decentralised cities

Intelligente Beleuchtung in dezentralen Städten und ländlichen Gebieten

Im Jahr 2020 werden über 56 Prozent der Weltbevölkerung in Städten leben, und Nach Schätzungen der Vereinten Nationen könnte die Verstädterung bis 2050 68 Prozent erreichen.. Allerdings, die Covid-19-Pandemie könnte diesen Trend bremsenDie Zunahme der Telearbeit könnte mehr Menschen dazu bewegen, die Städte auf der Suche nach einem anderen Lebensstil zu verlassen.

Die Zukunft könnte in dezentralen Städten liegenwodurch sich das traditionelle Metropolenmodell zu polyzentrischen, multiknotenartigen Konglomeraten entwickelt. Dies würde eine "neue Normalität" für die städtische Dichte schaffen - und die städtischen IoT-Infrastrukturen dazu bringen, sich entsprechend zu verändern.

Was bedeutet dies für Smart Lighting? Der Standardfall für Straßenbeleuchtung ist etwa Stadtzentren oder dicht besiedelte GebieteDort ist es in der Regel einfach und kostengünstig, vorhandene Lampen auf LED umzurüsten und ein IoT-Netz aufzubauen. Einmal angeschlossen, können intelligente Leuchten von einem zentralen Softwaresystem aus überwacht und verwaltet werden, während einige Gateways als Grenzrouter, Netzwerkkoordinatoren und Datenkonzentratoren fungieren. Unter normalen Betriebsbedingungen kann ein einziges Gateway bis zu 400 angeschlossene Straßenleuchten verwalten.

Betrachtet man dezentrale Städte oder ländliche Gebiete, kann das Szenario völlig anders aussehen. Denken Sie zum Beispiel an Vorstädte und Dörfer auf dem Land in Europa oder den USA. Aufgrund der geringen Bevölkerungsdichte haben wir vielleicht verstreute Gruppen von wenigen Straßenlaternen oder sogar einzelne isolierte Lampen. Dies macht es schwierig und teuer, sie zu erreichen, da mehr Gateways benötigt würden, um sie zuverlässig an das Mesh-Netz anzuschließen.

Die Installation weiterer Gateways zur Anbindung schwer zugänglicher Straßenlaternen erhöht die Komplexität und verursacht zusätzliche Kosten, da die durchschnittlichen Kosten pro Lichtpunkt in die Höhe schnellen. Was wäre, wenn wir ein anderes Beleuchtungsgerät hätten, das sowohl als Knotenpunkt als auch als Gateway dient? Kann es einzelne oder isolierte Gruppen von Lampen mit der bestehenden IoT-Infrastruktur verbinden?

Paradox Engineering's neuer intelligenter Hybridknoten wird voraussichtlich im Jahr 2022 auf den Markt kommen. Lesen Sie mehr auf Städte heute!


cybersecurity

Wie steht es um die Cybersicherheit in intelligenten IoT-Städten?

Ihre Stadt wurde gehackt" - das ist die Nachricht, die jeder fürchtet...

Wenn man es als ein Land misst, Cyberkriminalität wäre nach den USA und China die drittgrößte Volkswirtschaft der Welt.. Einem Bericht des US-Unternehmens Cybersecurity Ventures zufolge wird die Cyberkriminalität voraussichtlich Schäden in Höhe von 6 Billionen US Dollar weltweit im Jahr 2021. Mit einem Wachstum von 15% pro Jahr werden die erwarteten Schäden bis 2025 10,5 Billionen US-Dollar erreichen. Dazu gehören gestohlenes Geld, Diebstahl persönlicher und finanzieller Daten, Diebstahl geistigen Eigentums, Produktivitätsverluste, forensische Untersuchungen, Wiederherstellung und Löschung kompromittierter Daten und Systeme sowie Reputationsschäden für das gehackte Unternehmen.

Ein Cyberangriff könnte potenziell wichtige öffentliche Dienste unterbrechen, persönliche und finanzielle Daten offenlegen und die Wirtschaft einer Stadt lahmlegen. Keine beruhigende Perspektive für Städte, die sich zunehmend auf vernetzte Netze und sensorbasierte Infrastrukturen verlassen, um alle Anwendungen zu betreiben und bereitzustellen, die Menschen und Unternehmen benötigen, von der Energieverteilung bis zu Mobilitätssystemen, von Straßenbeleuchtung , um kommunale Abfallsammlungund mehr.

Sind die Städte auf eine solche Bedrohung vorbereitet? Eine im Oktober 2021 durchgeführte Online-Umfrage, die sich an städtische Beamte, Versorgungsmanager und IKT-Fachleute richtete, ergab, dass zwei Drittel (67 Prozent) sind der Meinung, dass ihre Stadt "etwas anfällig" für Cyberangriffe ist und nur vier Prozent gaben an, "zu 100 Prozent cyber-sicher" zu sein. Die Hauptsorge der Mehrheit (42 Prozent) im Falle eines Angriffs galt der Verletzung von Finanzdatengefolgt von der Geschäftskontinuität (40 Prozent) und dem Schutz persönlicher Daten (18 Prozent).

