Monet analytiikan ja koneoppimisen käyttötapaukset muodostavat yhteyden tietovarastoihin tai datajärviin tallennettuihin tietoihin, suorittavat algoritmeja täydellisillä tietojoukoilla tai tietojen osajoukoilla ja laskevat tuloksia pilviarkkitehtuureilla. Tämä lähestymistapa toimii hyvin, kun tiedot eivät muutu usein. Mutta entä jos tiedot muuttuvat usein?
Nykyään useamman yrityksen on käsiteltävä tietoja ja laskettava analytiikkaa reaaliajassa. IoT ajaa suurta osaa tästä paradigman muutoksesta, koska sensoreista lähetettävä data vaatii välitöntä käsittelyä ja analyysia jatkokäyttäjien hallitsemiseksi. Reaaliaikainen analyysi on tärkeää myös monilla toimialoilla, kuten terveydenhuollossa, rahoituspalveluissa, valmistuksessa ja mainonnassa, missä pienillä muutoksilla tiedoissa voi olla merkittäviä taloudellisia, terveys-, turvallisuus- ja muita liiketoiminnallisia vaikutuksia.
Jos olet kiinnostunut reaaliaikaisen analyysin käyttöönotosta - ja uusista tekniikoista, jotka hyödyntävät reunalaskennan, AR / VR: n, IoT-antureiden ja koneoppimisen yhdistelmiä - on tärkeää ymmärtää reunanalytiikan suunnittelunäkökohdat. Edge-laskennan käyttötapaukset, kuten itsenäiset dronit, älykkäät kaupungit, vähittäiskaupan ketjun hallinta ja lisätyn todellisuuden peliverkot, tähtäävät laajamittaisen, erittäin luotettavan reuna-analytiikan käyttöönottoon.
Edge-analytiikka, suoratoistoanalytiikka ja reunalaskenta
Useat erilaiset analytiikka-, koneoppimis- ja reunalaskentaparadigmat liittyvät reunanalytiikkaan:
- Edge-analytiikka viittaa analytiikkaan ja koneoppimisalgoritmeihin, jotka on otettu käyttöön infrastruktuurissa pilvi-infrastruktuurin ulkopuolella ja "reunalla" maantieteellisesti lokalisoidussa infrastruktuurissa.
- Suoratoistoanalytiikka viittaa analytiikan laskemiseen reaaliajassa, kun tietoja käsitellään. Suoratoistoanalytiikka voidaan tehdä pilvessä tai reunalla käyttötapauksesta riippuen.
- Tapahtumien käsittely on tapa käsitellä tietoja ja ajaa päätöksiä reaaliajassa. Tämä käsittely on osa suoratoistoanalytiikkaa, ja kehittäjät käyttävät tapahtumavetoisia arkkitehtuureja tapahtumien tunnistamiseen ja loppupään toimintojen käynnistämiseen.
- Reunalaskennalla tarkoitetaan laskennan käyttöönottoa reunalaitteissa ja verkkoinfrastruktuurissa.
- Fog computing on yleisempi arkkitehtuuri, joka jakaa laskennan reuna-, lähireuna- ja pilvipalvelujärjestelmien kesken.
Suunnitellessaan reuna-analyysia vaativia ratkaisuja arkkitehtien on otettava huomioon fyysiset ja tehorajoitukset, verkkokustannukset ja luotettavuus, turvallisuusnäkökohdat ja käsittelyvaatimukset.
Syitä analytiikan käyttöönotolle
Voisit kysyä, miksi ottaisit infrastruktuurin käyttöön analyysia varten? Näihin päätöksiin vaikuttavat tekniset näkökohdat, kustannukset ja vaatimustenmukaisuus.
Ihmisen turvallisuuteen vaikuttavat sovellukset, jotka vaativat joustavuutta tietokonearkkitehtuurissa, ovat yksi käyttötapa reuna-analytiikassa. Sovellukset, jotka vaativat matalaa viivettä tietolähteiden välillä, kuten IoT-anturit ja analytiikan laskentainfrastruktuuri, ovat toinen käyttötapaus, joka usein edellyttää reuna-analytiikkaa. Esimerkkejä näistä käyttötapauksista ovat:
- Itse ajavat autot, automatisoidut koneet tai kaikki kuljetukset, joissa ohjausjärjestelmät automatisoivat navigoinnin kokonaan tai osittain.
- Älykkäät rakennukset, joissa on reaaliaikainen suojauksen hallinta ja jotka haluavat välttää riippuvuutta verkko- ja pilvi-infrastruktuurista, jotta ihmiset pääsevät sisään ja poistuvat rakennuksesta turvallisesti.
- Älykkäät kaupungit, jotka seuraavat julkista liikennettä, käyttävät älykkäitä mittareita yleislaskutusta varten ja älykkäitä jätehuoltoratkaisuja.
Kustannusnäkökohdat ovat merkittävä tekijä reunanalytiikan käytössä valmistusjärjestelmissä. Harkitse joukko kameroita, jotka tutkivat valmistettuja tuotteita vikojen varalta nopeasti liikkuvilla kuljetinhihnoilla. Voi olla kustannustehokkaampaa asentaa reunalaskurilaitteita tehtaalle kuvankäsittelyn suorittamiseen sen sijaan, että asennettaisiin nopeita verkkoja videokuvien siirtämiseen pilveen.
