Průvodce používáním aplikací bi s výpočtem hran

Každý dnes mluví o hraní výpočetní techniky, ale málokdo rozumí tomu, co to je, mnohem méně s tím. Stručně řečeno, výpočet hrany znamená zpracování v blízkosti zdroje dat, buď na senzoru, nebo v blízkosti brány. Pokud byste chtěli vědět, jak může IT nejlépe řídit okrajové výpočty jako alternativu, podívejte se na „IT potřebuje začít přemýšlet o 5G a Edge Cloud Computing“, sloupci Wayne Rash, mého kolegy a přispěvatele PCMag IT Watch. Pro účely tohoto článku však můžeme začít vysvětlením od společnosti IDC pro průzkum trhu, která definuje výpočetní technologii na hraně jako „síťová síť mikrodatových center“, která mají „stopu menší než 100 čtverečních stop“.

Stejně jako u většiny nových termínů v technologickém prostoru je „edge computing“ široce používán a byl propojen s řadou dalších technologií buzzword, včetně blockchainu, sítí pro doručování obsahu (CDN), grid computingu, grid computingu a peer-to- peer computing. Společným úkolem, podle toho, co je použito ve spojení s výpočtem na hraně, je urychlit jakoukoli analýzu dat a související akce zkrácením vzdálenosti mezi místem, kde jsou data zpracována a kde bude mít konečný výsledek tohoto výstupu účinek.

Pokud jde o přeměnu vašich těžko vyhraněných poznatků o business intelligence (BI) na praktické informace, to je klíčové hledisko. Ale i když se zdá, že BI (zejména nízko-latenční analytika) a hranové výpočty jsou zápasem vytvořeným v technologickém nebi, je ještě před spojením těchto dvou věcí třeba zvážit.

Analytics na hraně vs. streamování Analytics

Význam Edge computingu pro analytiku je jasný, jakmile si uvědomíte, že neexistuje žádný praktický způsob, jak přenést probíhající tsunami dat z internetu věcí (IoT) do cloudu, aniž by došlo k neudržitelnému zpoždění a jednomu zaseknutí síťového provozu. Tento problém s latencí se může ukázat jako osudný v mnoha nových analytických aplikacích, jako je autonomní řízení. Přetečení dat vás přenese z širokopásmového připojení do úzkého hrdla za méně času, než je třeba říct „Stream it up, Scotty“.

Ano, analytika streamování byla před pár lety nabízena jako všelék citlivý na latenci pro načtení údajů o internetu věcí v reálném čase. Ale zatímco analytika streamování má stále spoustu pozitiv, nebyla schopna změnit fyziku. Obrovské přenosy dat jsou zpomaleny četnými chmely routeru, zpožděním virtualizačních paketů, přerušeným připojením a dalšími fyzickými omezeními v síti. V případě IoT v odlehlých oblastech je připojení k síti vůbec obrovským falešným návrhem v daný den.

Nezáleží na tom, že všechny tyto problémy jsou zvětšeny fyzickou vzdáleností mezi daty a výpočetními procesy. Z těchto důvodů a dalších má analytika streamování tendenci být spíše v reálném čase než v reálném čase. Toto zpoždění - bez ohledu na to, jak malé - je velkým problémem, pokud, například, potřebujete výstupy včas, aby mohlo autonomní auto zabrzdit a zabránit kolizi. Je to ještě větší problém, pokud chcete, aby se všechna auta na této dálnici brzděla najednou.

Stručně řečeno, Star Trek a transportéry dat v reálném životě mají své limity a s tím nemůže nic udělat Scotty v IT. Jednoduše existuje příliš mnoho IoT dat pro současné sítě a objem stále roste dechberoucí rychlostí. Velké možnosti s sebou: Počítače Edge spočítají příliv informací v síti a poskytují také rychlejší analytické výstupy.

Edge Cloud vs. Cloud

Protože tato mikroúdajová centra mohou být a často jsou spojena ve spolupráci, komunikativních nebo vzájemně závislých funkcích, někteří lidé rádi používají termín „okrajový mrak“.

Například moderní automobily mají stovky vestavěných počítačů, které jsou navrženy pro správu jednotlivých systémů, ale jsou také vzájemně propojeny, takže systémy mohou vzájemně komunikovat a přizpůsobovat se podle potřeby. Jinými slovy, jednotlivě, společně a silně používají hranové výpočty k dokončení řady komplexních funkcí.

