Una guida all'utilizzo di app bi con edge computing

Oggigiorno tutti parlano di edge computing ma pochi capiscono di cosa si tratta, tanto meno cosa farne. Di conseguenza, edge computing significa elaborare vicino alla fonte dei dati, sul sensore o vicino al gateway. Se desideri sapere come l'IT può gestire al meglio il edge computing in alternativa, dai un'occhiata a "L'IT deve iniziare a pensare al 5G e Edge Cloud Computing", una colonna di Wayne Rash, il mio collega e collaboratore di PCMag IT Watch. Ma ai fini di questo articolo, possiamo iniziare con una spiegazione della società di ricerche di mercato IDC, che definisce il edge computing come una "rete mesh di micro data center" che ha "un'impronta di meno di 100 piedi quadrati".

Come con la maggior parte dei nuovi termini nello spazio tecnologico, "edge computing" è ampiamente utilizzato ed è stato collegato con una varietà di altre tecnologie di parole d'ordine, tra cui blockchain, reti di distribuzione di contenuti (CDN), grid computing, mesh computing e peer-to- peer computing. Il compito comune, qualunque sia la tecnologia impiegata in combinazione con il edge computing, è quello di accelerare qualsiasi analisi dei dati e le azioni correlate accorciando la distanza tra il luogo in cui i dati vengono elaborati e dove il risultato finale di tale output avrà un effetto.

Quando si tratta di trasformare le intuizioni di business intelligence (BI) conquistate a fatica in intuizioni fruibili, questa è una considerazione chiave. Ma anche se la BI (in particolare l'analisi a bassa latenza) e il edge computing sembrano essere una combinazione creata nel paradiso della tecnologia, c'è molto da considerare prima di combinare i due.

Analytics a bordo vs Streaming Analytics

Il significato di Edge computing per l'analisi è chiaro quando ti rendi conto che non c'è altro modo pratico per trasferire uno tsunami in corso di dati di Internet of Things (IoT) sul cloud senza creare insostenibile latenza e un diavolo di un ingorgo di rete. Tale problema di latenza può rivelarsi fatale in molte applicazioni di analisi emergenti, come la guida autonoma. L'overflow dei dati ti porterà dalla banda larga al collo di bottiglia in meno tempo di quanto ci voglia per dire "Streaming up, Scotty".

Sì, l'analisi di streaming è stata pubblicizzata solo un paio di anni fa come una panacea sensibile alla latenza per il recupero di una lettura in tempo reale sui dati IoT. Ma, sebbene l'analisi dello streaming abbia ancora molti aspetti positivi, non è stata in grado di cambiare la fisica. Enormi trasferimenti di dati sono rallentati da numerosi hop del router, ritardi dei pacchetti di virtualizzazione, connessioni interrotte e altri vincoli fisici in una rete. Nel caso dell'IoT in aree remote, ottenere una connessione di rete è una proposta possente e incerta in un dato giorno.

Non è importante che tutti questi problemi siano amplificati dalla distanza fisica tra i dati e i processi di elaborazione. Per questi e altri motivi, l'analisi di streaming tende a essere "quasi in tempo reale" piuttosto che in tempo reale. Questo ritardo, non importa quanto piccolo, è un grosso problema se, per esempio, hai bisogno delle uscite in tempo perché un'auto autonoma possa frenare ed evitare una collisione. È un problema ancora più grande se vuoi che tutte le auto su quell'autostrada frenino contemporaneamente.

In breve, Star Trek e i trasportatori di dati della vita reale hanno i loro limiti e non c'è molto che Scotty nell'IT possa fare al riguardo. Esistono semplicemente troppi dati IoT per le reti attuali da gestire e il volume continua a crescere a un ritmo mozzafiato. Il grande da asporto qui: Edge computing affronta la marea di informazioni sulla rete e fornisce anche output analitici più veloci.

Edge Cloud vs. Cloud

Poiché questi micro data center possono essere, e spesso sono, uniti in funzioni collaborative, comunicative o interdipendenti, ad alcune persone piace usare il termine "edge cloud".

Ad esempio, le auto moderne hanno centinaia di computer incorporati progettati per la gestione di singoli sistemi ma anche collegati tra loro in modo che i sistemi possano comunicare tra loro e adattarsi secondo necessità. In altre parole, usano individualmente, collettivamente e pesantemente il edge computing per completare una varietà di funzioni complesse.