Wie können Städte Cybersicherheitsrisiken abschwächen und eine sichere Grundlage für ihre IoT-Infrastruktur? Wie können wir die Cybersicherheit als lebenslanger Weg? Verpassen Sie nicht unsere digitales Ereignis 'Wie steht es um die Cybersicherheit in intelligenten IoT-Städten?' am Donnerstag 18. November 2021: auf dem Smart City Expo World Congress, unser Chief Innovation Officer Nicola Crespi und unser Cybersecurity Architekt Dario Campovecchi wird den Security-by-Design-Ansatz von Paradox Engineering erläutern und einige innovative Dienste vorstellen, die wir 2022 einführen werden.

Kostenlose Registrierung erforderlich ist, Fragen um Fragen im Voraus zu stellen!


estimate daytime

Autor: Paolo Veronesisoftware engineer bei Paradox Engineering

 

In einer zunehmend komplexen und vernetzten Welt, Maschinelles Lernen erweist sich als äußerst nützlich für Smart Cities und jede IoT-Anwendung wo große und hochdimensionale Datenmengen verarbeitet, korreliert und bearbeitet werden müssen.

Bei Paradox Engineering wir sind in der Pilotphase Neuronale Netzwerke in spezifischen Anwendungsfällen wie zum Beispiel kommunale Feststoffabfallsammlung oder bei Patientenüberwachung im Krankenhaus und in Kliniken, die beide mittlere bis hohe Rechenleistungen erfordern. Neuronale Netze werden in der Regel dann eingesetzt, wenn es möglich ist, große Rechenressourcen (wie Workstations oder Server) zu nutzen, aber wir erforschen nun, wie man diese Technologien in einem diametral entgegengesetzten Fall einsetzen kann - also mit extrem begrenzten Ressourcen (wie ein paar hundert KB Ram und Standard-32-Bit-Prozessoren mit weniger als hundert MHz).

Die Nutzung von neuronalen Netzwerken auf eingebetteten IoT-Geräten ist eine neue, aufkommende Anwendung. Unser Ziel ist es, Daten lokal, auf dem eingebetteten Gerät, zu verarbeiten, ohne Informationen über das Netzwerk zu senden: Dies ermöglicht den Geräten, auch bei Netzwerkausfällen ordnungsgemäß zu arbeiten, verbessert die Skalierbarkeit des Systems und seine allgemeine Sicherheit, da sensible Daten auf lokaler Ebene verarbeitet werden.

Der Anwendungsfall, auf den wir uns konzentrieren, ist Smart Lighting. In einer typischen städtischen Außeninstallation sind die Straßenlaternen mit einem Mesh-Netzwerk verbunden und werden von Gateways verwaltet, die als Grenzrouter, Netzwerkkoordinatoren und Datenkonzentratoren fungieren. A zentrale Verwaltungssoftware ermöglicht die Fernverwaltung und -steuerung des Netzwerks sowie von einzelnen oder gruppierten Geräten.

Es wird erwartet, dass die Straßenbeleuchtung auch dann reibungslos funktioniert, wenn die Verbindung zum nächsten Gateway oder dem CMS nicht verfügbar ist. Um dies zu ermöglichen, Geräte sind so konfiguriert, dass sie ihre Routinen basierend auf dem aktuellen Datum und der Uhrzeit ausführenvorausgesetzt, das Gateway stellt diese Information zur Verfügung. Dies ist für Straßenlaternen unerlässlich, um die Ephemeriden abzuleiten und den täglichen Sonnenaufgang und -untergang zu berechnen - entsprechend dieser Daten, Lampen können nach programmierten Zeitplänen ein-/ausgeschaltet und gedimmt werden.

Was passiert, wenn ein Knoten isoliert ist und sich nicht mit einem Gateway verbinden kann, z. B. wegen ungünstiger Umgebungsbedingungen oder der Netzwerktopologie? Oder wenn das Gateway gar nicht installiert ist? In solchen Fällen, das Gerät sollte einen neuen Weg finden, die aktuelle Zeit zu berechnen. Wir entschieden uns für Datenanalyse und maschinelles Lernen nutzen, um Straßenlaternen exakte Tageszeiten ableiten zu lassen aus Daten, die von integrierten Umweltsensoren gesammelt wurden.

Die Zeit aus Parametern wie Helligkeit, Temperatur oder Druck abzuschätzen, ist keine einfache Aufgabe. Die Umgebungsbedingungen variieren stark von Tag zu Tag, von Jahreszeit zu Jahreszeit, mit einem Grad an Komplexität, der mit einem traditionellen Programmieransatz nicht zu lösen wäre.

Neuronale Netze können Zeitreihen effizient verwalten und können, wenn sie mit einer ausreichenden Menge und Vielfalt von Daten trainiert werden, eine genaue Antwort auf unsere Frage geben. In unserem Experiment haben wir das System mit Daten trainiert die von einer Reihe von Umweltsensoren im Laufe eines Jahres erzeugt werden.

Die Ergebnisse waren wirklich vielversprechend: isolierte Straßenlaternen waren in der Lage, Daten lokal zu verarbeiten und die richtige Tageszeit mit eine durchschnittliche Genauigkeit von etwa 16 Minuten - und ihre Zeitpläne perfekt ausführen. Ohne Machine Learning wäre diese betriebliche Kontinuität nicht möglich gewesen.