„Nejen, že reagují na pozorované podmínky, ale časem se také učí a přizpůsobují, “ řekl Johnathan Vee Cree, PhD., Vědec / inženýr pro vestavěné a bezdrátové systémy na americkém ministerstvu energetiky v severozápadním Pacifiku (PNNL). „Například moderní systémy vstřikování paliva budou sledovat jízdní vzorce automobilu, aby bylo možné optimalizovat výkon a spotřebu paliva. Tato data v reálném čase by znemožnila zpracování kdekoli jinde než na okraji.“

Dokonce i když je na palubě vzájemná závislost na více systémech, termín „cloud cloud“ má sklon k blátivému porozumění, protože je nepřesný.

„Když mluvíme o zařízeních IoT, úvahy jsou téměř opačné než cloud, “ řekl Vee Cree. „Zařízení IoT mají obvykle omezený úložný a zpracovatelský výkon, potenciálně přerušovanou konektivitu s okolním světem a mohou být napájena baterií. Klíčovou hodnotou v těchto zařízeních je jejich schopnost transformovat nezpracované hodnoty senzorů, které mají k dispozici, na smysluplná data.“

Výkresová zařízení Edge Computing Devices výše přetištěná se svolením společnosti TECHnalysis Research.

Okrajové výpočty a cloud computing se však vzájemně nevylučují. Ve skutečnosti jsou propojeny v nejúspěšnějších datových strategiích IoT. To se pravděpodobně brzy nezmění.

„Příklad kombinace hranového a cloud computingu přichází z Teslaho autopilota. Autopilotní systém musí vnímat a reagovat na neustále se měnící podmínky jízdy. Dělá to pomocí algoritmů strojového učení, které jsou schopny detekovat a vyhýbat se rizikům, zatímco i když se tato data používají k přijímání rozhodnutí v reálném čase, sdílí se také s cloudem a používají se ke zlepšení funkce autopilota pro všechny řidiče, “vysvětlil William Moeglein, softwarový inženýr ve společnosti PNNL.

Hraní a kombo hraní na cloudu je běžné jednoduše proto, že funguje; využívá to nejlepší z obou světů, ale není to jediná hra ve městě. Ve skutečnosti je 36 procent analytiků na hraně umístěno v podnikovém datovém centru, 34 procent na hraně a 29 procent v cloudu, podle zprávy „Computing on the Edge: Survey Highlights“, zpráva Bob O'Donnell, prezident and Chief Analyst ve společnosti TECHnalysis Research. To znamená, že existují možnosti, jak implementovat analytiku hran. Volba závisí zcela na tom, co se snažíte udělat, a na podmínkách, za kterých se snažíte tohoto cíle dosáhnout.

„Kompromis mezi výpočtovým výkonem a spotřebou energie může být omezujícím faktorem, když jsou zařízení provozována z baterie. V případech, kdy je důležitá spotřeba energie, může být rozhodnutí učiněno na základě malých vzorků dat, přestože mají přístup k nepřetržitým snímáním senzorů, “ řekl Moeglein PNNL.

„Výpočet na hraně umožňuje zpětnou vazbu pro zařízení v terénu, kde komunikace není zaručena, je jednosměrná nebo je omezená, “ pokračoval Moeglein. „V případech, kdy se očekává, že systémy budou fungovat po léta nebo desetiletí na bateriích, lze pomocí výpočtů hran zajistit delší životnost zařízení snížením přenášených dat.“

Výše zobrazovaná grafika mlhy se souhlasem společnosti Cisco Systems, Inc.

De-zamlžení Edge Cloud

Brzy následovala automatizace pro správu a optimalizaci toho, kde a jak se provádí analytika, což vedlo k konceptu „mlhového počítání“, což je termín, který vytvořil dodavatel IT a sítí Cisco Systems. V této strategii, jak vysvětluje Cisco v bílé knize, „vývojáři buď portují, nebo zapisují aplikace IoT pro mlhové uzly na okraji sítě. Mlhové uzly nejblíže k okraji sítě přijímají data ze zařízení IoT. Pak - a to je zásadní - aplikace mlhového internetu směruje různé typy dat na optimální místo pro analýzu. “ Jak je znázorněno na obrázku výše, podle názoru společnosti Cisco rozšiřuje technologie cloud computing cloud blíže ke skutečným zařízením provádějícím sběr dat. Umístěním mlhových uzlů do těsné blízkosti se zařízeními IoT se Cisco snaží urychlit analytiku a zároveň snížit latenci.

