smart adaptive lighting

Lampioni connessi? È il momento dell'illuminazione adattiva intelligente

L'illuminazione stradale rappresenta in media il 40% della bolletta elettrica di una città. Non sorprende che sia uno dei primi servizi su cui si concentrano gli amministratori locali quando si trovano di fronte a vincoli di bilancio o ambiziosi obiettivi di sostenibilità.

Si possono risparmiare fino all'80% di energia e relativi costi trasformando i lampioni in lampade a LED ad alta efficienza energetica e collegandoli a una rete wireless Internet of Things (IoT). Con PE Smart Urban Network , la nostra piattaforma per le reti urbane, le città possono trasformare la loro infrastruttura di illuminazione in una rete intelligente e senziente e avere il pieno controllo da remoto dei dispositivi connessi.

PE Smart Urban Network permette di accendere/spegnere e dimmerare apparecchi singoli o raggruppati dal sistema di gestione centrale e definire programmi di illuminazione esterna personalizzati. Le ore di funzionamento e la luminosità possono essere programmate in base ai tempi solari giornalieri o ai livelli di luce ambientale, e le combinazioni predefinite possono essere impostate per determinati distretti o aree.

Cosa c'è di più? La nostra piattaforma permette l'illuminazione adattiva basata su sensori. Interfacciando i lampioni con sensori di movimento o sistemi di rilevamento dei veicoli, può essere attivata un'illuminazione dinamica che riduce ulteriormente il consumo di energia fino al 30%. Possono essere definiti schemi di illuminazione adattivi, cioè l'accensione delle lampade in tempo reale in base al transito veicolare o pedonale, riducendo la luminosità in aree a basso traffico o strade vuote.

Guardate questo esempio: Lungo una pista ciclabile, i lampioni possono essere preimpostati per rimanere spenti di giorno e fornire un'intensità luminosa del 40% di notte. Grazie al sensore di movimento integrato, quando la luce ambientale è al di sotto della soglia di 50 lux e viene rilevato un veicolo, il livello di luce viene aumentato dal 40% al 100% per 2 minuti.

smart adaptive lighting

L'illuminazione può rispecchiare dinamicamente l'intensità del traffico. I punti luce possono essere integrati con i contatori dei veicoli per tracciare il numero di auto che passano in un determinato lasso di tempo. Quando una soglia specifica viene superata, viene inviato un comando automatico per impostare un gruppo di lampade su un livello di oscuramento predefinito.

Ad esempio, una telecamera IP può essere configurata per contare i veicoli che attraversano un paio di linee, azzerando i contatori ogni 15 minuti e inviando il relativo comando per oscurare le luci. Si considerano tre scenari: con una condizione di basso traffico, il livello di oscuramento è impostato su un minimo di 40%; il traffico medio aumenta l'oscuramento a 50%, e il traffico elevato a 70%.

smart adaptive lighting

Il controllo del dimming può essere anche basato su Lux, pioggia e sensori ambientali misurare l'intensità del vento, la temperatura, l'umidità e la pressione. Supponendo che i dati fisici vengano raccolti ogni 5 secondi e correlati alle relative soglie, viene inviato un comando ai driver LED sul bus DALI2 per regolare i livelli di illuminazione.

 

Volete maggiori informazioni su PE Smart Urban Network e l'illuminazione adattiva? Guardate il nostro webinar e sentitevi liberi di contattare i nostri esperti Smart Lighting per avere tutte le risposte alle vostre domande!


decentralised cities

Portare l'illuminazione intelligente nelle città decentrate e nelle aree rurali

Nel 2020, oltre il 56% della popolazione mondiale vivrà in città, e le Nazioni Unite hanno stimato che l'urbanizzazione potrebbe raggiungere il 68% entro il 2050. Tuttavia, la pandemia Covid-19 potrebbe frenare questa tendenza, perché l'aumento del lavoro a distanza potrebbe incoraggiare più persone a lasciare le città in cerca di un diverso stile di vita.

Il futuro potrebbe riguardare le città decentralizzate, facendo evolvere il modello tradizionale di metropoli verso conglomerati policentrici e multi-nodali. Questo creerebbe una "nuova normalità" per la densità urbana - e spingerebbe le infrastrutture IoT urbane a cambiare di conseguenza.

