Internet of Things = Internet of Data

door Jip Schwering - 30 januari 2018

Volgens de Gartners, IBMs en McKinseys van deze wereld is ‘the Internet of Things’ (IoT) the next big thing. Kijk naar de verwachtingen van de marktgroei, en je wordt overweldigd door gigantische groeicijfers. En, ik geloof ze. Het gaat gebeuren. Op het moment dat het bedrijfsleven en consumenten snappen wat de ware mogelijkheden van IoT zijn. Maar dan moeten we beginnen bij de definitie van IoT.

Het gaat niet om de dingen

Helaas denken veel mensen bij IoT daarom nog aan een wasmachine aanzetten met je telefoon. Of aan bijvoorbeeld licht- en temperatuur sensoren waar je met een Arduino tegenaan kunt programmeren. Maar daarmee wordt IoT tekort gedaan, omdat er te veel wordt gekeken naar de ‘dingen’. Die zijn op zichzelf niet meer dan een toevoeging in het digitale ecosysteem, naast alle bestaande producten en systemen. Het zijn de ogen en de oren van een intelligent systeem, maar niet de hersenen.


De definitie

Als ik het Google, dan komen er verschillende definities naar voren die allemaal ongeveer hierop neerkomen: “Het Internet of Things bestaat uit alledaagse objecten die door minicomputers ‘slim’ worden gemaakt en die middels een netwerkverbinding kunnen communiceren met personen en andere objecten. Dit stelt ze in staat om gegevens te versturen en ontvangen, en autonome beslissingen te nemen.”


 

IoT dus gaat níet om die dingen. Het gaat wél om de data die de dingen kunnen communiceren en wat je daarmee doet. Vanuit dat oogpunt is het een gereedschap in de digitale transformatie. Door op elk punt in de customer journey nieuwe data te kunnen verzamelen en daar real-time en volautomatisch op te kunnen reageren, is het een middel om klanten centraal te stellen, processen te optimaliseren (door te digitaliseren) en innovatieve businessmodellen te ontwikkelen. De rest van deze blog zal de rol van data verder toelichten.

Hoe is IoT wel te definiëren?

In mijn definitie van IoT ga ik mee met Timothy Chou van Stanford University (ik kan zijn online cursus aanraden). Hij definieert IoT als een ecosysteem, waarin

  1. dingen (o.a. sensoren, CPU’s, chips, Arduino, Raspberry Pi)
  2. met elkaar verbinden (o.a. z-wave, lora, bluetooth)
  3. om informatie te verzamelen (in bijv. een NoSQL, time-series of event log database)
  4. op basis waarvan wordt geleerd (machine learning)
  5. en gehandeld (in bijvoorbeeld een IoT-as-a-service verdienmodel)

Deze handelingen aan het einde van de keten creëren de echte waarde voor je klanten.

Huidige staat van de markt

Als je kijkt naar de huidige toepassingen van IoT, dan zie je dat organisaties vooral zoeken naar optimalisaties van huidige processen, producten en diensten, en in mindere mate naar nieuwe business modellen. Dat is op zich geen probleem. Een innovatie hoeft niet per se groots en meeslepend te zijn; juist in bestaande producten en diensten kunnen productiviteit, kwaliteit, veiligheid en tevredenheid worden verhoogd en kosten worden verlaagd door de mogelijkheden van IoT toe te voegen aan een bestaande basis. Denk bijvoorbeeld aan de Amazon Dash, een knop die je op een product (een wasmachine) kunt bevestigen en die een bijbehorend product (wasmiddel) bestelt als je op de knop drukt. Dit is niets anders dan een sterke versimpeling van een al bestaand proces.

Veel initiatieven blijven daarmee helaas wel steken op stap 3: het verzamelen van data en inzicht geven, waarbij follow-up acties vaak handmatig zijn. Of zelfs op stap 2: plug&play, signaleren wat een sensor zegt en op basis daarvan een voorgeprogrammeerde actie uitvoeren (de Amazon Dash valt in deze categorie). De toepassing wordt daarbij vaak als product verkocht, waarmee de klant dus eigenaar wordt van een ‘IoT-product’. Dan blijf je op het niveau van een ‘ding’ steken.