 

Erfahren Sie mehr über unser Smart Lighting Anwendung: Download unser aktuelles Whitepaper (kostenlose Registrierung erforderlich), und Kontaktieren Sie unsere Machine Learning Experten!

smart lighting

8 Dinge, die Sie über Smart Lighting wissen wollten

Smart Lighting ist eine der ausgereiftesten Smart Urban Anwendungen - und ihre Vorteile sind weithin diskutiert worden. Wir alle wissen, dass LED-basierte und ferngesteuerte Straßenlaternen weniger Strom verbrauchen, zum Klimaschutz beitragen und Städte generell sicherer, lebenswerter und attraktiver machen.

Allerdings ist es für Stadt- und Versorgungsmanager manchmal schwierig, den Hype von der Realität zu trennen und einen sinnvollen Business Case zu erstellen. In einer neu veröffentlichter Bericht - Smart Lighting: Wie eingeschaltet sind Sie? (kostenloser Download nach Registrierung) - wir haben geantwortet 8 Schlüsselfragen, die städtische Führungskräfte haben könnten damit sie sich auf ihre intelligente Reise aus einer besser informierten Position heraus.

Lassen Sie uns einen kleinen Blick darauf werfen...

Wie viel Geld können Städte mit Smart Lighting wirklich sparen?

Die Straßenbeleuchtung macht im Durchschnitt 40 Prozent der Stromrechnung einer Stadt aus. Einsparungen durch intelligente Technologien hängen von einer Reihe von Variablen ab, aber in der Regel sind sie den Fall wert.

Die Gemeinde Gijon in Spanien stellte 2016 eine öffentliche und interoperable IoT-Infrastruktur bereit. Die Straßenbeleuchtung war die erste städtische Anwendung, die darauf betrieben wurde. Eine erste Installation von 1.150 LED-Leuchten wurde von unserer Software-Management-Plattform überwacht und gesteuert. Die wirtschaftliche Ersparnis für die Stadtkasse wurde auf rund 100.000 € pro Jahr geschätzt.

Ein weiteres interessantes Beispiel ist die Radweg Tesserete-Canobbio in Tessin, SchweizDort rüstete der örtliche Energieversorger AEM die vorhandenen Leuchten auf LED-Technologie um, schloss sie an ein drahtloses Netzwerk an und verknüpfte jede Lampe mit einem Bewegungssensor, sodass sich die Leuchten automatisch einschalten und nur auf 100 Prozent gedimmt werden, wenn Radfahrer oder Fußgänger vorbeikommen. Als Ergebnis wurden die jährlichen Betriebsstunden entlang des Weges von 4.300 auf 600 reduziert und Die durchschnittlichen Kosten sanken von 11,19 auf 1,56 Schweizer Franken pro Lichtpunkt.

 

Macht Smart Lighting die Verwaltung, Wartung und Reparatur von Leuchten komplexer und teurer?

Nein, das ist genau das Gegenteil! Indem alle Lichtpunkte mit demselben Netzwerk verbunden sind, können Städte Leuchten vollständig aus der Ferne überwachen und bedienen, unter Nutzung einer einzigen Software-Plattform. Proaktive bis Echtzeit-Erkennung von Leuchtenausfällen Techniker können nur dann und dorthin geschickt werden, wo sie gebraucht werden, und sind bereits vor Ort über das jeweilige Problem informiert und dafür ausgerüstet. Außerdem werden die Kosten gesenkt und die Abläufe gestrafft, dies verbessert auch die Qualität der Dienstleistung und die Zufriedenheit der Bürger.

 

Kann Smart Lighting Umsatz generieren?

Investitionen in intelligente Beleuchtung können sich bezahlt machen und sogar in eine Gelegenheit zur Umsatzgenerierung verwandeln. Im Jahr 2016 hat der Stadtrat von San Leandro in Kalifornien, USAbegann seine smarte Reise mit dem Austausch von rund 5.000 Straßenlaternen durch LED-Lampen und der Implementierung eines drahtlosen IoT-Netzwerks mit einem zentralisierten Management- und Steuerungssystem. Im Laufe der Zeit wurden weitere Anwendungen und Dienste in das Netzwerk integriert, wie z. B. integriertes Parken, öffentliches drahtloses Internet und Verkehrsvideoüberwachung. Nach den anfänglichen Ausgaben von $5,2 Millionen für energie- und wassersparende Geräte wurde berechnet, dass die Investition würde $8 Millionen Einsparungen bringen über 15 Jahre durch Reduzierung des Energie- und Wasserverbrauchs, und $1,5 Mio. an positivem Cashflow über diese Zeit.

Dies geschieht, wenn urbane Netzwerke sind als interoperable Infrastrukturen konzipiert, die in der Lage sind, mehrere Anwendungen zu hosten und öffentlich-private Kooperationen zu starten und mehr, können sie praktikable Möglichkeiten schaffen, um die von ihnen generierten Daten zu monetarisieren.

 

Wollen Sie mehr lesen? Unser Papier herunterladen und verpassen Sie nicht unsere kostenloses Webinar am Donnerstag, 1. Juli 2021 um 9.00 Uhr (EST), 14.00 Uhr (BST), 15.00 Uhr (CET), 17.00 Uhr (GST): Wir werden die Vorteile und Erfolgsfaktoren von Best-in-Class Smart Lighting diskutieren und einen Überblick über einige reale Erfahrungen in Städten geben. Heute registrieren!


smart cameras

Intelligente Überwachung zur Verbesserung der Senioren- und Patientenversorgung

Autor: Riccardo Biellasoftware engineer bei Paradox Engineering

 

Gesundheitssysteme stehen vor immensen Herausforderungen in vielen Ländern der Welt. Viele haben mit einer alternden Bevölkerung zu tun und müssen die öffentlichen Ausgaben für das Gesundheitswesen kontrollieren, aber in vielen Fällen Patienten übersteigen die verfügbaren Ressourcen einschließlich Grundlagen wie Krankenhausbetten, Ärzte und Krankenschwestern. Diese Knappheit wurde weitaus relevanter während Covid-19 NotfallDie meisten Länder haben Schwierigkeiten, eine angemessene Reaktion auf die Pandemie und die Qualität der Versorgung zu gewährleisten.

