Γνωρίζοντας τα στοιχεία του Διαδικτύου των πραγμάτων, μπορούμε να καταλάβουμε περί τίνος πρόκειται. Υπάρχουν τέσσερα κύρια στοιχεία του Διαδικτύου των πραγμάτων:
Αισθητήρες και ενεργοποιητές: Τα στοιχεία αυτά λαμβάνουν πληροφορίες από το περιβάλλον και αλληλεπιδρούν με αυτό. Οι αισθητήρες συλλέγουν δεδομένα, ενώ οι ενεργοποιητές επιτρέπουν στο σύστημα να εκτελεί συγκεκριμένες ενέργειες. Στο παράδειγμα της καφετιέρας, ο αισθητήρας παρακολουθεί την ώρα που ξυπνάει ο χρήστης και ένας ενεργοποιητής αρχίζει να φτιάχνει τον καφέ.
Συνδεσιμότητα: Οι αισθητήρες και οι ενεργοποιητές συνδέονται με μια λεγόμενη πύλη. Η πύλη είναι υπεύθυνη για την επικοινωνία με τους κοντινούς αισθητήρες και ενεργοποιητές, μεταφράζοντας τα μηνύματα σε μια κοινή μορφή, η οποία στη συνέχεια αποστέλλεται σε μια υπηρεσία cloud στο διαδίκτυο. Η επικοινωνία μεταξύ της πύλης και των αισθητήρων και ενεργοποιητών γίνεται συνήθως ασύρματα, ωστόσο, υπάρχει δυνατότητα και ενσύρματης σύνδεσης. Οι υπηρεσίες cloud δίνουν συνήθως ιδιαίτερη προσοχή στο ζήτημα της ιδιωτικότητας (αν θέλετε να μάθετε περισσότερα, μπορεί να θέλετε να δείτε το μάθημά μας για την Ψηφιακή επανάσταση καθώς και το μάθημα για την Κυβερνοασφάλεια).
Cloud: Ο υπολογιστής «cloud», δηλαδή ένα δίκτυο υπολογιστών στο διαδίκτυο, είναι υπεύθυνος για την αποθήκευση και την ανάλυση των δεδομένων με στόχο τη λήψη έξυπνων αποφάσεων. Η ανάλυση μπορεί να περιλαμβάνει απλούς κανόνες ή περίπλοκους αλγόριθμους τεχνητής νοημοσύνης. Μπορείτε να βρείτε περισσότερες πληροφορίες σχετικά με την τεχνητή νοημοσύνη στο μάθημα Στοιχεία της τεχνητής νοημοσύνης.
Αλληλεπίδραση ανθρώπου-μηχανής: τα δεδομένα και οι αναλύσεις ελέγχονται από τους χρήστες είτε σε ειδικά περιβάλλοντα εργασίας χρήστη είτε σε smartphone και tablet με συγκεκριμένες εφαρμογές. Ο στόχος της αλληλεπίδρασης ανθρώπου και μηχανής σε ένα σύστημα Διαδικτύου των πραγμάτων είναι να ενημερώνει τον χρήστη και να του επιτρέπει να παρακάμπτει τις αυτοματοποιημένες αποφάσεις εάν χρειαστεί.
Αισθητήρες, ενεργοποιητές και περιβάλλοντα εργασίας χρήστη
Ο μεγάλος αριθμός πιθανών αισθητήρων και ενεργοποιητών καθιστά τα συστήματα Διαδικτύου των πραγμάτων πολύ ευέλικτα. Χρησιμοποιώντας έναν διαφορετικό συνδυασμό αισθητήρων και ενεργοποιητών, τα συστήματα μπορούν να προσαρμοστούν σε διαφορετικές ανάγκες. Σε αυτήν την ενότητα, θα εξετάσουμε πιο προσεκτικά τους αισθητήρες, τους ενεργοποιητές και τα περιβάλλοντα εργασίας χρήστη που συνθέτουν το Διαδίκτυο των πραγμάτων.
Υπάρχουν δύο τύποι αισθητήρων: οι αισθητήρες γενικής χρήσης και οι αισθητήρες για συγκεκριμένη εργασία.