Maar juist in de combinatie van stap 3, 4 en 5 liggen talloze mogelijkheden voor het aanbieden van productoverstijgende diensten met nieuwe verdienmodellen. Om dit uit te leggen, zal ik wat dieper ingaan op deze laatste drie stappen; informatie verzamelen, leren en handelen.

 

(De tekst gaat verder onder deze blogs)

GDL wint prestigieuze NAF Architectuurprijs 2018

GDL heeft de afgelopen jaren met ondersteuning van Trivento gewerkt aan de realisatie van het omvangrijke architectuurproject.

Lees de blog >

Waarom is digitale transformatie de nieuwe software revolutie?

Veel bedrijven hebben nog geen strategie voor de digitale transformatie. Waarom is digitale transformatie de nieuwe software revolutie?

Lees de blog >

Internet of Things = Internet of Data

Waar ligt de echte waarde en kracht van Internet of Things? Waarom lijkt er een beweging nodig naar IoT as-a-service of internet of data?

Lees de blog >

Informatie verzamelen – De kracht van IoT gegevens

Traditioneel zijn gegevensbronnen vaak mensen of machines. Mensen doen kennis op van de fysieke wereld, machines verzamelen gegevens in de digitale wereld. Maar er zijn ‘maar’ 7 miljard mensen, deze mensen weten lang niet alles, onthouden lang niet alles en zijn niet continu kennis aan het overdragen aan de rest van de wereld. Een machine onthoudt wel alles en kan gegevens overdragen wanneer gevraagd. Maar het kan je alleen vertellen welke digitale gegevens er in de database zijn opgeslagen, zonder ook maar iets van de fysieke wereld en de context te weten.

De IoT ‘dingen’ zijn een hele andere bron van gegevens die het beste van mensen en machines combineren. Want er zijn ontelbaar veel dingen, die je continu heel veel vertellen, over gebeurtenissen die plaatsvinden in de fysieke wereld. Deze unieke karakteristiek van IoT is de basis van alle toegevoegde waarde die het kan leveren. Deze gegevens worden vervolgens echt interessant als ze in een bredere context kunnen worden geplaatst. Daartoe zullen gegevens van een ‘ding’ dus ook gecombineerd moeten worden met gegevens van andere dingen, en gegevens uit traditionele bronnen.

Veel IoT initiatieven stoppen bij het verzamelen van data. Sommigen visualiseren deze data om inzichten te geven aan gebruikers van systemen, die vervolgens kunnen bepalen wat de gewenste actie is. In relatief simpele gevallen is het ook mogelijk om de gewenste actie te automatiseren, bijvoorbeeld: Als de grond onder gewassen te droog is (gemeten door een ‘ding’), en buienradar geeft aan dat het binnenkort niet gaan regenen (combinatie met andere gegevensbron), dan zet het systeem automatisch het irrigatiesysteem aan. Maar je kunt ook nog verder gaan door Machine Learning toe te passen.

Leren – Machine learning

Je kunt verschillende extra dingen doen met een set aan verzamelde data.