Intelligente Technologien ermöglichen eine ganz neue Klasse von Dienstleistungen die Patientenbetreuung zu verbessern, insbesondere die Behandlung von älteren und Langzeitpatienten, sei es im Krankenhaus, in Einrichtungen für betreutes Wohnen oder zu Hause. Vernetzte Gesundheitssysteme und Technologien zur Patientenfernüberwachung (RPM) werden zunehmend eingesetzt, um eine ständige Überwachung zu gewährleisten, professionelle Pflegekräfte zu unterstützen bei ihren täglichen Aufgaben und zur Entlastung von Familienmitgliedern.

Zusammen mit Minebea Intec und MinebeaMitsumi Sensing Division, bei Paradox Engineering arbeiten wir an eine innovative Lösung für die Managed-Care-Branche: Unser Ziel ist die Fertigstellung einer sicheren und offenen Technologieplattform für nicht-invasive Patientenüberwachung in Krankenhäusern, Kliniken, Pflege- und Betreuungseinrichtungen sowie in der häuslichen Umgebung.

Es ist gemeint als eine anpassungsfähige und wissensaufbauende Lösungdie in der Lage sind, patientenspezifische Intelligenz zu generieren, indem sie Daten von mehreren Sensoren sammeln, mehrere Parameter korrelieren und die Integration einer einzigartigen Künstlichen Intelligenz (KI) Engine zur Situationserkennung, Verhaltensanalyse, langfristigen Überwachung der gesundheitlichen Entwicklung und persönlichen Beziehungen.

Die Lösung bietet lokale KI, um mögliche Datenlecks zu verhindern aus der Krankenhausumgebung zu entfernen und die Privatsphäre der Patienten besser zu schützen. Wir sind derzeit Lotsen Machine Learning zur Verbesserung einiger spezifischer Funktionenwie die Erkennung von unerwünschten Ereignissen: durch die Verarbeitung von Daten, die von angeschlossenen intelligenten Kameras und Sensoren stammen, das System kann erkennen, wenn etwas schief läuft und sofort das Pflegepersonal alarmieren bei Stürzen, Bewegungsmangel oder anderen Arten von Anomalien, wodurch eine ständige Überwachung der Patienten rund um die Uhr gewährleistet ist.

Eine weitere Funktion, die wir testen, bezieht sich auf die Raumzutrittskontrolle. Wir verwenden maschinelles Lernen, um Bilder von angeschlossenen Smart-Kameras zu verarbeiten, um die Anzahl der Personen in einem Raum erkennen und Patienten vom Krankenhauspersonal unterscheiden. Dies ist eine sehr wertvolle Funktion für die Sicherheit der Gäste zu erhöhen durch die Erkennung von unberechtigtem Zugriff.

Wir begannen mit einem anfänglichen Datensatz, der aus Hunderten von Bildern von Patienten und Ärzten bestand, um das System zu trainieren. PE-Smart-Kameras sind jetzt in der Lage, Objekterkennungsaufgaben in Echtzeit durchzuführen, die Personen im Raum unterscheiden und sie als Patienten oder Krankenhauspersonal klassifizieren, dank des Einsatzes eines Deep Neural Network, das auch Dinge wie Kittel, Uniformen, Nachthemden, medizinische Instrumente und Körperhaltungen erkennen kann.

Sehen Sie sich dieses kurze Video an, um einen kurzen Blick darauf werfen:

 

 

Möchten Sie mehr erfahren? Kontaktieren Sie unsere Machine Learning Experten!


filling

Smart Waste, Maschinelles Lernen ermöglicht Vorhersage des Müllfüllstands

Autor: Riccardo Biellasoftware engineer bei Paradox Engineering

 

Jährliches Abfallaufkommen wird bis 2050 um 70% auf 3,4 Milliarden Tonnen steigen, sagt die Weltbank. Bei dieser Wachstumsrate werden wir etwa 3 Welten benötigen, um unseren Müll aufzunehmen und zu entsorgen, ohne unsere Gesundheit und die Umwelt zu gefährden.

Städte sind zunehmend Suche nach innovativen Lösungen zur Verbesserung der kommunalen Abfallsammlung und Behandlung, um sowohl die öffentliche Gesundheit als auch die städtische Lebensqualität zu erhalten. Bei Paradox Engineering, wir haben unsere Flaggschiff-Plattform erweitert PE Smart Urban Network um eine einsatzbereite Smart Waste Anwendung für Stadt- und Versorgungsmanager.

Die Neuigkeit ist, integrieren wir Künstliche Intelligenz und Machine Learning Algorithmen zur Verbesserung dieser Lösung und machen es noch leistungsfähiger. Während herkömmliche Algorithmen Eingaben anhand einiger vorgegebener Regeln in Ausgaben umwandeln, haben wir uns für maschinelles Lernen entschieden, um ein genaues Vorhersagemodell auf Basis von Beispieldaten zu erstellen.