Αισθητήρες γενικής χρήσης χρησιμοποιούν οι κοινές συσκευές, όπως κάμερες και μικρόφωνα, για να συλλέγουν δεδομένα. Στην περίπτωση αυτή, τα δεδομένα, όπως π.χ. εγγεγραμμένες εικόνες ή ήχοι, αναλύονται με εφαρμογές υπολογιστών και αλγόριθμους.
Οι αισθητήρες για συγκεκριμένη εργασία αναπτύσσονται ώστε να είναι οικονομικοί, ενεργειακά αποδοτικοί και/ή ισχυροί όσον αφορά τη μέτρηση συγκεκριμένων τιμών. Οι αισθητήρες για συγκεκριμένη εργασία απαιτούν συνήθως απλούστερες λύσεις λογισμικού σε σχέση με τους αισθητήρες γενικής χρήσης. Τέτοιοι αισθητήρες περιλαμβάνουν τα θερμόμετρα, τα υγρασιόμετρα, τους ανιχνευτές κίνησης, τις οθόνες παλμών και ΗΚΓ και τους αισθητήρες βάρους.
Λαμβάνοντας υπόψη αυτούς τους δύο τύπους αισθητήρων, η ανίχνευση κίνησης, για παράδειγμα, μπορεί να γίνεται με διάφορους τρόπους:
μια κάμερα μπορεί να χρησιμοποιηθεί για να αναγνωρίσει ένα συγκεκριμένο άτομο ή για να καλύψει την κίνηση σε μια μεγαλύτερη περιοχή
ένας ειδικός αισθητήρας κίνησης μπορεί να χρησιμοποιηθεί για οικονομική και ενεργειακή αποδοτικότητα
ένα μικρόφωνο μπορεί να χρησιμοποιηθεί σε ζεστά, σκοτεινά μέρη, όπου οι άλλοι δύο τύποι αισθητήρων θα αποτύγχαναν
Εκτός από τους αισθητήρες, κοινή είναι η δυνατότητα αλληλεπίδρασης και με τις μηχανές που εμπλέκονται στο σύστημα Διαδικτύου των πραγμάτων ή με τους ανθρώπους που το χειρίζονται ή το χρησιμοποιούν. Ως εκ τούτου, ενεργοποιητές και περιβάλλοντα εργασίας χρήστη μπορεί να συμμετέχουν στις λύσεις του Διαδικτύου των πραγμάτων. Οι ενεργοποιητές μπορούν να αλλάζουν τις τιμές που υπολογίζουν οι αισθητήρες, όπως να αυξάνουν τη θερμοκρασία ή να ανοίγουν τα παράθυρα.
Τα περιβάλλοντα επεξεργασίας χρήστη προορίζονται για την αλληλεπίδραση ανθρώπου-μηχανής και μπορούν να είναι οπτικά, ακουστικά ή με δυνατότητα φωνής ή αφής.
Τα γραφικά περιβάλλοντα εργασίας χρήστη χρησιμοποιούνται κυρίως σε έξυπνες συσκευές αφής (smartphone και tablet) ή μερικές φορές σε μια ειδική συσκευή με οθόνη αφής ή με οθόνη και κουμπιά.
Με μια διασύνδεση ομιλίας, οι χρήστες αλληλεπιδρούν με το σύστημα Διαδικτύου των πραγμάτων χρησιμοποιώντας την καθομιλούμενη φυσική γλώσσα, ενώ ήχοι μπορούν να υποδεικνύουν σημαντικά γεγονότα με ένα περιβάλλον εργασίας χρήστη ήχου.
Οι διασυνδέσεις αφής χρησιμοποιούν συνήθως τη δόνηση για την παροχή ανάδρασης στον χρήστη.
Ένας συνδυασμός των παραπάνω τύπων περιβαλλόντων εργασίας χρήστη μπορεί να βελτιώσει τη συνολική εμπειρία χρήστη.
