Mnoho případů použití analytiky a strojového učení se připojuje k datům uloženým v datových skladech nebo datových jezerech, spouští algoritmy na úplných datových sadách nebo podmnožině dat a počítá výsledky na cloudových architekturách. Tento přístup funguje dobře, když se data často nemění. Ale co když se data často mění?
Dnes potřebuje více podniků zpracovávat data a počítat analytiku v reálném čase. IoT pohání velkou část tohoto posunu paradigmatu, protože datové proudy ze senzorů vyžadují okamžité zpracování a analýzu k řízení následných systémů. Analýza v reálném čase je také důležitá v mnoha průmyslových odvětvích, včetně zdravotnictví, finančních služeb, výroby a reklamy, kde malé změny v datech mohou mít významné finanční, zdravotní, bezpečnostní a další obchodní dopady.
Pokud máte zájem o aktivaci analytiky v reálném čase - a v rozvíjejících se technologiích, které využívají kombinaci edge computingu, AR / VR, senzorů IoT ve velkém měřítku a strojového učení ve velkém měřítku -, je důležité porozumět úvahám o designu pro edge analytics. Případy použití Edge Computing, jako jsou autonomní drony, inteligentní města, správa maloobchodních řetězců a herní sítě v rozšířené realitě, se zaměřují na nasazení rozsáhlých a vysoce spolehlivých analytických řešení Edge.
Edge Analytics, Streaming Analytics a Edge Computing
S analytikou edge souvisí několik různých analytických paradigmat, strojového učení a edge computingu:
- Edge analytics označuje analytiku a algoritmy strojového učení nasazené do infrastruktury mimo cloudovou infrastrukturu a „na hraně“ v geograficky lokalizované infrastruktuře.
- Streamovací analytika označuje výpočetní analytiku v reálném čase při zpracování dat. Streamovací analytiku lze provádět v cloudu nebo na okraji v závislosti na případu použití.
- Zpracování událostí je způsob, jak zpracovávat data a řídit rozhodnutí v reálném čase. Toto zpracování je podmnožinou analytiky streamování a vývojáři používají architektury založené na událostech k identifikaci událostí a spouštění následných akcí.
- Edge computing označuje nasazení výpočtu na okrajová zařízení a síťovou infrastrukturu.
- Fog computing je obecnější architektura, která rozděluje výpočty mezi prostředí edge, near edge a cloud computing.
Při navrhování řešení vyžadujících analytiku na hraně musí architekti vzít v úvahu fyzická a napájecí omezení, náklady a spolehlivost sítě, bezpečnostní aspekty a požadavky na zpracování.
Důvody pro nasazení analytiky na hraně
Možná se ptáte, proč byste nasadili infrastrukturu na hranici pro analytiku? Při rozhodování se zohledňují technické aspekty, náklady a dodržování předpisů.
Jedním případem hraniční analýzy jsou aplikace, které ovlivňují bezpečnost lidí a vyžadují odolnost ve výpočetní architektuře. Aplikace, které vyžadují nízkou latenci mezi zdroji dat, jako jsou senzory IoT a analytická výpočetní infrastruktura, jsou druhým případem použití, který často vyžaduje analýzu hran. Mezi příklady těchto případů použití patří:
- Auta s vlastním pohonem, automatizované stroje nebo jakékoli přepravy, kde řídicí systémy automatizují celou navigaci nebo její části.
- Inteligentní budovy, které mají ovládací prvky zabezpečení v reálném čase a chtějí se vyhnout závislostem na síťové a cloudové infrastruktuře, aby lidem umožňovaly bezpečný vstup a výstup z budovy.
- Inteligentní města, která sledují veřejnou dopravu, nasazují inteligentní měřiče pro fakturaci za služby a řešení inteligentního nakládání s odpady.
Úvahy o nákladech jsou významným faktorem při používání hranové analýzy ve výrobních systémech. Zvažte sadu kamer, které skenují vyráběné výrobky na vady na rychle se pohybujících dopravních pásech. Může být nákladově efektivnější nasadit zařízení pro zpracování hrany v továrně k provádění zpracování obrazu, než mít nainstalované vysokorychlostní sítě pro přenos obrazů do cloudu.
