Vi indsamler flere og flere data med IoT i vores stræben efter bæredygtige løsninger og effektivisering af drift. Hvor er det bedst at opbevare disse data? Og hvor er det bedst at regne på dem og for eksempel implementere Machine Learning modeller?

De fleste tænker på cloud lagring, men ofte er det værd at se på edge computing, som handler om at lave beregninger allerede i IoT enheden og undgå at sende alle indsamlede data videre til cloud. Der er gevinster at hente på løsningens egen klimapåvirkning, og man kan ofte undgå at komme i strid med GDPR.

Fra 1950’erne og op til sidst i 1980’erne blev de fleste beregninger foretaget på mainframes, der var kendetegnet ved at være store centrale installationer med masser af beregningskraft, store datalagre og stort energiforbrug samt behov for aktiv køling. Herefter vandt PC’en indpas og beregninger og data rykkede gradvist ud og foregik lokalt på skrivebordet.

Efter omkring år 2000 vandt cloud computing indpas – primært for at understøtte deling af store datamængder og undgå drift af egne PC servere. Ofte kunne der hentes en besparelse. Internettets udvikling og stigende kapacitet gjorde dette teknisk muligt.

Data og beregninger decentraliseres

Vi befinder os nu i en fase i historien, hvor beregninger og til dels data igen decentraliseres. Det sker som en følge af sensorteknologi og billiggørelse af denne med det resultat, at dataindsamling i vores omgivelser stiger hastigt, fordi vi kan bruge data til at finde bedre grønne løsninger og generelt effektivisere.

Vi er i stand til at indsamle enorme mængder data, og vi kan jo bare sende dem i cloud og udføre beregninger der – herunder implementere for eksempel Machine Learning modeller i cloud. Men det er faktisk ofte ikke så god en idé.

Strømforbruget ved datatransmission er en udfordring

En sensorenhed eller IoT-enhed i mere bred forstand er ofte strømforsynet fra batteri, og hvis man har mange enheder, så er det omkostningstungt at skifte batterier. Dertil kommer, at der oftest anvendes engangsbatterier og produktion heraf, og senere genanvendelse af materialerne er en stor belastning for miljøet og klimaet, men det sker dog udenfor Danmarks grænser, for eksempel i Polen, hvor der findes batterismelteværk. Bedre er det med genopladelige batterier, men det øger logistikken, og det kræver to sæt batterier.

Den trådløse transmission af data fra en IoT-enhed benytter meget strøm. For eksempel vil transmission af en videostrøm over 4G mobilnet brænde 2 stk. AA batterier af på under en dag. Med NB-IoT kan sendes en lavkvalitetsvideostrøm, og batterierne vil kunne holde i 7-14 dage. Elektronikstrømforbruget afhænger meget af omgivelserne og konstruktionen, men forbruget er generelt langt under forbruget for den trådløse transmission.

Datatransmission kan gøres smartere og mere klimavenligt

En IoT-enhed med kamera kan imidlertid gøres smartere. For eksempel kan den nøjes med at transmittere nogle få enkeltbilleder i de situationer, hvor der sker bevægelse foran kammerat. Eller den kan have lokale beregninger – edge computing – der er i stand til at finde objekter af bestemte typer i billeder. Det vil ofte være nok til formålet, og enheden kan i stedet transmittere antallet af de forskellige typer af objekter – personer, cykler, osv. – der er optalt indenfor et tidsrum, som for eksempel de sidste 15 minutter.

Nogle enheder af denne slags kan klare sig på 2 stk. AA batterier i halvt år til et år, fordi energibesparelsen ved de få og små transmissioner mange gange overstiger det ekstra energiforbrug til de lokale beregninger. Dette er samtidig godt for klimaet (lavere belastning i for eksempel Polen fra batterismelteværket).

Nemmere at håndtere GDPR

Der er en anden gevinst, når vi taler om enhed med kamera. Hvis vi indsamler personhenførbare data, så skal vi følge GDPR bestemmelserne. Det gælder, hvis vi altså ikke taler om et overvågningssystem med det formål at skabe tryghed på offentlige områder – her skal følges TV-overvågningsloven og så må video ikke anvendes til noget andet end det.

Kort sagt, hvis enheden slet ikke transmitterer billeder fordi den har lavet lokale beregninger og derfor transmitterer antal optalte objekter af forskellige typer, så er der som udgangspunkt ikke tale om personhenførbare data.

Der skal dog stadig tænkes på enhedens fysiske placering. Vi kommer i strid med GDPR, hvis den for eksempel er opsat lige ved en havelåge. Så er der god chance for, at et enkelt objekt af typen person optalt mellem kl. 02:30 og 02:45 faktisk er beboer på matriklen, der kommer sent hjem. Sker dette meget tit fredag og lørdag aften, kan der opstilles en sandsynlig teori om pågældende beboers adfærd.

Mulighed for datatransmission begge veje mellem cloud og IoT-enhed

Ser vi lidt fremad, så forventes det, at selv ret komplicerede Machine Learning algoritmer vil kunne afvikles på batteridrevne enheder, og at kun resultaterne heraf transmitteres op i cloud.

Omvendt kan vi i cloud over tid forbedre underliggende modeller og med mellemrum transmittere dem tilbage til enhederne, så de vil fungere bedre og bedre. Ja, både LoRaWAN og NB-IoT understøtter faktisk, at der også kan transmitteres noget ud til enheder.

Begrebet ”fog” er desuden på vej ind og handler om at små datacentre placeret på steder i datanetværket mellem edge og cloud også kan bidrage til beregninger og foretage reduktioner i den datamængde, der ender med at blive lagret i cloud. Sådan en hierarkisk arkitektur ventes at vinde større indpas, desto flere IoT-enheder vi får.

I OS2iot sammenhæng kan en edge-fog-cloud arkitektur realiseres ved at tage data fra OS2iot til en lokal fog knude (server) og her straks foretage beregninger og reduktioner i datamængden. Derpå kan de resterende data sendes til langtidsopbevaring – og anvendes på sigt – til et data warehouse i cloud, herunder til kommende data warehouse under udvikling i OS2-regi.