Programiranje

Kako bo robna analitika poganjala pametnejše računalništvo

Številni primeri uporabe analitike in strojnega učenja se povezujejo s podatki, shranjenimi v podatkovnih skladiščih ali podatkovnih jezerih, izvajajo algoritme na celotnih naborih podatkov ali podmnožici podatkov in izračunajo rezultate na arhitekturah v oblaku. Ta pristop deluje dobro, kadar se podatki ne spreminjajo pogosto. Kaj pa, če se podatki pogosto spreminjajo?

Danes mora več podjetij v realnem času obdelovati podatke in izračunavati analitiko. IoT spodbuja velik del te spremembe paradigme, saj pretakanje podatkov s senzorjev zahteva takojšnjo obdelavo in analitiko za nadzor nadaljnjih sistemov. Analitika v realnem času je pomembna tudi v številnih panogah, vključno z zdravstvom, finančnimi storitvami, proizvodnjo in oglaševanjem, kjer imajo lahko majhne spremembe podatkov pomembne finančne, zdravstvene, varnostne in druge poslovne učinke.

Če vas zanima omogočanje analitike v realnem času - in nove tehnologije, ki izkoriščajo kombinacijo robnih računalnikov, AR / VR, IoT senzorjev v obsegu in strojnega učenja v obsegu -, je pomembno razumevanje vidikov oblikovanja robne analitike. Primeri uporabe robnega računalništva, kot so avtonomni brezpilotni letali, pametna mesta, upravljanje trgovskih verig in igralna omrežja z razširjeno resničnostjo, so namenjeni uvajanju obsežne, zelo zanesljive robne analitike.

Edge analitika, pretočna analitika in robno računalništvo

Z robno analitiko je povezanih več različnih paradigem analitike, strojnega učenja in robnega računalništva:

  • Edge analitika se nanaša na analitiko in algoritme strojnega učenja, nameščene na infrastrukturi zunaj oblačne infrastrukture in "na robu" v geografsko lokalizirani infrastrukturi.
  • Pretočna analitika se nanaša na računalniško analitiko v realnem času, ko se podatki obdelujejo. Pretočna analitika se lahko izvaja v oblaku ali na robu, odvisno od primera uporabe.
  • Obdelava dogodkov je način za obdelavo podatkov in sprejemanje odločitev v realnem času. Ta obdelava je podmnožica pretočne analitike, razvijalci pa uporabljajo arhitekture na podlagi dogodkov za prepoznavanje dogodkov in sprožitev nadaljnjih dejanj.
  • Edge computing se nanaša na uvajanje računanja na robne naprave in omrežno infrastrukturo.
  • Računalništvo v megli je bolj splošna arhitektura, ki deli izračune na robotska, obrobna in računalniška okolja v oblaku.

Pri oblikovanju rešitev, ki zahtevajo robno analitiko, morajo arhitekti upoštevati fizične in napajalne omejitve, omrežne stroške in zanesljivost, varnostne vidike in zahteve glede obdelave.

Razlogi za uvajanje analitike na rob

Lahko se vprašate, zakaj bi infrastrukturo postavili na rob za analitiko? Pri teh odločitvah so pomembni tehnični vidiki, stroški in skladnost.

Aplikacije, ki vplivajo na človekovo varnost in zahtevajo odpornost v računalniški arhitekturi, so en primer uporabe robne analitike. Aplikacije, ki zahtevajo majhno zakasnitev med viri podatkov, kot so senzorji IoT in analitična računalniška infrastruktura, so drugi primer uporabe, ki pogosto zahteva robno analitiko. Primeri teh primerov uporabe vključujejo:

  • Samovozeči avtomobili, avtomatizirani stroji ali kateri koli prevoz, pri katerem nadzorni sistemi avtomatizirajo celotno navigacijo ali njene dele.
  • Pametne zgradbe, ki imajo varnostni nadzor v realnem času in se želijo izogniti odvisnosti od omrežne in oblačne infrastrukture, ki ljudem omogočajo varen vstop in izhod iz zgradbe.
  • Pametna mesta, ki spremljajo javni prevoz, uporabljajo pametne števce za obračun komunalnih storitev in pametne rešitve za ravnanje z odpadki.

Stroški so pomemben dejavnik pri uporabi robne analitike v proizvodnih sistemih. Razmislite o naboru kamer, ki na hitro premikajočih se tekočih trakovih skenirajo proizvedene izdelke zaradi napak. Stroškovno učinkoviteje je, če za obdelavo slik v tovarni namestite robne računalniške naprave, namesto da bi namestili hitra omrežja za prenos video slik v oblak.