Někteří říkají, že je snazší si to představit, protože cloud computing tlačil na okraj - decentralizovaně, jinými slovy - na rozdíl od hraničního výpočtu, které pracuje na okraji sítě, často ve skutečnosti na zařízení IoT. Je to velmi odlišný rozdíl.

Lidé často používají „výpočty na hraně“ a „výpočty na mlze“ zaměnitelně, protože tyto dva pojmy jsou velmi podobné. Schopnost mlhového počítače třídit a směrovat data na různá místa pro analýzu je odděluje. To a výpočet mlhy je nejčastěji „blízko okraje“ (tj. Brána) spíše než skutečně na okraji, například na zařízení IoT.

Stručně řečeno, neexistuje shoda v tom, co přesně je výpočetní technika na hraně, ale spousta lidí, kteří říkají, že se problém zamlžuje, nepomůže. Podle výše uvedené zprávy TECHnalysis Research „více lidí si myslí, že výpočetní technika na hraně je vyrobena z koncových bodů (29, 8 procent) než bran (13, 2 procent), ale 44 procent si myslí, že je to obojí.“

V každém případě „aplikace koncového uživatele nakonec vede k potřebám systému a jejím cílem je najít rovnováhu mezi výhodami zpracování na okraji nebo v cloudu, “ řekl Vee Cree PNNL.

Je zde pouze jedno pravidlo: Pokud potřebujete rozhodnutí v reálném čase nebo v reálném čase, proveďte zpracování co nejblíže ke zdroji dat. Edge computing je volba, jak eliminovat latenci, snížit spotřebu energie a snížit provoz v síti.

API, aplikace a ekosystémy

Obecně platí, že aplikace používané ve spojení s výpočtem hran jsou zaměřeny na dosažení rychlosti a efektivity. Zde je méně pravděpodobné, že najdete samostatné aplikace Business Intelligence (BI), ale spíše vestavěné funkce BI a samozřejmě rozhraní pro programování aplikací (API) pro připojení dat IoT k existujícím BI aplikacím a frameworkům v cloudu.

„Koncept hranových výpočtů pomáhá společnostem využívat výhod cloud computingu i ve scénářích, kde jsou problémy s latencí a připojením. Některé aplikace se zabývají velikostí dat nebo požadavkem na rychlost, které zakazují okružní zakopnutí do cloudu, av takových případech Tableau analytika zabudovaná do lokálních aplikací poskytuje rychlý přehled, “řekl Mark Jewett, viceprezident pro marketing produktů společnosti Tableau Software.

„V jiných případech nabízí výpočetní technika hrany způsob, jak se vypořádat se scénáři, kdy konektivita není spolehlivá nebo je nákladná nebo periodická. Příklady jako věci, které se pohybují, jako jsou lodě, věci, které jsou vzdálené, jako jsou ropné plošiny nebo doly, nebo dokonce situace kde je připojení dobré, ale nestojí za to riskovat přerušení, jako jsou systémy výrobních závodů, kde jsou prostoje extrémně drahé. Analytici a další uživatelé v terénu, kteří nemusí mít přístup k plné pracovní stanici, stále chtějí stejnou analytickou sílu, jakou mají poznali. “

Tableau není jediný dodavatel BI, který pracuje na datech nebo s daty na okraji. Microsoft poukázal na společnost Schneider Electric, jednoho ze svých zákazníků, jako případovou studii. Schneider Electric má špičkovou aplikaci, která provádí prediktivní údržbu na olejové tyči pomocí Azure Machine Learning a Azure IoT Edge ke zvýšení bezpečnosti a snížení nehod ve vzdálených oblastech, uvedl mluvčí společnosti Microsoft. Zpracování dat se provádí na zařízení. Toho je dosaženo zavedením cloudové inteligence - ML modely, které trénovali v cloudu - na samotné okrajové zařízení. To umožňuje rychlejší detekci anomálií na základě velké sady dat o školení.

