Edge analytika: Podpora pro chytrá řešení

Mnoho případů využití analytiky a strojového učení pracuje s daty uloženými v datových skladech či datových jezerech. Používají se přitom algoritmy pro kompletní sady dat nebo podmnožiny dat a výsledky se počítají s využitím cloudové architektury. Tento přístup funguje dobře, pokud se data nemění často. Ale co když ano?

V současné době potřebuje více firem zpracovávat data a počítat analýzy v reálném čase. IoT vyvolává významnou část této změny paradigmatu, protože datové proudy ze senzorů vyžadují okamžité zpracování a analýzu za účelem řízení odpovídajících systémů.

Analytika v reálném čase je také důležitá v mnoha průmyslových odvětvích včetně zdravotní péče, finančních služeb, výroby a reklamy, kde mohou mít malé změny v údajích významné finanční, zdravotní, bezpečnostní a další podnikatelské dopady.

Máte-li zájem o zprovoznění analýz v reálném čase (a o nové technologie využívající kombinaci edge computingu, AR/VR, rozsáhlého využívání senzorů IoT a značného využívání strojového učení), je pro vás nezbytné pochopit aspekty návrhu analytiky v prostředí edge computingu.

Proč na okraji?

Můžeme si klást otázku, proč bychom měli používat infrastrukturu s edge analytikou. K takovému rozhodnutí mohou být různé důvody, a to včetně technických aspektů, nákladů a potřeby dodržení předpisů.

Jedním z případů vhodného využití edge analytiky jsou aplikace, které ovlivňují bezpečnost lidí a vyžadují odolnost výpočetní architektury.

Aplikace vyžadující nízkou latenci mezi zdroji dat, jako jsou senzory IoT, a výpočetní infrastrukturou analytiky jsou druhým případem, kdy je často potřebná edge analytika. Mezi příklady patří:

• Automobily schopné řídit samy sebe, automatizované stroje a jakékoli dopravní systémy, kde řídicí systémy automatizují celou navigaci nebo její část.
• Chytré budovy, které mají bezpečnostní řídicí prvky reagující v reálném čase a potřebují eliminovat závislost na síti a cloudové infrastruktuře, aby se mohli lidé bezpečně dostat do budovy a ven z ní.
• Chytrá města, která sledují veřejnou dopravu, zavádějí chytré měřiče pro účtování využití infrastruktury a chytrá řešení pro správu odpadů.

Ve výrobních systémech je významným důvodem pro využití edge analytiky aspekt nákladů. Vezměme si jako příklad kamery kontrolující přítomnost defektů na vyráběných produktech, které leží na rychle se pohybujících dopravních pásech.

Může být cenově výhodnější nasadit ve výrobě zařízení edge computingu, která budou zpracovávat obraz, než využívat vysokorychlostní sítě k přenosům obrazu do cloudu.

„Výrobní závody se výrazně liší od většiny aplikací analytiky, takže je potřebné přehodnotit využití AI včetně nasazení,“ popisuje Achal Prabhakar, viceprezident inženýrství ve společnosti Landing AI, která se zaměřuje na umělou inteligenci a řešení pro počítačové vidění.

„Zaměřujeme se na nasazování komplexních modelů hlubokého učení pro počítačové vidění s kontinuálním učením přímo na výrobních linkách s využitím schopných, avšak komoditních zařízení.“

Nasazení analytiky ve vzdálených oblastech, jako jsou stavby a vrty, je také výhodné prostřednictvím edge analytiky a edge computingu.

Namísto spoléhání se na drahé a potenciálně nespolehlivé sítě WAN mohou inženýři vybudovat infrastrukturu pro edge analytiku v lokalitě, a zajistit tak požadované zpracování dat a analýzy.

Například jedna společnost zaměřená na těžbu ropy a plynu nasadila řešení streamingové analytiky pomocí distribuované výpočetní platformy in-memory a edge computingu. Výsledkem bylo zkrácení doby vrtání o 20 % z obvyklých 15 na 12 dnů.

Dalším důvodem pro zavádění edge analytiky je dodržování předpisů a správa dat. Používání místní infrastruktury může pomoci s dodržováním požadavků GDPR a dalších předpisů tím, že se data podléhající omezením ukládají a zpracovávají v zemích, kde se získala.

