Integrasi Ilmu Data dengan IoT cerdas (IIoT): tantangan saat ini dan perspektif masa depan

       Internet of Things (IoT) adalah teknologi mutakhir yang mentransformasi kehidupan sehari-hari dan urusan bisnis kita di berbagai bidang seperti ponsel pintar, sistem transportasi, produksi makanan, perumahan, perawatan kesehatan, pakaian, dan pemantauan jarak jauh. Berbagai “hal” memungkinkan pelanggan mengubah kebiasaan mereka dan bahkan membuat hidup mereka lebih mudah. 
Menurut McKinsey Global Institute (MGI), IoT akan menghasilkan $ 3,9-11,1 triliun pada tahun 2025 di sembilan lingkungan yang berbeda, termasuk ritel, kota, dan pabrik, dan jumlah perangkat IoT diperkirakan akan mencapai 754.100.000.000, setara dengan penambahan global sebesar 127 perangkat IoT per detik sejak tahun 2020. Perangkat IoT per detik sejak tahun 2020. 
Pengoperasian sistem IoT dapat diringkas menjadi tiga tahap: penyebaran sensor untuk pengumpulan data pengumpulan data, konversi informasi yang dikumpulkan menjadi informasi yang berguna bersama dengan penyimpanan dan pengambilannya, dan transformasi informasi menjadi pengetahuan domain yang akan digunakan oleh pengontrol sistem IoT untuk umpan balik pengguna atau respon sistem IoT menjadi sistem Intelligent IoT (IIoT) dengan mengimplementasikan tiga operasi menggunakan metode cerdas (yaitu, pembelajaran mesin dan pembelajaran mendalam), yang diperluas untuk meningkatkan efisiensi operasional dan menghindari gangguan yang tidak disengaja.

       Kecerdasan Buatan (AI) berdampak pada IoT dengan membanjirnya investasi, teknologi baru, dan lokasi bisnis. Perpaduan yang ampuh membantu bisnis dalam menghindari waktu henti yang tidak disengaja, meningkatkan kemahiran operasional, memungkinkan barang dan jasa, serta meningkatkan manajemen risiko. Perusahaan yang mengembangkan strategi IoT, mengevaluasi proyek IoT baru yang prospektif, atau mencoba untuk memaksimalkan nilai dari penerapan IoT yang sudah ada harus mempertimbangkan pentingnya peran AI. AI dapat menggali wawasan dari data IoT dengan lebih tepat daripada alat intelijen bisnis tradisional. Dengan menggunakan kedua teknologi ini secara bersamaan, dapat memberikan manfaat yang signifikan bagi bisnis, termasuk mencegah penangguhan tak terduga yang merugikan, memungkinkan
baru dan lebih baik, meningkatkan kinerja operasional, dan meningkatkan manajemen risiko.
 
Di lain pihak, science data adalah rangkaian kegiatan yang bersifat interdisipliner untuk menghubungkan, mengekstraksi, dan menyajikan visi ke dalam data dengan menggunakan teknologi pengumpulan, penyimpanan, akses, analisis, dan komunikasi data. Kemampuan data
meliputi kemampuan diagnostik, deskriptif, dan prediktif, yang membantu pengguna dan manajer menggabungkan ilmu data untuk menentukan apa yang terjadi dan mengapa serta bagaimana menangani konsekuensi yang dapat diperkirakan. Integrasi IIoT hanya dimungkinkan melalui penggunaan ilmu data sains yang benar, teknik dan ilmu data yang tepat untuk menghadapi tantangan yang dihadapi oleh Sistem IIoT
 
Tantangan utama untuk IIoT adalah: 
 
a) pengumpulan data untuk fungsi aplikasi IoT dan bagaimana mengatur penempatan sensor
    dan hubungan melalui jaringan komunikasi, 
 
b) menentukan teknik untuk menggunakan AI dan pembelajaran mesin untuk mengevaluasi dan menginterpretasikan yang diperoleh dari perangkat IIoT,  
 
c) Secara efisien mengkomunikasikan informasi yang dievaluasi ke perangkat pengguna IIoT.
 
