logotipo dac

Noticias de la Industria

 

Una breve guía para elegir una plataforma de desarrollo de IoT


La paradoja de elegir una plataforma de desarrollo de Internet de las Cosas (IoT, por sus siglas en inglés) es que elegir la correcta puede facilitar enormemente tu proyecto, pero la elección puede ser increíblemente difícil


La elección de la plataforma adecuada puede simplificar el complejo proceso de desarrollo de IoT, pero con tantas opciones disponibles puede ser difícil saber cómo decidir.


La investigación “Desbloqueo de oportunidades en el Internet de las cosas”, elaborada por la compañía Bain & Company, subrayó las altas apuestas involucradas en la elección. Si bien se espera que las ventas de IoT alcancen los 520 mil millones de dólares en 2021 (más del doble del mercado de 2017), las empresas encuestadas por la consultora dijeron que las preocupaciones sobre la seguridad y la integración, ambas integrales para el desarrollo, las están frenando. Y la Encuesta de Prácticas de Implementación de IoT 2018 del portal IoT World Today encontró que las compañías con proyectos activos aún no están listas para conformarse con una solución de desarrollo estándar. Alrededor de una cuarta parte de los encuestados utilizaron múltiples plataformas listas para usar, mientras que el 34% de los que informaron sus resultados de IoT como excelente construyeron su propia plataforma. Incluso las compañías con una plataforma basada en la nube no pudieron ponerse de acuerdo sobre un claro ganador: el 21% eligió una nube dedicada al IoT, el 18% recurrió a una plataforma de análisis de datos/aprendizaje automático en la nube y el 16% eligió una plataforma de conectividad.


Es un conjunto confuso de soluciones y la amplitud de los casos de uso de IoT lo hace aún más desafiante. El objetivo final es una plataforma específica de dominio, según el informe “Mejores Prácticas de Entrega de IoT” de la empresa independiente Forrester Research. “Elija la correcta y los desarrolladores podrán crear y mantener menos código, moverse más rápido, ser capaces de ubicar los recursos centrales donde sean necesarios geográficamente y crear gemelos digitales. Pero el mercado aún no está allí”, dijo Jeffrey Hammond, vicepresidente y analista principal de Forrester Research. “Desde la perspectiva de un desarrollador, es importante no ver un mercado bifurcado de soluciones de IoT y plataformas de IoT”, dijo Hammond. “Es más probable que vea una manada de proveedores de soluciones y un desarrollador que viene con una solución personalizada basada en infraestructuras centrales. El equivalente a construir nuestra propia plataforma en lugar de elegir a los grandes proveedores de servicios en la nube, lo que es una señal de que el mercado aún está en sus inicios”.


ESTO NO ES ALGO MÓVIL

Henrik Kenani Dahlgren, jefe del ecosistema de IoT en Ericsson, admitió que puede ser fácil pensar que las opciones de la plataforma son todas similares. Por eso recomendó una mirada debajo del capó, especialmente cuando se trata de cómo se trata la conectividad. “El lugar donde se ubicará el dispositivo de IoT puede plantear desafíos: ¿se mueve el dispositivo? ¿Se establece en una fábrica? ¿Qué cifrado de la comunicación se requiere?”, Preguntó Dahlgren. “Estos son aspectos que pueden ser difíciles de agregar más adelante si la plataforma no tiene soporte nativo para proveedores de conectividad de confianza”.


Éste es también el momento para que los equipos de desarrollo piensen en la computación perimetral y cuánto se requerirá, en su caso, para un caso de uso particular. Encontrar desarrollado-res que puedan trabajar en el límite “es bastante irregular en este momento”, dijo Hammond. “Ya hay desarrolladores que tienen que aprender sobre las complejidades de la IoT. En el borde están los dispositivos tecnológicos que no están necesariamente conectados a Internet y no necesariamente se adaptan fácilmente al IoT”.


Con los desarrolladores avanzados que escasean, la presión está sobre las organizaciones para que elijan la plataforma correcta. Las empresas deben tener claro qué modelo de topología se requiere y luego asegurarse de que la plataforma comercial elegida pueda admitirlo. Y al mismo tiempo, cada aplicación de IoT tendrá ciertas dependencias, por lo que debe coincidir con una solución comercial, sugirió el informe de Forrester. Amazon y Microsoft ofrecen opciones de desarrollo específicas de IoT, incluidos servicios dirigidos al límite, pero Hammond dijo que los desarrolladores pueden desconfiar del bloqueo. “Muchos de los desarrolladores de IoT son reacios a usar (esos servicios”, señaló “Ellos no quieren quedarse atados a los servicios propietarios desde el principio. Quieren los servicios de nivel básico ahora y se están acomodando poco a poco con la idea de servicios de nivel superior”.