Mezitím společnost IBM Watson hlásí nesčetné případy použití, včetně analýzy hlasu a konverzace okolního prostředí a zařízení, analýzy obrazu dronů a videa a analýzy akustiky údržby a bezpečnosti.

„Ve všech těchto případech umožňuje analytika hran vylepšený výkon, náklady a soukromí díky lokálnímu provozu v zařízeních, “ řekl Bret Greenstein, viceprezident IBM Watson IoT, Consumer Offerings. „Růst je vzrušující, protože výpočetní výkon na okraji roste a ML zraje a vytváří specializovanější případy použití.

„Zařízení mohou„ rozumět “tomu, co vidí a slyšet, a používat toto porozumění k poskytování lepších služeb a lepšímu výběru. To se děje v reálném čase. A protože skutečná data mohou být převedena na statistiky v okrajových zařízeních, nemusíte musí data odesílat do cloudu, což zvyšuje náklady a umožňuje nové formy ochrany soukromí. “

Přidávání nových vrstev ochrany soukromí potenciálně vede dlouhou cestu ke snižování závazků společnosti a zároveň poskytuje datovým společnostem, které musí prosperovat.

Edge Computing Apps podle čísel

Vzhledem k tomu, že výpočetní technika na hraně je v plenkách, není překvapivé, že podle průzkumu TECHnalysis Research je nová (pouze 39%) nová technologie hranových počítačových aplikací. Většina (61 procent) jsou migrované cloudové aplikace. To jsou ale nejvýznamnější počítačové aplikace:

Analytika operací (44 procent)

Monitorování procesů (35 procent)

Sledování zaměstnanců (32 procent)

Vzdálené sledování majetku (28 procent)

Shoda na pracovišti / bezpečnosti (24 procent)

Prediktivní údržba (22 procent)

Sledování fyzických aktiv na místě (20 procent)

Pět hlavních důvodů pro migraci cloudových aplikací na okraj, podle stejné zprávy TECHnalysis Research, je zlepšit zabezpečení, snížit náklady, snížit latenci, zlepšit místní kontrolu a snížit síťový provoz.

Prostřednictvím objektivu BI jsou efektivita a příležitosti vylepšeny výpočtem hran. Proto je rozumné nejprve migrovat cloudové aplikace nebo vložit analytiku do stávajících aplikací IoT, které vás dovedou do nejlepší pozice nejrychlejší. Například namísto streamování a analýzy všech dat z robotické jednotky v továrně můžete vypustit flotsam, což je zdánlivě nekonečné množství opakujících se informací generovaných senzorem.

Namísto toho lze výpočet hrany použít k zaznamenání a analýze pouze „změnových dat“, což znamená, že se data nějakým způsobem liší od jiných datových proudů ze stejného zdroje. Představte si například větrný mlýn v polárním kruhu, který hlásí: „Jsem v pořádku. Jsem v pohodě. Jsem v pohodě. Blade uvízl na dvě sekundy. Jsem v pohodě. Jsem v pohodě.“ Trochu o přilepení čepele by byla data o změně. Stejně by to „posun větru“, který by mohl spustit stroj, aby se otočil a získal více energie. Data změny jsou datové body s nejvýznamnějším významem právě proto, že si všimnou změny.

V takových případech aplikace na okraji pracují pouze s relevantními údaji; někteří by to nazvali „inteligentními daty“. Proč vařit moře, když jsou snadno vidět důležité detaily? Díky inteligentním datovým aplikacím jsou data použitelná na sběrném místě a také se mohou rozhodnout, která data mají být dodána do cloudu pro další prolnutí a analýzu v tradičních BI aplikacích. Tímto způsobem je dolování dat optimalizováno pro maximální obchodní efekt.

4 tipy pro strategii BI a Edge Computing

Je poměrně snadné skočit na špičkový trend v oblasti výpočetní techniky a rozhodnout se začít s migrací aplikací z cloudu. Ale pružnost do akce bez strategie by byla vážná chyba. Vzpomínáte si na první dny internetu věcí, kdy se k internetu rychle připojily náhodné věci, jako jsou toustovače, a poté se hrdě zobrazily na příštím CES?