"Non solo rispondono alle condizioni osservate, ma imparano e si adattano nel tempo", ha dichiarato Johnathan Vee Cree, PhD., Scienziato / ingegnere di sistemi integrati e wireless presso il Pacific Northwest National Laboratory del Dipartimento dell'Energia degli Stati Uniti (PNNL). "Ad esempio, i moderni sistemi di iniezione del carburante osserveranno i modelli di guida dell'auto al fine di ottimizzare la potenza e l'efficienza del carburante. La natura in tempo reale di questi dati renderebbe impossibile l'elaborazione in qualsiasi luogo diverso dal limite."

Anche con l'interdipendenza multi-sistema integrata, il termine "nuvola di bordo" tende a comprendere ulteriormente perché è impreciso.

"Quando si parla di dispositivi IoT, le considerazioni sono quasi opposte al cloud", ha affermato Vee Cree. "I dispositivi IoT hanno in genere una potenza di archiviazione ed elaborazione limitata, connettività potenzialmente intermittente al mondo esterno e possono essere alimentati da una batteria. Il valore chiave di questi dispositivi è la loro capacità di trasformare i valori dei sensori grezzi disponibili per loro in dati significativi."

L'immagine di Edge Computing Devices sopra ristampata con l'autorizzazione di TECHnalysis Research.

Tuttavia, edge computing e cloud computing non si escludono a vicenda. In effetti, si intrecciano nelle strategie di dati IoT di maggior successo. Non è probabile che cambi presto.

"Un esempio della combinazione di edge e cloud computing deriva dalle funzionalità di pilota automatico di Tesla. Il sistema di pilota automatico deve rilevare e reagire alle mutevoli condizioni di guida. Lo fa attraverso l'uso di algoritmi di apprendimento automatico in grado di rilevare ed evitare rischi mentre controllo dell'auto. Mentre questi dati vengono utilizzati per prendere decisioni in tempo reale, vengono anche condivisi con il cloud e utilizzati per migliorare la funzione di pilota automatico per tutti i conducenti ", ha spiegato William Moeglein, ingegnere informatico presso PNNL.

Il gioco combinato edge e cloud è comune semplicemente perché funziona; sfrutta il meglio dei due mondi ma non è l'unico gioco in città. In effetti, il 36 percento dell'analisi dei bordi si trova nel data center aziendale, il 34 percento al limite e il 29 percento nel cloud, secondo "Computing on the Edge: Survey Highlights", un rapporto di Bob O'Donnell, presidente e Chief Analyst presso TECHnalysis Research. Ciò significa che ci sono opzioni su come implementare l'analisi dei bordi. La scelta dipende interamente da ciò che stai cercando di fare e dalle condizioni in cui stai cercando di raggiungere tale obiettivo.

"Il compromesso tra la potenza di calcolo e l'utilizzo di energia può essere un fattore limitante quando i dispositivi sono alimentati da una batteria. Nei casi in cui il consumo di energia è importante, le decisioni possono essere prese sulla base di piccoli campioni di dati pur avendo accesso a letture continue del sensore", ha detto Moeglein di PNNL.

"Edge computing consente il feedback per i dispositivi sul campo in cui le comunicazioni non sono garantite, sono a senso unico o sono limitate", ha continuato Moeglein. "Nei casi in cui si prevede che i sistemi funzioneranno per anni o decenni con batterie, il edge computing può essere utilizzato per garantire una maggiore durata del dispositivo riducendo i dati trasmessi."

Grafica di nebbia di cui sopra ristampata con il permesso di Cisco Systems, Inc.

De-appannamento di Edge Cloud

L'automazione per la gestione e l'ottimizzazione di dove e come vengono svolte le analisi è presto seguita, portando così al concetto di "fog computing", un termine coniato dal fornitore di sistemi informatici e di rete Cisco Systems. In questa strategia, come spiega Cisco in un white paper, "gli sviluppatori eseguono il porting o scrivono applicazioni IoT per i nodi fog sul bordo della rete. I nodi fog più vicini al bordo della rete ingeriscono i dati dai dispositivi IoT. Quindi - e questo è cruciale- l'applicazione IoT fog dirige diversi tipi di dati nel luogo ottimale per l'analisi. " Come illustrato nel grafico sopra, secondo Cisco, il fog computing estende il cloud più vicino ai dispositivi effettivi che effettuano la raccolta dei dati. Mettendo i nodi di nebbia in stretta vicinanza con i dispositivi IoT, Cisco cerca di velocizzare le analisi riducendo la latenza.