NO ESCATIMAR EN DATOS

Sin embargo, si hay algo que puede llevar a los desarrolladores a una solución en la nube, es la importancia de los datos, dijo Hammond. “Puede desear echar un vistazo a una plataforma de IoT que está cerca de donde se encuentran esos datos”, dijo. “Cuando comienza a integrar los datos desde el borde junto con los datos históricos y los datos del cliente, desea que los datos estén lo más cerca posible de otros conjuntos de datos para poder realizar el análisis. Eso presta cierta gravedad a la estrategia global en la nube que tienen las empresas”.


NADA ES GRATIS

El desarrollo de aplicaciones IoT tiene un alto grado de prueba y error incorporado y eso significa que los costos pueden aumentar mucho más rápidamente que con el desarrollo móvil. Dahlgren de Ericsson sugirió que los equipos de desarrolladores de IoT deberían prestar mucha atención a los compromisos, el soporte y los modelos de licencias. “Hay muchos ejemplos en los que el valor creado no se escala de la misma manera que los costos de la licencia y eso afecta al negocio”, dijo. El informe de Forrester va más allá, advirtiendo sobre las espirales de costos rápidos y el “gran potencial para el remordimiento del comprador”. De hecho, más del 60% de las empresas encuestadas por Bain dijeron que sus plataformas de IoT estaban personalizadas al menos en un 25%, una clara señal de que puede ser difícil obtener una solución comercial lista para usar que se adapte a la necesidad de desarrollo de una aplicación determinada.


Dado el alto nivel de complejidad, es hora de analizar seriamente lo que pueden ofrecer las soluciones de código abierto, dijo Sam George, director de Azure IoT en Microsoft. “El código abierto en IoT no es una opción sino una necesidad, especialmente para el software del lado del dispositivo”, dijo George. “Es imposible para un proveedor mantener la compatibilidad con todo el ecosistema, y la mejor manera de adoptar es alentar la contribución de los ecosistemas y la comunidad a través de código abierto”, agregó. Además, el software de código abierto puede ser parte de una estrategia de prueba de futuro al tiempo que ayuda a los desarrolladores a evitar el bloqueo de proveedores. “Los desarrolladores también pueden asumir proyectos que ya no son mantenidos por el proveedor original”, agregó George.


Al final del día, los desarrolladores que trabajan en el mercado de IoT se verán obligados a realizar cierto nivel de trabajo de personalización, ya sea que eso signifique alterar las plataformas de IoT existentes o ayudar a crear una desde cero. Es poco probable que las organizaciones encuentren una plataforma que satisfaga perfectamente sus necesidades y, por lo tanto, deberían buscar una plataforma flexible con la que puedan trabajar que satisfaga sus necesidades a lo largo del tiempo.


Mitos y realidades sobre llevar la Inteligencia Artificial a su organización


Ninguna empresa quiere quedarse atrás cuando se trata de innovación, y hoy en día, la Inteligencia Artificial (IA) está a la vanguardia. Con un estimado del 80% de las empresas en los Estados unidos que ya la utilizan de alguna forma, la transición a la IA parece tan generalizada como la transición de las máquinas de escribir a las PC


Las empresas comienzan a percibir el desafío: en un estudio reciente, el 91% de las empresas prevén importantes obstáculos para la adopción de la IA, incluida la falta de infraestructura de Tecnología de la Información (TI) y la escasez de expertos en inteligencia artificial para guiar la transición.


Sin embargo, pocas organizaciones realmente comprenden lo que les espera, y lo que realmente se necesita para la transición de la era Jurásica de la IA. Veamos más de cerca las realidades subyacentes de la adopción de IA que su grupo interno o su consultor nunca le dirán.


CONVERTIR UNA EMPRESA TRADICIONAL EN UNA ORGANIZ ACIÓN HABILITADA PARA IA

Consideremos una c ompañía hipotética, Global Heavy Industry Corporation (GHIC). Quizás su objetivo sea reducir los costos y mejorar la calidad en sus instalaciones de producción a través de un despliegue corporativo de IA. La compañía fabrica maquinaria industrial que requiere trabajadores calificados para ensamblar maquinaria compleja a partir de piezas, y tiene una serie de puntos de control para mantener la calidad de la producción. Actualmente, el proceso es completamente manual.


Con el reciente aumento en la conciencia de la IA, junto con las presiones c ompetitivas de los productores de menor costo, GHIC ha establecido una hoja de ruta agresiva para la introducción de la IA visual en sus fábricas, aprovechando las infraestructuras de cámaras de seguridad existentes. ¿Cuál es el primer paso? La recopilación de datos pertinentes para sus modelos.


MITO 1: todos los datos que necesito para mi IA están disponibles de forma gratuita

El primer obstáculo al que se enfrenta nuestra compañí hipóteticas es reunir y preparar datos para su IA visual. Los datos son el ADN de la IA: las redes neuronales y las arquitecturas de aprendizaje profundo se basan en derivar una función para asignar datos de entrada a los datos de salida.