Puhuin Achal Prabhakarin kanssa, Landing AI: n, teollisen tekoälyn yrityksen suunnittelupäällikkö, jolla on ratkaisuja, jotka keskittyvät tietokoneen näkemiseen. "Valmistuslaitokset eroavat melko paljon yleisistä analyysisovelluksista ja vaativat siksi tekoälyn uudelleenkäsittelyä, mukaan lukien käyttöönotto", Prabhakar kertoi minulle. "Meille suuri painopistealue on monimutkaisten syvällisen oppimisen visio -mallien ja jatkuvan oppimisen toteuttaminen suoraan tuotantolinjoille käyttämällä kykeneviä, mutta hyödykeellisiä laitteita."
Analytiikan käyttöönotto syrjäisille alueille, kuten rakennus- ja porauspaikoille, hyötyy myös reunanalytiikan ja tietojenkäsittelyn käytöstä. Sen sijaan, että luottaisivat kalliisiin ja mahdollisesti epäluotettaviin laaja-alueisiin verkkoihin, insinöörit sijoittavat paikan päällä reuna-analytiikan infrastruktuurin tarvittavien tietojen ja analytiikan käsittelyn tukemiseksi. Esimerkiksi öljy- ja kaasuyhtiö otti käyttöön suoratoistoanalyysiratkaisun, jossa oli muistissa oleva hajautettu tietokonealusta, ja lyhensi porausaikaa peräti 20 prosenttia tyypillisestä 15 päivästä 12 päivään.
Vaatimustenmukaisuus ja tiedonhallinta ovat toinen syy huippuanalytiikkaan. Paikallisen infrastruktuurin käyttöönotto voi auttaa täyttämään GDPR-vaatimusten ja muiden tietojen suvereniteettisääntöjen vaatimukset tallentamalla ja käsittelemällä rajoitettuja tietoja maissa, joissa tietoja kerätään.
Analytiikan suunnittelu reunalle
Valitettavasti mallien ja muiden analytiikkojen käyttäminen ja käyttöönotto huippulaskentainfrastruktuuriin ei ole aina triviaalia. Laskentavaatimukset suurten tietojoukkojen käsittelemiseksi laskennallisesti intensiivisten tietomallien kautta saattavat edellyttää uudelleensuunnittelua ennen kuin ne suoritetaan ja otetaan käyttöön huippulaskennan infrastruktuurissa.
Ensinnäkin, monet kehittäjät ja tutkijat hyödyntävät nyt korkeamman tason analyysialustoja, jotka ovat saatavilla julkisissa ja yksityisissä pilvissä. IoT ja anturit käyttävät usein upotettuja sovelluksia, jotka on kirjoitettu C / C ++ -sivulla, mikä voi olla tuntematon ja haastava maasto pilvikantojen tiedetieteilijöille ja insinööreille.
Toinen asia voi olla itse mallit. Kun datatieteilijät työskentelevät pilvessä ja skaalavat resursseja tarpeen mukaan suhteellisen alhaisin kustannuksin, he pystyvät kehittämään monimutkaisia koneoppimismalleja, joilla on monia ominaisuuksia ja parametreja tulosten optimoimiseksi täysin. Mutta kun malleja käytetään tietojenkäsittelyinfrastruktuuriin, liian monimutkainen algoritmi voi lisätä dramaattisesti infrastruktuurin kustannuksia, laitteiden kokoa ja virrankulutusta.
Keskustelin tekoälymallien käyttöönoton haasteista reunalle Marbaall Choyn, SambaNova Systemsin tuotepäällikköön. "Älykkään tekoälyn sovelluskehittäjät keskittyvät yhä enemmän erittäin yksityiskohtaisiin malleihin parantaakseen parametrien vähentämistä ja laskentavaatimuksia", hän totesi. "Näiden pienempien, erittäin yksityiskohtaisten mallien koulutusvaatimukset ovat edelleen pelottavat."
Toinen huomio on, että erittäin luotettavan ja turvallisen reuna-analyysijärjestelmän käyttöönotto edellyttää erittäin vikasietoisten arkkitehtuurien, järjestelmien, verkkojen, ohjelmistojen ja mallien suunnittelua ja toteuttamista.
Keskustelin Hazelcastin tuotemarkkinoinnin johtajan Dale Kimin kanssa käyttötapauksista ja rajoituksista, kun tietoja käsitellään reunalla. Hän kommentoi, että vaikka laitteiden optimoinnit, ennaltaehkäisevä huolto, laadunvarmistustarkistukset ja kriittiset hälytykset ovat kaikki käytettävissä reunalla, on uusia haasteita, kuten rajoitettu laitteistotila, rajoitettu fyysinen saavutettavuus, rajoitettu kaistanleveys ja suuremmat turvallisuusongelmat.
"Tämä tarkoittaa, että palvelinkeskuksessa tottunut infrastruktuuri ei välttämättä toimi", Kim sanoi. "Joten sinun on tutkittava uutta tekniikkaa, joka on suunniteltu huippulaskentaarkkitehtuuria ajatellen."
Seuraava analytiikan raja
Reuna-analytiikan yleisimmät käyttötapaukset ovat nykyään tietojenkäsittelytoiminnot, mukaan lukien tietojen suodatus ja yhdistäminen. Mutta kun yhä useammat yritykset käyttävät IoT-antureita mittakaavassa, tarve soveltaa analytiikkaa, koneoppimista ja tekoälyn algoritmeja reaaliajassa vaatii enemmän käyttöönottoa reunalla.
Reunan mahdollisuudet tekevät älykkäestä tietojenkäsittelystä erittäin jännittävän tulevaisuuden, kun anturit halpenevat, sovellukset vaativat enemmän reaaliaikaista analytiikkaa ja optimoitujen, kustannustehokkaiden algoritmien kehittäminen reunalle on helpompaa.
