IoT 데이터에서 작업을 도출하기 위한 4단계

오늘날 디바이스는 소셜 네트워크보다 더 많은 IoT 데이터를 생성합니다. 각 장치는 초당 여러 번 데이터를 보낼 수 있습니다. 수백만 개의 연결된 장치가 있는 일반적인 데이터 처리 플랫폼은 매일 수십억 개의 들어오는 이벤트를 처리해야 할 수 있습니다.

이 양의 데이터를 처리하는 것은 분명히 상당한 수준이고 결코 사소한 기술적 문제가 아니지만, 사전 처리된 형태로 저장된 경우에도 장치 데이터 자체가 실행 가능한 것이 아니라는 것은 분명합니다. 실행 가능한 통찰력을 얻으려면 수집된 데이터를 분석해야 합니다.

IoT에서 데이터 분석으로 효과적으로 처리할 수 있는 작업 유형 중 하나는 이상 감지입니다. . 그 목표는 이전에 관찰된 것과 예상한 것과 크게 다른 연결된 장치의 비정상적인 동작을 식별하는 것입니다.

출처:Bosch.IO

연결된 잔디 깎는 기계로 모든 것이 괜찮습니까?

이상 탐지 프로젝트 중 하나에서 가져온 예를 살펴보겠습니다. 우리는 알고리즘을 자율 잔디 깎는 기계(ALM)에 적용했습니다. Bosch IoT Analytics 서비스 중 하나를 사용하여 잔디 깎기 시즌 동안 IoT 지원 잔디 깎는 기계의 이상 현상을 계산할 수 있습니다. 이를 위해 사용된 데이터에는 사용 중인 잔디 깎는 기계에서 클라우드의 백엔드로 전송된 상태 및 오류 메시지가 포함됩니다.

매주 서비스가 이 데이터의 상위 10개 이상 항목을 식별하도록 구성되어 있다고 가정해 보겠습니다. 상위 이상 항목 목록에 반복적으로 나타나는 잔디 깎는 기계는 자동으로 표시되고 목록으로 구성될 수 있습니다. 그런 다음 서비스 직원 및/또는 품질 관리자가 수동으로 검사할 수 있습니다. 또한 이상 감지 결과는 중요한 패턴을 분석하고 사고 범주로 그룹화할 수 있습니다.

예를 들어, 상태 및 오류 메시지의 특정 패턴은 개별 모어의 펌웨어를 업데이트해야 하거나 모어가 제대로 설정되지 않았음을 나타낼 수 있습니다. 관찰된 패턴을 범주로 그룹화하여 솔루션 전략(예:특정 작업)을 해당 패턴과 연결하고 이벤트 데이터에서 패턴이 나타날 때마다 자동으로 트리거할 수 있습니다. 이로 인해 영향을 받는 모어에 최신 펌웨어를 적극적으로 푸시하거나 사전에 고객에게 연락하여(고객이 동의한 경우) 서비스 기술자의 지원을 제공할 수 있습니다. 고객 만족도를 높이는 방법입니다.

출처:Bosch.IO

기기 데이터의 이상을 어떻게 감지합니까?

데이터 분석, 특히 이상 탐지는 하나의 절차가 아니라 데이터에 숨겨진 암시적 지식을 추출하기 위한 여러 알고리즘 및 변환의 일반적인 이름입니다. 다양한 유형의 이상 현상과 특정 데이터 및 문제 공식이 있는 다양한 문제 영역이 있습니다.

데이터 분석 프로세스는 형식 변환에서 정교한 기계 학습 알고리즘 및 가치 있는 시각화 구성에 이르기까지 여러 단계를 포함하고 상당히 다른 기술을 사용합니다. 일반적으로 데이터 분석 프로세스에는 다음 단계가 포함됩니다.

1단계:기기 데이터 사용 가능

장치를 연결한 후 이러한 장치에서 전송된 데이터는 다양한 채널을 통해 전송된 다음 처리되기 전에 데이터베이스에 일관되게 저장되어야 합니다.

2단계:기기 데이터 사전 처리

전반적인 분석 과정에서 다양한 데이터 전처리 작업이 대부분의 어려움을 설명할 수 있습니다. 그렇기 때문에 이러한 스크립트를 효율적으로 개발하고 실행할 수 있는 기술을 선택하거나 개발하는 것이 중요합니다. 이 단계는 데이터 정리 및 도메인별 기능 생성과 같은 많은 문제를 해결하도록 설계되었습니다. 이를 데이터 랭글링이라고 하며, 이는 분석을 가능하게 하기 위한 반복적인 데이터 탐색 및 변환으로 정의됩니다.

3단계:기기 데이터 분석

이 프로세스 단계는 적절한 데이터 마이닝 알고리즘을 선택하고 매개변수를 미세 조정하면서 입력 데이터에서 이상을 찾는 데 중점을 둡니다.

4단계:기기 데이터 시각화

마지막으로 데이터는 최종 사용자를 위해 시각화되어야 합니다. 이때 해결하려는 작업과 해당 문제 영역에 적합한 시각적 기법을 선택하는 것이 중요합니다.

출처:Bosch.IO 출처:Bosch.IO

이상 징후 감지는 예측 유지 관리와 같은 보다 복잡한 IoT 분석 사용 사례를 향한 첫 번째 단계일 뿐입니다. 비정상적으로 작동하는 장치가 식별되면 도메인 전문가가 탐색하고 문제 클래스로 분류해야 합니다. 가능하면 문제 솔루션 정보도 주석으로 처리해야 합니다. 유지보수 정보를 컴파일하고 이 데이터 및 분석 결과와 병합하면 깨끗하고 풍부한 데이터 세트를 구성할 수 있습니다. 결과적으로 이 데이터 세트는 예측 유지 관리 솔루션에 필요한 유형의 예측 모델을 구축하는 데 사용할 수 있습니다.

또한 이러한 이상 탐지 결과는 문제를 강조할 뿐만 아니라 도메인 전문가에게 새로운(비즈니스) 기회를 제시할 수도 있습니다. 특정 이상이 다른 장치에 체계적으로 표시되는 경우 특정 기능이 누락되었다는 표시일 수 있습니다. 자율 잔디 깎는 기계의 경우, 하위 그룹에서 나타나는 체계적인 이상 현상은 잔디를 깎는 정원의 특수한 지형이 반복되는 패턴으로 인해 발생할 수 있습니다. 따라서 고급 기능으로 판매될 수 있는 잔디 깎는 기계용 알고리즘 애드온이 필요할 수 있습니다.

우리는 최근 "사물 인터넷에서 이벤트 데이터를 사용한 이상 탐지"에 대한 백서를 발행하여 많은 관심을 받았습니다. 위에서 언급한 처리 단계에 대한 과제와 모범 사례에 초점을 맞추고 다양한 데이터 분석 프로젝트에서 관찰한 내용을 포함합니다.

백서 다운로드