Real-time information proessing [i. é processing]

Abstract

Todos os dias, grandes quantidades de dados são criadas a partir de dispositivos e sensores Internet of Things (IoT). Estes dados podem ser transformados em conhecimento de grande valor que pode ser utilizado para melhorar a capacidade de decisão e reduzir custos. Além disso, técnicas de Machine Learning podem ser utilizadas para identificar tendências a partir da informação recolhida. Por conseguinte, vários sectores podem beneficiar destas tecnologias, tais como a área da indústria, cuidados de saúde e cidades inteligentes. Na área da indústria, existe um desejo pela sinergia entre humanos e máquinas autónomas, aproveitando a capacidade intelectual para aumentar a eficiência operacional. Em cuidados de saúde, são diariamente armazenadas vastas informações de pacientes, provenientes de uma grande variedade de fontes. Os dados recolhidos permitem analisar tendências e criar modelos de previsão que consigam prevenir potenciais problemas de saúde. Por último, cidades inteligentes podem detetar e responder a várias desafios, tais como o congestionamento de tráfego, segurança pública, consumo de energia e poluição ambiental, com a ajuda de dados de sensores, câmaras e outros dispositivos. Consequentemente, as fontes de dados podem ser analisadas e estudadas para descobrir potenciais perspetivas e previsões. Estas abordagens incluem a utilização de sensores e sistemas autónomos, e introduzindo edge computing de uma forma distribuída e inteligente. No âmbito deste projeto de dissertação, o objetivo é conceber, desenvolver, e explorar novas plataformas de análise e apoio à decisão em tempo real. Estas soluções foram implementadas com sucesso na indústria automóvel, em cidades inteligentes e no sector da saúde, demonstrando resultados positivos na recolha e análise de dados, na otimização de processos e na capacidade de tomada de decisões. As metodologias e abordagens desenvolvidas nesta investigação foram adaptadas para garantir a precisão dos dados, a sua segurança e a possibilidade de se chegar a resultados viáveis.

Large quantities of information from Internet of Things (IoT) devices and sensors are created every day. These data can be transformed into valuable knowledge that can be used to improve decision-making and reduce costs. Furthermore, Machine Learning techniques can be employed to identify hidden patterns from data. Thus, many domains can benefit from these technologies, such as manufacturing, healthcare, and smart cities. In the manufacturing industry, there is a wish for an increased synergy between humans and autonomous machines, harnessing human brainpower to increase process efficiency. In healthcare, vast amounts of patient information are recorded on a daily basis from a wide variety of sources, for example, medical equipment and electronic health records. The data collected can be used to analyze trends and create predictive models that are able to prevent potential health problems. Finally, smart cities are able to identify and respond to various issues, such as traffic congestion, public safety, energy consumption, and environmental pollution, by using data from sensors, cameras, and other devices. Thus, data sources can be explored and exploited to discover potential insights and predictions. These solutions include the usage of sensors and autonomous systems, and introduce edge computing in a distributed and intelligent manner. In the context of this doctorate’s thesis, the aim is to design, develop, and explore new platforms for real-time analytics and decision support. These solutions have been successfully implemented in the manufacturing industry, smart cities, and healthcare settings, and have shown positive outcomes in data collection and analysis, process optimization, and decision-making capabilities. The results obtained from the case studies presented in this dissertation show the effectiveness of real-time information processing solutions in increasing efficiency, providing accurate overviews of operations, and reducing communication gaps. The methodologies and approaches developed in this research have been tailored to ensure data accuracy, security, and actionable findings.