Asansör İçin Optimize Edilmiş Hizmet için Açık Veri Platformu

Asansör Sektöründe KOBİ'lere Fırsat

Bu bildiri, İspanya'nın Barselona kentinde düzenlenen 2022 Uluslararası Asansör ve Yürüyen Merdiven Sempozyumunda sunulmuştur.

Özet

Ascensores Beltrán, MP Ascensores, Nayar ve ITAINNOVA'dan oluşan bir konsorsiyum, asansör optimizasyonlu hizmetler için açık bir platformun geliştirilmesi üzerinde çalışıyor. Proje, bağlı asansörlerin birleştirilmiş verilerinden elde edilen bilgilere dayanarak asansör bakımı ve servisini optimize etmek için gelişmiş bir veri analiz platformu geliştirmeyi amaçlıyor.

Platform, platforma girilen asansör verileri üzerinde çalışacak makine öğrenimi algoritmaları ve ileri analitiklerin entegre edildiği dijital bir altyapı ve yazılım modüllerini temel alacak. Bu algoritmaların sonuçları, değişimin veya aşınma eğilimlerinin belirlenmesi, çalışma anormalliklerinin tespiti, davranışların tahmin edilmesi veya alarmların öngörülmesi yoluyla asansörlerin durumu hakkında daha derin bilgiye dayalı olarak hizmet maliyetlerini düşürmeyi amaçlayacaktır.

Önerilen yaklaşımın temel özelliği ve farklılaştırıcı unsuru, platformun kullanıcıya (asansör bakım ve servis şirketleri) ve analiz algoritması geliştiricilerine açık olması gerektiğidir. Veri uyumluluğunun sağlanması amacıyla veri standardizasyonu uygulanacaktır. Bu belge, başlangıçta platform için tasarlanan dikkate alınan hedefleri, teknik yaklaşımı ve mimarileri sunmaktadır.

Bu belgede sunulan proje, İspanya Asansör Bileşenleri Üreticileri Birliği AECAE'ye ait birkaç şirketin ortak çabasının sonucudur: Asansör üretimi ve kurulumu alanında küresel bir şirket olarak MP Ascensores, küçük ve orta ölçekli bir şirket olarak Ascensores Beltrán ısmarlama asansör çözümlerinin büyük ölçekli kurumsal (KOBİ) üreticisi ve kurulumcusu, asansörler için IoT çözümlerinin teknoloji üreticisi olarak Nayar, bir Ar-Ge merkezi olarak ITAINNOVA ve koordinatör ve sponsor olarak AECAE'nin kendisi.

1. Önerilen Yaklaşım

Proje, bağlı asansörlerin çalışma durumları açısından birleştirilmiş verilerinden elde edilen bilgilere dayanarak asansör bakım ve servis görevlerini optimize etmek için gelişmiş bir veri analiz platformu geliştirmeyi amaçlıyor.

• Gelişmiş veri analizi platformu: Uyumlu olduğu belirli yazılım modüllerinin çalışmasına temel oluşturan dijital altyapı. Bu yazılım modülleri, platforma girilen veriler üzerinde çalışacak makine öğrenimi algoritmalarının ve ileri analitiklerin uygulamalarından oluşacaktır.
• Bakım ve servis görevlerinin optimizasyonu: Asansörlerin durumu hakkında gerçek zamanlı olarak elde edilen daha fazla bilgiye dayalı olarak servis maliyetlerinin azaltılması.
• Operasyon durumuyla ilgili çıkarılan bilgi: Gelişme veya aşınma eğilimlerinin belirlenmesi, çalışma anormalliklerinin tespiti, davranışın tahmini, alarmların öngörülmesi vb.

Önerilen yaklaşımın temel özelliği ve farklılaştırıcı unsuru, platformun farklı özellik ve gereksinimlere sahip birden fazla aktör tarafından kullanılabilecek şekilde açık olması gerektiğidir.

Böylece kullanıcı açısından açık kabul edildiğinden asansör bakım ve servis firmaları, bağlı oldukları asansörlerden toplanan verileri platforma anonim bir şekilde girebilecek ve bakım hizmetlerini optimize etmek için buradan ilgili bilgileri alabilecekler.

