Een succesvolle oplossing ontwikkelen voor het internet of things is gemakkelijker gezegd dan gedaan. Peter Schepers van iot-specialist Itility zet uiteen wat daar zoal voor nodig is.
Het internet of things: iedereen heeft het erover, maar eigenlijk staan we pas aan de vooravond. We worden overstelpt met technische bouwblokken voor het iot: sensormodules, Linux-computers ‘in the box’ en de mooiste stukjes software. De data lekken er aan alle kanten uit.
En daar zit de uitdaging: hoe kunnen we die overvloed aan gegevens verzamelen, analyseren en combineren tot slimme functionaliteit? Tot een ‘smart’ device dat leidt tot meer omzet, en klantenbinding op de lange termijn. De big-datadoos van Pandora is pas net geopend.
Het iot links laten liggen, lijkt geen optie, maar het vergt veel vaardigheden en een nieuwe blik om het eigen product of de eigen dienst succesvoller te maken dan de concurrent. Dat dat geen sinecure is, kunnen we overal om ons heen zien: nog weinig huizen zijn echt smart en de eerste ‘zelfrijdende auto’s’ hebben nog steeds een stuur en een chauffeur om dat stuur regelmatig vast te houden.
Terwijl we nadenken over doorbraaktoepassingen, worstelen we met de bouwstenen: de stukjes hardware die alsmaar kleiner en energiezuiniger moeten en software waarvan de ontwikkeling jarenlange training vereist. Met traditionele netwerkprotocollen duizenden sensoren aanspreken, is nog steeds een crime. Dat moet anders, dus we experimenteren er lustig op los.
Device lifecycle management for fleets of IoT devices
Microchip gives insight on device management, what exactly is it, how to implement it and how to roll over the device management during the roll out phase when the products are in the field. Read more. .
Ook het verdienmodel is onduidelijk. We sluiten allianties om meer kennis te verzamelen voor de volgende stap. Een lange adem moet ons naar de businesscase brengen die zich ergens verschuilt.
Dev en ops
Een belangrijk onderdeel van de oplossing is analytics. Om smart te zijn, moeten we weten wat er gebeurt, welke data zinvol zijn en welke patronen er te onderkennen zijn. Hoe komen we daarachter? Bij relatief eenvoudige patronen kan machine learning iets betekenen en op extreem grote datasets kunnen we computers ‘deep’ laten leren, maar tot nu toe kunnen eigenlijk alleen mensen de data echt goed interpreteren – en dan ook nog eens alleen na manjaren verdieping.
Daarnaast moet een iot-oplossing de groei in functionaliteit, toegepaste technologieën, devices, gegevensbronnen en datavolume kunnen absorberen. Het bouwwerk moet stevige fundamenten hebben, maar ook direct werken. Het moet integreren met de huidige hardware- en softwareomgevingen en van daaruit groeien naar de toepassingen.
Bij deze stapsgewijze ontwikkeling speelt naast development (dev) ook operations (ops) een belangrijke rol. In de reguliere maakindustrie gaat het bij ops vaak om het oplossen van incidenten after the fact. Autofabrikanten hebben de afgelopen jaren echter grote stappen gezet: zij hebben veel meer ‘digitale controle’ gekregen over de auto-onderdelen en systeemconfiguraties, en inzicht in de symptomen van toekomstige storingen. Dit heeft voor hen de deur geopend naar preventief beheer. Vanuit de ops kunnen we bovendien veel leren over de beleving van het product en hoe de volgende generatie eruit kan gaan zien. In de operations bewijzen de bouwstenen zich. Zonder ops geen dev.
In de development komt de focus meer en meer te liggen op configureren in plaats van ontwikkelen. Het wordt meer buy dan make, met de cloud die de componenten biedt om snel te starten. Toekomstige softwareteams vinden niet langer zelf het wiel uit, maar configureren vooral wat er al is.
Een iot-oplossing maken blijft echter mensenwerk. De softwareontwikkelaar zal daarvoor om de tafel moeten met de domeinspecialist, de hardwareman, de datascientist én de klant. Om vervolgens vanuit een proof of concept snel door te stoten naar productie. En als het dan niet werkt: fail fast, bijsturen en weer verder.