Daudzi analīzes un mašīnmācīšanās lietošanas gadījumi tiek savienoti ar datiem, kas glabājas datu noliktavās vai datu ezeros, palaiž algoritmus pilnās datu kopās vai datu apakškopā un aprēķina rezultātus mākoņa arhitektūrās. Šī pieeja darbojas labi, ja dati bieži nemainās. Bet ko tad, ja dati bieži mainās?
Šodien vairākiem uzņēmumiem reāllaikā ir jāapstrādā dati un jāaprēķina analīze. IoT virza lielu daļu šīs paradigmas maiņas, jo datu straumēšanai no sensoriem nepieciešama tūlītēja apstrāde un analīze, lai kontrolētu pakārtotās sistēmas. Reāllaika analīze ir svarīga arī daudzās nozarēs, tostarp veselības aprūpē, finanšu pakalpojumos, ražošanā un reklāmā, kur nelielas datu izmaiņas var būtiski ietekmēt finansiāli, veselību, drošību un citu uzņēmējdarbību.
Ja jūs interesē reāllaika analīzes iespējošana un jaunās tehnoloģijas, kas izmanto visaptverošu skaitļošanu, AR / VR, IoT sensorus mērogā un mašīnmācīšanos plašā mērogā, ir svarīgi izprast malas analīzes dizaina apsvērumus. Edge skaitļošanas izmantošanas gadījumi, piemēram, autonomie bezpilota lidaparāti, viedās pilsētas, mazumtirdzniecības ķēdes pārvaldība un paplašinātās realitātes spēļu tīkli, ir vērsti uz plaša mēroga, ļoti uzticamu malu analīzi.
Malu analīze, straumēšanas analīze un pilnīga skaitļošana
Ar malu analīzi ir saistītas vairākas dažādas analīzes, mašīnmācīšanās un pilnīgu skaitļošanas paradigmas:
- Edge analytics attiecas uz analīzi un mašīnmācīšanās algoritmiem, kas izvietoti infrastruktūrā ārpus mākoņa infrastruktūras un “uz robežas” ģeogrāfiski lokalizētā infrastruktūrā.
- Straumēšanas analīze attiecas uz analīzes aprēķināšanu reāllaikā, kad dati tiek apstrādāti. Straumēšanas analīzi var veikt mākonī vai malā atkarībā no lietošanas gadījuma.
- Notikumu apstrāde ir veids, kā reāllaikā apstrādāt datus un virzīt lēmumus. Šī apstrāde ir straumēšanas analīzes apakškopa, un izstrādātāji izmanto notikumu orientētas arhitektūras, lai identificētu notikumus un aktivizētu pakārtotās darbības.
- Edge computing attiecas uz skaitļošanas izvietošanu malējās ierīcēs un tīkla infrastruktūrā.
- Miglas skaitļošana ir vispārīgāka arhitektūra, kas sadala skaitļošanu starp malu, tuvu malu un mākoņu skaitļošanas vidēm.
Izstrādājot risinājumus, kuriem nepieciešama visaptveroša analīze, arhitektiem jāņem vērā fiziskie un jaudas ierobežojumi, tīkla izmaksas un uzticamība, drošības apsvērumi un apstrādes prasības.
Iemesli izmantot analītiku visaptveroši
Jūs varētu jautāt, kāpēc jūs izvietotu infrastruktūru analītikas malā? Šajos lēmumos ņem vērā tehniskos, izmaksu un atbilstības apsvērumus.
Lietojumprogrammas, kas ietekmē cilvēku drošību un kurām nepieciešama elastība skaitļošanas arhitektūrā, ir viens no lielāko analīžu izmantošanas gadījumiem. Lietojumprogrammas, kurām nepieciešams mazs latentums starp datu avotiem, piemēram, IoT sensoriem un analītikas skaitļošanas infrastruktūru, ir otrais lietošanas gadījums, kam bieži nepieciešama visaptveroša analīze. Šo lietošanas gadījumu piemēri ir:
- Pašpiedziņas automašīnas, automatizētas mašīnas vai jebkurš transports, kur vadības sistēmas automatizē visu navigāciju vai tās daļas.
- Gudras ēkas, kurām ir reāllaika drošības kontrole un kuras vēlas izvairīties no atkarības no tīkla un mākoņu infrastruktūras, lai ļautu cilvēkiem droši iekļūt ēkā un iziet no tās.
- Viedas pilsētas, kas izseko sabiedrisko transportu, izmanto viedos skaitītājus komunālo pakalpojumu rēķiniem un viedus atkritumu apsaimniekošanas risinājumus.
Izmaksu apsvērumi ir nozīmīgs faktors, lai ražošanas sistēmās izmantotu vismodernāko analīzi. Apsveriet kameru komplektu, kas skenē saražotos izstrādājumus, lai konstatētu defektus, atrodoties ātri pārvietojamās konveijera lentēs. Attēlu apstrādes veikšanai var būt ekonomiski izdevīgāk izvietot malas skaitļošanas ierīces, nevis uzstādīt ātrgaitas tīklus video attēlu pārsūtīšanai uz mākoni.
