En guide til bruk av bi-apper med edge computing

Alle snakker om edge computing i disse dager, men få forstår hva det er, mye mindre hva de skal gjøre med det. Enkelt sagt betyr databehandling behandling i nærheten av datakilden, enten på sensoren eller nær gatewayen. Hvis du ønsker å vite hvordan IT best kan administrere edge computing som et alternativ, kan du sjekke ut "IT Needs to Start Thinking About 5G and Edge Cloud Computing, " en kolonne av Wayne Rash, min kollega og PCMag IT Watch-bidragsyter. Men for formålene med denne artikkelen kan vi starte med en forklaring fra markedsundersøkelsesfirmaet IDC, som definerer edge computing som et "nettverk av mikrodatasentre" som har "et fotavtrykk på mindre enn 100 kvadratmeter."

Som med de fleste nye begrep på teknologiområdet, er "edge computing" bredt brukt og har blitt koblet til en rekke andre buzzword-teknologier, inkludert blockchain, content Delivery Network (CDNs), nettverksberegning, nettverksberegning og peer-to- peer computing. Den vanlige oppgaven, uansett hvilken teknisk teknologi som blir implementert i forbindelse med edge computing, er å fremskynde all dataanalyse og relaterte handlinger ved å forkorte avstanden mellom hvor dataene blir behandlet og der sluttresultatet av den utdata vil ha effekt.

Når det gjelder å gjøre BI-innsikten din om til handlingsinnsikt, er det en viktig faktor. Men selv om BI (spesielt lav latensanalyse) og edge computing ser ut til å være en match laget i teknisk himmel, er det mye å ta hensyn til før du kombinerer de to.

Analytics at the Edge vs. Streaming Analytics

Edge computings betydning for analyse er tydelig når du innser at det ikke er noen annen praktisk måte å overføre en pågående tsunami av Internet of Things (IoT) -data til skyen uten å skape uholdbar latenstid og en pokker for et nettverkstrafikk. Dette forsinkelsesproblemet kan vise seg dødelig i mange nye analytiske applikasjoner, for eksempel autonom kjøring. Dataoverløpet tar deg fra bredbånd til flaskehals på kortere tid enn det tar å si "Strøm det opp, Scotty."

Ja, streaminganalyse ble spionert for bare et par år siden som en latensfølsom universalmiddel for å hente en sanntid som ble lest på IoT-data. Men mens streaminganalyse fremdeles har mange upsides, har den ikke klart å endre fysikk. Enorme dataoverføringer bremses av mange ruterehopper, virtualiseringspakkeforsinkelser, droppet tilkoblinger og andre fysiske begrensninger i et nettverk. Når det gjelder IoT i avsidesliggende områder, er det å få en nettverkstilkobling i det hele tatt et mektig ustyrt forslag på en gitt dag.

Det hjelper ikke at alle disse problemene forstørres av den fysiske avstanden mellom dataene og databehandlingsprosessene. Av disse grunnene og andre har streaminganalyse en tendens til å være i "nær-sanntid" i stedet for i sanntid. Den forsinkelsen - uansett hvor liten - er et enormt problem hvis du for eksempel trenger utgangene i tide for at en autonom bil skal bremse og unngå kollisjon. Det er et enda større problem hvis du vil at alle bilene på den motorveien skal bremse samtidig.

Kort sagt, Star Trek og datatransportere i det virkelige liv har sine grenser, og det er ingenting mye Scotty innen IT kan gjøre med det. Det er rett og slett for mye IoT-data for dagens nettverk å håndtere, og volumet vokser fremdeles med en betagende hastighet. Den store takeaway her: Edge computing stammer tidevannet av informasjon over nettverket og gir også raskere analyseutganger.

Edge Cloud vs. Cloud

Siden disse mikrodatasentrene kan være, og ofte er sammenføyet i samarbeids-, kommunikasjons- eller avhengighetsfunksjoner, er det noen som liker å bruke uttrykket "kantsky."

For eksempel har dagens biler hundrevis av innebygde datamaskiner som er designet for å administrere individuelle systemer, men som også er koblet til hverandre slik at systemene kan kommunisere med hverandre og tilpasse seg etter behov. Med andre ord bruker de individuelt, kollektivt og tungt databehandling for å fullføre en rekke komplekse funksjoner.