Aynı şekilde yeni özellikler ortaya çıkaran yeni analiz hizmetleri sunan platformda bunları uygulayabilecek analiz algoritması geliştiricileri açısından da açık bir platform düşünülüyor.

Bu yaklaşım, birden fazla veri türüyle uyumluluk ve ortaya çıkabilecek kullanım durumları açısından veri formatlarının ve protokollerinin standartlaştırılması yoluyla çözülecek bazı karmaşıklıklar ortaya çıkarır.

Böylece, veri platformu ile kullanıcının veri platformları veya depoları arasındaki bağlayıcılara (kamu uygulama programlama arayüzleri (API'ler)) dayalı olarak, bunlar üzerinde sahiplerinin kontrolünü garanti edecek şekilde temel bir mimari önerilmektedir.

Öte yandan, hem kullanıcı tarafında (asansör bakım şirketleri) hem de algoritma geliştiriciler tarafında (teknoloji şirketleri) ilgili aracıların çokluğu göz önüne alındığında, platform yönetimi açısından çeşitli karmaşıklıklar da ortaya çıkmaktadır. Bu karmaşıklıklar, PaaS (Hizmet Olarak Platform) modellerine dayalı bir yönetim ve iş modeli aracılığıyla çözülecektir.

Bu senaryoya dayanarak, Şekil 1'de genel bir yaklaşım önerilmektedir.

Platform, normalleştirilmiş verileri ve sonuçları depolayan ve grafikler, raporlar, göstergeler ve olaylar oluşturabilen açık API'lerin bulunduğu mavi kutulardan oluşur.

Sarı kutular, API'ler aracılığıyla platforma ulaşan kullanıcı verilerini temsil eder ve platform tarafından yine API'ler aracılığıyla sunulan grafikler, raporlar, göstergeler ve olaylar kullanılarak veya kendilerinin tanımlanarak kullanım durumlarını kapsar.

Yeşil kutu, sonuç üretmek için platforma da bağlanan ve platformun yönetim modeli ve standartları kapsamında farklı teknolojik ajanlar tarafından geliştirilebilecek analiz algoritmalarına odaklanıyor.

Bu mimariyle kullanıcı, verilerini ekleyecek ve her asansör için şirket bazında ve toplu olarak özel hizmet raporları alacaktır. Bu, bir yandan rota teknisyenine, diğer yandan şirket yönetimine yönelik bilgilerdir.

2. Stratejik Hedefler

Önerilen yaklaşımla dernek ve sektör düzeyinde aşağıdaki hedeflere ulaşılmaktadır:

• küçük asansör bakım ve servis şirketlerine (İspanya'daki toplamın %95'inden fazlası), kendi başlarına geliştiremedikleri ve sınırlı bakım portföyü göz önüne alındığında bunun mantıklı olmayacağı hizmet optimizasyonu için gelişmiş analiz araçlarına erişme olanağı sunar bu şirketlerin.
• Daha fazla kullanıcı veri ekledikçe giderek daha fazla değerin elde edileceği, aynı zamanda güvenlik ve gizliliklerinin garanti edildiği bir platform modeli oluşturmak. Dolayısıyla hedef kapsamı daha sonraki aşamalarda ulusal ve uluslararası olacaktır.
• Algoritma geliştiricilerini, kullanıcıların ilgi alanlarına göre farklı alternatifler ve hizmetler arasında seçim yapabilecekleri şekilde cezbetmek, aynı zamanda analiz algoritmaları arasında “rekabet” yaratarak iyileştirme döngüleri oluşturmak.

