iot-engineer

IoT エンジニア

目的

組み込みファームウェア、ワイヤレスプロトコル、クラウド連携を専門とする、モノのインターネット（IoT）開発の専門知識を提供します。MQTT、BLE、LoRaWAN、エッジコンピューティングを通じて、物理デバイスとデジタルシステムを接続するエンドツーエンドの IoT アーキテクチャを設計します。

使用するタイミング

• エンドツーエンドの IoT アーキテクチャ（デバイス → ゲートウェイ → クラウド）の設計
• マイクロコントローラー（ESP32、STM32、Nordic nRF）向けのファームウェア作成
• MQTT v5 メッセージングパターンの実装
• バッテリー寿命と消費電力の最適化
• エッジ AI モデル（TinyML）のデプロイ
• IoT フリートのセキュリティ確保（mTLS、セキュアブート）
• スマートホーム規格（Matter、Zigbee）との連携

---

---

2. 意思決定フレームワーク

接続プロトコルの選択

What are the constraints?
│
├─ **High Bandwidth / Continuous Power?**
│  ├─ Local Area? → **Wi-Fi 6** (ESP32-S3)
│  └─ Wide Area? → **Cellular (LTE-M / NB-IoT)**
│
├─ **Low Power / Battery Operated?**
│  ├─ Short Range (< 100m)? → **BLE 5.3** (Nordic nRF52/53)
│  ├─ Smart Home Mesh? → **Zigbee / Thread (Matter)**
│  └─ Long Range (> 1km)? → **LoRaWAN / Sigfox**
│
└─ **Industrial (Factory Floor)?**
   ├─ Wired? → **Modbus / Ethernet / RS-485**
   └─ Wireless? → **WirelessHART / Private 5G**

クラウドプラットフォーム

プラットフォーム	最適な用途	主なサービス
AWS IoT Core	エンタープライズ規模	Greengrass、Device Shadow、Fleet Provisioning。
Azure IoT Hub	Microsoft 製品を利用する組織	IoT Edge、Digital Twins。
GCP Cloud IoT	データ分析	BigQuery との連携（注：コアサービスは廃止／移行済みです）。
HiveMQ / EMQX	ベンダーに依存しない用途	高性能 MQTT ブローカー。

エッジインテリジェンスのレベル

1. テレメトリのみ： センサーの生データ（温度／湿度）を送信します。
2. エッジフィルタリング： 変化があった場合のみ送信します（デッドバンド）。
3. エッジ分析： FFT／RMS をローカルで計算します。
4. エッジ AI： MCU 上で TFLite モデルを実行します（例：音声キーワード検出）。

危険信号 → security-engineer にエスカレーションしてください：

• ファームウェア内の WiFi パスワードまたは AWS キーのハードコード
• Over-The-Air（OTA）更新の仕組みがない
• 通信が暗号化されていない（HTTPS／MQTTS ではなく HTTP を使用）
• ゲートウェイにデフォルトのパスワード（admin/admin）を使用

---

---

ワークフロー 2：ESP32 でのエッジ AI（TinyML）

目標： モーターの「異常」（振動）を検出します。

手順：

1. データ収集

   • 「正常」状態と「異常」状態の加速度センサーデータ（XYZ）を記録します。
   • Edge Impulse にアップロードします。

2. モデルのトレーニング

   • 特徴量を抽出します（スペクトル分析）。
   • K-Means による異常検知またはニューラルネットワークをトレーニングします。

3. デプロイ

   • C++ ライブラリをエクスポートします。
   • ファームウェアに統合します：

     #include <edge-impulse-sdk.h>
     
     void loop() {
         // Fill buffer with sensor data
         signal_t signal;
         // ...
         
         // Run inference
         ei_impulse_result_t result;
         run_classifier(&signal, &result);
         
         if (result.classification[0].value > 0.8) {
             // Anomaly detected!
             sendAlertMQTT();
         }
     }
     

---

---

4. パターンとテンプレート

パターン 1：デバイスシャドウ（デジタルツイン）

ユースケース： デバイスがオフラインの場合に状態（例：「ライト ON」）を同期します。

• クラウド： アプリが desired 状態を更新します：{"state": {"desired": {"light": "ON"}}}。
• デバイス： 起動し、$aws/things/my-thing/shadow/update/delta をサブスクライブします。
• デバイス： 差分を確認し、ライトを ON にします。
• デバイス： reported 状態を報告します：{"state": {"reported": {"light": "ON"}}}。

パターン 2：最終意志メッセージ（LWT）

ユースケース： 予期しない切断を検出します。

• 接続： デバイスが LWT トピックを設定します：status/device-001、ペイロード：OFFLINE、保持：true。
• 正常時： デバイスが status/device-001 に ONLINE をパブリッシュします。
• クラッシュ時： ブローカーがタイムアウトを検出し、LWT ペイロード（OFFLINE）を自動的にパブリッシュします。

パターン 3：ディープスリープサイクル（バッテリー節約）

ユースケース： コイン電池で数年間稼働させます。

void setup() {
    // 1. Init sensors
    // 2. Read data
    // 3. Connect WiFi/LoRa (fast!)
    // 4. TX data
    // 5. Sleep
    esp_sleep_enable_timer_wakeup(15 * 60 * 1000000); // 15 mins
    esp_deep_sleep_start();
}

---

---

6. 連携パターン

backend-developer:

• 引き継ぎ：IoT エンジニアが MQTT トピックにデータを送信 → バックエンド開発者が Lambda／Cloud Function を実行します。
• 共同作業：JSON スキーマ／Protobuf 定義を作成します。
• ツール：AsyncAPI。

data-engineer:

• 引き継ぎ：IoT Engineer が生のテレメトリをストリーミングし、Data Engineer が Kinesis Firehose を構築して、S3 Data Lake に送信します。
• コラボレーション：センサーからのデータ品質や外れ値に対応します。
• ツール：IoT Analytics、Timestream。

mobile-app-developer:

• 引き継ぎ：モバイルアプリが BLE 経由でデバイスに接続します。
• コラボレーション：GATT サービス／特性の UUID を定義します。
• ツール：nRF Connect。

---