IBM ha annunciato oggi l’apertura della sede centrale globale di Watson Internet of Things (IoT), che sarà caratterizzata dal lancio di una serie di nuove offerte, funzionalità e partner di ecosistema studiati per estendere le potenzialità del cognitive computing ai miliardi di dispositivi, sensori e sistemi connessi che compongono l’Internet delle cose (IoT).

Come parte del lancio, l’azienda ha annunciato che la città di Monaco, in Germania, ospiterà la sede centrale globale della nuova unità Watson IoT insieme al primo super centro di innovazione Watson in Europa. Il campus riunirà 1000 tra sviluppatori, consulenti, ricercatori e progettisti IBM per rafforzare l’impegno verso clienti e partner e fungerà inoltre da laboratorio di innovazione per data scientist, ingegneri e programmatori al lavoro su una nuova classe di soluzioni connesse punto di incontro fra cognitive computing e IoT.

IBM fornirà inoltre API e servizi Watson sulla piattaforma Watson IoT Cloud per accelerare lo sviluppo di soluzioni e servizi cognitivi IoT, aiutando clienti e partner ad orientarsi nella massiccia crescita di volumi e varietà di dati di un mondo fisico sempre più digitalizzato. Grazie a queste scelte clienti, start-up, centri accademici e un solido ecosistema di partner IoT avranno accesso diretto alla piattaforma IoT aperta e basata su cloud di IBM. I maggiori beneficiari saranno soprattutto i produttori leader nei settori automobilistico, elettronico, sanitario, assicurativo e di componenti industriali all’avanguardia in ambito Industry 4.0.

IBM ha inoltre annunciato l’apertura di otto nuovi centri Watson IoT Client Experience in Asia, Europa e Americhe. Le nuove sedi si trovano a Pechino (Cina), Boeblingen (Germania), San Paolo (Brasile), Seoul (Corea), Tokyo (Giappone) e in Massachusetts, North Carolina, e Texas (Stati Uniti). Questi centri offrono ai clienti e ai partner l’accesso a tecnologie, strumenti e talenti necessari a sviluppare e creare nuovi prodotti e servizi basati sull’uso dell’intelligenza cognitiva disponibile tramite Watson IoT Cloud Platform.

Machine Learning può essere applicato a qualsiasi dato ottenuto da dispositivi e sensori per comprendere automaticamente le condizioni attuali

IBM ha infine lanciato sul mercato quattro famiglie di servizi API Watson come parte della nuova offerta IBM Watson IoT Analytics. La famiglia di API Natural Language Processing (NLP) consente agli utenti di interagire con sistemi e dispositivi in semplice linguaggio naturale.

Un esempio? un tecnico al lavoro su una macchina nota una vibrazione anomala e può chiedere al sistema: “che cosa sta causando questa vibrazione?” Combinando i dati NLP con quelli da altri sensori, il sistema collegherà automaticamente le parole ai rispettivi significati e alle intenzioni, determinerà la macchina a cui il tecnico fa riferimento, e correlerà i dati sulla manutenzione recente per individuare la sorgente più probabile della vibrazione.

La famiglia di API Watson Machine Learning automatizza l’elaborazione dei dati e monitora costantemente le nuove interazioni fra utenti e dati, per classificare i dati e i risultati sulla base delle priorità apprese. Machine Learning può essere applicato a qualsiasi dato ottenuto da dispositivi e sensori per comprendere automaticamente le condizioni attuali, i parametri di normalità, i trend previsti, le proprietà da monitorare e le azioni suggerite in caso di problemi.

La famiglia di API Video and Image Analytics consente invece il monitoraggio di dati non strutturati da feed video e immagini istantanee per identificare scene e modelli. Questa conoscenza può essere combinata con i dati dalle macchine per consentire una comprensione più approfondita degli eventi trascorsi e delle situazioni emergenti.

La famiglia di API Text Analytics consente infine la raccolta di dati testuali non strutturati incluse trascrizioni dai call center dei clienti, log di manutenzione dei tecnici, commenti sui blog e tweet per rilevare correlazioni e modelli tra questi massicci volumi di dati. Ad esempio, diventa possibile collegare e correlare frasi rilevate attraverso diversi canali non strutturati, come “i miei freni fanno rumore”, o “la mia auto sembra rallentare”, oppure ancora “i pedali sono scivolosi”, per identificare potenziali problemi in uno specifico modello di vettura.