3. Teknolojik ve Ticari Hedefler

Teknolojik düzeyde aşağıdaki temel unsurların oluşturulması ve uygulanması gerekli olacaktır:

• İletişim elemanları ve müşteri veri havuzları (müşteri platformu) dahil olmak üzere asansörlere bağlantı sağlamak için IoT sistemleri
• İstemci platformunu analiz platformuna bağlamak için API Arayüzleri
• Bulut altyapısı
• İşleme ve hesaplama için makine öğrenimi ve veri madenciliği algoritmaları
• Bilgi güvenliği ve bütünlüğüne yönelik gelişmeler

İşletme ve yönetim düzeyinde, türetilmiş hedefler aşağıdakilerin oluşturulmasıdır:

• Kullanıcılara ve algoritma geliştiricilere şeffaflığı ve güvenilirliği garanti eden, kullanım başına ödeme modeli
• Yeni kullanıcıların ve geliştiricilerin platforma katılımını garanti eden ve kolaylaştıran bir yönetim modeli

4. Son Teknoloji

Sektörde daha önce görülmemiş bir veri artışı ve birikimi yaşanıyor. Bu veriler, farklı anlamlara, tipolojiye ve kaliteye sahip çeşitli formatlardan oluşur ve örneğin ekipmandan (asansörlerden) gelen sensör verileri, makine parametreleri, üretim hatları ve çevresel veriler gibi genellikle gerçek zamanlı olarak gelir.

Endüstri 4.0 olarak adlandırılan bu olgu,^[1] Nesnelerin İnterneti'nden (IoT) gelen büyük miktarda verinin kullanılabilirliğini artırır,^{[2] [3]} bizi Büyük Veri adı verilen yeni bir dünyaya götürüyor,^[4] Bu, içerdikleri bilgilerin katma değer elde etmek için analiz edilmesine ve kullanılmasına olanak tanır. Matematik ve bilgisayar bilimi gibi belirli alanlardaki yeni gelişmeler, bu miktardaki süreç verisini anlayıp kullanarak endüstriyel ve bina ortamını dönüştürmek için büyük bir potansiyel sunuyor.

En heyecan verici gelişmelerden biri makine öğrenimi alanındadır.^[5] AI alanının bir alt kümesi,^[6] Bu, geçmiş verilere dayanarak makinelerin nasıl özerk bir şekilde öğrenmesini sağlayacağını görmeyi içerir. Yapay zekanın geliştirilmesinin önündeki büyük uygulanabilirlik ve düşük engeller, daha önce ulaşılamaz olduğu düşünülen yenilikleri üstlenmemize olanak tanıyor.

Asansörler yolcuları sürekli olarak taşıyor ve yapılan her yolculukla aynı anda, hizmetin iyileştirilmesi ve kullanılması için yapay zeka aracılığıyla analiz edilebilecek büyük miktarda bilgi üretiliyor. Yapay zeka aracılığıyla akıllı veri analizi (büyük miktarda veriye uygulanan derin analiz, Büyük Veri), bir asansör kurulumunun sistemlerinin nasıl çalıştığını ve aralarındaki korelasyonları dikkate alarak çalışma davranışını ve arızaları hangi modellerin tanımladığını öğrenen modellerin oluşturulmasına olanak tanır. zaman içindeki evrim.

Yapay zeka teknolojileri arasında derin öğrenme^{[7] [8] [9]} Bilgisayarların insanlara benzer şekilde “öğrenmesini” sağlamak için kendini en yenilikçi ve güçlü tekniklerden biri olarak konumlandıran, insan beyninin karmaşık davranışını ve algıladığı duyusal uyaranlar yoluyla kalıpları tanıma yeteneğini simüle etmeye çalışan, öne çıkıyor. .

Derin öğrenmenin yanı sıra diğer klasik yapay zeka teknikleri aracılığıyla, örneğin değişkenlerin evrimine ilişkin zaman serilerinin analizi, yüksek düzeyde soyutlamayla davranış kalıplarının çıkarılması, trend analizi ve davranış tahmini ve karakterizasyon için ilgili değişkenlerin tanımlanması Diğer birçok uygulamanın yanı sıra birçok işlem gerçekleştirilebilir.

Asansör çalışma parametrelerini tanımlayan sensörlerden elde edilen verilerin yapay zeka ile birlikte kullanılabilirliği, asansör hizmeti alanındaki süreçlerin iyileştirilmesi için büyük bir potansiyel sunarak, kurulumlardaki davranış eğilimlerinin analizini mümkün kılar, kısacası asansörün birleşiminden toplanan heterojen verilerden bilgi elde edilmesini sağlar. portföy.