  1. Als je een hypothese wilt onderzoeken, volstaat een simpele database query. Dit werkt als je al een idee hebt over wat je vraag is. Als je een hartslagmeter hebt, kun je bijvoorbeeld vragen: Wat is mijn gemiddelde hartslag
  2. Supervised machine learning gaat een stapje verder; daar gaat het erom dat je een ‘machine’ de output laat voorspellen op basis van de input. Je creëert een voorspellend model door de machine hierop te ‘trainen’. Om in het voorbeeld te blijven, zou een algoritme op basis van je hartslag kunnen voorspellen wat je aan het doen bent (sporten, slapen, werken, wandelen, etc).
  3. Unsupervised machine learning is iets ingewikkelder. Hier wordt alleen gekeken naar de input, om daarin interessante clusters en patronen te vinden. Hiermee zou je kunnen leren dat mannen tussen de 20-25 een erg lage hartslag hebben. Je kunt daarmee ook afwijkingen detecteren op deze patronen: Bijvoorbeeld als één man van 23 een erg hoge hartslag heeft.
  4. Er ontstaan nog interessantere mogelijkheden wanneer de tijd ook een rol speelt. En juist als het gaat om data die in een continue stroom wordt vergaard door sensoren in een Internet of Things, dan heb je de uitgelezen mogelijkheid om tijd als factor mee te nemen in je variabelen. Zo kan een algoritme leren dan je elke zondagmiddag en donderdagavond sport, en dat het niet normaal is als je midden in de nacht een hoge hartslag krijgt.

Dit zijn versimpelde voorbeelden om deze concepten snel uit te kunnen leggen. Stel je nu eens voor dat je data uit verschillende sensoren en andere bronnen met elkaar combineert. Dan overstijg je de beperkingen van één product en kun je real-time gebeurtenissen herkennen op een hoger niveau, over meerdere databronnen heen.

Een tot de verbeelding sprekend voorbeeld is een vulkaan die op uitbarsten staat; dit is te herkennen aan o.a. seismografische activiteit, de vervorming van de oppervlakte, de samenstelling en temperatuur van de gassen, de vitaliteit van planten, de kleur en samenstelling (mineralen) van naburige waterpartijen, warmtebeelden en topografische informatie van satellieten. Veel van deze data zijn te meten door ‘dingen’, en door het verzamelen van al deze gegevens en daar machine learning op toe te passen, worden vulkaanuitbarstingen een stuk voorspelbaarder.

Combinaties daarvan kunnen vervolgens weer een gebeurtenis op een nóg hoger niveau aanduiden, en zo door. Stel je bijvoorbeeld voor dat een systeem door het verzamelen van gegevens weet dat er mensen aan het wandelen zijn op de vulkaan en dat die ineens op uitbarsten staat, dan is te voorspellen welke mensen in gevaar zijn.

Als je machine learning toepast op gebeurtenissen op deze verschillende niveaus, dan kunnen algoritmes ons real-time waardevolle antwoorden geven op vragen die we nog niet eens hadden geformuleerd. Veel huidige IoT systemen zijn nog lang niet zo ver, omdat ze nog te veel focussen op één product en één databron. Daarmee geven ze inzicht in kleine gebeurtenissen met een beperkte scope, en kan alleen een dienst worden aangeboden op het niveau en binnen de context van de beschikbare data. Zonde!

Handelen – Diensten op de data

Met de bergen data en eventueel machine learning kun je diensten aanbieden door te handelen op basis van zowel kleine als high-level gebeurtenissen die worden herkend uit de data. Dit kan door gebruik te maken van beschrijvende en voorspellende inzichten.

Beschrijvende inzichten gaan over wat er is gebeurd. Bijvoorbeeld: Er is een vulkaan uitgebarsten. Voorspellende inzichten gaan over wat zou er in de toekomst kunnen gaan gebeuren. Bijvoorbeeld: De seismografische activiteit en temperatuur van de gassen wijzen op een mogelijke vulkaanuitbarsting, dus daar geven we een melding van.

Maar het wordt echt innovatief bij voorschrijvende inzichten. Deze gaan over wat er waarom gaat gebeuren, en welke handeling daar dan bij hoort. Als het systeem weet welke mensen in gevaar zijn door een mogelijke vulkaanuitbarsting, dan kan het berekenen of het ze nog een appje kan sturen dat ze weg moeten rennen, of dat hij toch alvast een helikopter hun kant op moet sturen – en dit ook gelijk doen!

Zo maak je dus de stap van het geven van informatie aan een menselijke actor – op basis waarvan die vervolgens een handeling kan bepalen en verrichten – naar het automatisch handelen op basis van (voorspellende) informatie. Zo kan er geautomatiseerd en real-time worden gehandeld voor en namens de klant, zonder tussenkomst van een menselijke actor en zonder vertraging.