Návrh analytiky

Bohužel není vždy možné vzít modely a další analytiku a jen je nasadit v rámci infrastruktury edge computingu. Potřeba počítačového zpracování velkých datových sad pomocí výpočetně náročných datových modelů může vyžadovat přepracování technického řešení před nasazením a spuštěním v infrastruktuře edge computingu.

Mnoho vývojářů a datových vědců nyní využívá výhody analytických platforem vyšší úrovně, které jsou k dispozici ve veřejných a privátních cloudech. IoT a senzory často využívají vestavěné aplikace napsané v C/C ++, což může být pro datové vědce a inženýry zvyklé na cloud poměrně neznámý a náročný terén.

Dalším problémem mohou být samotné modely. Když datoví vědci pracují v cloudu a mohou na vyžádání za relativně nízké náklady získat více výpočetních prostředků, jsou schopní vytvořit složité modely strojového učení s mnoha funkcemi a parametry, aby plně optimalizovali výsledky.

Když však nasazují modely v infrastruktuře edge computingu, může velmi složitý algoritmus dramaticky zvýšit náklady na infrastrukturu, velikost zařízení a požadavky na energii.

„Vývojáři modelů pro využití umělé inteligence v prostředí edge computingu se stále více zaměřují na vysoce detailní modely, aby dosáhli zlepšení v oblasti redukování parametrů a výpočetní náročnosti,“ poznamenává Marshall Choy, viceprezident společnosti SambaNova Systems. „Požadavky na trénink těchto menších, vysoce detailních modelů jsou však stále vysoké.“

Dalším faktorem je, že nasazení vysoce spolehlivého a bezpečného systému edge analytiky vyžaduje návrh a implementaci architektur, systémů, sítí, softwaru a modelů, které jsou velmi odolné proti selhání.

Navzdory veškeré dostupnosti optimalizace vybavení, preventivní údržby, kontrol zajišťujících kvalitu a kritických upozornění v prostředí edge computingu zde ale existují nové výzvy, jako jsou omezený hardwarový prostor, omezená fyzická dostupnost, omezená šířka pásma a větší problémy se zabezpečením.

To znamená, že infrastruktura, na niž jste zvyklí ve vašem datovém centru, nemusí být použitelným řešením. Musíte tedy prozkoumat nové technologie, které jsou navržené s ohledem na architektury edge computingu.

Další hranice

V současné době patří mezi běžnější případy využití edge analytiky funkce zpracování dat včetně filtrování dat a jejich agregace. Protože roste počet společností, které zavádějí ve velkém měřítku senzory IoT, poroste počet případů, kdy bude nutné implementovat analytiku, algoritmy strojového učení a umělé inteligence v reálném čase v prostředí edge computingu.

Edge computing umožňuje velmi vzrušující budoucnost chytrých řešení – klesá cena senzorů, aplikace vyžadují více analytiky v reálném čase a náročnost vývoje optimalizovaných finančně ekonomických algoritmů se pro toto prostředí snižuje.

Co spadá pod edge analytiku?

S edge analytikou se pojí několik různých paradigmat z oblasti samotné analytiky, strojového učení i edge computingu:

• Edge analytika – označuje analytiku a algoritmy strojového učení nasazené v infrastruktuře mimo cloud v oblasti, která se označuje jako edge (hranice, okraj sítě). Tato infrastruktura je geograficky rozmístěná.
• Kontinuální (streamingová) analytika – označuje analýzy dělané v reálném čase z dat, která se průběžně zpracovávají. Streamingovou analytiku lze počítat v cloudu i na okraji sítě, a to v závislosti na případu použití.
• Zpracování událostí – způsob zpracování dat a rozhodování v reálném čase. Toto zpracování je podmnožinou streamingové analytiky. Vývojáři používají architektury řízené událostmi k identifikaci událostí a spouštění následných akcí.
• Edge computing – označuje implementaci výpočtů a zpracování v zařízeních a síťové infrastruktuře na okraji celé sítě (edge).
• Fog computing je obecnější architektura, která rozděluje výpočty mezi tři prostředí – okraj sítě (edge), poblíž okraje (near edge) a cloud computing.

Při navrhování řešení vyžadujících edge analytiku musejí architekti zvažovat fyzická a výkonnostní omezení, náklady na provoz sítě, spolehlivost, bezpečnostní aspekty a požadavky na zpracování.