Çıkarılan bilgiden bazı farklı uygulama olanakları şunlardır:

• Anormalliklerin ve arızaların izlenmesi ve tespiti: Verilerin gerçek zamanlı olarak elde edilmesi ve makine öğrenimi teknikleri yoluyla derinlemesine anlaşılması, bir asansör kurulumunun davranışının karakterizasyonuna olanak sağlar. Bu bilgi, bir kurulumun verilerinden yararlanmanın yanı sıra anormal kalıpları gerçek zamanlı olarak tespit etmeyi de mümkün kılar. Örneğin: kinematik ve dinamik parametreler, gerçekleştirilen manevralar ve kurulum bileşenlerinin parametreleri açısından farklılıklar, aksi takdirde tespit edilemeyecek sistem arızalarıyla korelasyonların kurulmasına olanak tanır, böylece sistemdeki anormalliklerin erken tanımlanmasına olanak tanır ve ekonomik açıdan kaçınılmasını öngörür. sonuçları ve hizmetin durdurulması.
• Öngörücü bakım: Yapay zeka, bir asansör kurulumunda yer alan farklı bileşenlerin davranışlarının etkili bir şekilde modellenmesine olanak tanır. Bu şekilde makine öğrenimi modelleri, bileşenlerin nasıl çalıştığını, nasıl bozulduğunu ve hangi arıza modellerinin oluşabileceğini öğrenerek, hasarı önlemek için önleyici bir onarım eyleminin ne zaman gerçekleştirilmesi gerektiğini tahmin etmek üzere verilerin gerçek zamanlı olarak analiz edilmesine olanak tanır. Bir çalışma arızası, normal çalışma modellerini ve arızaların yanı sıra bir kurulumun kullanımını da hesaba katar. Bu öngörü, hizmetin kalitesini etkilemeden sorunun önleyici çözümünü sağlar.
• Çalışma parametrelerinin optimizasyonu: Asansör kurulumunun davranışının ve kullanıcılar, klimatoloji gibi mevcut olabilecek çevre değişkenlerinin, trafik düzenlerini ve asansörün davranışını dikkate alarak çalışma parametrelerinin en uygun şekilde yapılandırılmasına olanak sağlamasına dayanmaktadır. asansörler. Örneğin, kullanıma, gidişata ve programa dayalı kullanıcı davranış kalıpları belirlenerek, bir bina sakinlerinin sahip olduğu en yaygın kalıplar belirlenerek kullanımın optimizasyonuna ve hizmet kalitesinin iyileştirilmesine olanak sağlanır.

Bu hedeflerle sektördeki büyük çok uluslu şirketler, bir KOBİ'nin ileri düzey bir bakım geliştirmek için yüzleşmesi gereken zorlukları dikkate alarak, bu alanda halihazırda ticari olarak sömürülen ve rekabet ortamını daha da dengesizleştiren ileri çözümler geliştirmiştir. sistem, çok daha küçük bakım portföyleriyle ilgilenirken hem teknik kapasite hem de veri kullanılabilirliği açısından optimize edilmiştir.

Orta büyüklükte bile olsa bir KOBİ için bu seviyede çözümler geliştirmek, hem teknik kapasitedeki sınırlamalar hem de bunu teknik olarak uygulanabilir kılmak için gereken veri hacmi nedeniyle çok zordur.

Bu proje, tanıtım acenteleri arasındaki işbirliğine ve temel olarak önerilen açık platform yaklaşımına dayanarak bu kısıtlamaları gidermeyi amaçlamaktadır.

5. Teknik Açıklama

Platform için planlanan yaklaşım ve teknik mimari, Şekil 2'de sunulan genel şemaya göre aşağıda açıklanmaktadır.

