работоспособностью изделия, способные выяснять потребности пользователя и предлагать новые возможности, тем самым размывая границы между продуктами и услугами. Здесь уместен пример оборудования, сопровождением которого традиционно занимается не производитель, а сервисная компания. Благодаря «умным» системам мониторинга оборудование может уведомлять производителя о необходимости ремонта еще до выхода из строя, и производитель сам может осуществлять регулярное техническое обслуживание, если это экономически целесообразно, оставляя сложный ремонт специализированной сервисной компании. Если оборудование будет автоматически передавать сообщения о необходимости восполнить расходные материалы, это позволит снизить затраты в цепочке поставок.

Контроль реализуется с помощью более сложных систем, построенных поверх средств мониторинга. Системы контроля позволяют человеку управлять гораздо более широким кругом оборудования — когда большинство функций управления автоматизированы, человеку остается лишь следить за возникновением аномалий и вносить коррективы в работу системы. Если при мониторинге принимаются и обрабатываются данные, которые понадобятся на каком-то этапе, то при контроле данные в режиме реального или почти реального времени используются в работе оборудования. Производителям предстоит решить, нужно ли и на каком этапе сделать дополнительные возможности контроля частью коммерческого продукта, а также стоит ли предложить их заказчику в виде сервиса.

Оптимизация может затрагивать все что угодно, в том числе результативность индивидуального объекта, набора объектов или их экосистемы, сформированной с участием множества производителей и технологий. Стратегическое решение о том, включать ли в коммерческое предложение оптимизацию, зависит от уровня компетенции производителя и сложности конкретной цепочки ценности, а также от ограничений процессов. Производитель грузовиков, к примеру, выиграл бы от оптимизации своего парка грузовиков (и потенциально — парков грузовиков других производителей), если бы это было целесообразно с учетом динамики отрасли. Для оптимизации независимой работы изделия необходимы дополнительные возможности, позволяющие ему без ограничений взаимодействовать со средой и с другими изделиями. Автономия потребует реализации адаптивных методов машинного обучения в составе базовых алгоритмов мониторинга, контроля и оптимизации.

Роль аналитики и машинного обучения. В ноябре 2014 года представители Xerox PARC высказали предположение, что практически вся функциональность вскоре перейдет в облако. Находясь где угодно, можно будет осуществлять доступ к данным и функциям через различные устройства, а те распознают контекст, в котором пользователь получает доступ к данным. Например, электронный браслет для фитнеса может получать данные о здоровье пользователя через смартфон или ноутбук в контексте выполнения упражнения. Здесь браслет играет роль датчика Интернета вещей, предоставляя средства для доступа к данным и работы с ними. Он также заменяет другие устройства (шагомер и т. п.) благодаря наличию программно реализованной функциональности. Данные, поставляемые устройством, позволят судить о предпочтениях и привычках владельца, что можно будет учесть при обновлении функциональности и разработке новых особенностей. При агрегации полученных от множества пользователей данных и объединении их с иной информацией можно получить дополнительные сведения: эпидемиологические, об уровнях активности населения, образе жизни, демографии и т. п. Эта информация ценна для маркетологов, медиков, страховых компаний, госструктур и др.

С помощью алгоритмов машинного обучения можно делать прогнозы на основе закономерностей, обнаруживаемых в данных. К примеру, данные об активности пациентов кардиологического отделения коррелируются со сведениями о количестве выздоровевших.

Алгоритмы машинного обучения и прогнозирования применяются в ряде соединенных с сетями «умных» устройств. Например, термостаты, пользуясь обнаруженными ими закономерностями, прогнозируют предпочтительную температуру в конкретной комнате в определенное время дня. А компания, поставляющая электроэнергию городским районам, может в пиковое время перераспределять нагрузку, дистанционно понижая — с разрешения абонентов — температуру на сотнях тысяч термостатов. Существуют потребительские устройства, обучающиеся на закономерностях, выведенных путем анализа домашних разговоров. К ним относится, например, Echo — персональный голосовой помощник от Amazon. Есть системы, обучающиеся на более сложных закономерностях поведения. Так, система мониторинга Jaguar Land Rover основана на ПО, которое способно отслеживать поведение водителя автомобиля и пассажиров, предугадывать их действия и помогать водителю концентрироваться на вождении.

Алгоритмы оптимизации с помощью механизмов машинного обучения обрабатывают сведения от взаимодействующих датчиков и умных устройств, «чувствуя», реагируя и адаптируясь. Например, чем больше обязанностей водителя будут брать на себя автомобили, тем шире будет круг источников данных, с которыми им предстоит взаимодействовать: датчики, светофоры, другие автомобили и т. д. Машины, применяемые в промышленной автоматизации, логистике и транспортировках, а также в энергетических системах, управлении дорожным движением, системах безопасности и т. п., будут напрямую общаться с другими машинами. Программное обеспечение будет интерпретировать потоки данных с помощью эволюционирующих адаптивных алгоритмов, позволяющих машинам достигать нужных конечных состояний при получении определенных входных параметров.

Преобразование бизнес-модели и цепочки создания ценности. Распространение «умных», соединенных с сетями устройств требует переосмысления самих принципов извлечения дохода. В связи с появлением новых игроков рынка и структур цепочки ценности, произойдет настолько сильное изменение бизнес-модели, что аналитика, основанная на традиционных схемах извлечения прибыли, себя изживет — потоки данных от морально устаревающих продуктов помогут в создании новых изделий или сервисов, но не в увеличении доходов от старых. Новые бизнес-модели могут охватывать не только сам продукт, но также потребителей и поставщиков комплектующих.

***

В основе Интернета вещей лежат потоки данных и сложные системы извлечения знаний из них, позволяющие получать доход путем объединения этих знаний с уже имеющимися. Компании, не обладающие соответствующими возможностями, будут отставать или смогут предлагать лишь малодоходные продукты ширпотреба. Расширяя метафору «данные — это новая нефть», можно сказать, что с помощью аналитики данные перерабатываются в более дорогостоящие продукты. Компаниям уже сейчас нужно инвестировать в строительство соответствующей инфраструктуры, чтобы быть готовыми к тому, что под влиянием Интернета вещей полностью изменятся цепочки поставок и создания ценности.

Литература

  1. Gartner Says the Internet of Things Installed Base Will Grow to 26 Billion Units By 2020. Gartner, 12 Dec. 2013. URL: http://www.gartner.com/newsroom/id/2636073 (дата обращения: 15.05.2015).
  2. Analyze This: The Industrial Internet by the Numbers & Outcomes. GE, 7 Oct. 2013. URL: http://www.gereports.com/post/74545267912/analyze-this-the-industrial-internet-by-the (дата обращения: 15.05.2015).
  3. Gartner’s 2014 Hype Cycle for Emerging Technologies Maps the Journey to Digital Business. Gartner, 11 Aug. 2014. URL: http://www.gartner.com/newsroom/id/2819918 (дата обращения: 15.05.2015).

Сет Эрли (seth@earley.com) — генеральный директор, Earley & Associates.

Seth Earley, Analytics, Machine Learning, and the Internet of Things. IT Pro, January/February 2015, IEEE Computer Society. All rights reserved. Reprinted with permission.
Купить номер с этой статьей в PDF