Alcuni sostengono che sia più facile pensarlo come il cloud computing spinto al limite - decentralizzato, in altre parole - al contrario del edge computing che sta elaborando ai margini della rete, spesso in realtà su un dispositivo IoT. Una differenza molto sfumata, certo.

Spesso le persone usano "edge computing" e "fog computing" in modo intercambiabile in quanto i due concetti sono molto simili. È la capacità del fog computing di ordinare e instradare i dati in varie posizioni per l'analisi che li distingue. Ciò, e il fog computing è molto spesso "near edge" (cioè un gateway) piuttosto che realmente al limite come su un dispositivo IoT.

In breve, non c'è consenso su cosa sia esattamente il edge computing, ma molte persone che affermano che l'appannamento del problema non aiuta. Secondo il summenzionato rapporto TECHnalysis Research, "più persone pensano che il edge computing sia composto da endpoint (29, 8 percento) rispetto ai gateway (13, 2 percento), ma il 44 percento pensa che sia entrambi".

In ogni caso, "l'applicazione per l'uso finale in definitiva guida le esigenze del sistema e mira a trovare un equilibrio tra i vantaggi dell'elaborazione a bordo o nel cloud", ha dichiarato Vee Cree di PNNL.

C'è solo una regola empirica qui: se hai bisogno di una decisione in quasi o in tempo reale, fai l'elaborazione il più vicino possibile alla fonte di dati. Edge computing è la scelta per eliminare la latenza, ridurre il dispendio energetico e ridurre il traffico di rete.

API, app ed ecosistemi

In generale, le app utilizzate insieme al edge computing mirano a raggiungere velocità ed efficienza. Qui è meno probabile trovare app di business intelligence (BI) autonome, ma piuttosto funzioni di BI integrate e, naturalmente, interfacce di programmazione delle applicazioni (API) per unire i dati IoT con app e framework BI esistenti nel cloud.

"Il concetto di edge computing aiuta le aziende ad abbracciare i vantaggi del cloud computing anche in scenari in cui la latenza e la connettività sono problematiche. Alcune applicazioni gestiscono dimensioni dei dati o requisiti di velocità che vietano il round trip sul cloud e, in questi casi, Tableau le analisi integrate nelle applicazioni locali forniscono rapidamente approfondimenti ", ha affermato Mark Jewett, Vice President Marketing dei prodotti di Tableau Software.

"In altri casi, il edge computing offre un modo per affrontare scenari in cui la connettività non è affidabile o è costosa o periodica. Esempi come cose che si muovono, come navi, cose remote, come piattaforme petrolifere o miniere, o persino situazioni in cui la connettività è buona ma non vale la pena correre un rischio in caso di interruzioni, come ad esempio sistemi di produzione di impianti in cui i tempi di inattività sono estremamente costosi. Gli analisti e altri utenti sul campo, che potrebbero non avere accesso a una workstation completa, desiderano comunque la stessa potenza di analisi sono venuto a sapere ".

Tableau non è l'unico fornitore di BI che lavora su o con dati ai margini. Microsoft ha indicato Schneider Electric, uno dei suoi clienti come caso di studio. Schneider Electric ha un'app perimetrale che esegue la manutenzione predittiva su una barra d'olio, usando Azure Machine Learning e Azure IoT Edge per migliorare la sicurezza e ridurre gli incidenti in aree remote, ha detto un portavoce di Microsoft. Il trattamento dei dati viene effettuato sul dispositivo. Ciò si ottiene portando l'intelligenza del cloud - modelli ML che hanno addestrato nel cloud - sul dispositivo periferico stesso. Ciò consente un rilevamento più rapido delle anomalie in base al set di dati di addestramento di grandi dimensioni.