Cosa significa questo per lo Smart Lighting? Il caso standard per l'illuminazione stradale riguarda centri cittadini o aree densamente popolate, dove è generalmente semplice e conveniente aggiornare le lampade esistenti a LED e progettare una rete IoT mesh. Una volta collegati, i lampioni intelligenti possono essere monitorati e gestiti da un sistema software centralizzato, mentre alcuni gateway fungono da router di confine, coordinatori di rete e concentratori di dati. In condizioni operative normali, un singolo gateway può gestire fino a 400 lampioni collegati.

Se si considerano le città decentralizzate o le aree rurali, lo scenario può essere completamente diverso. Pensate alle periferie e ai villaggi di campagna in Europa o negli Stati Uniti, per esempio. A causa della bassa densità di popolazione, possiamo avere gruppi dispersi di pochi lampioni, o anche singole lampade isolate. Questo rende difficile e costoso raggiungerli, poiché sarebbero necessari più gateway per collegarli in modo affidabile alla rete mesh.

Installare più gateway per collegare i lampioni difficili da raggiungere aumenta la complessità e genera costi aggiuntivi, poiché i costi medi per punto luce aumentano. E se avessimo un diverso dispositivo di illuminazione che serve sia come nodo che come gateway? Riuscirebbe a collegare tutte le lampade all'infrastruttura IoT esistente?

In Paradox Engineering stiamo lavorando a un nuovo nodo ibrido intelligente , che introdurremo nel corso del 2022. Per saperne di più, leggete il nostro articolo su Cities Today!


cybersecurity

A proposito di cybersecurity nelle Smart IoT City

La tua città è sotto attacco"Questa è la notizia che tutti temono...

Se lo si misurasse come un paese, il crimine informatico sarebbe la terza economia del mondo dopo gli Stati Uniti e la Cina. Secondo un rapporto della società statunitense Cybersecurity Ventures, si prevede che il crimine informatico infliggerà danni per 6 trilioni di dollari a livello globale nel 2021. Crescendo del 15% all'anno, i danni previsti raggiungeranno i 10,5 trilioni di dollari entro il 2025, considerando denaro rubato, furto di dati personali e finanziari, furto di proprietà intellettuale, perdita di produttività, indagini forensi, ripristino e cancellazione di dati e sistemi compromessi, e danni alla reputazione dell'organizzazione violata.

Un attacco informatico potrebbe potenzialmente interrompere i servizi pubblici essenziali, esporre dati personali e finanziari, e disabilitare l'economia di una città. Non è una prospettiva rassicurante per le città che si affidano sempre più alle reti interconnesse e alle infrastrutture basate sui sensori per operare e fornire qualsiasi applicazione di cui le persone e le imprese hanno bisogno, dalla distribuzione di energia ai sistemi di mobilità, dalla illuminazione stradale alla raccolta dei rifiuti urbani, e altro ancora.

Le città sono preparate ad affrontare una tale minaccia? Un sondaggio online che abbiamo condotto nell'ottobre 2021 rivolgendoci a funzionari comunali, gestori di servizi e professionisti ICT, ha rilevato che due terzi (67%) ritengono che la loro città sia "alquanto vulnerabile" ai cyberattacchi e solo il quattro per cento ha affermato di essere "sicuro al 100 per cento". La preoccupazione principale (42%) in caso di attacco riguarda la violazione dei dati finanziari, seguito dalla continuità del business (40 per cento) e dalla privacy dei dati personali (18 per cento).

Come possono le città mitigare i rischi di cybersecurity e costruire una base sicura per la loro infrastruttura IoT? Come possiamo gestire la cybersecurity come un viaggio che dura tutta la vita? Non perdere il nostro evento digitale 'What about Cybersecurity in Smart IoT Cities?' di giovedì 18 novembre 2021: allo Smart City Expo World Congress, il nostro Chief Innovation Officer Nicola Crespi e il nostro Cybersecurity Architect Dario Campovecchi parlerà dell'approccio security by design di Paradox Engineering e introdurrà alcuni servizi innovativi che lanceremo nel 2022.

La registrazione gratuita è obbligatoria, contattateci per inviare domande in anticipo!


estimate daytime

Autore: Paolo Veronesi, software engineer di Paradox Engineering

 

In un mondo sempre più complesso e interconnesso, il Machine Learning sta dimostrando di essere molto vantaggioso per le Smart City e qualsiasi applicazione IoT dove grandi volumi di dati grandi devono essere elaborati, correlati e gestiti.