Fokus utama IoT adalah mesin dan komputer yang menggunakan jaringan untuk “ berinteraksi” satu sama lain, yaitu sebuah proses yang sepenuhnya didasarkan pada pengiriman data yang relevan. Sebagai hasilnya, jika data adalah bahan bakar untuk menggerakkan IoT, maka algoritma IoT sains data mengubah bahan bakar tersebut menjadi sesuatu yang berguna. Alhasil, menurut kami, ilmu data memainkan peran penting dalam menghasilkan nilai dalam sistem IoT. dalam sistem IoT, “Ilmu data mengambil dan menggunakan data yang dikumpulkan oleh sistem IoT dan teknologi untuk mengubahnya menjadi sesuatu yang dapat menciptakan nilai bagi organisasi atau bisnis melalui analisis dan visualisasi.” 
Data komponen data science memungkinkan nilai untuk diturunkan dan dipahami dari menggunakan dan menerapkan teknologi IoT.” Pembelajaran mesin digunakan oleh asisten virtual seperti “Amazon Alexa” untuk mendorong fungsi pengenalan suara mereka. Perangkat keras canggih dan konfigurasi jaringan yang diandalkan perangkat Alexa akan tidak akan berguna jika para ilmuwan data tidak hadir untuk memungkinkan kemampuan perintah suara. Ilmu data mendukung beberapa IoT-sentris kemampuan IoT-sentris, termasuk pengenalan suara. Perangkat IoT menggunakan berbagai macam berbagai keterampilan ilmu data untuk memengaruhi operasi dasar yang diperlukan.
 
Tujuan dari AI, IoT, dan ilmu data dalam komunikasi digital adalah untuk mendorong kolaborasi perusahaan dan akademisi dalam mengubah jaringan dan sistem dengan menggunakan kemampuan ketiga teknologi tersebut. Kemajuan dalam IoT, mobilitas, dan protokol komunikasi tetap telah membuka jalan bagi masyarakat yang digerakkan oleh data.
 
Peningkatan konektivitas melalui perangkat seluler telah menghasilkan beban kerja baru, yang membutuhkan infrastruktur yang terorganisir dengan baik dan stabil. Infrastruktur yang terorganisir dengan baik dan stabil.Karena beragamnya aplikasi dan lalu lintas, jaringan yang lincahjaringan dengan kemampuan peningkatan diri akan diperlukan untuk memastikankeandalan yang tinggi dan waktu respons yang sangat cepat.Perangkat jaringan,agen, sensor, meteran, kendaraan cerdas dan sistem menghasilkan besarjumlah data yang besar, sehingga menguji keamanan dan keandalannya.
 
Tantangan seperti itu membutuhkan teknologi mutakhir untuk layanan yang suksesdan alat manajemen analitik untuk memprediksi aktivitas jaringan sebelum masalah berkembang. 
 
Selain itu, menggunakan penggalian data untuk mendeteksi sinyal Quality of Experience (QoE) dapat meningkatkan kepuasan pelanggan.
 
Menurut literatur, berbagai aplikasi IoT telah diperkenalkan atau akan diperkenalkan dalam waktu dekat. Sebagai IoT kemungkinan besar akan menghasilkan manfaat yang signifikan di berbagai bidang, dari teknologi penelitian canggih hingga kehidupan sehari-hari, lembaga penelitian di banyak negara telah mengalihkan perhatian mereka ke pendapatan IoT. Mengkategorikan aplikasi yang memungkinkan ke dalam lingkungan inovatif, kesehatan perawatan, transportasi, dan bidang sosial. Di sisi lain, mengklasifikasikan domain aplikasi ke dalam industri, komunitas, dan lingkungan berdasarkan fungsi IoT pada jenis acara, seperti di mana akan diterapkan dan siapa yang akan menggunakannya. Selain itu, karya dalam mempresentasikan sekitar 50 aplikasi, yang diklasifikasikan ke dalam kategori pintar yang berbeda (misalnya pengukuran, air, pertanian, pertanian, keamanan, logistik, ritel, manajemen industri, e-kesehatan, dan otomatisasi rumah). Saat ini, sebagian besar peneliti mempertimbangkan algoritma data mining sederhana untuk membuat arahan membagi data, tetapi hasil ini tidak cukup. Oleh karena itu, atas dasar pengamatan, potensi penggunaan data mining di IoT adalah dirangkum di bawah ini:
 
