AIoT என்பது அடுத்தக்கட்டப் பெரிய பொறியியல் எல்லை
இணையம் (Web) மற்றும் மொபைல் மேம்பாடு (mobile development) முதிர்ச்சியடைந்துவிட்டன. கிளவுட் உள்கட்டமைப்பு (Cloud infrastructure) ஒரு பொதுவான வசதியாகிவிட்டது. அதிக பொருளாதாரத் தேவை கொண்ட கடினமான சவால்களை நீங்கள் தேடுகிறீர்கள் என்றால், இயற்பியல் உலகத்தைப் பாருங்கள்.
AIoT என்பது செயற்கை நுண்ணறிவை (Artificial Intelligence) IoT உள்கட்டமைப்போடு இணைக்கிறது. இந்தத் துறை இப்போதுதான் விரிவடையத் தொடங்கியுள்ளது. நீங்கள் இணையம் அல்லது பேக்எண்ட் (backend) துறையிலிருந்து AIoT துறைக்கு மாறினால், உங்கள் பழைய அனுமானங்கள் உடைந்துவிடும்.
இணைப்பு (Connectivity) என்பது ஒருபோதும் உறுதியானது அல்ல. இணைய மேம்பாட்டில் (web dev), ஒரு API அழைப்பு (API call) வேலை செய்யும் என்று நீங்கள் கருதுவீர்கள். ஆனால் ஒரு தொழிற்சாலையில், ஒரு சாதனம் ஒரு மணிநேரம் ஆஃப்லைனில் இருக்கலாம். நீங்கள் லோக்கல் பஃபர்கள் (local buffers), விடுபட்ட நேர முத்திரைகள் (missing timestamps) மற்றும் சென்சார் பிழைகளைக் கையாள வேண்டும். இத்தகைய குழப்பங்களுக்கு மத்தியிலும் உங்கள் மாடல்கள் முடிவுகளை எடுக்க வேண்டும்.
தரத்தின் தரம் (Data quality) என்பது ஒரு பொறியியல் சவாலாகும். தொழில்துறை சென்சார் தரவுகள் துல்லியமற்றவை (dirty). காலப்போக்கில் சென்சார்கள் விலகக்கூடும் (drift). மின்காந்த குறுக்கீடு (Electromagnetic interference) திடீர் மாற்றங்களை (spikes) ஏற்படுத்தும். ஃபார்ம்வேர் பிழைகள் (Firmware bugs) பிழை குறியீடுகளைத் தவறான அளவீடுகளாக மாற்றக்கூடும். AI தரவைத் தொடங்குவதற்கு முன்பே, உங்கள் தரவுப் பாதையில் (pipeline) பாதுகாப்பு நடவடிக்கைகளை நீங்கள் உருவாக்க வேண்டும்.
இதில் உள்ள ஆபத்துகள் அதிகம். ஒரு இணையதளத்தில் தவறான பரிந்துரை என்பது ஒரு கிளிக் இழப்பை மட்டுமே ஏற்படுத்தும். ஆனால் ஒரு தொழிற்சாலையில் தவறான எச்சரிக்கை என்பது தொழிலாளியின் காயத்திற்கோ அல்லது இயந்திரங்கள் நீண்ட நேரம் முடங்குவதற்கோ வழிவகுக்கும். இது நம்பகத்தன்மை (reliability) மற்றும் தோல்வி முறைகளுக்காக (failure modes) நீங்கள் கட்டமைக்கும் விதத்தையே மாற்றுகிறது.
ஒரு முழுமையான AIoT அமைப்பு ஐந்து அடுக்குகளில் தேர்ச்சி பெறத் தேவைப்படுகிறது:
- Edge: குறைந்த மின்சாரம் மற்றும் நினைவகம் கொண்ட மைக்ரோகண்ட்ரோலர்களில் (microcontrollers) மாடல்களை இயக்குதல்.
- Connectivity: சிக்னல் இடைவெளிகளைக் கையாளும் அதே வேளையில் MQTT, LoRaWAN அல்லது Zigbee போன்ற புரோட்டோகால்களை (protocols) நிர்வகித்தல்.
- Data: சென்சார் அளவீடுகளின் மிகப்பெரிய ஓட்டங்களை நிர்வகிக்க டைம்-சீரிஸ் தரவுத்தளங்களைப் (time-series databases) பயன்படுத்துதல்.
- AI/ML: குறைவான தரவுகளைக் கொண்டு (sparse data) மாடல்களைப் பயிற்றுவித்தல் மற்றும் சிக்கலான காட்சிச் சூழல்களைக் கையாளுதல்.
- Application: நவீன டேஷ்போர்டுகளை (dashboards) பல தசாப்த காலத் தொழில்துறை அமைப்புகளுடன் ஒருங்கிணைத்தல்.
இங்குள்ள சிக்கல்கள் ஆழமான நிபுணத்துவத்திற்குப் பலன் தரும். நீண்ட காலத் தடங்கல்களுக்குப் பிறகு தரவுகளைச் சரிசெய்தல் மற்றும் வெப்பம் மற்றும் அதிர்வு போன்ற பல்வேறு வகையான சென்சார்களை ஒன்றிணைத்தல் போன்ற சவால்களை நீங்கள் எதிர்கொள்வீர்கள்.
பொறியியல் சந்தைகள் பற்றாக்குறையை (scarcity) அங்கீகரிக்கின்றன. Edge AI மற்றும் வன்பொருள்-மென்பொருள் ஒருங்கிணைப்பில் (hardware-software integration) தேர்ச்சி பெற்ற டெவலப்பர்களுக்குப் போட்டி மிகக் குறைவாகவும், தேவை மிக அதிகமாகவும் இருக்கும்.
இயற்பியல் உலகம் ஒரு அறிவுசார் அடுக்கைப் (intelligence layer) பெறத் தொடங்கியுள்ளது. இப்போதே களமிறங்குங்கள்.
IoT அல்லது edge AI குறித்த உங்கள் அனுபவம் என்ன? உங்கள் கடினமான கட்டமைப்புச் சிக்கல் (architectural problem) எது?
Optional learning community: https://t.me/GyaanSetuAi