In Paradox Engineering stiamo sperimentando le reti neurali in casi d'uso specifici come la raccolta dei rifiuti solidi urbani oppure il monitoraggio del paziente in ospedale e nelle cliniche, due applicazioni che richiedono capacità computazionali medio-alte. Le reti neurali sono generalmente impiegate dove è possibile sfruttare grandi risorse di calcolo (come workstation o server), ma ora stiamo esplorando come utilizzare queste tecnologie in una situazione diametralmente opposta - ovvero con risorse estremamente limitate (come poche centinaia di KB di ram, e processori standard a 32 bit con meno di cento MHz).

Sfruttare le reti neurali sui dispositivi IoT embedded è una applicazione emergente. Il nostro obiettivo è quello di elaborare i dati localmente, sul dispositivo embedded, senza inviare informazioni in rete: questo permette ai dispositivi di funzionare correttamente anche in caso di guasti di rete, migliora la scalabilità del sistema e la sua sicurezza complessiva, in quanto i dati sensibili vengono elaborati a livello locale.

Il caso d'uso su cui ci stiamo concentrando è lo Smart Lighting. In una tipica installazione urbana all'aperto, i lampioni sono collegati a una rete mesh e gestiti da gateway, che operano come router, coordinatori di rete e concentratori di dati. Il software di gestione centrale permette la gestione e il controllo remoto della rete, così come dei dispositivi singoli o raggruppati.

Ci si aspetta che i lampioni funzionino senza problemi anche quando la connettività al gateway più vicino o al CMS non è disponibile. Per permettere questo, i dispositivi sono configurati per eseguire le loro routine in base alla data e all'ora correnti, supponendo sia il gateway a fornire queste informazioni. Questo è vitale per i lampioni per ricavare le effemeridi e calcolare l'alba e il tramonto quotidiani - in base a questi dati, le lampade possono accendersi, spegnersi e regolare l'intensità rispettando gli orari programmati.

Cosa succede se un nodo è isolato e non può connettersi a un gateway, per esempio a causa di condizioni ambientali avverse o della topologia della rete? O se il gateway non è affatto installato? In questi casi, il dispositivo dovrebbe trovare un nuovo modo per calcolare l'ora corrente. Abbiamo deciso di sfruttare l'analisi dei dati e le capacità di Machine Learning per permettere ai lampioni di derivare l'ora esatta del giorno dai dati raccolti da sensori ambientali integrati.

Stimare l'orario da parametri come la luminosità, la temperatura o la pressione non è un compito semplice. Le condizioni ambientali variano molto di giorno in giorno, di stagione in stagione, con un livello di complessità che non sarebbe possibile risolvere con un approccio di programmazione tradizionale.

Le reti neurali possono gestire in modo efficiente le serie temporali e, se addestrate con un'adeguata quantità e varietà di dati, possono fornire una risposta accurata alla nostra domanda. Nel nostro esperimento, abbiamo addestrato il sistema usando dati generati da un insieme di sensori ambientali nel corso di un anno.

I risultati sono molto promettenti: i lampioni isolati sono stati in grado di elaborare i dati localmente e stimare il giusto orario con una precisione media di circa 16 minuti - ed eseguire perfettamente i loro programmi. Senza il Machine Learning, questa continuità operativa non sarebbe stata possibile.

 

Per saperne di più sulla nostra soluzione Smart Lighting , scaricate il nostro ultimo white paper (registrazione gratuita richiesta), e contattate i nostri esperti di Machine Learning!

smart lighting

8 cose da sapere sullo Smart Lighting

Smart Lighting è una delle applicazioni urbane intelligenti più mature - e i suoi benefici sono stati ampiamente discussi. Sappiamo tutti che i lampioni a LED e gestiti a distanza consumano meno energia, contribuiscono alla mitigazione del cambiamento climatico e in generale rendono le città più sicure, vivibili e attraenti.

Tuttavia, a volte è difficile per i manager delle città e dei servizi pubblici separare il clamore dalla realtà e fare un business case significativo. In un rapporto appena pubblicato - Smart Lighting: how switched on are you? (download gratuito previa registrazione) - abbiamo risposto 8 domande chiave che i leader urbani potrebbero avere in modo che possano intraprendere il loro viaggio intelligente da una posizione più informata.

Lasciateci dare un'occhiata...