Der erste Schritt ist Ausrüstung von Behältern mit Paradox Engineering-MinebeaMitsumi 6LoWPAN-Sensoren und ermöglichen es den kommunalen Abfallbetreibern, Daten über den Füllstand, das Datum und die Uhrzeit der letzten Müllabfuhr sowie Informationen über den Standort der Behälter zu sammeln und zu überwachen.

Dank des Machine Learning, sind wir Entwicklung des Systems von einer Plattform zur Sammlung von Rohdaten zu einer umsetzbaren Vorhersagelösung: Das System zur Vorhersage des Füllstands von Behältern kann Daten von den Füllsensoren der Smart Bins empfangen und verarbeiten, mit einer Schätzung des Datums, an dem der Behälter seine Kapazitätsgrenze erreichen wird.

Wussten Sie, dass Mülltonnen in der Regel geleert werden, wenn sie nur noch 40% voll sind? Mit unserer Behälterfüllstandsprognose, Bediener können LKWs nur dann abfertigen, wenn und wo die Behälter fast voll sindDadurch wird die Abfallsammlung optimiert, die Anzahl der Lkw-Rollen und die damit verbundene Kilometerleistung reduziert, was wiederum die Umweltverschmutzung und Staus verringert.

Das System zur Vorhersage des Behälterfüllstands nutzt ein tiefes neuronales Netzwerk, das auf einem Datensatz mit historischen Daten von Smart Bins trainiert wird. Die bei der Software-Schulung berücksichtigten Merkmale basieren auf dem aktuellen Füllstand, der mit Zeitdaten korreliert ist, sowie auf geografischen Standortdaten.

Komplexere Logik wird bald integriert werden, um dem Behälter beibringen, relevante Punkte von Interesse in der Nähe zu identifizierenwie z. B. Supermärkte, Stadien, Bahnhöfe oder Krankenhäuser. und prognostizieren den Abfallaufkommen auf Variablen wie z. B. Personendichte, Kalender, Feiertage, Ferienzeiten und mehr.

Techniken des kontinuierlichen Lernens ermöglichen eine ständige Weiterentwicklung des Modells die Kombination von neuen Daten und angesammeltem Wissen. Das bedeutet, dass durch die Analyse von Füllmustern, Betreiber können auch datengesteuerte Entscheidungen über die Menge, die Kapazität und den Standort der Container treffen. Die Behälter können so positioniert werden, dass sie zu verschiedenen urbanen Szenarien passen und sich innerhalb weniger Tage an veränderte Bedingungen anpassen, d. h. unterschiedliche Gewohnheiten oder Verhaltensweisen der Bewohner, wie die Zunahme des verpackungsbedingten Mülls durch den Aufstieg des E-Commerce und der Hauszustellung in der Pandemiezeit.

Dank PE Smart Urban Network und Machine Learning Algorithmen, Städte können die Abfallsammlung und -verwaltung wirklich verbessern, die Verbesserung der Lebensqualität bei gleichzeitigem Schutz der öffentlichen Gesundheit und der Umwelt.

 

Erfahren Sie mehr über unsere Smart Waste Anwendung: Laden Sie unser White Paper (kostenlose Registrierung erforderlich), und Kontakt zu unserem Experten für maschinelles Lernen


machine learning

Maschinelles Lernen: eine große Chance für IoT-Plattformen

Autoren: Riccardo Biella und Paolo VeronesiSoftware-Ingenieure bei Paradox Engineering

 

Die Welt wird immer komplexer und vernetzterund erzeugen mehr Datenverkehr als je zuvor. A aktueller IDC-Bericht prognostiziert, dass vernetzte IoT-Geräte eine fast 75 Milliarden Menschen weltweit bis 2025 und generieren etwa 79,4 Zettabytes an Daten.

Diese riesige Menge an Informationen enthält einen unglaublichen Wert, aber sie muss gespeichert, verarbeitet, analysiert und korreliert werden, um ihr volles Potenzial zu erschließen. Reicht der menschliche Einsatz für diese unglaubliche Aufgabe aus? Wahrscheinlich nicht. Deshalb Künstliche Intelligenz (KI) wird zunehmend genutzt, um eine so große und wachsende Menge an Daten zu verarbeiten, mit genaueren und schnelleren Ergebnissen als bei der traditionellen Computerprogrammierung.

Vor einigen Jahren definierte Andrew Moore, ehemaliger Dekan der School of Computer Science an der Carnegie Mellon University KI als "die Wissenschaft und Technik, die Computer dazu bringt, sich auf eine Weise zu verhalten, von der wir bis vor kurzem dachten, dass sie menschliche Intelligenz erfordert". Die KI-Technologie ist von menschlichen Verhaltensweisen und kognitiven Prozessen inspiriert, nutzt aber auch das Wissen aus anderen biotischen Prozessen wie DNA-Mutationen oder dem chemischen Zerfall von Substanzen.

Obwohl oft als Synonym genannt, Maschinelles Lernen ist etwas anderes: Es ist ein Zweig der KI, der sich mit Entwicklung von Computeralgorithmen und Erstellung von Anwendungen, die aus Daten lernen und ihre Genauigkeit mit der Zeit durch Erfahrung automatisch verbessern.