La efectividad de esta función de mapeo depende de la calidad y cantidad de los datos proporcionados. En general, se ha comprobado que contar con un conjunto de entrenamiento más grande permite funciones más efectivas en la red, lo que lleva a un mejor rendimiento. En resumen, grandes cantidades de datos de alta calidad conducen a una mejor IA.


Pero, ¿cómo hacen las empresas para producir y preparar estos datos? La acumulación y el etiquetado (o anotación) suele ser el paso más costoso en la preparación de los datos. Este proceso permite que un sistema reconozca categorías u objetos de interés en los datos, y define el resultado apropiado que el algoritmo debe predecir una vez implementado.


A menudo, la anotación interna es la única opción para las empresas, debido a problemas de privacidad o calidad. Esto podría deberse a que los datos no pueden salir de la instalación o necesitan un etiquetado extremadamente preciso por parte de un experto.


La compañía se da cuenta de que recopilar y etiquetar datos en el sitio, en el entorno relevante, es el primer paso necesario para crear un prototipo y un sistema de trabajo. Se deben recolectar y etiquetar cientos de horas de videos, así como miles de imágenes que contienen partes sanas y defectuosas, y los expertos en control de calidad saben la diferencia entre una variación normal en la calidad de producción y un verdadero problema. Por lo tanto, abordar los datos se convierte en un desafío. Una forma de combatir este desafío sería permitir que la IA de la compañía aprenda continuamente, reduciendo significativamente los datos y el tiempo de capacitación necesarios, y permitiendo el aprendizaje y la mejora en tiempo real de la IA.


MITO 2: Puedo contratar fácilmente expertos en IA para construir una solución interna

Una vez que los datos están preparados y listos, la segunda tarea es construir la implementación inicial del sistema. Aquí es donde el siguiente conjunto de desafíos se se presenta para la compañía. Si bien hay una gran cantidad de herramientas de inteligencia artificial para desarrolladores, es difícil encontrar experiencia en Inteligencia Artificial. Según algunas estimaciones, solo hay alrededor de 300,000 expertos en inteligencia artificial en todo el mundo.


Sin lugar a dudas, la necesidad de talento sobre la IA supera la demanda. Si bien la opción de acelerar el entrenamiento en Inteligencia Artificial no es factible (aún se necesitan cuatro años para obtener un doctorado), la única opción viable es reducir el nivel de ingreso, al introducir marcos de software que evitan la necesidad de un conocimiento profundo de el campo. De lo contrario, las organizaciones se arriesgan a esperar por siempre para encontrar el talento adecuado para la IA.


MITO 3: Tengo un PoC, construir una solución definitiva de AI es solo un poco más de trabajo

Si la compañía llega al punto de encontrar los recursos de IA internos y externos para implementar una Prueba de Concepto (PoC), puede asumir que está a sólo unos pasos de implementar una solución final.


En realidad, la adopción de la IA requiere un enfoque de varios pasos. Para muchas organizaciones, el primer paso es un PoC. Para evitar el desperdicio de tiempo y dinero, las organizaciones deben establecer una línea de tiempo y definir los criterios por adelantado que decidirán si la tecnología debe entrar en producción. Un punto de referencia simple como “si el PoC ofrece X en la funcionalidad de Y, entonces lo lanzaremos aquí y allá” ayudaría a las empresas a definir un escenario de implementación real.


MITO 4: Cuando obtengo un buen rendimiento de mi Inteligencia Artificial, ya no necesito tocarla

Asumamos que la compañía supera todos los obstáculos anteriores e implementa con éxito la IA. Con el tiempo, será desafiada por los casos de uso que surgen continuamente o las condiciones cambiantes, y la necesidad de adaptar su IA de manera oportuna y económica.


Las organizaciones exitosas miran más allá para preguntarse sobre soluciones que puedan surgir con el tiempo. Con los sistemas de Inteligencia Artificial de mayor complejidad, se requieren las herramientas de gestión y almacenamiento de datos, los costos y tiempo de reentrenamiento y la gestión general del ciclo de vida de la Inteligencia Artificial para asegurarse de que un proyecto de IA no se convierta en un desastre o, lo que es peor, inefectivo.


MÁS ALLÁ DE LOS MITOS: LA IA ESTÁ AQUÍ PARA QUEDARSE

La compañía hipotética ha aprendido de la manera más difícil que la IA no es un proyecto único y de una sola vez. Por el contrario, puede convertirse en un esfuerzo largo y costoso.


Para implementar efectivamente la IA, las empresas deberán desarrollar equipos internos que combinen ingeniería, I+D y producto, que trabajen estrechamente en la creación, prueba y entrega de la aplicación, y que supergisen el mantenimiento y el cambio en el futuro.


Las nuevas herramientas están permitiendo que más y más organizaciones adpten la IA. Al recuperar el control de su estrategia de IA, los equipos de las empresas podrán construir rápidamente soluciones de IA, implementarlas y hacerlas crecer a lo largo del ciclo de vida de la IA.