18 / 84
EMBEDDED
MAGGIO
18
IN TEMPO REALE
|
BIG DATA
rati in modo automatico dalle macchine nelle più
svariate applicazioni embedded M2M (machine-
to-machine) e IIoT (Industrial Internet of Things)
di ultima generazione. A seconda dei dispositivi e
delle modalità di acquisizione (reti di sensori, tag
#B)" À
-
camere di videosorveglianza, e quant’altro) questi
Big Data possono essere di tipo strutturato, non
strutturato, semi-strutturato (vedi box “Grandi
dati”, la terminologia). Vi sono però altre impor-
À
Big Data: la
8
À
elevato volume, elevata velocità, e/o elevata varie-
8
À
di elaborazione delle informazioni, per abilitare
migliori intuizioni, prese decisionali e automazio-
ne di processo. In ragione di tutte le caratteristi-
che sopra descritte, in sostanza, i Big Data non
sono più gestibili, sia in fase di raccolta, sia in fase
di analisi ed elaborazione, attraverso le tecnologie
e i database tradizionali. Ciò perché questi dati
vanno non solo raccolti in grande quantità, ma de-
vono anche essere analizzati ed elaborati con no-
À
>
riuscire a innovare un processo, un prodotto, un
servizio, e produrre un effetto positivo il più possi-
bile immediato sulla conduzione del business.
Architetture di elaborazione
Il volume, la varietà, la disomogeneità dei Big
Data, e la loro provenienza da fonti disparate, com-
plicano i processi di raccolta, analisi, elaborazione
dei dati, per l’estrazione (mining) di “insights” e co-
noscenze subito utilizzabili. In fase di raccolta delle
informazioni, gli strumenti analitici devono avere
la capacità di accedere ed esplorare i dati di tutte
le fonti e formati importanti per l’applicazione da
realizzare, a prescindere dal fatto che questi si tro-
vino memorizzati in database convenzionali, data
,
À C
(
o repository ospitati nel cloud. Allo stesso modo,
devono risultare accessibili i dati acquisiti da tutte
le attrezzature, device e apparati industriali, come
possono essere i PLC (programmable logic control-
ler), i sistemi SCADA (supervisory control and data
acquisition), e i dispositivi IoT: sensori, gateway o
altri device.
In fase di trasmissione, dover spedire ripetutamen-
te grandi moli di dati grezzi ai motori analitici sui
server nel cloud può rivelarsi molto costoso, oltre
Trasformare dati in
conoscenza: le piattaforme
IoT sul mercato
Lanciata da Siemens, ed ora in corso di espan-
sione attraverso l’aggiunta di collaborazioni, in-
terfacce e app, la piattaforma IoT “cloud-based”
MindSphere è in grado di raccogliere e analizza-
re grandi volumi di dati di produzione, generan-
do informazioni utili a migliorare l’efficienza degli
impianti industriali. MindSphere viene fornita da
Siemens nella modalità PaaS (Platform as a Ser-
vice) e costituisce la fondazione per applicazioni e
servizi forniti sia da Siemens stessa, sia da provi-
der di terze parti, in aree come la manutenzione
predittiva, la gestione dei dati energetici, l’otti-
mizzazione delle risorse. Siemens non è certo la
sola nel settore, e l’offerta di piattaforme IoT che
permettono agli utenti aziendali di sfruttare i Big
Data per migliorare il proprio business continua
ad arricchirsi: si va, ad esempio, dalla soluzione
“end-to-end” Eurotech Everyware Device Cloud
(EDC), a Microsoft Azure IoT Suite, che consen-
te di connettere milioni di dispositivi e analizzare
e visualizzare grandi quantità di dati operativi,
anche in questo caso per sviluppare applicazioni
come il monitoraggio remoto o la manutenzione
predittiva. Ma si possono citare anche Bluemix,
la piattaforma cloud di IBM che integra in un
unico ambiente servizi d’infrastruttura e piatta-
forma con strumenti analitici e cognitivi; l’infra-
struttura integrata Cisco UCS per i Big Data e gli
analytics, o le soluzioni analitiche per i Big Data
fornite dalla Google Cloud Platform.
Fig. 3 –
Fonte Pixabay