Nel frattempo, IBM Watson sta segnalando una miriade di casi d'uso, tra cui analisi di voce e conversazione ambientale e dei dispositivi, analisi di immagini e video di droni e analisi acustiche di manutenzione e sicurezza.

"In tutti questi casi, l'analisi dei bordi sta migliorando le prestazioni, i costi e la privacy operando localmente nei dispositivi", ha dichiarato Bret Greenstein, Vice President di IBM Watson IoT, Consumer Offerings. "La crescita è entusiasmante con l'aumentare della potenza di calcolo ai margini e la ML matura e crea casi d'uso più specializzati.

"I dispositivi possono" comprendere "ciò che vedono e ascoltano e utilizzare tale comprensione per fornire un servizio migliore e fare scelte migliori. Ciò sta accadendo in tempo reale. E poiché i dati effettivi possono essere convertiti in approfondimenti nel dispositivo periferico, è possibile che non si devono inviare i dati al cloud, il che migliora i costi e aiuta a abilitare nuove forme di protezione della privacy ".

L'aggiunta di nuovi livelli di protezione della privacy può potenzialmente fare molto per ridurre le responsabilità delle aziende, pur continuando a fornire dati che le aziende devono prosperare.

App Edge Computing in base ai numeri

Tenendo presente che il edge computing è agli inizi, non sorprende che solo una piccola parte delle app di edge computing sia nuova (39 percento), secondo TECHnalysis Research. La maggior parte (61 percento) sono app cloud migrate. Detto questo, le seguenti sono le app di elaborazione del bordo superiore:

Analisi delle operazioni (44 percento)

Monitoraggio del processo (35 percento)

Monitoraggio dei dipendenti (32 percento)

Monitoraggio remoto delle risorse (28 percento)

Conformità sul posto di lavoro / sicurezza (24 percento)

Manutenzione predittiva (22 percento)

Monitoraggio delle risorse fisiche in loco (20 percento)

Le cinque ragioni principali per la migrazione delle app cloud al limite, secondo lo stesso rapporto di ricerca TECHnalysis, sono il miglioramento della sicurezza, la riduzione dei costi, la latenza, il controllo locale e il traffico di rete.

Attraverso l'obiettivo della BI, l'efficienza e le opportunità sono migliorate con il edge computing. Pertanto, ha senso migrare prima le app cloud o incorporare le analisi nelle app IoT esistenti che possono metterti nella posizione migliore il più velocemente. Ad esempio, invece di trasmettere e analizzare tutti i dati di un'unità robotica sul pavimento della fabbrica, è possibile gettare via il galleggiante, che è la quantità apparentemente infinita di informazioni ripetitive generate dal sensore.

Al contrario, il edge computing può essere utilizzato per annotare e analizzare solo i "dati di modifica", ovvero i dati che sono in qualche modo diversi dagli altri flussi di dati dalla stessa fonte. Ad esempio, immagina un mulino a vento nel circolo polare artico che riporta: "Sto bene. Sto bene. Sto bene. Lama bloccata per due secondi. Sto bene. Sto bene. Sto bene." La parte riguardante l'attaccamento della lama sarebbero i dati di modifica. Così farebbe il "cambio del vento", che potrebbe innescare la macchina per girare e raccogliere più energia. I dati di modifica sono i punti dati più significativi proprio perché rilevano una modifica.

In tali casi, le app ai margini funzionano solo con dati pertinenti; alcuni lo chiamerebbero "dati intelligenti". Perché far bollire il mare quando si possono facilmente vedere dettagli importanti? Le app di dati intelligenti rendono i dati utilizzabili nel punto di raccolta e possono anche decidere quali dati spedire al cloud per un'ulteriore fusione e analisi nelle app di BI tradizionali. In questo modo, il data mining è ottimizzato per il massimo effetto sul business.

4 suggerimenti per la tua strategia di BI e Edge Computing

È relativamente facile saltare a bordo della tendenza del edge computing e decidere di iniziare con la migrazione di app dal cloud. Ma entrare in azione senza una strategia sarebbe un grave errore. Ricordi i primi tempi dell'IoT quando cose casuali come i tostapane furono rapidamente collegate a Internet e poi mostrate con orgoglio al prossimo CES?

