IoTデータからアクションを導き出すための4つのステップ

今日、デバイスはソーシャルネットワークよりも多くのIoTデータを生成します。各デバイスは、1秒間に数回データを送信できます。何百万ものデバイスが接続されているため、このような着信イベントを毎日処理するには、一般的なデータ処理プラットフォームが必要になる場合があります。

この量のデータを処理することは明らかにかなりの量であり、決して些細な技術的課題ではありませんが、デバイスデータ自体は、前処理された形式で保存されている場合でも、実用的なものではないことは明らかです。実用的な洞察を得るには、収集したデータを分析する必要があります。

IoTのデータ分析で効果的に取り組むことができるタスクの1つのタイプは、異常検出です。 。その目標は、以前に観察されたものや予想されたものとは大幅に異なる、接続されたデバイスの異常な動作を特定することです。

出典：Bosch.IO

接続された芝刈り機ですべて問題ありませんか？

異常検出プロジェクトの1つから抜粋した例を見てみましょう。アルゴリズムを自律型芝刈り機（ALM）のフリートに適用しました。ボッシュのIoTAnalyticsサービスの1つを使用して、このIoT対応の芝刈り機の刈り取りシーズンにおける異常を計算できます。この目的のために、使用されるデータには、使用中の芝刈り機からクラウドのバックエンドに送信されるステータスメッセージとエラーメッセージが含まれています。

毎週、このデータの上位10個の異常を特定するようにサービスが構成されていると仮定します。上位の異常のリストに繰り返しポップアップする芝刈り機は、自動的にマークされ、リストに整理されます。その後、サービス担当者や品質管理者はそれらを手動で検査できます。さらに、異常検出の結果を分析して重要なパターンを分析し、インシデントのカテゴリにグループ化することができます。

たとえば、状態メッセージとエラーメッセージの特定のパターンは、個々の芝刈り機のファームウェアを更新する必要があること、または芝刈り機が適切に設定されていないことを示している可能性があります。観察されたパターンをカテゴリにグループ化することにより、ソリューション戦略（つまり、特定のアクション）をそれらに関連付け、パターンがイベントデータに現れるたびに自動的にトリガーすることができます。これにより、影響を受ける芝刈り機に最新のファームウェアを積極的にプッシュしたり、サービス技術者からのサポートを提供するために顧客に積極的に連絡したりする可能性があります（顧客が同意した場合）。これらは、顧客満足度を高める方法です。

出典：Bosch.IO

デバイスデータの異常をどのように検出しますか？

データ分析、特に異常検出は1つの手順ではなく、データに隠された暗黙知を抽出することを目的とした多数のアルゴリズムと変換の総称です。さまざまな種類の異常と、特定のデータと問題の定式化を伴うさまざまな問題領域があります。

データ分析のプロセスには多くのステップが含まれ、フォーマット変換から高度な機械学習アルゴリズム、貴重な視覚化の構築まで、まったく異なるテクノロジーが使用されます。通常、データ分析プロセスには次の手順が含まれます。

ステップ1：デバイスデータを利用可能にする

デバイスを接続した後、これらのデバイスによって送信されたデータは、さまざまなチャネルを介して転送され、処理される前にデータベースに一貫して保存される必要があります。

ステップ2：デバイスデータの前処理

全体的な分析プロセスでは、さまざまなデータ前処理タスクがほとんどの問題の原因となる可能性があります。そのため、このようなスクリプトを効率的に開発および実行するためのテクノロジを選択または開発することが重要です。このステップは、データクレンジングやドメイン固有の機能の生成など、多くの問題を解決するように設計されています。これは、データラングリングと呼ばれることが多く、分析を可能にするための反復的なデータ探索と変換として定義されます。

ステップ3：デバイスデータの分析

このプロセスステップでは、適切なデータマイニングアルゴリズムを選択し、そのパラメータを微調整しながら、入力データの異常を見つけることに重点を置いています。

ステップ4：デバイスデータの視覚化

大事なことを言い忘れましたが、データはエンドユーザーのために視覚化する必要があります。その際、解決するタスクとそれぞれの問題領域に適した視覚的手法を選択することが重要です。

出典：Bosch.IO 出典：Bosch.IO

異常の検出は、予知保全など、より複雑なIoT分析のユースケースに向けた最初のステップにすぎません。異常な動作をしているデバイスを特定したら、ドメインの専門家がそれらを調査し、問題のあるクラスに分類する必要があります。可能であれば、問題解決情報にも注釈を付ける必要があります。メンテナンス情報を編集し、それをこのデータと分析結果とマージすることで、クリーンで豊富なデータセットを構築できます。次に、このデータセットを使用して、予知保全ソリューションに必要なタイプの予測モデルを構築できます。

さらに、これらの異常検出結果は問題を浮き彫りにするだけでなく、ドメインの専門家に新しい（ビジネス）機会を示すこともできます。特定の異常が体系的な方法でさまざまなデバイスに表示されている場合は、特定の機能が欠落していることを示している可能性があります。自律型芝刈り機の場合、サブグループに現れる体系的な異常は、刈り取られている庭の特殊な地形の繰り返しパターンによって引き起こされる可能性があります。したがって、これらには、高度な機能として販売できる芝刈り機用のアルゴリズムアドオンが必要になる場合があります。

最近、「モノのインターネットにおけるイベントデータによる異常検出」に関するホワイトペーパーを公開し、多くの関心を集めました。上記の処理ステップの課題とベストプラクティスに焦点を当てており、さまざまなデータ分析プロジェクトで行った観察結果が含まれています。

ホワイトペーパーをダウンロード