"Ikke bare reagerer de på observerte forhold, men de lærer og tilpasser seg over tid, " sier Johnathan Vee Cree, PhD., Embedded and Wireless Systems Scientist / Engineer ved US Department of Energy's Pacific Northwest National Laboratory (PNNL). "For eksempel vil moderne drivstoffinnsprøytningssystemer observere bilens kjøremønster for å optimalisere for kraft og drivstoffeffektivitet. Sanntids-naturen til disse dataene vil gjøre det umulig å behandle andre steder enn i kanten."

Selv med intersystemavhengighet ombord i flere systemer, har begrepet "edge cloud" en tendens til gjørmete forståelser ytterligere fordi det er upresist.

"Når vi snakker om IoT-enheter, er hensynene nesten motsatt av skyen, " sa Vee Cree. "IoT-enheter har vanligvis begrenset lagrings- og prosessorkraft, potensielt intermitterende tilkobling til omverdenen, og kan være drevet av et batteri. Nøkkelverdien i disse enhetene er deres evne til å omdanne de rå sensorverdiene som er tilgjengelige for dem til betydningsfulle data."

Edge Computing Devices grafisk ovenfor på nytt trykt med tillatelse fra TECHnalysis Research.

Kantberegning og nettskyberegning er imidlertid ikke gjensidig utelukkende. De er sammenflettet i de mest vellykkede IoT-datastrategiene. Det vil sannsynligvis ikke endre seg snart.

"Et eksempel på kombinasjonen av edge- og cloud computing kommer fra Teslas autopilotfunksjoner. Autopilotsystemet må føle og reagere på stadig skiftende kjøreforhold. Det gjør dette ved bruk av maskinlæringsalgoritmer som er i stand til å oppdage og unngå farer mens Kontroller bilen. Mens disse dataene brukes til å ta beslutninger i sanntid, deles de også med skyen og brukes til å forbedre autopilotfunksjonen for alle drivere, "forklarte William Moeglein, programvareingeniør hos PNNL.

Kombinasjons- og skykombinasjonsspillet er vanlig bare fordi det fungerer; det utnytter det beste fra begge verdener, men det er ikke det eneste spillet i byen. Faktisk er 36 prosent av kantanalysene lokalisert i bedriftens datasenter, 34 prosent på kanten, og 29 prosent i skyen, ifølge "Computing on the Edge: Survey Highlights", en rapport av Bob O'Donnell, president og sjefanalytiker ved TECHnalysis Research. Dette betyr at det er alternativer for hvordan edge analytics implementeres. Valget avhenger helt av hva du prøver å gjøre og forholdene du prøver å oppnå dette målet på.

"Avveiningen mellom datakraft og energibruk kan være en begrensende faktor når enheter kjøres fra et batteri. I tilfeller der strømforbruket er viktig, kan beslutninger tas på grunnlag av små utvalg av data til tross for at de har tilgang til kontinuerlig sensoravlesning, " sa PNNLs Moeglein.

"Edge computing muliggjør tilbakemelding for enheter i feltet der kommunikasjon ikke er garantert, er enveis eller er begrenset, " fortsatte Moeglein. "I tilfeller der det forventes at systemer vil fungere i år eller tiår på batterier, kan databehandling brukes til å gi lengre enhetslevetid ved å redusere dataene som overføres."

Grafisk databehandlingsgrafikk overtrykt med tillatelse fra Cisco Systems, Inc.

Av-fogging the Edge Cloud

Automasjon for å administrere og optimalisere hvor og hvordan analysene gjøres, ble snart fulgt, og dermed førte til konseptet "tåkeberegning", et begrep som IT- og nettverksleverandøren Cisco Systems myntet på. I denne strategien, som Cisco forklarer i en hvitbok, "utviklere enten å skrive eller skrive IoT-applikasjoner for tåkeknuter i nettverkskanten. Tåkelodene nærmest nettverkskanten inntar dataene fra IoT-enheter. Da - og dette er avgjørende - tåken IoT-applikasjonen leder forskjellige typer data til det optimale stedet for analyse. " Som avbildet på grafikken ovenfor, etter Cisco's syn, utvider tåkeberegningen skyen nærmere de faktiske enhetene som gjør datainnsamlingen. Ved å plassere tåkeknuter i nærheten av IoT-enheter, søker Cisco å øke analysene, mens de reduserer latensen.

Noen sier at det er lettere å tenke på dette som cloud computing presset til kanten - desentralisert, med andre ord - i motsetning til edge computing som er databehandling på kanten av nettverket, ofte faktisk på en IoT-enhet. En veldig nyansert forskjell, for å være sikker.