Quanti soldi possono davvero risparmiare le città con l'illuminazione intelligente?

L'illuminazione stradale rappresenta, in media, il 40% della bolletta elettrica di una città. Risparmi dovuti alle tecnologie intelligenti dipendono da un certo numero di variabili, ma di solito sono rilevanti.

La municipalità di Gijon in Spagna ha implementato un'infrastruttura IoT pubblica e interoperabile nel 2016. L'illuminazione stradale è stata la prima applicazione urbana ad essere lanciata, con una prima installazione di 1.150 lampioni a LED monitorati e controllati dalla nostra piattaforma software di gestione. Il risparmio economico per la città è stato valutato in circa 100.000 euro all'anno.

Un altro esempio interessante è la pista ciclabile Tesserete-Canobbio in Ticino, Svizzera, dove la utility locale AEM ha aggiornato gli apparecchi di illuminazione esistenti alle tecnologie LED, li ha collegati a una rete wireless e ha interfacciato ogni lampada con un sensore di movimento, in modo che le luci si accendano automaticamente e vengano portate al 100 per cento solo quando passano ciclisti o pedoni. Come risultato, le ore annuali di funzionamento lungo la pista si sono ridotte da 4.300 a 600, e i costi medi sono diminuiti da 11,19 a 1,56 franchi svizzeri per punto luce.

 

Lo Smart Lighting rende più complessa e costosa la gestione, la manutenzione e la riparazione dei lampioni?

No, è esattamente il contrario! Avendo tutti i punti luce collegati alla stessa rete, le città possono monitorare e gestire completamente gli apparecchi a distanza, sfruttando un'unica piattaforma software. Il rilevamento proattivo in tempo reale dei guasti degli apparecchi o comportamenti fuori dall'ordinario diventa possibile, e i tecnici possono essere inviati solo quando e dove necessario, arrivando sul posto già informati e attrezzati per affrontare il problema specifico. Oltre a costi ridotti e operazioni più snelle, questo migliora anche la qualità del servizio e la soddisfazione dei cittadini.

 

L'illuminazione intelligente può generare ricavi?

Gli investimenti in illuminazione intelligente possono ripagarsi da soli e anche trasformarsi in un'opportunità di avere delle entrate. Nel 2016, la città di San Leandro in California, USA, ha iniziato il suo viaggio intelligente sostituendo circa 5.000 lampioni con lampade a LED e implementando una rete IoT wireless con un sistema di gestione e controllo centralizzato. Altre applicazioni e servizi sono stati aggiunti nel tempo alla rete, come il parcheggio integrato, l'internet pubblico wireless e la videosorveglianza del traffico. Sulla spesa iniziale di $5,2 milioni per apparecchiature a risparmio energetico e idrico, è stato calcolato che l'investimento genererebbe $8 milioni di risparmi in 15 anni attraverso la riduzione dell'uso dell'energia e dell'acqua, e $1,5 milioni in flusso di cassa positivo nello stesso periodo.

Questo accade quando le reti urbane sono progettate come infrastrutture interoperabili, in grado di ospitare applicazioni multiple, abilitare collaborazioni pubblico-private e altro ancora, possono creare opportunità valide per monetizzare i dati che generano.

 

Volete saperne di più? Scaricate il nostro paper e non perdere il nostro webinar gratuito in programma il 1 luglio 2021 alle 9am (EST), 2pm (BST), 3pm (CET), 5pm (GST): discuteremo i benefici e i fattori di successo della migliore illuminazione intelligente, fornendo una panoramica di alcune esperienze urbane reali. Registratevi oggi!


smart cameras

Sorveglianza intelligente per migliorare la cura degli anziani e dei pazienti

Autore: Riccardo Biella, software engineer di Paradox Engineering

 

I sistemi sanitari affrontano sfide immense in molti paesi del mondo. Molti si confrontano con l'invecchiamento della popolazione e la necessità di controllare la spesa per il servizio sanitario pubblico, ma in molti casi i pazienti superano le risorse disponibili compresi i servizi di base come letti d'ospedale, medici e infermieri. Questa carenza è apparsa ancora più rilevante durante Emergenza Covid-19, con la maggior parte dei paesi che faticano a gestire la pandemia e fornire un'adeguata qualità delle cure.

