سیستم‌های بلادرنگ تشخیص موقعیت مکانی در اینترنت اشیا

در اولین عصر تجارت الکترونیک، ردیابی موقعیت بار به عنوان یک خدمت نمایشی ظهور پیدا کرد. در سال ۱۹۹۴، شرکت FedEx این اطلاعات ردیابی را به شکل آنلاین نشان داد و سریع توجه‌ها را به سمت خود برانگیخت. امروزه، سیستم‌های ردیابی مبتنی بر جی پی اس مثل آمازون و اوبر انتظارات از سیستم‌های بهینه را باز تعریف کرده‌اند.

تکنولوژی‌های اینترنت اشیا می‌توانند درخواست‌ها برای سیستم‌های تعیین مکان با قابلیت‌ بلادرنگ بودن و پردازش اعمال پیچیده را پاسخ دهند اما مسائلی هست که هر کدام از بخش‌های این زنجیره باید به آن غلبه کنند. از آنجا که سیستم مبتنی بر جی پس اس دقیق‌تر و سریع‌تر شده است، طیف وسیعی از ابزارهای گیج کننده وجود دارد که این داده‌ها را پردازش کند.

این ابزارها بسیار زیاد هستند. وقتی بحث سیستم‌های بلادرنگ تشخیص مکان به میان می‌آید، مشاغل مرتبط با مدیریت بار، با تصمیم‌های سختی روبرو خواهند شد چرا که بحث در مورد بازاری است که به گفته مارکت ریسرچ، ارزشش تا سال ۲۰۲۲ به ۷.۵ میلیارد دلار می‌رسد و از سال ۲۰۱۶ تا ۲۰۲۲ به میزان ۳۱.۴ رشد داشته است.

جربان اطلاعات مربوط به ردیابی

بن ویزن، مدیر اجرایی شرکت کریر لاجستیک و خالق نرم‌افزار مدیریت انتقال FAST می‌گوید: امروزه شاهد اصطلاحات جدیدی مثل “اوبری­ کردن” و “آمازونی کردن” تجربیات مربوط به حمل بار هستیم. حالا دیگر نحوه تعامل مردم با بارها عوض شده است. امروزه انتظار این است که مردم سفارش‌های بار خود را با یک نشانه روی نقشه ردیابی کنند و دیگر تحویل، یک مسئله ثانویه محسوب می‌شود و اغلب (حداقل درمورد شرکت آمازون) این فرآیند رایگان است.

این مدیرباسابقه که بیش از ۳۰ سال است در بخش مدیریت حمل و نقل فعالیت می‌کند، اضافه کرد: در نتیجه، صنایع ردیابی روی جریان اطلاعات و جمع‌آوری داده از سنسورهای اینترنت اشیا در شبکه، سرمایه گذاری کرده‌اند. مشاغل باید مهارت­های خودشان را ارتقا دهند تا بتوانند اطلاعات را نه تنها به عنوان داده به کار بگیرند بلکه به عنوان رویداد­هایی برای قدم­های عملیاتی آینده به حساب آورند.

جمع آوری داده بلادرنگ

جمع آوری داده چالش­های مختص به خود را دارد و حداقل تا زمانی که داده­ها برای مرکز رایانش ابری ارسال شوند، این چالش­ها هیچ تغییری نخواهند کرد. در اغلب موارد همین اتفاق می­افتد. چالش پردازش داده در فرونت اند یکی از محرک­های موجود، پس از رسیدن به محاسبات در لبه است.

این­ها نظرات یان اسکریت، مشاور بازاریابی شرکت هایو ام کیو و خالق نرم‌افزار کارگزاری پیام MQTT و دیگر نرم‌افزارهای مدیریت حوزه اینترنت اشیا، لجستیک و پیاده­سازی­های مربوط به آن‌ها است. او تاکید می­کند که سیستم­های حوزه اینترنت اشیا وقتی اتصالات دچار اختلال شوند، پیمایش محیط را به سختی انجام می­دهند: چالش کلیدی سیستم­های مربوطه این است که وسایل در حال حرکت هستند. هر وسیله به طور معمول از طریق یک شبکه سلولی یا ماهواره­ای به جهان خارج متصل است اما وقتی دستگاه حرکت می­کند، اتصال بین دستگاه و ابر ممکن است قطع شود. قطعی اتصالات دو مشکل به وجود می­آورد. مشکل اول این است که داده آماده است اما شبکه­ای برای ارسال آن در دسترس نیست. مشکل دوم نیز این است که سیستم­ها باید دوباره اتصالات بین دستگاه و ابر را به سریع­ترین شکل ممکن برقرار کنند.

اسکریت می­گوید نرم افزار MQTT شرکت هایو ام کیو برای اتصال مجدد ارتباطی قطع­شده، طراحی شده است و با فیدهای داده­ای بسیاری کار می­کند. پروتکل­های رقیب با MQTT، پروتکل­هایی مثل HTTP,AMQP,LwM2M  و همچنین سیستم­های اختصاصی هستند.

جریان­های داده، دریاچه­های داده

هنگامی که داده های تعیین مکان سیستم­های اینترنت اشیا جمع آوری می شوند ، به ندرت به عنوان یک جریان ثابت در می آیند. از آنجا که اینترنت اشیا شروع به تحقق وعده هزاران یا حتی میلیون ها دستگاه در این زمینه می کند ، نقص و سرریز داده های ورودی همچنان یک نگرانی محسوب می شود.

