Интернет вещей. Будущее уже здесь

Такая технология, как iBeacon от Apple, предоставляет еще больше возможностей, которые способны кардинально изменить процесс совершения покупок. Если продавец отслеживает маршрут движения покупателя по магазину и видит, где тот подолгу останавливается, то он может собрать данные о моделях поведения покупателя и пропустить их через специальную программу для анализа. Это поможет ему определить, стоит ли предложить этому человеку купон на скидку или что-то еще, и если да, то какой должна быть скидка. Все данные в совокупности, полученные при анализе тысяч или десятков тысяч покупателей, помогут продавцу усовершенствовать свой магазин. Например, изменить расположение товаров на полках, что приведет к росту продаж. Подобные программы для анализа улавливают такие тенденции и взаимосвязи, которые не заметить невооруженным глазом.

Повышение ситуативной осведомленности

Еще один способ использовать датчики – встроить их в элементы физической среды, включая дороги, здания, почву, растения и воду океана. Когда сотни и тысячи датчиков подключены друг к другу, можно просматривать данные с более высоким разрешением и лучше понимать взаимосвязи и модели. Например, умная городская транспортная сеть может эффективно управлять движением транспорта и оптимизировать работу светофоров для максимального потока автомобилей. Это не только ускорит транспортное сообщение, но и позволит пользоваться дорогой большему количеству автомобилей одновременно.

Эти технологии могут принести немало пользы в сельском хозяйстве и прогнозах погоды. Сегодня фермеры используют датчики, встроенные в машины и поля, чтобы распространять удобрения и пестициды более точно (и, как следствие, снизить потенциальный вред для окружающей среды). Датчики отслеживают уровень содержания влаги в почве и включают оросительную систему, если требуется. Даже коровы, свиньи и другие животные все чаще подключаются к сети. По некоторым оценкам, в США и Европе сейчас уже более 14 млн подключенных ферм, а к 2020 г. число подключенных устройств на фермах превысит 70 млн. Информационную революцию совершают такие компании, как OnFarm и Trimble, которые выпускают системы для измерения самых разнообразных показателей, от уровня и натяжения почвенной влаги до величины pH и оптимальных моделей удобрения культур.

В то же время все более мощные компьютеры, датчики, большие данные и более продвинутое компьютерное моделирование выводят прогноз погоды на новый, более точный уровень. Сегодняшние прогнозы погоды на шесть дней вперед по уровню точности сопоставимы с прогнозами погоды на пять дней вперед десять лет назад. Помимо спутников и обычных метеостанций ученые используют все большие количества датчиков, которые встраиваются в физические объекты среды. Бен Кайгер, директор центральной оперативной службы в Национальных центрах предсказаний условий окружающей среды под эгидой Национального управления океанических и атмосферных исследований, говорит, что цель состоит в том, чтобы повысить разрешающую способность сетки для получения более точных и долгосрочных прогнозов. Национальная метеорологическая служба уже проводила эксперименты с привлечением социальных сетей и краудсорсинга, чтобы собирать данные о погоде.

Использование дополнительных датчиков и краудсорсинговых технологий открывает новые возможности получения данных с высоким разрешением. Ллойд Трейниш – выдающийся инженер IBM в исследовательском центре имени Томаса Уотсона и куратор проекта Deep Thunder. Этот проект направлен на повышение точности прогнозов погоды с помощью более совершенных технологий сбора и анализа данных. Трейниш утверждает, что измерения, полученные с использованием оборудования на фермах, датчиков скорости ветра и содержания влаги в почве и воздухе, а также данные со смартфонов и других устройств очень ценны для получения знаний обо всем, от температуры и скорости ветра до уровня давления и влажности. А с помощью правильных данных и правильных точек ввода можно повысить точность прогнозирования и научиться строить более эффективные и экономически ценные модели.

Данные, полученные от подключенных физических объектов, могут распространяться на инфраструктуру и служить целям общественной безопасности. Если подключить мост, тоннель или автомагистраль, то можно вовремя понять, что данный объект нуждается в ремонте. Так намного легче определять приоритетность рисков и, как следствие, организовывать ремонтные работы. Кроме того, применяя нужное программное обеспечение и информационные панели на самом объекте, можно получать данные из всей инфраструктурной системы. Иными словами, опираясь на структурированную информацию, а не на чьи-то мнения или политические взгляды, ведомство может четко рассчитать реальную степень риска и расходы в случае ремонта объекта или игнорирования этой потребности.