Διαδίκτυο των πραγμάτων και 5G
Το 5G είναι η πέμπτη και πιο πρόσφατη προσέγγιση του δικτύου κινητής τηλεφωνίας. Το δίκτυο κινητής τηλεφωνίας πρώτης γενιάς (1G) πρόσφερε μόνο φωνή. Η καινοτομία του 2G ήταν τα ψηφιακά δίκτυα τα οποία είναι τεχνικά μια πολύ καλύτερη λύση από την αναλογική προσέγγιση του 1G. Το 3G εισήγαγε τις μεταφορές δεδομένων, ενώ το 4G αύξησε σημαντικά τις ταχύτητες μετάδοσης. Το 5G προσφέρει πολύ ταχύτερη μεταφορά δεδομένων από οποιοδήποτε προηγούμενο δίκτυο κινητής τηλεφωνίας, συμπεριλαμβανομένου του 4G. Μπορεί επίσης να χειρίζεται περιοχές με υψηλότερη πυκνότητα συνδέσεων και παρέχει καλύτερη κάλυψη.
Ένα βασικό στοιχείο του 5G είναι η μαζική πολλαπλή είσοδος πολλαπλή έξοδος (MIMO), η οποία περιλαμβάνει μεγάλο αριθμό κεραιών και πολύπλοκο λογισμικό επικοινωνίας που καθιστά δυνατή τη γρήγορη επικοινωνία με έναν μεγάλο αριθμό συσκευών. Καθώς το Διαδίκτυο των πραγμάτων βασίζεται στη μεταφορά και τη λήψη δεδομένων, το mobile internet υψηλής ταχύτητας είναι ένας σημαντικός παράγοντας που επηρεάζει τις δυνατότητες και την εμβέλεια αυτών των έξυπνων συσκευών. Την εποχή της σύνταξης του κειμένου, πιστεύεται ότι, καθώς το 5G θα διαδίδεται, θα φέρει επανάσταση στο Διαδίκτυο των πραγμάτων.
Διαδίκτυο των πραγμάτων και Τεχνητή νοημοσύνη
Όταν το Διαδίκτυο των πραγμάτων συναντά την Τεχνητή νοημοσύνη, συχνά αναφέρεται ως AIOT (artificial intelligence/Internet of Things). Με βάση διάφορες πηγές, τα οφέλη του Διαδικτύου των πραγμάτων μπορούν να μεγιστοποιηθούν σε συνδυασμό με την τεχνητή νοημοσύνη. Για να κατανοήσουμε το AIoT, είναι σημαντικό πρώτα να κατανοήσουμε τις βασικές αρχές της τεχνητής νοημοσύνης. Έχουμε ήδη μάθει ότι όλοι οι αισθητήρες και οι ενεργοποιητές συλλέγουν δεδομένα που αποθηκεύονται στο cloud. Τα δεδομένα αυτά μπορούν να αναλυθούν από ειδικούς ή από προγράμματα υπολογιστών τα οποία έχουν δημιουργηθεί σύμφωνα με την εμπειρία και τις προτάσεις των ειδικών. Στις περιπτώσεις όπου τα δεδομένα είναι σύνθετα, οι κανόνες που έχουν συντάξει οι ειδικοί δεν θα λειτουργούν ιδανικά. Είναι επίσης γνωστό ότι αυτοί οι κανόνες δεν είναι γενικής φύσεως, οπότε πρέπει να συντάσσονται συνέχεια καθώς, για παράδειγμα, προστίθενται νέοι αισθητήρες στο σύστημα ή αλλάζει το περιβάλλον (για παράδειγμα, μια νέα οικογένεια μετακομίζει σε ένα έξυπνο σπίτι με δυνατότητα σύνδεσης στο Διαδίκτυο των πραγμάτων). Η τεχνητή νοημοσύνη καθιστά δυνατή την εκμάθηση των κανόνων από τα ίδια τα δεδομένα, μέσω του μεγάλου όγκου αντιπροσωπευτικών δεδομένων, κάτι που σημαίνει ότι η τεχνητή νοημοσύνη μπορεί επίσης να προσαρμόζεται αυτόματα στις αλλαγές.