Beispiele für Machine Learning-Anwendungen sind überall um uns herum. Jeden Abend, während wir nach der Arbeit nach Hause fahren, durchsuchen digitale Assistenten das Web und spielen Musik als Reaktion auf unsere Sprachbefehle ab, unsere Uhren überwachen unseren Herzschlag, unsere Autos halten uns auf dem Laufenden und schlagen uns vor, für einen Kaffee anzuhalten, wenn wir zu müde sind.

Menschliche Gehirne haben die außergewöhnliche Fähigkeit, aus Erfahrungen zu lernen, und dank Machine Learning werden Algorithmen diese Fähigkeit mehr und mehr schärfen und durch Informationen bessere Ergebnisse liefern. Wie weit kann Machine Learning gehen? Schwierige Frage, aber eines ist sicher: Daten spielen eine Schlüsselrolle, da ihre Qualität und Quantität die Genauigkeit der Ergebnisse beeinflussenSie sind also ein wirklich kritisches Element in jedem Machine Learning-Fortschritt.

Traditionelle Algorithmen konvertieren die Eingabe in die Ausgabe unter Verwendung einiger vorgegebener Regeln, während Algorithmen für maschinelles Lernen erstellen ein Modell auf der Grundlage von Beispieldaten, um Vorhersagen zu treffen ohne explizit dafür programmiert zu sein.

Maschinelles Lernen bietet die beste Performance bei der Verarbeitung und Analyse großer und hochdimensionaler Datenmengen und ist damit besonders nützlich und interessant in der IoT (IoT) Welt aufgrund der großen Anzahl von Geräten, die inhomogene Daten sammeln und teilen. Nachdem sie einen statistischen Analyseprozess durchlaufen haben, sind diese Daten eine Fundgrube für die Entwicklung neuer intelligenter Anwendungen.

In einem IoT-Netzwerk können wir quittieren drei verschiedene Schichten, jeweils gekennzeichnet durch die Verfügbarkeit unterschiedlicher Ressourcen und Daten wo Machine Learning anwendbar ist: IoT-Geräte, Edge-Geräte und die Cloud.

Mit dem Aufkommen der neuen Technologien ist es möglich die Nutzung von neuronalen Netzen und Machine-Learning-Techniken auf allen IoT-Ebenen zu integrieren, um komplexe Datenanalysen lokal durchzuführen. IoT-Geräte, wie z. B. typischerweise eingeschränkte Sensoren, können Daten lokal verarbeiten, ohne sie über das Netzwerk zu senden, wodurch Latenzzeiten reduziert und Sicherheitsprobleme vermieden werden. Durch die Verlagerung in die Cloud ist es möglich, aufgrund der größeren Rechenleistung komplexere Analysen durchzuführen und Daten aus verschiedenen Quellen zu nutzen, wodurch sich die IoT-Welt für neue und höchst innovative Anwendungsfälle öffnet.

Bei Paradox Engineering, haben wir die neuesten Techniken des maschinellen Lernens in unsere IoT-Plattform-Komponenten integriert, die eine wertvolle Nutzung des maschinellen Lernens auf verschiedenen Ebenen ermöglichen, von der Cloud bis hin zu Edge- und IoT-Geräten, um deren Eigenheiten und Funktionalität optimal zu nutzen.

Unsere IoT-Lösungen wurden mit einem Entwicklungsframework für maschinelles Lernen erweitert, um ermöglichen den Einsatz dieser Technologien in verschiedenen Anwendungsfällen auf einfache und transparente Weise. Entwickler können Machine Learning als Enabler für neue informationsgesteuerte Funktionalitäten oder zur Erweiterung bestehender Funktionalitäten einfach integrieren.

 

Möchten Sie mehr erfahren? Kontakt unsere Machine Learning Experten!


open source mesh network

Offene Datenmodelle und Open-Source-Mesh-Netzwerke für intelligentere Städte

Autor: Nicola Crespi, Chief Innovation Officer, Paradox Engineering

 

Interoperabilität ist das A und O für wirklich intelligente Städte. Wir haben viel darüber diskutiert, wie wichtig es für eine Stadt ist, auf Offenheit zu setzen und sich von proprietären Technologien und Datenformaten zu befreien [lesen Sie unseren White Paper um mehr zu erfahren].

Wenn Städte und Versorgungsunternehmen eine interoperable städtische Infrastruktur entwerfen, orientieren sie sich in der Regel an bestehenden internationalen IoT-Konnektivitätsstandards wie LoRaWan, NB-IoT oder WI-SUN: guter Startpunkt, aber sie sollten sich bewusst sein diese Standards befassen sich nur mit der Netzwerkschicht und dem Messaging-Protokoll der IoT-LösungSie werden also kein spezifiziertes Datenmodell oder Anwendungs-Payload für städtische Anwendungsfälle bereitstellen.

Das Ergebnis ist, dass der Lösungsanbieter in den meisten Fällen auf ein proprietäres Datenmodell oder Anwendungsschichten zurückgreift und der Kunde an seine Technologie gebunden ist und sich mit teuren API-Integrationen herumschlagen muss.

Das ist der Hauptgrund für Paradox Engineering und MinebeaMitsumi treten dem uCIFI Alliance. Wir waren schon immer Eintreten für offene Standards und sind verpflichtet, Multi-Lieferanten zu schaffen, offene Lösungen für Cities und andere intelligente Umgebungen.

