El Bruno

¡ Hola!

Durante los últimos años he escribí varios posts sobre Arduino, Netduino, Raspberry Pi y otros dispositivos como Microsoft Band o el smartwatch Garmin. La mayoría de estos posts eran sobre experiencias de desarrollo con este dispositivos, como

• Conectar con los dispositivos
• Obtener datos de los dispositivos
• Interactuar con los dispositivos
• y mucho más…

La experiencia y conocimientos que he adquirido en estos tiempos ha sido muy buena. HE aprendido nuevos protocolos MQTT o AMQP; y he pasado mucho pero mucho tiempo (noches de aprendizaje y lucha) con la pila de Bluetooth Low Energy de Microsoft y otras tecnologías.

El viaje fue muy divertido, y ahora parece que necesito guardar de todos mis “dispositivos físicos” y que necesito para continuar mi viaje con un enfoque diferente: Análisis de datos. Y no estoy escribiendo sobre algunos dashboards de PowerBI  (que es genial, por cierto!), por el contrario necesito comprender cómo analizar los datos creados por las toneladas de los dispositivos que ya están aquí y comenzar a trabajar con estos datos.

Tenemos un montón de dispositivos ya en nuestra vida, y la mayoría de ellos son solo para publicar información. Por ejemplo, si tienes un termostato inteligente en el hogar, usted puede conseguir datos de este dispositivo; si está usando un reloj elegante, usted puede conseguir quizá algunos datos de personal de salud de este dispositivo; si usted accede a su oficina de trabajo utilizando una tarjeta de RFID, puede extraer algunos datos históricos interesantes… Puedo seguir con estos ejemplos hablando sobre coches, Smart TVs y casi cada nuevo device lanzado al mercado en los últimos 5 años.

Por lo tanto, tenemos un montón de datos que nos rodean; y una vez que solucionamos el problema de la “conectividad” (que hoy sigue siendo el principal problema de IoT ), podemos avanzar y podemos empezar a conocer todos estos datos. Como he tocado estos temas solo para ver como empezar, es posible encontrar algunos posts muy básicos en Artificial Intelligence (AI) y un par más sobre el Machine Learning (ML) que he escrito en los últimos años.

Y si bien ML comenzó como una plataforma de desarrollo, ahora tenemos un nivel de madurez que nos permite crear soluciones de una manera muy diferente. En un MSDN post, , Andrew Fryer describe cómo podemos aprovechar esta nueva plataforma en los clásicos 3 enfoques para el cloud

• MLAS, Machine Learning as a Service – using the Cognitive Services APIs (), where we can just send data and get a response back.
• MLAP, ML Machine Learning  – e.g. using Azure ML to create your own API’s using the built-in algorithms.
• MLAI, Machine Learning as Infrastructure . Build your clusters of VMs using HD Insight (Hadoop on Azure) or R Open Server, any other Hadoop distribution from HortonWorks etc. or whatever you wish from the collection of 100+ Open Source VMs in the VMDepot.

Y, si nos fijamos en el esquema principal para procesar los datos usando un “sistema inteligente”, nos damos cuenta de que los dispositivos son sólo una pequeña parte del panorama.

¿Esto quiere decir que no tenemos que centrarnos en los dispositivos? No lo creo. En mi humilde opinión la interacción entre dispositivos es tal vez la parte más divertida del proceso. Sin embargo, el proceso de inteligencia de datos es algo que también es muy importante.

Al final, es una decisión personal, hay que ir por el camino que se ajusta mejor tus habilidades. Ahora el mundo de los programadores es mucho más grande que “frontend developer” o un “backend developer”, necesitamos personas con un conjunto diferente de habilidades y la analítica es uno de los más importantes ahora.

Saludos @ Toronto

El Bruno

References

• El Bruno Arduino Posts
• El Bruno Netduino Posts
• El Bruno Raspberry Pi Posts
• El Bruno Microsoft Band Posts
• El Bruno Garmin SDK Posts
• El Bruno Bluetooth Low Energy
• El Bruno Machine Learning
• Wikipedia MQTT
• Wikipedia AMQP
• MSDN Humans + Machines = Ultimate Intelligence