Сэмюэл Грингард - Интернет вещей: Будущее уже здесь

Еще один способ использовать датчики – встроить их в элементы физической среды, включая дороги, здания, почву, растения и воду океана. Когда сотни и тысячи датчиков подключены друг к другу, можно просматривать данные с более высоким разрешением и лучше понимать взаимосвязи и модели. Например, умная городская транспортная сеть может эффективно управлять движением транспорта и оптимизировать работу светофоров для максимального потока автомобилей. Это не только ускорит транспортное сообщение, но и позволит пользоваться дорогой большему количеству автомобилей одновременно.

Эти технологии могут принести немало пользы в сельском хозяйстве и прогнозах погоды. Сегодня фермеры используют датчики, встроенные в машины и поля, чтобы распространять удобрения и пестициды более точно (и, как следствие, снизить потенциальный вред для окружающей среды). Датчики отслеживают уровень содержания влаги в почве и включают оросительную систему, если требуется. Даже коровы, свиньи и другие животные все чаще подключаются к сети. По некоторым оценкам, в США и Европе сейчас уже более 14 млн подключенных ферм, а к 2020 г. число подключенных устройств на фермах превысит 70 млн. Информационную революцию совершают такие компании, как OnFarm и Trimble, которые выпускают системы для измерения самых разнообразных показателей, от уровня и натяжения почвенной влаги до величины pH и оптимальных моделей удобрения культур.

В то же время все более мощные компьютеры, датчики, большие данные и более продвинутое компьютерное моделирование выводят прогноз погоды на новый, более точный уровень. Сегодняшние прогнозы погоды на шесть дней вперед по уровню точности сопоставимы с прогнозами погоды на пять дней вперед десять лет назад. Помимо спутников и обычных метеостанций ученые используют все большие количества датчиков, которые встраиваются в физические объекты среды. Бен Кайгер, директор центральной оперативной службы в Национальных центрах предсказаний условий окружающей среды под эгидой Национального управления океанических и атмосферных исследований, говорит, что цель состоит в том, чтобы повысить разрешающую способность сетки для получения более точных и долгосрочных прогнозов. Национальная метеорологическая служба уже проводила эксперименты с привлечением социальных сетей и краудсорсинга, чтобы собирать данные о погоде.

Использование дополнительных датчиков и краудсорсинговых технологий открывает новые возможности получения данных с высоким разрешением. Ллойд Трейниш – выдающийся инженер IBM в исследовательском центре имени Томаса Уотсона и куратор проекта Deep Thunder. Этот проект направлен на повышение точности прогнозов погоды с помощью более совершенных технологий сбора и анализа данных. Трейниш утверждает, что измерения, полученные с использованием оборудования на фермах, датчиков скорости ветра и содержания влаги в почве и воздухе, а также данные со смартфонов и других устройств очень ценны для получения знаний обо всем, от температуры и скорости ветра до уровня давления и влажности. А с помощью правильных данных и правильных точек ввода можно повысить точность прогнозирования и научиться строить более эффективные и экономически ценные модели.

Данные, полученные от подключенных физических объектов, могут распространяться на инфраструктуру и служить целям общественной безопасности. Если подключить мост, тоннель или автомагистраль, то можно вовремя понять, что данный объект нуждается в ремонте. Так намного легче определять приоритетность рисков и, как следствие, организовывать ремонтные работы. Кроме того, применяя нужное программное обеспечение и информационные панели на самом объекте, можно получать данные из всей инфраструктурной системы. Иными словами, опираясь на структурированную информацию, а не на чьи-то мнения или политические взгляды, ведомство может четко рассчитать реальную степень риска и расходы в случае ремонта объекта или игнорирования этой потребности.

Сегодня компании и правительственные организации уже используют технологии повышения ситуативной осведомленности для управления движением транспорта. Правоохранительные органы в Лос-Анджелесе, Нью-Йорке, Мемфисе и Санта-Крузе используют ввод данных и их анализ в реальном времени для выявления вероятных рисков и своевременного выделения сотрудников и ресурсов на основе развивающейся концепции прогнозного поддержания общественного порядка. Компании устанавливают все больше разнообразных датчиков (от средств видеоконтроля до подслушивающих устройств), чтобы выявлять проблемы и использовать данные для строительства более качественных дорог, водохозяйственных объектов и авиационных заводов.

Интернет вещей, помимо прочего, поддерживает более широкое и сложное планирование и принятие решений. При наличии необходимой вычислительной мощности, соответствующих датчиков и достаточных объемов для хранения, сейчас можно вывести сбор и анализ данных на такой уровень, который раньше и представить себе было невозможно. Например, по мнению McKinsey & Company, обширные сети датчиков в земной коре позволили бы буровым компаниям получать гораздо больше информации. Хороший пример того, как датчики и мониторинг объектов меняют жизнь, можно увидеть в швейцарской мультинациональной нефтепромысловой компании Weatherford. С помощью радиочастотной идентификации она следит за техническим состоянием бурового оборудования и определяет, когда требуется ремонт или модернизация.

В Транспортном управлении Швеции (Trafikverket) обычный осмотр интенсивно используемых вагонов и локомотивов был заменен на отслеживание электронными системами (на протяжении 13 000 км путей). Используя радиочастотные метки и считыватели, а также сотовые и локальные сети для передачи данных к центральному устройству мониторинга, инженеры получают данные более чем из 150 промежуточных точек контроля. Когда поезда на полном ходу проносятся через эти точки, оборудование может обнаружить перегрев подшипников осей, повреждение колес, чрезмерную вибрацию и другие проблемы. «Мы выводим оборудование из эксплуатации прежде, чем произойдет серьезная поломка», – говорит менеджер проекта Леннарт Андерсон.

Совокупные данные в течение последующих 25 лет произведут переворот во всех областях. Ретейлеры используют их, чтобы понимать покупательские привычки, производители – чтобы знать о состоянии оборудования, а организации в области здравоохранения – чтобы точнее предсказывать поведение людей. Камеры, видео– и аудиоданные, информация о перемещении объектов, а также другие источники данных создадут новые и улучшенные алгоритмы, средства эмуляции и методы моделирования. Когда люди и окружающая их среда будут оснащены датчиками, правительственные организации и компании смогут преобразовывать данные, полученные с каждодневных моментальных снимков, в движущуюся картинку. Это позволит делать посекундные корректировки, доработки и изменения.