Top-down versus bottom-up benadering

In het uitvoeren van alle 5 stappen kun je verschillende volgordes kiezen. Je kunt beginnen bij het plaatsen van tig sensoren. Die laat je allerlei data verzamelen. Daar pas je machine learning op toe en je kijkt of je iets vindt waar je een dienst op zou kunnen ontwikkelen. Dit kan werken, maar lijkt me vooral een kwestie van geluk.

Mijn persoonlijke overtuiging is dat je voor een top-down benadering zou moeten gaan. Dat wil zeggen: Begin bij een concept van de dienst die je wilt aanbieden (bijvoorbeeld: ik wil mensen redden bij vulkaanuitbarstingen), en het business model daaromheen. Bekijk vervolgens welke data van welke entiteiten je nodig denkt te hebben, en organiseer de verzameling hiervan door de juiste sensoren te kiezen. Maak een proof-of-concept, experimenteer en verfijn je dienst door deze op een Agile manier door te ontwikkelen. Leer daarbij van je klanten, maar ook vooral van je data.

Geen beperkingen

Hier zijn vrijwel géén beperkingen. Veel mensen zien het gebrek aan een standaard communicatieprotocol tussen verschillende ‘dingen’ als een groot obstakel voor IoT, en denken daarom bottom-up: met elkaar communicerende hardware inkopen van een leverancier en alleen doen wat je daarmee kunt. Dit kan beter. De technologische fragmentatie is wel een gegeven, maar het is geen probleem omdat alle communicatieproblemen op te lossen zijn door software te bouwen.

Enige voorwaarde is om dat te kunnen doen, is dat je IoT hardware kiest die past in een ‘open’ systeem (die een open protocol ondersteunt en die API’s aanbiedt). Dit is in tegenstelling tot bijvoorbeeld sommige ‘Smart Home’ systemen, waardoor je vastzit aan de software en hardware van een productlijn van één leverancier.

Als je zonder beperkingen een IoT dienst op de markt wil brengen, is het daarnaast belangrijk dat je altijd zelf in controle bent over welke data je verzamelt en welke software je ontwikkelt. Alleen op die manier kun je je dienst op een Agile manier blijven ontwikkelen, zonder daarbij afhankelijk te zijn van externe leveranciers met hun eigen productbelangen.

Internet of Data, as-a-service

Nu heb ik al een paar keer een ‘IoT dienst genoemd. Bewust, want qua verdienmodellen valt er nog winst te behalen bij IoT. Laten we de parallel trekken met software ontwikkeling. Die verdienmodellen volgden elkaar ongeveer als volgt op:

  1. Eenmalig een product kopen met evt. een service contract (een software programma op een computer installeren en draaien, en updates ontvangen)
  2. Een product kopen met extra pay-per-use diensten (bijvoorbeeld een softwarepakket aankopen en installeren binnen het netwerk van een bedrijf, waarbij de leverancier diensten biedt om te configureren, en de performance en security op peil te houden)
  3. Een pay-per-use dienst aanbieden waarbij de leverancier eigenaar blijft van het product (software-as-a-service in de cloud, bijvoorbeeld Salesforce, Netflix of Spotify)

Wat interessant is om te zien is dat IoT nu nog vooral in stap 1 (het aankopen van een product) zit. Ik denk dat de echte waarde niet uit het product zelf komt, maar uit de software en diensten eromheen. Daarom is er een beweging nodig naar IoT-as-a-service. Of dus eigenlijk… IoD (internet of data) as-a-service!

Wil je meer weten? Wilt u ook naar stappen 3, 4 en 5? Onze collega’s van Trivento Data Services kunnen je meer vertellen! Of lees de whitepaper over Internet of things en streaming data.

 

Deze blog verscheen eerder op de website van Trivento Spark.

Hoe krijg je waarde uit IoT-as-a-service door de software of diensten eromheen?

lees de gratis whitepaper