1. Che cos’è davvero l’IoT?
L’IoT è semplicemente una fase evolutiva di Internet: le macchine fisiche (oggetti, cose) partecipano a pieno titolo alla rete globale, producendo e consumando informazioni e comunicando come pari con altri dispositivi, applicazioni ed esseri umani. Come spesso accade, i primi momenti dell’IoT sono stati sperimentali, con gran parte del lavoro svolto nei laboratori, nel mondo accademico e nei reparti di ricerca delle industrie più avanzate.
Man mano che l’IoT diventava disponibile al mercato, in molti hanno considerato l’IoT una minaccia. Sono note storie dell’orrore su bot-net di telecamere e celle frigo o sull’accesso backdoor ai dati dei clienti attraverso il sistema di controllo dell’acquario nell’atrio dell’azienda. Dobbiamo però considerare che l’IoT è ancora un sistema IT al quale si applicano ugualmente le migliori pratiche IT e di sicurezza informatica che abbiamo sviluppato nel corso dei decenni. Lo vediamo quando si tratta di monitoraggio: vulnerabilità zero-day che emergono in molti casi non sono specifiche dell’IoT, ma derivano da altri sistemi. L’utilizzo dei framework per testare le minacce note e l’applicazione di anomaly detection per trovare nuove vulnerabilità è fondamentale nell’IoT, proprio come altrove.
L’IoT è anche un’opportunità per guidare le imprese verso la trasformazione digitale, e non solo. Le capacità di networking, programmazione e analisi degli specialisti dell’IT possono essere reimpiegati anche nell’IoT, spostando il focus dalla tecnologia dell’informazione IT alla tecnologia operativa OT. Anche l’IoT e la Industrial IoT vede la convergenza IT-OT con utilizzo di cloud, edge e Internet verso l’interazione tra tecnologia e progresso culturale ed economico.
2. Dove mettere i dati dell’IoT/IIoT?
Le misure e gli eventi sono al centro di tutto il mondo IoT e quindi da considerare quando si parla di soluzioni da utilizzare nell’implementazione di sistemi in cui l’IoT è uno dei fattori. Questi tipi di dati sono in pratica serie temporali di dati e indicano le prestazioni e il funzionamento del sistema stesso. Pertanto, è fondamentale per il monitoraggio, la gestione, l’ottimizzazione e la commercializzazione di un investimento IoT che la strumentazione di ogni macchina, impianto, processo permetta la comunicazione, raccolta e archiviazione di tali dati per essere facilmente richiamati, analizzati, aggregati ed utilizzati.
Purtroppo, molti progetti IoT non iniziano con questo in mente. Molte piattaforme IoT standard nascono dotate di una qualche forma di database generico, qualcosa pensato per l’archiviazione di documenti o grafici a volte un semplice database relazionale di mercato o open-source. Sebbene questi database possano archiviare e analizzare con timestamp, a volte non sopportano volumi e prestazioni richiesti in produzione o esauriscono la potenza per casi d’uso veramente impegnativi. Al contrario, gli Historian usati come database per serie temporali di dati hanno funzionalità specifiche per la soluzione sia nell’architettura back-end (gli Historian utilizzano raramente tabelle) sia nei linguaggi di scripting forniti.
La pianificazione fin dall’inizio dell’utilizzo di un Historian come componente principale dello stack di soluzioni IoT può fare la differenza, permettendo una scale-up modulare e naturale e può evitare una costosa riconfigurazione più avanti nel processo di sviluppo. È essenziale considerare come verrà configurato l’Historian, come funzionerà in un ambiente distribuito, on-premise o in cloud, e se ci bloccherà con un fornitore di cloud specifico o in una regione geografica. La specifica dovrebbe quindi prevedere che il database di serie temporali dati abiliti la soluzione IoT/IIoT in modo aperto e scalabile senza ostacoli.