Anche i dati intelligenti non possono aiutarti se la tua strategia è assurda o mancante. Quindi, ecco quattro considerazioni da tenere a mente quando si forma la BI e la strategia perimetrale.

1. Rivaluta il tuo gioco IoT attuale per ulteriori opportunità di data mining. Ad esempio, un droghiere o un produttore potrebbe voler utilizzare i dati della propria catena di fornitura, come i sensori di refrigerazione e di autotrasporto, per stabilire o convalidare la fonte delle materie prime. Tali informazioni aggiunte a una blockchain di sostenibilità possono essere utilizzate nel marketing per attirare consumatori attenti all'ambiente.

Un rivenditore potrebbe utilizzare la visione computerizzata e il edge computing nel proprio negozio per scansionare i consumatori per mostrare una rappresentazione 3D sul posto di come l'abbigliamento che sta guardando l'acquirente si adatterà effettivamente a loro. Ciò potrebbe migliorare le vendite, nonché eliminare la necessità di spogliatoi e i relativi problemi di sicurezza e privacy. Ma i dati possono anche essere inviati al cloud per essere miscelati con altri dati dei consumatori per informare la strategia più ampia dell'azienda.

Cerca le opportunità per ottenere di più dall'IoT che hai. Cos'altro puoi fare con i dati che genera? Quali altri dati puoi utilizzarli per raccogliere ed elaborare?

2. Decidi quali app ti servono ai margini. Potrebbe essere necessario migrare un'app, incorporare alcune analisi o persino scrivere un'app personalizzata; tutto dipende da cosa stai cercando di fare. Lascia che i tuoi obiettivi aziendali ti guidino nella selezione delle app.

Un buon posto per saperne di più sullo sviluppo di app per edge è una conferenza OpenDev, organizzata da OpenStack Foundation. OpenStack è il progetto di cloud computing open source ed è proprio così che il edge computing è un argomento caldo lì. Succede anche che l'open source sia caldo nell'informatica di bordo, come lo è quasi in tutta l'informatica. È inoltre possibile prendere in considerazione le app offerte dai fornitori di edge computing e le analisi integrate fornite dai fornitori di app BI.

3. Seleziona la nuova tecnologia che desideri utilizzare. Puoi chiedere ai fornitori di darti una demo in modo da avere un'idea di quale tecnologia desideri utilizzare, quali app sono disponibili e alcune indicazioni sullo sviluppo di app per esso. Ad esempio, Amazon Web Service (AWS) e AWS Greengrass, Microsoft Azure IoT Edge e Cisco e IBM Watson IoT offrono una combinazione di tecnologia, analisi e app per il edge computing IoT.

Puoi anche dare un'occhiata a una vasta gamma di blockchain, CDN, peer-to-peer e altri fornitori di giochi puri. Ma non trascurare i giganti della tecnologia come Dell Inc., IBM Corp. e Hewlett Packard Enterprise (HPE), che hanno tutti preso l'aggiunta di ulteriori capacità di archiviazione, elaborazione e analisi al loro hardware per trasformarli in dispositivi periferici.

Scopri le tue opzioni prima di iniziare a valutare seriamente i fornitori. Inoltre, fai un inventario dei tipi di tecnologia IoT attualmente utilizzati dalla tua azienda e dei tipi che desideri aggiungere, prima di iniziare a parlare con i fornitori. In questo modo, hai maggiori probabilità di rimanere in pista.

4. Pianificare l'evoluzione. C'è un modello nel percorso verso la maturità che seguono tutte le tecnologie e le tendenze immature. Aspettatevi che la stessa evoluzione si verifichi con BI e Edge. Quindi, sì, probabilmente ci sarà un consolidamento dei venditori; tienilo a mente.

Cerca anche il disaccoppiamento della tecnologia cloud dal cloud in modo che possano essere utilizzati anche ai margini. Ti consigliamo di vedere un disaccoppiamento così che ti darà la massima flessibilità nell'uso del cloud o del bordo. Probabilmente ridurrà i costi e aumenterà l'efficienza attraverso app più intelligenti da un ecosistema diversificato piuttosto che da un singolo fornitore. Rendi il tuo piano sia a breve che a lungo termine per assicurarti di poterti adattare ai cambiamenti prevedibili senza una grande perdita negli investimenti precedenti.