sådan kommer din virksomhed
i gang med IoT analytics
I Inspari arbejder vi med IoT Analytics. Vi hjælper således virksomheder med at bringe værdi til IoT ved at samle data fra enheder op i en moderne og sikker platform og bringe dem videre ud til medarbejdere eller kunder. Modtagerne kan gennem letforståelige dashboards finde nye indsigter og komme med forudsigelser eller skabe konkurrencemæssige fordele. Endvidere skaber vi ”the digital twin”, altså den digitale version af et fysiske produkt, som på sigt kommer til at levere helt nye indsigter i den videre udvikling.
Læs mere om Internet Of Things
genkender du disse
klassiske udfordringer
i din hverdag?
- Du har IoT-enheden eller produktet med IoT-enheden i og mangler kompetencerne til at skabe indsigt i data.
- Du vil integrere din IoT-løsning i den rette platform - men hvilken?
- Du vil forstå og have visualiseret de data, som IoT-enheden skaber.
- Du vil have indsigt i markedets førende platforme og bedst anvendelige teknologier.
- Du vil have en digital twin, som kan give dit produkt yderligere værdi.
hvad er en
digital twin?
En digital twin er den digitale repræsentation af et fysisk objekt. Den digitale tvilling kan derfor gøre dig klogere på dit produkt, når det er ude af dine hænder.
Den digitale tvilling giver mulighed for at bevæge sig fra en reaktiv adfærd til en proaktiv adfærd, fordi du ved at tilsætte machine learning får nogle indsigter, som du ellers ikke ville have fået. Desuden kan det være med til at teste nogle teser, så du går fra at tro til at vide.
Læs mere om Internet Of Things
eksempler
på digital twins
Moderne biler er fyldt med sensorer. Når bilen forlader fabrikken, forbliver den digitale tvilling så at sige på fabrikken. Til bilen hører en app, som løbende indsamler data fra alle de sensorer, der er monteret i bilen. Bilen fodrer dermed løbende sin digitale tvilling, som så giver producenten nye indsigter. Og potentialet er massivt. Fordi der vil ofte være mange forskellige leverandører til de enkelte reservedele, som har en interesse i at vide mere om netop den enhed, de har leveret.
Et andet eksempel kunne være en forsyningsvirksomhed, som har monteret IoT enheder på fx vandrør. Forsyningsvirksomheden kan følge både det enkelte rør og hele systemet gennem et dashboard, som potentielt kan fortælle noget om fortiden, nutiden og fremtiden.
sådan kan vi
hjælpe dig
med IoT analytics
- Foranalyse og udarbejdelse af digital twin
- Rådgivning og implementering af machine learning og AI IoT-løsninger
- Rådgivning omkring valg af data til brug i IoT-løsninger
- Rådgivning om infrastruktur og arkitektur
- Teknisk implementering, support og hosting af platform til håndtering af IoT
skal vi mødes
hos dig eller hos os?
Hvis du tænker, at tiden er inde til et møde eller et uforpligtende kald, er du mere end velkommen til at kontakte os. Du udfylder bare formularen, så kontakter vi dig hurtigst muligt for at finde et godt tidspunkt.
udnyt mulighederne
i IoT analytics
Særligt to parametre adskiller IoT-løsninger fra andre data-løsninger, nemlig maskin-data og behovet for data i realtid. Og det stiller krav til den platform, du integrerer IoT i.
IoT er maskin-data
IoT sender maskin-data ud – altså data, der ikke er genereret af et menneske. For at omdanne maskin-data til et format, som kan læses og forstås af mennesker, skal data håndteres på en bestemt måde, som tager hensyn til både mængden af data, som skal aggregeres, og formatet, som maskinen skriver i. Data skal så at sige ’omkodes’ til menneskesprog. Det foregår blandt andet ved - on the fly - at lægge en struktur ned over det ustrukturerede data, så det kan læses direkte ind i en platform, eller lægge det i en data lake til senere strukturering og/eller brug.
Data i realtid
Mange IoT-løsninger forudsætter, at data kan aflæses i realtid, hvilket stiller krav til skalerbarheden. Det kan være umuligt at forudsige den mængde data, der sendes fra IoT enheder, og det er derfor vigtigt, at der er båndbredde til håndtering og plads nok til lagring af alle data. Traditionelle ETL-værktøjer kan ikke bruges, da et af principperne bag ETL er et fast, skemalagt load – og så forsvinder realtiden. Derfor skal man bruge, fx Stream Analytics som er analyse af realtidsdatas svar på ETL i clouden.