Kako će rubna analitika voditi pametnije računanje

Mnogi slučajevi korištenja analitike i strojnog učenja povezuju se s podacima pohranjenim u skladištima podataka ili u jezicima podataka, pokreću algoritme na cjelovitim skupovima podataka ili podskupinu podataka i izračunavaju rezultate na arhitekturi oblaka. Ovaj pristup dobro funkcionira kad se podaci ne mijenjaju često. Ali što ako se podaci često mijenjaju?

Danas više tvrtki treba obrađivati ​​podatke i računati analitiku u stvarnom vremenu. IoT pokreće velik dio ove promjene paradigme jer strujanje podataka sa senzora zahtijeva trenutnu obradu i analitiku za kontrolu nizvodnih sustava. Analitika u stvarnom vremenu također je važna u mnogim industrijama, uključujući zdravstvo, financijske usluge, proizvodnju i oglašavanje, gdje male promjene podataka mogu imati značajne financijske, zdravstvene, sigurnosne i druge poslovne učinke.

Ako ste zainteresirani za omogućavanje analitike u stvarnom vremenu - i za nove tehnologije koje koriste kombinaciju rubnog računanja, AR / VR, IoT senzora u mjerilu i strojnog učenja u mjerilu - tada je važno razumjeti razmatranja dizajna za rubnu analitiku. Primjeri korištenja rubnog računanja kao što su autonomni dronovi, pametni gradovi, upravljanje maloprodajnim lancem i mreže igara na sreću s proširenom stvarnošću, svi ciljaju na primenu velike, vrlo pouzdane rubne analitike.

Rubna analitika, streaming analiza i rubno računanje

Nekoliko različitih paradigmi analitike, strojnog učenja i rubnog računanja povezano je s rubnom analitikom:

  • Rubna analitika odnosi se na analitiku i algoritme strojnog učenja raspoređene u infrastrukturu izvan oblačne infrastrukture i "na rubu" u geografski lokaliziranoj infrastrukturi.
  • Streaming analitika odnosi se na računalnu analitiku u stvarnom vremenu dok se podaci obrađuju. Analitika strujanja može se izvoditi u oblaku ili na rubu, ovisno o slučaju upotrebe.
  • Obrada događaja način je za obradu podataka i donošenje odluka u stvarnom vremenu. Ova obrada podskup je analitike strujanja, a programeri koriste arhitekture vođene događajima za prepoznavanje događaja i pokretanje nizvodnih radnji.
  • Rubno računanje odnosi se na postavljanje računanja na rubne uređaje i mrežnu infrastrukturu.
  • Računanje magle općenitija je arhitektura koja dijeli računanje između rubnih, rubnih i oblačnih okruženja.

Kada dizajniraju rješenja koja zahtijevaju rubnu analitiku, arhitekti moraju uzeti u obzir fizička i energetska ograničenja, mrežne troškove i pouzdanost, sigurnosna razmatranja i zahtjeve obrade.  

Razlozi za primjenu analitike na rubu

Možete se zapitati zašto biste infrastrukturu instalirali na rub za analitiku? Postoje odluke koje se odnose na tehnička pitanja, troškove i usklađenost.

Aplikacije koje utječu na ljudsku sigurnost i zahtijevaju elastičnost u računalnoj arhitekturi jedan su od primjera za rubnu analitiku. Aplikacije koje zahtijevaju nisku latenciju između izvora podataka, poput IoT senzora i analitičke računalne infrastrukture, drugi su slučaj upotrebe koji često zahtijeva rubnu analitiku. Primjeri ovih slučajeva upotrebe uključuju: 

  • Samovozeći automobili, automatizirani strojevi ili bilo koji prijevoz gdje kontrolni sustavi automatiziraju cijelu ili dijelove navigacije.
  • Pametne zgrade koje imaju sigurnosne kontrole u stvarnom vremenu i žele izbjeći ovisnost o mrežnoj i oblačnoj infrastrukturi kako bi ljudima omogućili siguran ulazak i izlazak iz zgrade.
  • Pametni gradovi koji prate javni prijevoz, postavljaju pametna brojila za naplatu komunalnih usluga i pametna rješenja za upravljanje otpadom. 

Razmatranje troškova važan je čimbenik u korištenju rubne analitike u proizvodnim sustavima. Razmotrite set fotoaparata koji skeniraju proizvedene proizvode na nedostatke na pokretnim pokretnim trakama. Isplativije može biti instalirati rubne računarske uređaje u tvornici za obavljanje obrade slike, umjesto da imaju instalirane brze mreže za prijenos video slika u oblak.