Heute wir leiten die technische Arbeitsgruppe von uCIFI und trugen wir zur öffentlichen Freigabe von das erste einheitliche Datenmodell für Städte und Versorgungsunternehmen - ein bedeutender Schritt nach vorn, um die vollständige Interoperabilität zwischen IoT-Geräten zu gewährleisten, die mit demselben Netzwerk verbunden sind. Ein gemeinsames Datenmodell ermöglicht es, angeschlossene Geräte eines Herstellers durch gleichwertige Geräte eines Drittanbieters zu ersetzen, ohne dass eine Softwareintegration erforderlich ist.

Das uCIFI-Datenmodell nutzt das Light Weight M2M (LwM2M)-Register der Open Mobile Alliance um intelligente Geräte (Referenzobjekte) und deren Attribute (Ressourcen) zu beschreiben, um das wahre Potenzial von Open Cities zu erschließen mit der reduzierte Kosten und eine bessere Garantie für die Nachhaltigkeit der Investitionen. Unsere Lösung hat die Interoperabilitätstests für die LWM2M-Implementierung während des OMW Virtual TestFest 2021 erfolgreich bestanden.

Darüber hinaus macht es das uCIFI-Datenmodell den Anbietern, die uCIFI auf ihren Produkten und Geräten einsetzen, leicht TALQ-konform werden und erhalten Sie entsprechende Zertifizierungen.

Wie geht es weiter? Wir arbeiten mit uCIFI an dem Open-Source-Mesh-Netzwerk. Die Aufgabe hier ist es, eine Open-Source-Mesh-Referenzimplementierung zu definieren und bereitzustellen, die standardisiert die Smart-City-Anwendungsschichten auf einem beliebigen 6LoWPAN/Wi-SUN-zertifizierten Mesh-Netzwerk.

Smart-City-Anwendungen können spezifische Anwendungsfälle und Anforderungen in Bezug auf Datenbandbreite, Geräteerreichbarkeit und Inbetriebnahme, Gerät-zu-Gerät-Kommunikation im Außenbereich (z. B. ein Sensor zur Anwesenheitserkennung, der das Lichtniveau an einer entfernten Leuchte erhöht) haben, aber diese Anwendungsdienste werden derzeit nur von proprietären Lösungen auf dem Markt umgesetzt.

Das Ziel von uCIFI ist es, diese Smart-City-Anwendungsschicht auf 6LoWPAN/Wi-SUN-Netzwerken zu standardisieren und das Protokoll und den Prozess zu definieren, der für die Geräte- und Netzwerkinbetriebnahme, End-to-End-Sicherheit und Gerät-zu-Gerät-Kommunikationund garantiert damit eine vollständige End-to-End-Interoperabilität.

 

Möchten Sie mehr erfahren? Kontaktieren Sie unseren Experten Nicola Crespi!


unified data model

uCIFI Alliance veröffentlicht einheitliches Datenmodell für Smart Cities und Versorgungsunternehmen

Aktive Mitglieder des uCIFI Alliance Gemeinsam mit unserer Muttergesellschaft MinebeaMitsumi sind wir stolz darauf, die öffentliche Freigabe des ersten einheitlichen Datenmodells, um Interoperabilität und Austauschbarkeit zwischen verbundenen Geräten zu ermöglichen um Smart Cities zu erschließen, Kosten zu reduzieren und die Nachhaltigkeit von Investitionen zu gewährleisten.

Das Open-Source-Modell der uCIFI Alliance zielt auf wichtige Smart City Anwendungen wie zum Beispiel Straßenbeleuchtung, Wassermessung und Verteilungsüberwachung, Abfallwirtschaft, Parken, Verkehrsüberwachung, Überwachung der Luftqualität, intelligente Gebäude sowie Sicherheit und Schutz. Es unterstützt auch allgemeine und komplexere Dienste, einschließlich Multicast-Gruppierung, dynamische Sensor-zu-Aktor-Steuerung und ein kalenderbasiertes Steuerprogramm zur Standardisierung des Edge Computing für IoT-Sensoren.

Mit diesem einheitlichen Datenmodell wird eine Reihe von 30 angeschlossenen Sensoren und Geräten, die für Smart-City-Projekte verwendet werden, in der Light Weight M2M (LwM2M) Registry der Open Mobile Alliance beschrieben. Diese Referenzobjekte und zugehörigen Attribute sind im LwM2M-Format modelliert und können in jedem eingeschränkten IoT-Netzwerk verwendet werden. Sie können auch sein frei von jedem Anbieter in jedem Produkt implementiert werden, um die Ausschreibungsanforderungen der Städte nach Offenheit und Interoperabilität zu erfüllen. Anbieter können der Allianz beitreten, um vom Zertifizierungsprogramm zu profitieren, auf Testtools und andere Software-Ressourcen zuzugreifen und zu mehr interoperablen Objektmodellen beizutragen.

Das einheitliches Datenmodell ist eine gute Nachricht für Städte und Versorgungsunternehmen: Sie können die Bindung an einen bestimmten Anbieter vermeiden und haben eine flexiblere, breitere und zukunftssichere Beschaffung, die sie sofort nutzen können Open-Source, Multi-Transport, Multi-Lieferant und kosteneffizientes Werkzeug Silos zu durchbrechen, wenn sie ihre IoT-Projekte konzipieren und umsetzen.

