Il mercato dell’Internet of Things (IoT) crescerà esponenzialmente da qui al 2020: oggi ci sono circa 14 miliardi di oggetti connessi alla rete; gli analisti di settore stimano che entro il 2020 il numero si collocherà tra 20 e 100 miliardi (dalla relazione della X commissione permanente della Camera dei Deputati su attività produttive, commercio e turismo). L’IoT possiede un potenziale applicativo enorme in moltissimi settori economici: dalle infrastrutture di pubblica utilità all’automotive, dall’edilizia al settore farmeceutico, dai trasporti alla logistica. Un mercato enorme che, da un lato, richiede competenze altamente specialistiche ma, dall’altro, offre grandi opportunità professionali a chi possiede le capacità di operarvi.
Per raggiungere questi obiettivi e offrire una alta formazione sulle tecnologie connesse all’IOT è nato SkillZone, il primo programma formativo in Europa, realizzato da Cisco con il Centro ELIS, con l’obiettivo di formare esperti nella progettazione di piattaforme IoT. Il programma, avviato a gennaio, prevede una durata di 7 mesi, strutturati in 3 moduli generali ciascuno dei quali comprendente una parte di apprendimento d’aula (circa 340 ore), una online (circa 300 ore) e una pratica/di progetto (circa 400 ore). Al termine dei singoli moduli è previsto un hackathon per sviluppare un prototipo.
Il 17 marzo si è chiusa la seconda fase del programma relativa alla specializzazione sulle tematiche dell’analisi dei dati e machine learning. A conclusione della seconda fase il 27, 28 e 29 marzo gli studenti hanno partecipato al secondo hackathon previsto dal programma. I 33 partecipanti hanno avuto la possibilità di studiare soluzioni avanzate rispetto alle tematiche di IoE Fundamentals, Curated Big Data, Cisco Big Data, rispetto a delle challange presentate dalle aziende: Ericsson, Tim, Umbra Group, ADS, ST Microeletronics, Almaviva, Tecnorad e Indra.
Il lavoro sul progetto continuerà con le rispettive aziende fino alla prima settimana di luglio.
In particolare le aziende hanno lanciato agli studenti le seguenti sfide:
– Social Network Data Analytics (TIM): Creare un sistema di monitoraggio che riesca a predire i disservizi sulla base di alcuni parametri significativi e correlare tali dati con il sentiment derivante dai social network
– Networking e Data Analytics (CISCO): Realizzare un’infrastruttura end-to-end che permetta la raccolta, visualizzazione e storage di dati da sensori distribuiti a supporto della manutenzione predittiva degli impianti di produzione di energia, con l’utilizzo di strumenti di collaboration e tecnologia di fog computing.
– Smart Museum (Ericsson): Realizzare una piattaforma in grado di raccogliere dati provenienti dai sensori appositi posti in loco, che permetta di svolgere analisi previsionali e descrittive utili a monitorare e prevedere il deterioramento delle opere, andando così ad impattare sui costi di restauro.
– Sensor and machine learning for energy and environment (ST Microelectronics): STMicroelectronics vorrebbe proporre una soluzione pilota volta a rendere “smart” i piloni dell’energia elettrica attraverso l’applicazione dei propri sensori e delle proprie unità di controllo. Obiettivo degli studenti è individuare le possibili aree di interesse, i sensori che potrebbero essere applicati e i vantaggi che si trarrebbero dai dati acquisiti.
– Industry 4.0 (Umbra Group): Durante i cicli produttivi si sono registrati saltuari fenomeni di rilascio di cattivi odori, senza un’apparente ragione. Attraverso l’analisi dei dati di processo, il team si prefigge il compito di sviluppare un algoritmo predittivo in modo da determinarne la causa e permettere azioni correttive preventive.
– Lora Network and Smart City (ADS): Misurazione del tempo di corrivazione e della temperatura del fiume Alcantara (CT) al fine di ottimizzare il monitoraggio e i tempi di intervento in caso di sversamenti di fluidi o eventi accidentali quali alluvioni.
– IoT and Data Analytics for station and railway (Indra): Migliorare l’esperienza del passeggero all’interno della stazione.
– Emission predictive mainteinance (Almaviva): Prevedere il tempo di vita della macchine in impianti industriali utilizzando tecnologie IoT, Blockchain e modelli di Machine Learning
– Building Automation System (Tecnorad Italia): Il progetto intelliBeMS ha come obiettivo principale quello di ridurre i costi e consumi di grandi edifici, per farlo tiene in considerazione le abitudini delle persone, i fattori ambientali, e le caratteristiche degli impianti