Mimari Bileşenler ve İş Akışları

Asansör Altyapısı (Yeşil Kutu)

Asansör altyapısının tüm bileşenlerini (kabin, kontrol paneli, mevcut sensörler, buton paneli vb.) ve ayrıca bu veri kaynaklarından gelen bilgilerin toplanmasını, işlenmesini ve gönderilmeye hazırlanmasını sağlayan bir düğümü içerir ve bilgileri her asansör operatörünün altyapısına gönderen bir iletişim modülü.

Tanımlanan bileşenler şunlardır:

• Asansörler (asansör altyapısı): kontrol paneli, kabin, mevcut sensörler, düğme paneli vb. (veri kaynakları olarak anlaşılır). Yapılan yolculukların yeniden yapılandırılmasına olanak tanıyan kontrol paneli olaylarının toplanması gerektiğine dikkat etmek önemlidir (örneğin: kapıların açılması/kapanması, zeminden geçiş, hareket, düğmeye basılması… karşılık gelen geçici damga ile).
• Asansör platformu (işleme düğümü): Asansör kurulumu ile ilgili tüm bilgilere ulaşmak, bunları toplamak, sevkiyata hazırlamak, asansörü tanımlamak, kurulumdan sorumludur.
• Asansör platformu (iletişim modülü): Güvenli iletişim yoluyla toplanan bilgilerin asansör operatörünün altyapısına gönderilmesinden, toplanan bilgilerin:
  • Gerçek zamanlı olması şart değildir, iletişimin optimize edilmesini sağlayacak bir sıklıkta yapılabilir (örneğin, zamana veya boyuta göre belirli miktarda bilgi toplandığında).
  • Analizle ilgili sensörlerin yanı sıra, her bir hareketin ve ilgili değişkenlerin (örneğin, kapı açılma süresi, kapı kapanma süresi) her birinin zaman damgasıyla yeniden yapılandırılmasına olanak tanıyan olaylara ilişkin bilgileri içermelidir (örneğin, kapı açılma süresi, kapı kapanma süresi). örnek sürücü gücü).
  • Her asansör operatörünün altyapısına göre güvenli iletişim sağlanmalıdır.

Dolayısıyla bu altyapı, asansörlerden gelen bilgilerin aşağıdaki amaçlarla işlenmesini ve işlenmesini sağlayan yazılım modüllerini içerir:

• asansörlerden gelen bilgileri toplayın
• Her bir asansörün bilgilerini işleyin ve daha sonra bilgilerin işlenmesinden sorumlu API'ye gönderilmek üzere tanımlanmış bir formata (JSON'a dayalı) uyarlayın.
• asansörlerden toplanan bilgilerin anonimleştirilmesi
• API ile güvenli (örneğin sertifika tabanlı) iletişim sağlayın
• veri işleme modülünden uyarıların alınmasını yönetin

Bileşen düzeyinde, JSON'a dayalı standart bir formata uyarlamak için asansör bilgi işleme fonksiyonlarını gerçekleştirmek amacıyla yazılım modülleri içermelidir (bu formattaki veriler saklanacak ve analiz edilecektir, ancak ortak bir ortak noktaya sahip olmak önemlidir). JSON tabanlı bir değişim formatı gibi, veri işleme modülünde saklanan bilgilerin formatı.

Veri İşleme Altyapısı (Kırmızı Kutu)

Bileşen düzeyinde en azından şunları içermelidir:

• Rest API istemci erişim arayüzü: Bir Rest API arayüzü dağıtılacaktır. Bu arayüz, istemcilerden gelen isteklerin alınmasından, belgelerin Etkinlik Yöneticisine iletilmesinden (verileri derlemek ve tutarlılık kontrolü yapmak için Etkinlik Sunucusu aracılığıyla ve ayrıca verileri Etkinlik Yöneticisine yayınlamak için Veri Alım Yöneticisi aracılığıyla) sorumlu olacaktır. Python modülleri tarafından oluşturulan bu isteklere yanıt vermenin yanı sıra.
• Etkinlik Yöneticisi: Veri alımı için DataLake'e yönelik bir arayüz görevi görmesi, DataLake'e yüklenen verileri yönetmek için bir arayüz (örneğin Rest API'sine dayalı olarak) aracılığıyla gerçekleştirilecektir.
• DataLake: Verileri üç düzeyde düzenlemek için üç veritabanının kullanılacağı Veri Havuzu:
  • DB1: Asansör operatörlerinin altyapısından gelen verilerin DataLake'te barındırılması amacıyla ham verileri barındırmak için ilişkisel olmayan bir veritabanı (mongoDB) kullanılacaktır. Kullanılan Veritabanının ilişkisel olmayan tipte olması, bu özelliğinin Veritabanına esnek bir yapı ile kayıtları yönetebilmesi için gerekli esnekliği sağlamasından kaynaklanmaktadır. İkincisi, farklı asansör kurulumlarının farklı verilere sahip olması beklendiğinden gereklidir.
  • DB2: İlişkisel veritabanı olarak PostgreSQL kullanılacaktır. Bu tür veritabanı, ilişkisel olmayanlara göre daha az esnekliğe (önceden tanımlanmış alanlar) ancak daha hızlı yanıt süresine olanak tanır. Bu veritabanı tespit edilen uyarılar gibi işleme sonuçlarını sakladığından bu son husus önemlidir. Rest API arayüzüne yanıt veren python modülleri, bu veritabanında saklanan verileri okur.
  • DB3: İlişkisel veritabanı olarak PostgreSQL kullanılacaktır. Daha sonra ML'yi uygulamak veya veri görselleştirmesini oluşturmak için yararlı verileri içerecektir.

• Asansör bilgi işlemenin standart bir formata uyarlanması amacıyla veri standardizasyon ve yapılandırma modülü
• Verilerin işlenmesini ve yapılandırılmasını, veri analizini ve bu modülde danışma için ilgili ölçümlerin oluşturulmasını gerçekleştirmek için gerekli tüm araçların kullanıldığı veri analitiği modülü ve ML çekirdeği ve analizlere dayanarak uyarıların oluşturulması gerçekleştirilir.
• İlgili metrikler, tespit edilen olaylar/anomaliler gibi bilgilerin görselleştirilmesinin bir özeti olarak bir gösterge tablosunun oluşturulmasını gerektiren görselleştirme modülü
• Uyarıları yönetme modülü: Tespit edilen uyarılara göre asansör operatörünün altyapısı ile iletişim kurularak tespit edilen uyarıların bildirilmesi sağlanır.

Önerilen sistem, yeni veri işleme algoritmalarının dahil edilmesi amacıyla gelecekte farklı sağlayıcılardan yeni hizmetlerin sunulması amacıyla platformun farklı bileşenlerine yeni algoritmaların entegre edilmesine imkan verecek şekilde ölçeklenebilir bir şekilde gerçekleştirilecektir.

6. Çalışma Şeması

Önerilen teknik yaklaşıma göre, platformun kullanıcısının (asansör bakım hizmeti şirketi) bağlı asansörlerden gelen verilerin depolanması için önceden geliştirilmiş bir altyapıya sahip olması gerekiyor.

Bu veriler veya bunların asansör operatörü tarafından tanımlanan bir dizi asansöre karşılık gelen bir alt kümesi, platforma girilmeden önce platform tarafından tanımlanan formata göre normalleştirilmeli ve standartlaştırılmalıdır.

Verilerin analiz platformuna aktarımı, bilgilerin anonimleştirilerek platforma aktarılmasına olanak sağlayacak açık API'ler üzerinden gerçekleştirilecek.

Ayrıca API'ler aracılığıyla asansör operatörü, platformda mevcut olan ve kullanıcı tarafından ilgi alanlarına göre seçilen analiz algoritmalarının uygulanmasından değerli bilgiler alacaktır.

Her durumda platform, platform tarafından oluşturulan uyarılara ek olarak platformun çekirdeğinde (Veri analitiği modülü ve ML çekirdeği) dikkate alınan algoritmalardan kaynaklanan bir BI aracına sahip bir bağlayıcı aracılığıyla kullanıcıya ilk bilgileri sunacaktır.