Le tecnologie intelligenti abilitano tutta una nuova classe di servizi per migliorare l'assistenza ai pazienti, in particolare il trattamento degli anziani e delle lunghe degenze in ospedale, in strutture assistite o a casa. Sistemi sanitari connessi e tecnologie di monitoraggio remoto del paziente (RPM) sono stati sempre più utilizzati per garantire una sorveglianza costante, sostenere i caregiver professionali nei loro compiti quotidiani e rassicurare i famigliari.

Insieme a Minebea Intec e MinebeaMitsumi Sensing Division, in Paradox Engineering stiamo lavorando su una soluzione innovativa per il settore dell'assistenza gestita: il nostro obiettivo è quello di finalizzare una piattaforma tecnologica sicura e aperta per il monitoraggio non invasivo del paziente in ospedali, cliniche, case di cura e ambienti domestici.

È concepita come una soluzione adattiva, in grado di costruire conoscenzae generare un'intelligenza specifica per il paziente raccogliendo dati da più sensori, correlando più parametri e integrando un motore unico di intelligenza artificiale (AI) per il riconoscimento delle situazioni, l'analisi del comportamento, il monitoraggio dell'evoluzione della salute a lungo termine e le relazioni personali.

La soluzione fornisce un motore AI locale per prevenire possibili furti di dati dall'ambiente ospedaliero e proteggere meglio la privacy dei pazienti. Attualmente stiamo testando le tecniche di Machine Learning per migliorare alcune funzioni specifiche, come il rilevamento di eventi avversi: elaborando i dati provenienti da telecamere e sensori intelligenti collegati, il sistema può riconoscere le anomalie e avvertire immediatamente gli assistenti in caso di cadute, mancanza di movimenti o altri tipi di eventi avversi, garantendo un monitoraggio costante dei pazienti 24 ore su 24.

Un'altra caratteristica che stiamo testando riguarda il controllo dell'accesso alla stanza. Stiamo usando il Machine Learning per elaborare le immagini dalle telecamere intelligenti connesse al fine di riconoscere il numero di persone in una stanza e distinguere i pazienti dal personale dell'ospedale. Questa è una funzione importante per aumentare la sicurezza degli ospiti rilevando un accesso non autorizzato.

Siamo partiti da un dataset iniziale composto da centinaia di immagini di pazienti e medici per addestrare il sistema. Le PE Smart Cameras sono ora in grado di eseguire attività di rilevamento degli oggetti in tempo reale, distinguendo le persone all'interno della stanza e classificandole come pazienti o personale ospedaliero, grazie all'uso di una rete neurale profonda che può anche riconoscere oggetti come camici, uniformi, indumenti, strumenti medici e posture.

Guarda questo breve video per avere un'anteprima:

 

 

Volete saperne di più? Contattate i nostri esperti di Machine Learning!


filling

Smart Waste, il Machine Learning prevede il riempimento dei bidoni

Autore: Riccardo Biella, software engineer di Paradox Engineering

 

La produzione annuale di rifiuti aumenterà del 70% a 3,4 miliardi di tonnellate entro il 2050, sostiene la Banca Mondiale. A questo tasso di crescita, avremo bisogno di circa 3 mondi per assorbire e smaltire la nostra spazzatura senza compromettere la nostra salute e l'ambiente.

Le città sono sempre più alla ricerca di soluzioni innovative per migliorare la raccolta dei rifiuti solidi urbani e il loro trattamento per preservare sia la salute pubblica che la vivibilità urbana. In Paradox Engineering, abbiamo esteso la nostra piattaforma PE Smart Urban Network per includere un'applicazione Smart Waste per i manager delle città e dei servizi pubblici urbani.

La novità è che stiamo integrando l'intelligenza artificiale e il Machine Learning algoritmi per migliorare questa soluzione e renderla ancora più performante. Mentre gli algoritmi tradizionali convertono l'input in output utilizzando alcune regole prefissate, abbiamo scelto il Machine Learning per costruire un modello predittivo accurato basato su dati campione.

Il primo passo è equipaggiare i bidoni con sensori Paradox Engineering-MinebeaMitsumi 6LoWPAN che permettono agli operatori dei rifiuti urbani di raccogliere e monitorare i dati sul livello di riempimento, la data e l'ora dell'ultima raccolta dei rifiuti e le informazioni sull'ubicazione dei bidoni.