اسکریت می­گوید که این صنعت از نظر یکپارچگی شاهد رشد چشمگیری بوده است. این رشد از طریق استفاده از نرم افزار MQTT  و آپاچی کافکا بوده است. او می­گوید، این دو نرم­افزار مکمل یکدیگر هستند. کافکا یکی از میزبانان متن­باز ابزارهای استاندارد بیگ­ دیتا است که در سال­های اخیر فرآیندهای زیادی را مدیریت کرده است. کافکا با بخش­هایی چون ابزارهای کوئری و جریان داده، رابطی برای متدهای پردازش جدید به منظور موقعیت­دهی و ردیابی سیستم­های اینترنت اشیا و اهداف مشابه است.

کای واینر، مهندس میدان و معماری در شرکت کانفلوئنت می­گوید که بیشتر شرکت­ها امروزه از ماشین­های داده و سنسورهای تولیدی خود به طور مداوم استفاده نمی­کنند چرا که نمی­توانند به آن­ها دسترسی داشته باشند. داده هم به خاطر محدودیت­های تکنیکی یا پیچیدگی پیاده­سازی تکنولوژی­های قبلی بی­مصرف می­شود.

واینر می­گوید، داده های غیرقابل دسترسی و غیرقابل پردازش مانع از این می شود که توسعه دهندگان بتوانند به طور واضح بین ارزش تجاری داده های اینترنت اشیا ارتباط ایجاد کنند.

وی می­گوید که خدمات میکروسکوپی مانند کافکا می تواند در مقیاس گسترده توزیع شود. بنابراین ، آنها می توانند با همه سیستم های مورد نیاز یکپارچه شوند و امکان پردازش داده ها را در زمان واقعی فراهم کنند. بزرگترین چالش فنی اساسی برای بسیاری از شرکت­ها، ادغام چندین فن آوری ، استاندارد و رابط مختلف است.

تعداد زیادی جایگزین مثل MQTT برای مولفه­های کافکا وجود دارند که حین استفاده، دریاچه­های داده را ایجاد می­کنند. این دریاچه­ها قبل از پردازش و مرتب­سازی داده­های اینترنت اشیا، امکان رسیدن سریع و تفکیک نشده داده­ها را فراهم می­کنند. ابزارهای رقابتی برای کافکا، شامل ربیت ام کیو، آپاچی اسپارک و سایر سیستم­ها هستند.

ساخت در مقابل خرید

مهارت های پیشرفته مورد نیاز برای ادغام عناصر مختلف در سیستم های داده بزرگ امروزی باعث می شود برخی از شرکت­های ساخت اشیای متصل داخل خانه بر “خرید” به جای “ساخت” تأکید کنند. این مسئله می­تواند به معنای انتخاب پلتفرم­های جامع برای استفاده باشد.

استیون گلپا ، معاون مدیریت محصول شرکت آیریس می­گوید: هنگامی که به مقیاس دهی اینترنت اشیا و ورود جریان داده به فرآیند­های بلادرنگ دریاچه داده فکر می­کنید، عملی مفید به نظر می­رسد. برای مثال شرکت­هایی که دارای سرعت تولید بسیار بالایی هستند، ممکن است که قطعات کافکا را به اندازه سایر شرکت­های آشنا به تکنولوژی کافکا، استفاده نکنند.

به گفته لوئیس پاراجز ، معاون اجرایی فروش و بازاریابی در پلتفروم فروش شرکت توروو ، امروزه فشار بر روی شبکه­های حمل و نقل برای تصمیم گیری سریع‌تر باعث می شود که روش های سنتی ادغام غیرقابل قبول شوند و سیستم های از پیش ادغام شده بتوانند بهتر با سیستم‌های قدیمی کار کنند.

وی گفت: ما همه ی مؤلفه های شبکه لجستیک را به گونه ای سازماندهی می کنیم که مشتریان ما تصویر کاملی از زنجیره تأمین و نحوه عملکرد آن را داشته باشند. هدف اصلی ما این است که مردم به شکل بلادرنگ به دارایی ها ، اقلام و سفارشات موجود در زنجیره تأمین و همچنین اجرای فعالیت های حمل و نقل و تسویه حساب، واقف شوند.

مجموعه مهارت های بعدی

تلاش برای جمع آوری و پردازش داده های مکان به شکل بلادرنگ و ارتباط آن با آب و هوا ، ترافیک ، سنجش موتور و سایر داده ها ، استخرهای بزرگی از اطلاعات و مرحله ای برای جهش بعدی در توسعه اینترنت اشیا ایجاد می کنند.

ویزن می­گوید مرحله بعد از آن ، پردازش رویدادهای پیچیده است که تصمیم گیری و فعالیت سریع را شاید از طریق هوش مصنوعی به کار گیرند: مجموعه مهارت های بعدی این است که بدانیم با داده ها چه باید کرد. به عنوان نمونه ، اقدامات ساده ای مانند پارک کردن کامیون در محل بارگیری را می­توان ذکر کرد. اکنون باید فرآیند­های پیچیده فعالیت خودکار را از این عمل حذف کنیم.

برای کسب و کارهایی که فعالیتشان فراتر از انتشارات گزارشات پایه است، گام­های کوچک نیز می­تواند جهشی بزرگ باشد. آنها البته به عملگرایی نیز نیاز دارند.

ویزن به عنوان کسی که آینده­ی اینترنت اشیا و استانداردهای داده­های بزرگ را به عنوان بخشی از تکنولوژی­های جریان اصلی، محدود می­داند، به دیگران هشدار می­دهد که تصمیم گیری روی نقشه­راه تکنولوژی‌هایشان به معنای ایجاد تعادل بین بهترین چیزهایی است که امروز می­توان روی آن‌ها کار کرد. این چیزها در آینده در خدمت شما خواهند بود.

منابع خبر :

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

بیست + نوزده =