Mluvil jsem s Achalem Prabhakarem, viceprezidentem pro inženýrství v Landing AI, průmyslové AI společnosti s řešeními zaměřenými na počítačové vidění. "Výrobní závody se zcela liší od běžných analytických aplikací, a proto vyžadují přehodnocení AI včetně nasazení," řekl mi Prabhakar. „Velkou oblastí zájmu pro nás je nasazení komplexních modelů vidění hlubokého učení s nepřetržitým učením přímo na výrobních linkách pomocí schopných, ale komoditních zařízení.“
Nasazení analytiky do vzdálených oblastí, jako jsou stavební a vrtné pracoviště, také těží z používání hranové analýzy a výpočetní techniky. Místo toho, aby se spoléhali na drahé a potenciálně nespolehlivé rozsáhlé sítě, inženýři nasazují infrastrukturu hraniční analýzy na místě, aby podporovali požadovaná data a analytické zpracování. Například ropná a plynárenská společnost nasadila streamovací analytické řešení s distribuovanou výpočetní platformou v paměti až na hranu a zkrátila dobu vrtání až o 20 procent, z typických 15 dní na 12 dní.
Dodržování předpisů a správa dat jsou dalším důvodem pro edge analytics. Nasazení lokalizované infrastruktury může pomoci splnit požadavky nařízení GDPR a dalších předpisů o svrchovanosti dat ukládáním a zpracováním omezených dat v zemích, kde jsou data shromažďována.
Navrhování analytiky pro hranu
Získání modelů a dalších analytik a jejich nasazení na infrastrukturu edge computing bohužel není vždy triviální. Požadavky na výpočet pro zpracování velkých datových sad prostřednictvím výpočetně náročných datových modelů mohou vyžadovat před jejich spuštěním a nasazením na infrastrukturu edge computing re-engineering.
Za prvé, mnoho vývojářů a datových vědců nyní využívá analytické platformy vyšší úrovně, které jsou k dispozici ve veřejných a soukromých cloudech. IoT a senzory často využívají vestavěné aplikace napsané v C / C ++, což může být neznámý a náročný terén pro cloudové nativní datové vědce a inženýry.
Dalším problémem mohou být samotné modely. Když datoví vědci pracují v cloudu a rozšiřují výpočetní zdroje na vyžádání při relativně nízkých nákladech, jsou schopni vyvinout složité modely strojového učení s mnoha funkcemi a parametry, aby plně optimalizovali výsledky. Při nasazování modelů na infrastrukturu edge computing by však příliš složitý algoritmus mohl dramaticky zvýšit náklady na infrastrukturu, velikost zařízení a požadavky na napájení.
S Marshallem Choym, viceprezidentem pro produkt společnosti SambaNova Systems, jsem diskutoval o výzvách nasazení modelů AI až na hranu. „Vývojáři modelů pro hranové aplikace AI se stále více zaměřují na vysoce detailní modely, aby dosáhli zlepšení v redukci parametrů a požadavcích na výpočet,“ poznamenal. "Požadavky na školení pro tyto menší, velmi podrobné modely zůstávají skličující."
Další úvahou je, že nasazení vysoce spolehlivého a zabezpečeného systému analytiky hran vyžaduje návrh a implementaci vysoce odolných architektur, systémů, sítí, softwaru a modelů.
Mluvil jsem s Dale Kim, hlavním ředitelem produktového marketingu v Hazelcastu, o případech použití a omezeních při zpracování dat na hraně. Poznamenal, že zatímco optimalizace zařízení, preventivní údržba, kontroly zajištění kvality a kritické výstrahy jsou k dispozici na okraji, existují nové výzvy, jako je omezený hardwarový prostor, omezená fyzická dostupnost, omezená šířka pásma a větší obavy o zabezpečení.
"To znamená, že infrastruktura, na kterou jste ve svém datovém centru zvyklí, nemusí nutně fungovat," řekla Kim. "Musíte tedy prozkoumat nové technologie, které jsou navrženy s ohledem na architekturu edge computingu."
Další hranice v analytice
Čím více běžných případů použití pro edge analytics jsou dnes funkce zpracování dat, včetně filtrování a agregace dat. Vzhledem k tomu, že více společností nasazuje senzory IoT ve velkém, bude potřeba aplikace analytiky, strojového učení a algoritmů umělé inteligence v reálném čase vyžadovat více nasazení na hraně.
Možnosti na okraji vytvářejí velmi vzrušující budoucnost inteligentních počítačů, protože senzory zlevňují, aplikace vyžadují více analytik v reálném čase a vývoj optimalizovaných a nákladově efektivních algoritmů pro okraj se stává jednodušším.