3. Cosa servono e come sono utilizzati i dati nelle soluzioni IoT?
Monitoraggio: tenere un archivio delle misure nel tempo e utilizzare tali dati per comprendere i trend e il modo in cui sono correlate. Il monitoraggio può prevedere, ad esempio, il conteggio di quante volte una CPU ha raggiunto il 100% in 24 ore o il monitoraggio dell’aumento e della diminuzione di temperature, pressioni, livelli, portate di un processo industriale, di un acquedotto o di una fonte energetica. Il monitoraggio può essere eseguito visivamente, tramite strumenti di dash-board ma anche in modo automatico e non presidiato tramite applicazioni di machine learning e altri processi di analisi con AI.
Ottimizzazione: allo scopo di miglioramenti con un sistema IoT/IIoT, è necessario definire la relazione tra flussi di serie temporali correlati e modellare tali relazioni in modelli per la simulazione (a volte chiamati Digital Twin). Si possono poi utilizzare questi modelli per rilevare e rimuovere le inefficienze operative, migliorare le performance. L’ottimizzazione porta il monitoraggio un ulteriore passo avanti e sovrappone un contesto aggiuntivo, che considera i dati delle serie temporali in un senso più macro, grazie a riferimenti con benchmark.
L’applicazione di tecniche statistiche e di apprendimento automatico in contesti simili per questi gruppi di serie temporali apre la porta all’analisi causale, all’analisi what-if, a simulazioni con algoritmi che utilizzino AI, e altro ancora per anticipare e prevenire fermate e rotture.
Commercializzazione: una delle grandi promesse dell’IoT è che potrà essere un fattore abilitante della “servitizzazione”. Man mano che l’IT passa al cloud, si sposta verso modelli di business basati sul consumo. Qui paghi per l’elaborazione in base al tempo della CPU, l’archiviazione in base all’utilizzo di disco nel tempo e la rete in base all’utilizzo di larghezza di banda nel tempo. La parte “nel tempo” dovrebbe essere chiara: servizi come questo monitorano e tengono traccia dei consumi in un database di serie temporali e utilizzano tali metriche per calcolare la bolletta. Modelli simili “paga per quello che usi” stanno trovando la loro strada al di fuori dei fornitori di cloud, ad esempio nei trasporti, nelle assicurazioni e altro ancora. Quando si utilizza si utilizza un servizio, il noleggio di un mezzo di trasporto o di un bene che si paga a tempo o per chilometro, c’è dietro l’IoT e un database di serie temporali al lavoro dietro le quinte.
4. Quali le altre tecnologie per la Digital Transformation nell’IIoT di produzione?
La cosa più importante da capire è che l’IoT da solo ha poco senso. L’IoT è una delle tecnologie che possono generare valore e risultati se implementate insieme ad altre e se ben organizzate in un piano di Transizione Digitale. I database delle serie temporali non devono diventare silos di dati: sono una componente vitale sia dell’architettura della soluzione IoT che del successo, ma è fondamentale comprendere come l’intero ecosistema si possa unire in una unica efficace soluzione.
Le soluzioni IoT iniziano quasi sempre con un’applicazione machine-to-machine (M2M). A livello industriale in un “Industrial Internet of Things”, IIoT, M2M significa quasi sempre un dispositivo, un sistema di controllo industriale, SCADA o un’applicazione che prende i dati dai PLC od altri device di automazione connessi tramite gateway con broker che fanno da ponte tra i protocolli industriali (OPC ecc.) e quelli dell’IoT (MQTT ecc.). Naturalmente tutta la catena della connettività e le relative comunicazioni devono avvenire in modo protetto e sicuro.
Poi, come abbiamo detto, la scelta di un database Historian che si integri facilmente con queste piattaforme è un passo essenziale.
Comprendere quello che accade in produzione e sugli impianti e mettere a punto interventi che risolvano i problemi e migliorino efficienza e produttività è una delle fasi più critiche nel percorso di utilizzo di IIoT verso la trasformazione digitale.
Per rispondere a questa esigenza è importante avere tool che mettano a disposizione una UI User Interface semplice da implementare ed efficace da utilizzare, un ambiente moderno e centralizzato che permetta di configurare applicazioni industriali intelligenti per migliorare connettività, aggregazione e visualizzazione dei dati, in ambiente web e su ogni dispositivo, e migliorare i processi, anche in chiave collaborativa.