10 ključnih NB-IoT izazova: 4. Strojno učenje
Problem s NB-IoT-om je, također, taj što je ograničen. I to po samoj definiciji, jer je to uskopojasna stanična tehnologija za IoT uređaje s ograničenom snagom.
Brzina prijenosa podataka je povećana na 200 kbps na downlink i 20 kbps na uplink, a korisno opterećenje doseže vrhunac od 1600 bajtova po poruci.
A ako želite 10 godina trajanja baterije, kao što je oglašeno, prosječna dnevna komunikacija vjerojatno ne bi trebala biti veća od 200 bajtova. Što predstavlja određene izazove za mrežni prijenos i potrošnju energije ako radijska jedinica treba nositi bilo što više od vrlo ograničenih i vrlo povremenih prijenosa podataka.
Ključ je voditi obradu podataka na ‘rubu’ – stvara se pokret tinyML-a
Glavna disciplina je, sve više, za cijelo tržište IoT-a voditi obradu na ‘rubu’, što bliže akciji. Za to postoji nekoliko razloga.
U industrijskim okruženjima, gdje je latencija često kritičan čimbenik za prijenos podataka između povezanih strojeva i analitičkih motora, postoji trend pokretanja prometa preko privatnih 4G/5G mreža do i od lokalnih računalnih rezervi. Ponekad i unutar regionalne (MEC) infrastrukture. Uglavnom, u prostorijama poduzeća, a ponekad i u samim strojevima.
U slučaju IoT senzora male snage, gdje je cilj samo spriječiti pad mreže, jedina opcija je često ugraditi računsku snagu unutar IoT modula, kao minijaturizirano strojno učenje ili “tinyML”. Na taj se način obrada podataka – zapravo, proces ‘zaključivanja’ uvida u modele strojnog učenja (ML) obučenih u oblaku – događa na uređaju. Tamo se zapravo podaci i prikupljaju, a veći dio starog dvosmjernog prometa do oblaka je zaustavljen. Mrežom se šalju samo anomalije – događaji u podacima koji pokreću akciju.
Oni se koriste za omogućavanje centralizirane kontrole povezanih uređaja i za daljnju obuku ML motora. U međuvremenu, mreža je neopterećena, što pomaže u upravljanju troškovima prijenosa i očuvanju baterije.
Pokret tinyML-a sve je intenzivniji. Nordic Semiconductor surađuje sa američkim stručnjakom za tinyML Edge Impulse kako bi ugradio ML u svoj IoT portfelj, uključujući u svoju seriju nRF52/3 temeljenu na Bluetoothu i nRF9160 bazirane na staničnoj mreži.
“To je još važnije u staničnom prostoru, jer su sami prijenosi skupi, u smislu potrošnje energije, ali i podatkovnog prometa. Dakle, vrlo je relevantno za to.”