Razgovarao sam s Achalom Prabhakarom, potpredsjednikom inženjerstva u tvrtki Landing AI, industrijskoj tvrtki s umjetnom inteligencijom s rješenjima koja se fokusiraju na računalni vid. "Proizvodni pogoni poprilično se razlikuju od uobičajenih analitičkih aplikacija i zato zahtijevaju preispitivanje umjetne inteligencije, uključujući primjenu", rekao mi je Prabhakar. "Veliko područje fokusiranja na nas je postavljanje složenih modela vizije dubokog učenja s kontinuiranim učenjem izravno na proizvodnim linijama koristeći sposobne, ali robne uređaje."

Uvođenje analitike u udaljena područja kao što su građevine i bušenja također ima koristi od korištenja rubne analitike i računanja. Umjesto da se oslanjaju na skupe i potencijalno nepouzdane mreže širokog područja, inženjeri ugrađuju rubnu analitičku infrastrukturu na licu mjesta kako bi podržali potrebnu obradu podataka i analitike. Primjerice, naftna i plinska tvrtka razmjestila je rješenje za streaming analizu s distribuiranom računalnom platformom u memoriji do ruba i smanjila vrijeme bušenja za čak 20 posto, s tipičnih 15 dana na 12 dana. 

Usklađenost i upravljanje podacima još je jedan razlog za rubnu analitiku. Razmještanje lokalizirane infrastrukture može pomoći u ispunjavanju GDPR-a i drugih propisa o suverenosti podataka pohranjivanjem i obradom ograničenih podataka u zemljama u kojima se podaci prikupljaju.

Dizajniranje analitike za rub

Nažalost, uzimanje modela i druge analitike i njihova primjena na rubnu računalnu infrastrukturu nije uvijek trivijalno. Računalni zahtjevi za obradu velikih skupova podataka putem računski intenzivnih modela podataka mogu zahtijevati re-inženjering prije pokretanja i postavljanja na rubnu računalnu infrastrukturu.

Kao prvo, mnogi programeri i znanstvenici podataka sada koriste prednosti analitičkih platformi više razine koje su dostupne na javnim i privatnim oblacima. IoT i senzori često koriste ugrađene aplikacije napisane na C / C ++, što može biti nepoznat i izazovan teren za znanstvenike i inženjere podataka urođenih u oblaku.

Još jedno pitanje mogu biti sami modeli. Kada znanstvenici podataka rade u oblaku i skaliraju računalne resurse na zahtjev po relativno niskim troškovima, sposobni su razviti složene modele strojnog učenja s mnogim značajkama i parametrima kako bi u potpunosti optimizirali rezultate. No, prilikom postavljanja modela na rubnu računalnu infrastrukturu, previše složeni algoritam mogao bi dramatično povećati troškove infrastrukture, veličinu uređaja i zahtjeve za napajanjem.

Razgovarao sam o izazovima primjene AI modela do ruba s Marshall Choyom, potpredsjednikom proizvoda u SambaNova Systems. "Razvijači modela za rubne AI aplikacije sve se više usredotočuju na visoko detaljne modele kako bi postigli poboljšanja u smanjenju parametara i računalnim zahtjevima", napomenuo je. "Zahtjevi za obukom za ove manje, vrlo detaljne modele i dalje su zastrašujući."

Sljedeće je razmatranje da postavljanje vrlo pouzdanog i sigurnog rubnog analitičkog sustava zahtijeva dizajniranje i implementaciju visoko otpornih arhitektura, sustava, mreža, softvera i modela.

Razgovarao sam s Daleom Kimom, višim direktorom marketinga proizvoda u Hazelcast-u, o slučajevima upotrebe i ograničenjima prilikom obrade podataka na rubu. Komentirao je da, iako su optimizacije opreme, preventivno održavanje, provjere osiguranja kvalitete i kritična upozorenja dostupni na rubu, postoje novi izazovi poput ograničenog hardverskog prostora, ograničene fizičke dostupnosti, ograničene propusnosti i veće sigurnosne zabrinutosti.

"To znači da infrastruktura na koju ste navikli u vašem podatkovnom centru neće nužno raditi", rekla je Kim. "Dakle, trebate istražiti nove tehnologije koje su dizajnirane s računarskim arhitekturama na umu."

Sljedeća granica u analitici

Uobičajeni slučajevi upotrebe rubne analitike danas su funkcije obrade podataka, uključujući filtriranje i agregiranje podataka. No kako sve više tvrtki širi IoT senzore u širokom opsegu, potreba za primjenom analitike, strojnog učenja i algoritama umjetne inteligencije u stvarnom vremenu zahtijevat će sve više implementacija na rubu. 

Mogućnosti na rubu čine vrlo uzbudljivu budućnost pametnog računanja kako senzori postaju jeftiniji, aplikacijama je potrebno više analitike u stvarnom vremenu, a razvoj optimiziranih, isplativih algoritama za rub postaje lakši.