Sensores disruptivos marcarán la pauta del IoT.


Datos, redes, almacenamiento, algoritmos, “machine learning”, IT/OT, conforman el “team” de la década. El desarrollo y la integración de estos elementos abrirá nuestro conocimiento a eventos que siempre han estado ahí, pero que no los veíamos.

El aumento en la capacidad de procesamiento, transferencia y almacenamiento de datos es indetenible.  La capacidad de almacenamiento de datos no parece ser un problema. El ”Cloud”  y el ”BigData”  parecen no tener límites. La capacidad de comunicación va como un “skyrocked” . Las redes 5G, el espacio satelital y el canal cuántico, vienen con capacidades impresionantes. El poder de procesamiento no parece ser un problema y parece que los ”cúbits” pronto reemplazarán al tradicional ”bit” bajo la umbrela de nuevos desarrollos en computación cuántica .

Lo más deseado será data disruptiva, sensores innovadores que complementen nuestros sentidos humanoides.
Con toda esta plataforma en línea y con perspectivas de crecimiento ya en proceso, ahora solo falta conectar aquella data que todavía se queda en “el terreno”, pero sobre todo medir otras variables que todavía no descubrimos cómo. Esto es parte del desarrollo científico en diversas áreas del conocimiento, nuevos materiales, diferentes ópticas, medición directa pero indirecta de variables a las cuales no accedemos hoy en día.

Los vehículos, por ejemplo, están llenos de sensores y esa data se queda en “las vías”. Cada vehículo conectado genera data en movimiento. Esta data concentrada en la nube es una fuente valiosa de conocimiento, que, si la conjugamos con otros datos como contaminantes ambientales, combustibles, salud, movilidad, generaremos “conocimiento” y descubriremos temas importantes que están ahí, pero que aún no hemos visto.
Otros sensores disruptivos tienen la escena servida. Los “weareables” o sensores del cuerpo podrían incluir nuevas variables como química completa de sangre. Ya se visualizan buenos y accesibles desarrollos. Esa data puesta en la nube, en conjunto con datos sociales, ambientales, censo poblacional, migración interna, etc. generarían conocimiento de mucho valor para la gerencia de salud, pronóstico de enfermedades y otros temas que hasta ahora no vemos, o vemos tarde.
Data de nuevos sensores disruptivos, algoritmos innovadores, computación cuántica, redes de datos, nubes de datos, conforman el equipo que puede romper paradigmas en el futuro cercano.
Y no mencionar el surgimiento de variables que el humano no puede medir, no puede ver. Sensores con capacidad de medir variables físicas-químicas sin aparente significado, pero con relación directa o indirecta con comportamientos de variables macro.  Ropa inteligente, gafas inteligentes, pulseras, auriculares, tienen el espacio servido y un mercado interesante. Un laboratorio online “química wereable”  será una fuente de datos con implicaciones importantes para la salud y la medicina. Solo tenemos seis sentidos como humanos, algunos dicen que siete, pero estos nuevos amigos disruptivos, estos nuevos participantes, tendrán más a su disposición y tienen el espacio abierto para servirnos con información. I can't wait.
En el terreno industrial y en la industria de procesos el desarrollo de nuevos “pervasive sensors” va en aumento. Aplicaciones habilitadas por sensores y redes inalámbricas para generar conocimiento sobre los activos, procesos y procedimientos.
Puedes revisar más en:
https://www.emerson.com/en-us/expertise/automation/industrial-internet-things/pervasive-sensing-solutions



Comentarios

Publicar un comentario

Entradas populares de este blog

Overfitting Machine Learning Models

Imagen
The third model in the picture fit better the predictor variable. It models the training data so well !   But it is not the best one ! Putting it into production will produce big prediction errors over new data. “Overfitting is a modeling error that occurs when a function is too closely fit to a limited set of data points. Overfitting the model generally takes the form of making an overly complex model to explain idiosyncrasies in the data under study “ (1)   . Machine Learning is not to compete with a formal math function. It is not a good idea to compare with formal math equations. Machine learning algorithms describe the world in some different way, not fully comprehensible, but for sure most of the time even more accurate than math models developed by scientist.
Leer más

Deep Learning hidden layers

Imagen
by Pedro Perdomo 20 years ago, we implemented a virtual sensor using neural networks with no more than a couple of hidden layers. When I trained my first two-layer neural network to predict the content of methane in the bottom of a  deethanizer  column, I realized that more than one layer did not improve my virtual sensor results. Why no limit today in the internal or hidden layers? Why deep learning?   First, computing power has been increasing, so training neural networks with many layers is now feasible. Second, why so many layers if  not  a  big amount  of data available . And third, if you just add layers, you will run into some issues, the neural networks will take a long time to train, some of the layers will become all zero and worst, no better results.  Researchers have developed “tricks” and techniques to get deep neural networks to work. Neural networks with many hidden layers have enabled dramatic improvements in hard p...
Leer más