Wir setzen uns für offene Standards ein und engagieren uns kontinuierlich für die Schaffung von herstellerübergreifenden, interoperablen IoT-Lösungen, wir begrüßen das einheitliche Datenmodell der uCIFI Alliance und freuen uns auf die Unterstützung Städte und Versorgungsunternehmen in ihren Smart Journeys. 


streetlights

Ein Viertel der Straßenlaternen soll bis 2030 intelligent werden

Investitionen in LED und intelligente Straßenbeleuchtung werden wahrscheinlich nicht gestoppt werdenauch in der Pandemiezeit. Laut Die Prognosen der Northeast Group, Der globale Markt wird in den nächsten zehn Jahren voraussichtlich einen Wert von 28,1 Mrd. USD erreicheneinschließlich Ausgaben für LED- und intelligente Beleuchtungsinfrastruktur, zugehörige Sensoren und Management-Software. Allein die Software wird bis 2029 über $200 Millionen an jährlich wiederkehrendem Umsatz ausmachen.

Heute gibt es weltweit etwa 326 Millionen Straßenleuchten, bis 2030 sollen es über 361 Millionen sein. Wir wissen, dass bereits ein Viertel aller Straßenlaternen weltweit auf LED umgerüstet und über 10 Millionen an intelligente Netzwerke angeschlossen wurden. Wenn die Prognosen stimmen und sich die Investitionstrends bestätigen, bis 2030 werden wir weltweit etwa 73% LED-basierte Lampen und bis zu 25% intelligente Straßenleuchten haben.

Vorteile von Smart Lighting sind sehr gut bekannt. Die Installation von energieeffizienten LED-Lampen macht Cities sofort sparen Sie bis zu 70% an Stromverbrauch und die damit verbundenen Kosten. Bis zu 25% mehr Leistung kann eingespart werden bei Freigabe vollständige Fernverwaltung und -steuerung von einzelnen oder gruppierten Leuchten durch Anschluss an ein empfindungsfähiges IoT-Netzwerk, die Einführung wichtiger Funktionen wie z. B. geplante Ein/Aus-Schalten und adaptives Dimmen.

Es gibt noch mehr. Heutzutage Straßenlaternen sind eine Leinwand für urbane InnovationDadurch werden nicht nur Nachhaltigkeit und Effizienz verbessert, sondern auch Möglichkeiten für Mobilität, öffentliche Sicherheit, Tourismus und allgemeine Lebensqualität geschaffen.

Als eine Art Nervensystem für jede Stadt, Straßenbeleuchtungsnetze verbinden fast jeden Stadtteil und jede Straße mit Zugang zur Macht. Deshalb können sie leicht zu einer reichhaltigen Sensorplattform werden, die wichtige Daten für eine Vielzahl von städtischen Anwendungen sammeln. Beispiel für Dienste, die zusammen mit Smart Lighting eingesetzt werden können Dazu gehören Ampelsteuerungen, Verkehrs- und Stadtteilvideoüberwachung, Luftqualitäts- und Umweltüberwachung, flächendeckendes WiFi und Breitbandanbindung.

Die Betrachtung von Straßenbeleuchtungen als Rückgrat intelligenter Gemeinschaften drängt die Stadtmanager zu einer breit angelegten, weitsichtigen Strategie und möglicherweise neue Finanzierungsmodelle zu nutzen. Wie berichtet von Städte heute, Infrastruktur-Investmentfonds, Energiedienstleistungsunternehmen (ESCOs) und Stadtmanagementberater spielen eine wachsende Rolle bei der Finanzierung und Durchführung von intelligenten Straßenbeleuchtungsprojekten. Dies könnte eine interessante Option für Kommunen werden, die aufgrund von Covid-bedingten wirtschaftlichen Problemen mit Haushaltsengpässen zu kämpfen haben.

Wie Städte suchen flexible Finanzierungsmöglichkeiten und neue Modelle der öffentlich-privaten PartnerschaftSie müssen zunehmend nachweisen, dass Smart Lighting und andere urbane Anwendungen eine messbare Rendite erzielen und sich in eine Chance zum Nutzen aller, einschließlich der Investoren, verwandeln.

Wie stellt man sicher, dass intelligente Investitionen sowohl Effizienz als auch neue Einnahmeströme schaffen? Wie kann man sicherstellen, dass sie zukünftiges Wachstum unterstützen und stimulieren? Nach unserer Erfahrung, Interoperabilität und Offenheit sind die besten Antworten.

Wenn eine Stadt auf einem standardbasierte Infrastruktur wie PE Smart Urban Networknutzt es die Vorteile eines einzigen drahtlosen Netzwerks und einer einzigen zentralen Management-Suite, um jede Wireless IoT- und Wireless IoT-Highspeed-Anwendung fernzusteuern, mit vollständige Interoperabilität im Geräte-, Daten- und Anwendungsmanagement. Es gibt keine Beschränkungen für zukünftige Erweiterungen und Integration von zusätzlichen Diensten und Drittsystemen, sowie viele Möglichkeiten zur innovative und zukunftsweisende Daten-Monetarisierungsmodelle zu ermöglichen.

Wollen Sie mehr lesen? Laden Sie unsere Papier 'Eine intelligente Stadt ist eine interoperable Stadt' und überprüfen Sie unsere On-Demand-Webinar.