Grazie a Machine Learning, possiamo far evolvere il sistema da una piattaforma di mera raccolta dati a una soluzione con capacità previsionali: il sistema riceve i dati dai sensori di riempimento dei bidoni intelligenti ed è in grado di elaborarli, fornendo una stima della data in cui il contenitore raggiungerà la sua capacità massima.

Sapevate che i bidoni vengono generalmente svuotati quando sono pieni solo al 40%? Con il nostro sistema di previsione, gli operatori possono inviare i camion solo quando e dove i bidoni sono quasi pieni, ottimizzando così la raccolta dei rifiuti solidi, riducendo il numero di camion e il chilometraggio ad essi associato, che a sua volta diminuisce l'inquinamento e il traffico.

Il sistema di previsione del livello di riempimento dei bidoni sfrutta una rete neurale profonda che è addestrata su un dataset contenente dati storici di bidoni intelligenti. Le caratteristiche considerate durante l'addestramento del software sono basate sul livello di riempimento corrente correlato ai dati temporali, così come i dati di localizzazione geografica.

Una logica più complessa sarà presto integrata per insegnare al bidone a identificare punti rilevanti di interesse nelle vicinanze, come supermercati, stadi, stazioni o ospedali - e prevedere il conferimento dei rifiuti su variabili come la densità delle persone, il calendario, le festività, le vacanze e altro.

Le tecniche di Continual Learning permettono al modello di evolvere continuamente combinando nuovi dati e conoscenze accumulate. Questo significa che, analizzando i modelli di riempimento, gli operatori possono anche prendere decisioni guidate dai dati sulla quantità, la capacità e la posizione dei container. I bidoni possono essere posizionati per adattarsi a diversi scenari urbani e adattarsi in pochi giorni alle condizioni mutevoli, ovvero abitudini o comportamenti diversi dei residenti, come l' aumento dei rifiuti legati all'imballaggio a causa dell'aumento del commercio elettronico e delle consegne a domicilio in tempi pandemici.

Grazie a PE Smart Urban Network e agli algoritmi di Machine Learning, le città possono davvero migliorare la raccolta e la gestione dei rifiuti, migliorando la vivibilità e proteggendo la salute pubblica e l'ambiente.

 

Per saperne di più sulla nostra applicazione Smart Waste: scaricate il nostro white paper (registrazione gratuita richiesta), e contattate i nostri esperti Machine Learning


machine learning

Machine Learning: una grande opportunità per le piattaforme IoT

Autori: Riccardo Biella e Paolo Veronesi, software engineer di Paradox Engineering

 

Il mondo è sempre più complesso e interconnesso, generando più traffico di dati che mai. Un recente rapporto IDC stima che i dispositivi IoT connessi potrebbero raggiungere quasi 75 miliardi a livello globale entro il 2025 e generare circa 79,4 zettabyte di dati.

Questa enorme quantità di informazioni contiene un valore incredibile, ma deve essere memorizzata, elaborata, analizzata e correlata per sbloccare il suo pieno potenziale. Lo sforzo umano è sufficiente per questo incredibile compito? Probabilmente no. Ecco perché la Intelligenza artificiale (AI) viene sempre più sfruttata per elaborare una quantità così grande e crescente di dati, con risultati più accurati e veloci della programmazione informatica tradizionale.

Alcuni anni fa, Andrew Moore, ex preside della Scuola di Informatica della Carnegie Mellon University, definì la AI come "la scienza e l'ingegneria di far comportare i computer in modi che, fino a poco tempo fa, pensavamo richiedessero l'intelligenza umana".La tecnologia AI si ispira ai comportamenti umani e ai processi cognitivi, ma sfrutta anche la conoscenza di altri processi biotici come le mutazioni del DNA o il decadimento chimico delle sostanze.

Anche se spesso menzionato come sinonimo, il Machine Learning è qualcosa di diverso: un ramo dell'AI che si occupa di sviluppare algoritmi informatici e costruire applicazioni in grado di imparare dai dati e migliorare automaticamente nel tempo attraverso l'esperienza.

Esempi di applicazioni Machine Learning sono ormai comuni. Ogni sera, mentre guidiamo verso casa dopo il lavoro, gli assistenti digitali fanno ricerche sul web e suonano musica in risposta ai nostri comandi vocali, i nostri orologi monitorano il nostro battito cardiaco, le auto seguono la strada e ci suggeriscono di fermarci per un caffè se siamo troppo stanchi.