Στο Διαδίκτυο των πραγμάτων, ο ολοκληρωτής και ο υπεύθυνος λήψης αποφάσεων είναι πάντα ο άνθρωπος, και για αυτόν τον λόγο η διαδικασία είναι εξατομικευμένη και προσαρμοσμένη. Με την τεχνητή νοημοσύνη, οι συσκευές χρησιμοποιούν τα δεδομένα για να μάθουν και λαμβάνουν αποφάσεις με βάση την προηγούμενη συμπεριφορά του χρήστη. Οι μεγαλύτεροι όγκοι δεδομένων οδηγούν σε καλύτερες αποφάσεις με βάση την τεχνητή νοημοσύνη. Για παράδειγμα, στην περίπτωση αναγνώρισης του φύλου, η τεχνητή νοημοσύνη πρέπει να τροφοδοτείται με φωτογραφίες γυναικών και ανδρών. Αφού δει όλο και περισσότερες φωτογραφίες, η τεχνητή νοημοσύνη μπορεί να αποφασίσει αυτόνομα με ολοένα και μεγαλύτερη ακρίβεια αν απεικονίζεται μια γυναίκα ή ένας άντρας στη δεδομένη εικόνα.
Με το AIoT, ο μεγάλος όγκος δεδομένων που συλλέγουν οι αισθητήρες σε συνδυασμό με τις μεθόδους τεχνητής νοημοσύνης επιτρέπει στο σύστημα να εκπαιδεύεται τόσο όσον αφορά τη συμπεριφορά των χρηστών όσο και όσον αφορά το περιβάλλον και να παρέχει καλύτερες υπηρεσίες. Οι περισσότερες λύσεις AIoT λειτουργούν σε cloud ή στα όρια της πύλης, και μια νέα προσέγγιση φέρνει την τεχνητή νοημοσύνη σε συσκευές απόληξης. Η τελευταία προσέγγιση αναφέρεται ως TinyML. Σε αυτή την περίπτωση, οι συσκευές του Διαδικτύου των πραγμάτων μπορεί να διατηρούν τα δεδομένα τους τοπικά, δεν χρειάζονται σύνδεση στο διαδίκτυο και ο χρόνος απόκρισης μπορεί να είναι πολύ γρηγορότερος. Από την άλλη πλευρά, οι αλγόριθμοι TinyML αντιμετωπίζουν αρκετούς περιορισμούς, όπως χαμηλή κατανάλωση ενέργειας (τόσο χαμηλή όσο η λειτουργία μιας συσκευής για ένα έτος με μια μικρή μπαταρία CR2032) και περιορισμένη επεξεργαστική ισχύ.
Για μια λεπτομερή παρουσίαση του μηχανισμού και των δυνατοτήτων της τεχνητής νοημοσύνης, μπορεί να θέλετε να δείτε το μάθημα Στοιχεία της τεχνητής νοημοσύνης.
Το Διαδίκτυο των πραγμάτων στην καθημερινή μας ζωή
Έχουμε ήδη αισθητήρες παντού γύρω μας – μερικοί από αυτούς είναι συνδεδεμένοι με ένα δίκτυο, ενώ κάποιοι άλλοι είναι απλά συνδεδεμένοι με μια τοπική μηχανή. Τα smartwatch μετρούν τους καρδιακούς παλμούς, τις καθημερινές δραστηριότητες και τους χρόνους ύπνου, και αποστέλλουν αυτά τα δεδομένα στο διαδίκτυο. Οι πραγματικές τοποθεσίες των λεωφορείων και των τραμ συλλέγονται με βάση δεδομένα GPS και εμφανίζονται σε ένα χάρτη, ενώ οι χρόνοι αναμονής εμφανίζονται στις στάσεις. Τα έξυπνα αυτοκίνητα έχουν ενσωματωμένους αισθητήρες που συλλέγουν και κοινοποιούν δεδομένα σχετικά με τη φθορά στον ιδιοκτήτη ή το συνεργείο αυτοκινήτων. Καθώς το Διαδίκτυο των πραγμάτων εξαπλώνεται, όλο και περισσότεροι αισθητήρες θα έχουν δυνατότητα σύνδεσης σε αυτό. Αυτό θα το εξετάσουμε με περισσότερες λεπτομέρειες στην επόμενη ενότητα για να σας δώσουμε μια βαθύτερη κατανόηση των πιθανών σεναρίων εφαρμογής και των τομέων που επηρεάζονται.