Pogovarjal sem se z Achalom Prabhakarjem, podpredsednikom inženiringa v Landing AI, industrijskem podjetju za umetno inteligenco z rešitvami, ki se osredotočajo na računalniški vid. "Proizvodni obrati se precej razlikujejo od običajnih analitičnih aplikacij in zato zahtevajo premislek o umetni inteligenci, vključno z uvajanjem," mi je dejal Prabhakar. "Veliko področje, na katerem se osredotočamo, je uvajanje kompleksnih modelov globokega učenja z neprekinjenim učenjem neposredno na proizvodnih linijah z uporabo zmogljivih, vendar blagovnih naprav."

Uvajanje analitike na oddaljena območja, kot so gradbena in vrtalna območja, je prav tako koristno od uporabe robne analitike in računalništva. Namesto da bi se zanašali na draga in potencialno nezanesljiva širokopasovna omrežja, inženirji na kraju uvedejo robno analitično infrastrukturo, ki podpira potrebno obdelavo podatkov in analitike. Naftno in plinsko podjetje je na primer do konca uvedlo rešitev za pretočno analitiko z razdeljeno računalniško platformo v pomnilniku in čas vrtanja zmanjšalo za kar 20 odstotkov, s tipičnih 15 dni na 12 dni.

Skladnost in upravljanje podatkov je še en razlog za robustno analitiko. Uvajanje lokalizirane infrastrukture lahko pomaga pri izpolnjevanju predpisov GDPR in drugih predpisov o suverenosti podatkov s shranjevanjem in obdelavo omejenih podatkov v državah, kjer se podatki zbirajo.

Oblikovanje analitike za rob

Na žalost jemanje modelov in drugih analiz ter njihovo uvajanje v robno računalniško infrastrukturo ni vedno nepomembno. Računalniške zahteve za obdelavo velikih naborov podatkov z računsko intenzivnimi podatkovnimi modeli bodo morda zahtevale prenovo, preden jih zaženete in uvedete na robno računalniško infrastrukturo.

Prvič, mnogi razvijalci in podatkovni znanstveniki zdaj izkoriščajo analitične platforme na višji ravni, ki so na voljo v javnih in zasebnih oblakih. IoT in senzorji pogosto uporabljajo vdelane aplikacije, napisane v jeziku C / C ++, ki so za znanstvenike in inženirje podatkov v oblaku lahko neznan in zahteven teren.

Drugo vprašanje so lahko sami modeli. Ko znanstveniki delajo v oblaku in na razmeroma nizke stroške prilagajajo računalniške vire na zahtevo, lahko razvijejo zapletene modele strojnega učenja s številnimi funkcijami in parametri, da v celoti optimizirajo rezultate. Toda pri uvajanju modelov na robno računalniško infrastrukturo lahko preveč zapleten algoritem dramatično poveča stroške infrastrukture, velikost naprav in potrebe po moči.

O izzivih uvajanja modelov umetne inteligence do konca sem razpravljal z Marshall Choy, podpredsednikom izdelka pri SambaNova Systems. "Razvijalci modelov za aplikacije z umetno inteligenco se vedno bolj osredotočajo na zelo podrobne modele, da bi dosegli izboljšave pri zmanjšanju parametrov in računskih zahtevah," je opozoril. "Zahteve po usposabljanju za te manjše, natančne modele ostajajo zastrašujoče."

Drug vidik je, da je za uvedbo zelo zanesljivega in varnega robnega analitičnega sistema potrebno načrtovanje in izvajanje zelo odpornih arhitektur, sistemov, omrežij, programske opreme in modelov.

Z Daleom Kimom, višjim direktorjem trženja izdelkov pri podjetju Hazelcast, sem govoril o primerih uporabe in omejitvah pri obdelavi podatkov na robu. Komentiral je, da čeprav so optimizacije opreme, preventivno vzdrževanje, preverjanje kakovosti in kritična opozorila na voljo na robu, obstajajo novi izzivi, kot so omejen prostor strojne opreme, omejena fizična dostopnost, omejena pasovna širina in večje varnostne pomisleke.

"To pomeni, da infrastruktura, ki ste je vajeni v vašem podatkovnem centru, ne bo nujno delovala," je dejala Kim. "Torej morate raziskati nove tehnologije, ki so zasnovane z upoštevanjem arhitekture robnih računalnikov."

Naslednja meja v analitiki

Danes bolj razširjeni primeri uporabe robne analitike so funkcije obdelave podatkov, vključno s filtriranjem in združevanjem podatkov. Ker pa več podjetij v veliki meri uvaja senzorje IoT, bo potreba po uporabi analitike, strojnega učenja in algoritmov umetne inteligence v realnem času zahtevala več uvedb na robu.

Možnosti na robu omogočajo zelo razburljivo prihodnost pametnega računalništva, saj se senzorji pocenijo, aplikacije zahtevajo več analitike v realnem času in razvoj optimiziranih, stroškovno učinkovitih algoritmov za rob postane lažji.

$config[zx-auto] not found$config[zx-overlay] not found