Il cervello umano ha la straordinaria capacità di imparare dall'esperienza e, grazie al Machine Learning, gli algoritmi affineranno sempre di più questa capacità e forniranno risultati migliori attraverso le informazioni. Fin dove può arrivare il Machine Learning? Domanda difficile, ma una cosa è certa: i dati giocano un ruolo chiave poiché la loro qualità e quantità influenza l'accuratezza dei risultati,quindi sono un elemento veramente critico per qualsiasi progresso del Machine Learning.

Gli algoritmi tradizionali convertono l'input in output usando alcune regole date, mentre gli algoritmi Machine Learning costruiscono un modello basato su dati campione per fare previsioni senza essere esplicitamente programmati per farlo.

Il Machine Learning offre le migliori prestazioni quando si elaborano e si analizzano volumi di dati grandi e altamente dimensionali, rendendolo particolarmente utile e interessante nel mondo Internet of Things (IoT) a causa del gran numero di dispositivi che raccolgono e condividono dati non omogenei. Dopo essere passati attraverso un processo di analisi statistica, questi dati sono un tesoro per lo sviluppo di nuove applicazioni intelligenti.

In una rete IoT possiamo riconoscere tre diversi layer,ognuno caratterizzato dalla disponibilità di diverse risorse e dati dove il Machine Learning è applicabile: dispositivi IoT, dispositivi periferici e il cloud.

Con l'avvento delle nuove tecnologie, è possibile integrare l'uso di reti neurali e tecniche di Machine Learning a tutti i livelli dell'IoT per eseguire localmente analisi complesse dei dati. I dispositivi IoT, come i sensori tipicamente vincolati, possono elaborare localmente i dati senza inviarli in rete, riducendo la latenza ed evitando problemi di sicurezza. Passando al cloud, è possibile effettuare analisi più complesse grazie alla maggiore potenza di calcolo e sfruttando i dati provenienti da diverse fonti, aprendo così il mondo IoT a nuovi casi d'uso altamente innovativi.

In Paradox Engineering, abbiamo integrato le più recenti tecniche di Machine Learning nei componenti della nostra piattaforma IoT, consentendo un uso prezioso del Machine Learning a diversi livelli, dal cloud ai dispositivi edge e IoT, sfruttando al massimo le loro peculiarità e funzionalità.

Le nostre soluzioni IoT sono state estese con un framework di sviluppo di Machine Learning che permette di utilizzare queste tecnologie in molteplici casi applicativi in modo semplice e trasparente. Gli sviluppatori possono facilmente integrare il Machine Learning come abilitatore per nuove funzionalità guidate dalle informazioni o per migliorare quelle esistenti.

 

Volete saperne di più? Contatta i nostri esperti di Machine Learning!


open source mesh network

Modelli open data e reti mesh open source per città più intelligenti

Autore: Nicola Crespi, Chief Innovation Officer, Paradox Engineering

 

L'interoperabilità è fondamentale per città veramente intelligenti. Abbiamo discusso ampiamente di quanto sia importante per una città poter contare su standard aperti e liberarsi da tecnologie e soluzioni proprietarie [qui il nostro white paper per approfondire].

Quando le città e i servizi pubblici progettano un'infrastruttura urbana interoperabile, in genere guardano agli standard internazionali di connettività IoT esistenti, come LoRaWan, NB-IoT o WI-SUN: buon punto di partenza, ma è bene sapere che questi standard si occupano solo del livello di rete e del protocollo di messaggistica della soluzione IoT, quindi non forniscono alcun data model o payload applicativo specifico per ambienti urbani.

Il risultato è che, nella maggior parte dei casi, il fornitore torna a data model o application layer proprietari, e il cliente è vincolato alla sua tecnologia e deve ricorrere a costose integrazioni API.

Questa è la ragione chiave per cui Paradox Engineering e MinebeaMitsumi hanno aderito alla uCIFI Alliance. Siamo sempre stati sostenitori degli standard aperti e impegnati a sviluppare soluzioni aperte per le città e altri ambienti intelligenti.

Oggi guidiamo il Technical Working Group di uCIFI e abbiamo contribuito al rilascio pubblico del primo data model unificato per città e servizi pubblici - un significativo passo avanti per garantire la piena interoperabilità tra i dispositivi IoT collegati alla stessa rete. Un data model comune permette ai dispositivi connessi di essere sostituiti da apparecchiature equivalenti di una terza parte senza richiedere alcuna integrazione software.