1) Untuk manusia:
    Karena IoT adalah sistem yang cerdas dan semi-otonom, ia dapat membuat
saran yang akurat kepada orang-orang. Tidak seperti sistem yang sepenuhnya otonom, ini
jenis sistem ini mungkin memerlukan akurasi tinggi (misalnya analisa medis). Untuk
Untuk sistem yang membutuhkan akurasi tinggi, teknologi penggalian data mendukung
pengambilan keputusan pengguna daripada berpartisipasi dalam pilihan akhir.
 
2) Untuk diri mereka sendiri:
    Berpikir sendiri untuk “sesuatu” adalah salah satu penelitian yang menggembirakan
aspek dari objek pintar. Dalam praktiknya, penggalian data memiliki kapasitas
untuk menyaring data yang tidak perlu dan memilih jenis informasi apa yang harus
diunggah yang akan relevan untuk aplikasi dalam skala besar dengan
sumber daya yang terbatas (misalnya, pemantauan sumber daya alam dan presisi
pertanian). Selain itu, menilai situasi saat ini untuk memberikan resolusi yang memungkinkan memiliki potensi penggalian data tambahan (misalnya, menyesuaikan AC secara animasi untuk lingkungan yang santai).
 
3) Untuk hal-hal lain:
     Ini adalah tantangan penting lainnya dalam koneksi IoT atau koneksi M2M dengan perangkat atau benda lain. Namun, penekanannya adalah selain menyampaikan data kepada orang lain dan melakukan tugas bersama. Misalkan objek-objek tersebut analog satu sama lain dan oleh karena itu memiliki persyaratan yang sama. Dalam hal ini, teknik pengelompokan dapat digunakan untuk mengaturnya ke dalam kelompok yang sama sehingga objek dapat dengan cepat menentukan yang mana yang membutuhkan data yang mereka bawa dan mana yang tidak.
 
Ilmu data untuk IoT bisa sangat berharga, tetapi apakah ada cukup banyak orang yang memiliki keterampilan analitik yang sesuai? Kontraktor ilmu data tradisional mendominasi pasar karena analitik IoT belum belum mendapatkan penerimaaan yang luas. Akan tetapi, karena semakin banyak bisnis menggunakan teknologi IoT, hal ini dapat berubah dengan sangat cepat. Ilmuwan data IoT perlu mempelajari keterampilan baru dan memahami nuansa proses penerapan. Untuk mencapai hal ini, mereka perlu mempelajari berikut ini:
- Komputasi Tepi: Ini adalah teknik memproses data sedekat mungkin ke sumbernya sedekat mungkin untuk meningkatkan kecepatan dan mengurangi kemacetan jaringan.
- Desain Berbantuan Komputer (CAD): Sangat penting untuk memahami yang mendasari desain fisik perangkat pintar untuk tujuan analisis data.
- Kerangka Kerja Komputasi IoT: Untuk memahami perangkat keras IoT dan data data, para ilmuwan juga harus memanfaatkan alat pembelajaran sumber terbuka dengan mempertimbangkan analisis data.

       Tidak ada strategi umum untuk mengatasi kesulitan ilmu data dengan data besar IoT. Perbedaan utama antara ilmu data dan IoT adalah bahwa ia berfokus pada analisis data deret waktu, komputasi kognitif, pemrosesan waktu nyata, analisis data geo-geografis, komputasi tepi, pembelajaran mendalam, dan lain – lain.
Ilmu data untuk IoT membutuhkan peneliti data yang terbiasa dengan berbagai cara untuk mengintegrasikan perangkat keras dan pemrosesan peristiwa yang rumit. Mengerjakan masalah-masalah yang berkaitan dengan IoT mungkin akan memikat para peneliti data karena ini adalah spesialisasi yang inovatif (Oleh Muhammad Arifin  Ilham)
 
 Source : https://www.sciencedirect.com/science/article/pii/S2352864824000269?via%3Dihub