7. Yönetim Şeması

Projenin amaçlarından biri de asansör sektöründeki farklı firmalara hizmet verecek bir platformun oluşturulmasıdır. Bu hedefe ulaşmak için proje sonuçlarının aşağıdakiler de dahil olmak üzere teknik ve ekonomik fizibilite kriterlerini karşılaması gerekir:

• Teknik fizibilite: Platform, müşterilerinin işletim planında daha fazla iyileştirmeye olanak sağlayacak sonuçlar vermelidir. Bunun için kaliteli sonuçlar sağlayacak yeterli miktarda veri toplaması gerekir.
• Ekonomik fizibilite: Uçtan uca süreç tüm katılımcılar için karlı olmalı ve müşterilerin ve genel olarak sektörün rekabet gücünü artıracak verimlilikler sunmalıdır.

Projenin uygulanabilirliği, katılımcıların her biri için olumlu olduğu sürece olumlu olacaktır:

• Asansör bakım şirketleri: Platforma bağlanma yatırımı artı kullanımı için yinelenen ödeme, platformun kullanılmasıyla elde edilen verimlilikten daha düşük olmalıdır.
• Teknoloji şirketleri: Teknoloji satışlarındaki artış nedeniyle platforma bağlanmak için yapılacak yatırımın beklenen marjın altında olması gerekiyor.
• Algoritma şirketleri: Bir algoritmayı geliştirmek ve sürdürmek için yapacağınız yatırım, onu kullanmaktan elde edeceğiniz gelirden daha az olmalıdır.
• Platform: Platformu oluşturmak için yapılacak yatırım ve işletme maliyetleri, ödemeleri algoritma şirketlerine çeken müşterilerden elde edilecek gelirden daha az olmalıdır.
• Son müşteri: Hizmetin kullanılabilirliği ve kalitesi açısından elde edilen faydalar, çözümün maliyetlerini aşmalıdır.

---

Referanslar

[1] Lasi, H., Fettke, P., Kemper, HG. ve diğerleri, Industry 4.0, Springer, İşletme ve bilgi sistemleri mühendisliği 6, 239–242 (2014). doi.org/10.1007/s12599-014-0334-4

[2] Atzori, L.; Iera, A.; Morabito; G. Nesnelerin İnterneti: Bir anket. Bilgisayar Ağları, Cilt. 54, Sayı. 15, Ekim 2010, s. 2787-2805.

[3] Madakam, Somayya, et al. Nesnelerin İnterneti (IoT): Bir literatür taraması. Bilgisayar ve İletişim Dergisi, 2015, cilt. 3, sayı 05, s. 164.

[4] Al-Abassi, Abdulrahman ve diğerleri, Endüstriyel büyük veri analitiği: zorluklar ve fırsatlar. Büyük veri gizliliği el kitabı. Springer, Cham, 2020. 37-61.

[5] Bishop, Christopher M. ve Nasser M. Nasrabadi. Örüntü tanıma ve makine öğrenimi. Cilt 4. Hayır. 4. New York: Springer, 2006.

[6] Russell, Stuart J. Yapay zeka modern bir yaklaşım. Pearson Education, Inc., 2010.

[7] Goodfellow, Ian, Yoshua Bengio ve Aaron Courville. Derin öğrenme. MIT basını, 2016.

[8] Zhang, S., Wang, B. ve Habetler, TG (2019). Rulman arıza teşhisi için makine öğrenimi ve derin öğrenme algoritmaları-kapsamlı bir inceleme. arXiv ön baskı arXiv:1901.08247

[9] S. Chai ve diğerleri, Asansörler için Müdahaleci Olmayan Derin Öğrenme Tabanlı Teşhis Sistemi, IEEE Erişimi, cilt. 9, s. 20993-21003, 2021, doi: 10.1109/ACCESS.2021.3053858.

[10] Ticari referanslar: TKE. MAKS. tkelevator.com/es-es/productos/max/ (Ekim 2022) / Schindler ÖNDE. us.schindler.com/en/services/digital.html (Ekim 2022) / KONE. kone.com/en/products-and-services/maintenance-and-modernization/24-7-connected-services.aspx / Otis. otis.com/en/uk/products-services/otis-signatureservice/otis-one