Il data model uCIFI sfrutta il registro Light Weight M2M (LwM2M) della Open Mobile Alliance per descrivere i dispositivi intelligenti (oggetti di riferimento) e i loro attributi (risorse) per sbloccare il vero potenziale delle Open Cities e il costi ridotti e una garanzia superiore di sostenibilità degli investimenti. La nostra soluzione ha superato con successo i test di interoperabilità per l'implementazione di LWM2M durante il 2021 OMW Virtual TestFest.

Inoltre, il data model uCIFI consente ai fornitori che adottano uCIFI sui loro prodotti e dispositivi di diventare conforme a TALQ e ottenere le relative certificazioni.

Qual è il prossimo passo? Stiamo lavorando con uCIFI sulle reti mesh open source. L'obiettivo è quello di definire e fornire un'implementazione open-source di riferimento per le reti mesh che standardizzi i livelli applicativi della smart city su qualsiasi rete mesh certificata 6LoWPAN/Wi-SUN.

Le applicazioni per le città intelligenti possono avere esigenze e requisiti specifici in termini di larghezza di banda, raggiungibilità dei dispositivi e messa in funzione, comunicazione da dispositivo a dispositivo negli spazi esterni (ad esempio un sensore di rilevamento della presenza che aumenta il livello di luce su un apparecchio di illuminazione remoto), ma questi servizi applicativi sono ora implementati solo da soluzioni proprietarie disponibili sul mercato.

L'obiettivo di uCIFI è quello di standardizzare questo livello applicativo su reti 6LoWPAN/Wi-SUN, definendo il protocollo e il processo da utilizzare per la messa in funzione dei dispositivi e della rete, la sicurezza end-to-end e la comunicazione da dispositivo a dispositivo, garantendo così la piena interoperabilità end-to-end.

 

Volete saperne di più? Contattate il nostro esperto Nicola Crespi!


unified data model

uCIFI Alliance rilascia un modello di dati unificato per le smart city e le utility

Membri attivi della uCIFI Alliance insieme a MinebeaMitsumi, siamo orgogliosi di condividere il rilascio pubblico del primo modello di dati unificato per fornire interoperabilità e intercambiabilità tra dispositivi connessi , abilitare le Smart City, ridurre i costi e garantire la sostenibilità degli investimenti.

Il modello open-source di uCIFI Alliance riguarda le applicazioni Smart City piu' importanti come la illuminazione stradale, erogazione dell'acqua e monitoraggio delle reti idriche, gestione della raccolta rifiuti, gestione dei parcheggi, monitoraggio del traffico e della qualità dell'aria, edifici intelligenti, così come la sicurezza pubblica. Supporta anche servizi comuni e più complessi, tra cui il raggruppamento multicast, il controllo dinamico sensore-attuatore e un programma di controllo basato sul calendario per standardizzare l'edge computing per i sensori IoT.

Con questo modello di dati unificato, una serie di 30 sensori e dispositivi connessi utilizzati per progetti Smart City sono descritti sul registro Light Weight M2M (LwM2M) della Open Mobile Alliance. Questi oggetti di riferimento e gli attributi associati sono modellati utilizzando il formato LwM2M e possono essere utilizzati su qualsiasi rete IoT vincolata. Possono anche essere implementati liberamente da qualsiasi fornitore in qualsiasi prodotto per soddisfare i requisiti delle gare d'appalto delle città in fatto di interoperabilità. I vendor possono unirsi all'alleanza per beneficiare del programma di certificazione, accedere a strumenti di test e altre risorse software e contribuire a modelli di oggetti ancora più interoperabili.

La tecnologia modello di dati unificato è una grande notizia per le città e i servizi pubbliciche possono evitare di essere legati a un solo vendor e avere un sourcing più flessibile, più ampio e a prova di futuro, traendo vantaggio immediato dallo strumento open-source, multi-trasporto, multifornitore e conveniente che rompe i silos nell'implementazione dei loro progetti IoT.

Poiché sosteniamo gli standard aperti e siamo continuamente impegnati a creare soluzioni IoT multifornitore e interoperabili, diamo il benvenuto al modello di dati unificato di uCIFI Alliance e siamo pronti a sostenere città e servizi pubblici nella loro transizione smart.