Dokonce i inteligentní data vám nemohou pomoci, pokud vaše strategie je nesmyslná nebo chybí. Při vytváření strategie BI a hrany je tedy třeba mít na paměti čtyři úvahy.

1. Znovu zhodnoťte svou aktuální hru IoT, abyste získali další možnosti těžby dat. Například obchodník s potravinami nebo výrobce může chtít použít data ze svého dodavatelského řetězce, jako jsou senzory chlazení a nákladních automobilů, ke stanovení nebo ověření zdroje surovin. Takové informace přidané do blockchainu udržitelnosti mohou být použity v marketingu k přilákání spotřebitelů šetrných k životnímu prostředí.

Maloobchodník může ve svém obchodě používat počítačové vidění a hranové výpočty ke skenování zákazníků, aby na místě ukázal 3D reprezentaci toho, jak je oblečení, na které se zákazník dívá, skutečně hodí. To by mohlo zlepšit prodej a eliminovat potřebu šaten a související problémy s bezpečností a ochranou soukromí. Data však mohou být také zaslána do cloudu, aby byla smíchána s dalšími spotřebitelskými daty, aby byla informována o větší strategii společnosti.

Hledejte příležitosti, jak získat více z internetu věcí, které máte. Co jiného můžete udělat s daty, která generuje? Jaká další data můžete použít ke sběru a zpracování?

2. Rozhodněte se, které aplikace potřebujete na hraně. Možná budete muset migrovat aplikaci, vložit nějaké analýzy nebo dokonce napsat vlastní aplikaci; všechno záleží na tom, co se snažíte udělat. Nechte své obchodní cíle vést při výběru aplikací.

Dobrým místem, kde se dozvědět více o vývoji aplikací na okraj, je konference OpenDev, kterou pořádá Nadace OpenStack Foundation. OpenStack je projekt cloud computingu s otevřeným zdrojovým kódem, a právě tak se stává, že okrajové výpočty jsou zde horkým tématem. Stává se také, že otevřený zdroj je horký v hranových výpočtech, protože je téměř ve všech počítačích. Můžete také zvážit aplikace nabízené dodavateli počítačových řešení na hraně a integrovanou analýzu poskytovanou dodavateli aplikací BI.

3. Vyberte novou technologii, kterou chcete použít. Můžete požádat dodavatele, aby vám předvedli demo, abyste získali představu o tom, kterou technologii chcete použít, jaké aplikace jsou k dispozici a jaké pokyny pro vývoj aplikací pro ni. Například Amazon Web Service (AWS) a AWS Greengrass, Microsoft Azure IoT Edge a Cisco a IBM Watson IoT nabízejí směs tech, analytik a aplikací pro výpočet IoT edge.

Můžete se také podívat na širokou škálu dodavatelů blockchainu, CDN, peer-to-peer a dalších čistě prodejních her. Nepřehlédněte však technologické giganty, jako jsou Dell Inc., IBM Corp. a Hewlett Packard Enterprise (HPE), které se všechny rozhodly přidat do svého hardwaru další úložné a výpočetní a analytické funkce a transformovat je na okrajová zařízení.

Než začnete seriózně hodnotit dodavatele, získejte cit pro své možnosti. Než začnete hovořit s prodejci, proveďte také inventarizaci typů IoT tech, které vaše společnost aktuálně používá, a typů, které chcete přidat. Tímto způsobem pravděpodobněji zůstanete na trati.

4. Plán vývoje. Na cestě k zralosti existuje vzor, ​​který následují všechny nezralé technologie a trendy. Očekávejte, že ke stejnému vývoji dojde u BI a hrany. Takže ano, pravděpodobně dojde ke konsolidaci dodavatelů; to mějte na paměti.

Podívejte se také na oddělení technologie cloud od vlastního cloudu, aby mohly být použity také na okraji. Budete chtít vidět takové oddělení, které vám poskytne maximální flexibilitu při používání cloudu nebo hrany. Pravděpodobně sníží náklady a zvýší efektivitu díky chytřejším aplikacím z rozmanitého ekosystému, než od jediného dodavatele. Připravte si svůj plán jak krátkodobý, tak dlouhodobý, abyste se mohli přizpůsobit předvídatelným změnám bez velké ztráty předchozích investic.