Es runāju ar rūpniecības AI uzņēmuma Landing AI inženierzinātņu viceprezidentu Achalu Prabhakaru ar risinājumiem, kas koncentrējas uz datora redzi. "Ražošanas iekārtas ir diezgan atšķirīgas no galvenajām analītiskajām lietojumprogrammām, un tāpēc tām ir jāpārdomā AI, ieskaitot izvietošanu," man teica Prabhakars. "Liela uzmanības joma mums ir sarežģītu dziļas mācīšanās redzējuma modeļu un nepārtrauktas mācīšanās ieviešana tieši ražošanas līnijās, izmantojot jaudīgas, bet preces labākas ierīces."
Analītikas izvietošana attālos apgabalos, piemēram, būvniecības un urbšanas vietās, arī gūst labumu no progresīvās analīzes un skaitļošanas izmantošanas. Tā vietā, lai paļautos uz dārgiem un potenciāli neuzticamiem plaša tīkla tīkliem, inženieri uz vietas izvieto progresīvas analīzes infrastruktūru, lai atbalstītu nepieciešamo datu un analīzes apstrādi. Piemēram, naftas un gāzes uzņēmums izvērsa straumēšanas analīzes risinājumu ar atmiņā sadalītu skaitļošanas platformu līdz malai un samazināja urbšanas laiku pat par 20 procentiem - no parastajām 15 dienām līdz 12 dienām.
Atbilstība un datu pārvaldība ir vēl viens iemesls vismodernākajai analīzei. Lokalizētas infrastruktūras ieviešana var palīdzēt izpildīt GDPR un citus datu suverenitātes noteikumus, glabājot un apstrādājot ierobežotus datus valstīs, kur dati tiek vākti.
Analītikas izstrāde malai
Diemžēl modeļu un citu analīžu izmantošana un to izmantošana vismodernākajā skaitļošanas infrastruktūrā ne vienmēr ir niecīga. Skaitļošanas prasības lielu datu kopu apstrādei, izmantojot skaitļošanas intensīvus datu modeļus, var būt nepieciešams pārveidot pirms to palaišanas un izvietošanas vismodernākajā skaitļošanas infrastruktūrā.
Pirmkārt, daudzi izstrādātāji un datu zinātnieki tagad izmanto augstāka līmeņa analītisko platformu priekšrocības, kas ir pieejamas publiskajos un privātajos mākoņos. IoT un sensori bieži izmanto iegultas lietojumprogrammas, kas rakstītas C / C ++, kas var būt nepazīstama un izaicinoša teritorija mākoņdatiem vietējiem datu zinātniekiem un inženieriem.
Cits jautājums var būt paši modeļi. Kad datu zinātnieki strādā mākonī un pēc relatīvi zemām izmaksām skalo resursus pēc pieprasījuma, viņi spēj izstrādāt sarežģītus mašīnmācīšanās modeļus ar daudzām funkcijām un parametriem, lai pilnībā optimizētu rezultātus. Bet, izvietojot modeļus vismodernākajā skaitļošanas infrastruktūrā, pārāk sarežģīts algoritms varētu dramatiski palielināt infrastruktūras izmaksas, ierīču izmērus un jaudas prasības.
Ar SambaNova Systems produktu viceprezidentu Maršalu Čoju pārrunāju AI modeļu ieviešanas iespējas. "Modelis AI lietojumprogrammu izstrādātāji arvien vairāk koncentrējas uz ļoti detalizētiem modeļiem, lai uzlabotu parametru samazināšanu un aprēķinātu prasības," viņš atzīmēja. "Apmācības prasības šiem mazākajiem, ļoti detalizētajiem modeļiem joprojām ir biedējošas."
Vēl viens apsvērums ir tāds, ka, lai ieviestu ļoti uzticamu un drošu progresīvās analīzes sistēmu, ir jāizstrādā un jāievieš ļoti kļūdām tolerantas arhitektūras, sistēmas, tīkli, programmatūra un modeļi.
Es runāju ar Hazelcast produktu mārketinga vecāko direktoru Deilu Kimu par lietošanas gadījumiem un ierobežojumiem, apstrādājot datus malā. Viņš komentēja, ka, lai gan aprīkojuma optimizācija, profilaktiskā apkope, kvalitātes nodrošināšanas pārbaudes un kritiskie brīdinājumi ir pieejami visaptveroši, ir jaunas problēmas, piemēram, ierobežota aparatūras telpa, ierobežota fiziskā pieejamība, ierobežots joslas platums un lielākas bažas par drošību.
"Tas nozīmē, ka infrastruktūra, pie kuras esat pieradis, jūsu datu centrā ne vienmēr darbosies," sacīja Kima. "Tāpēc jums jāizpēta jaunas tehnoloģijas, kas ir izstrādātas, ņemot vērā vismodernākās skaitļošanas arhitektūras."
Nākamā analītikas robeža
Mūsdienu vispārizglītojošākās analīzes izmantošanas gadījumi ir datu apstrādes funkcijas, tostarp datu filtrēšana un apkopošana. Bet, tā kā vairāk uzņēmumu IoT sensorus izmanto plašā mērogā, nepieciešamība reāllaikā izmantot analīzes, mašīnmācīšanās un mākslīgā intelekta algoritmus prasīs vairāk izvēršanas.
Pierobežas iespējas rada ļoti aizraujošu viedās skaitļošanas nākotni, jo sensori kļūst lētāki, lietojumprogrammām nepieciešama lielāka reāllaika analīze un optimizētāku, rentablāku algoritmu izstrāde vienkāršākai.