Ofte bruker folk "edge computing" og "tog computing" om hverandre, ettersom de to konseptene er veldig like. Det er tåkeberegningens evne til å sortere og rute data til forskjellige lokasjoner for analyse som skiller dem ut. Det, og tåkeberegning er oftest "nær kant" (dvs. en gateway) i stedet for virkelig på kanten, for eksempel på en IoT-enhet.

Kort sagt, det er ingen enighet om hva nettopp databehandling er, men mange mennesker som sier å tømme problemet ikke hjelper noen. I følge den nevnte TECHnalysis Research-rapporten, "tror flere at databehandling er laget av sluttpunkter (29, 8 prosent) enn gateways (13, 2 prosent), men 44 prosent mener at det er begge deler."

I alle fall "den endelige bruken til slutt driver systemets behov og tar sikte på å finne en balanse mellom fordelene ved prosessering i utkanten eller skyen, " sa PNNLs Vee Cree.

Her er det bare en tommelfingerregel: Hvis du trenger en beslutning i nær- eller sanntid, må du gjøre behandlingen så nær datakilden som mulig. Edge computing er valget for å eliminere ventetid, lavere energiforbruk og redusere nettverkstrafikk.

APIer, apper og økosystemer

Generelt er apper som brukes i forbindelse med edge computing, rettet mot å oppnå hastighet og effektivitet. Her er det mindre sannsynlig at du finner frittstående BI-apper, men heller innebygde BI-funksjoner og selvfølgelig applikasjonsprogrammeringsgrensesnitt (API) for å koble IoT-data til eksisterende BI-apper og rammer i skyen.

"Konseptet med edge computing hjelper selskaper med å omfavne fordelene ved cloud computing selv i scenarier der latens og tilkoblingsmuligheter er problemer. Noen applikasjoner tar for seg en størrelse på data eller et hastighetskrav som forbyr rund tripping til skyen, og i slike tilfeller Tableau analytics innebygd i de lokale applikasjonene gir innsikt raskt, "sier Mark Jewett, visepresident for produktmarkedsføring hos Tableau Software.

"I andre tilfeller tilbyr databehandling en måte å håndtere scenarier der tilkoblingsmuligheter ikke er pålitelige eller er dyre eller periodiske. Eksempler som ting som beveger seg, som skip, ting som er fjernt, for eksempel oljeplattformer eller gruver, eller til og med situasjoner der tilkoblingsmuligheter er bra, men ikke verdt å ta en risiko for avbrudd, for eksempel produksjonsanleggssystemer der driftsstans er ekstremt dyrt. Analytikere og andre brukere i feltet, som kanskje ikke har tilgang til en full arbeidsstasjon, vil fremdeles ha den samme kraften av analyser som de har blitt kjent med."

Tableau er ikke den eneste BI-leverandøren som jobber med eller med data på kanten. Microsoft pekte på Schneider Electric, en av kundene som en casestudie. Schneider Electric har en edge-app som gjør prediktivt vedlikehold på en oljestang, og bruker Azure Machine Learning og Azure IoT Edge for å forbedre sikkerheten og redusere hendelser i avsidesliggende områder, sier en talsperson fra Microsoft. Databehandlingen gjøres på enheten. Dette oppnås ved å bringe skyintelligens - ML-modeller de trente i skyen - til selve kanten. Dette muliggjør raskere påvisning av avvik basert på det store treningsdatasettet.

I mellomtiden rapporterer IBM Watson om mange brukssaker, inkludert stemme- og samtaleanalyse av omgivelser og enheter, drone-bilder og videoanalyser og akustisk analyse for vedlikehold og sikkerhet.

"I alle disse tilfellene muliggjør edge analytics forbedret ytelse, kostnader og personvern ved å operere lokalt i enheter, " sa Bret Greenstein, visepresident for IBM Watson IoT, forbrukertilbud. "Veksten er spennende ettersom datakraft i kanten vokser, og ML modnes og skaper mer spesialiserte brukssaker.

"Enheter kan 'forstå' hva de ser og høre, og bruke den forståelsen for å gi bedre service og ta bedre valg. Dette skjer i sanntid. Og siden de faktiske dataene kan konverteres til innsikt i kantenheten, kan det hende du ikke må sende dataene til skyen, noe som forbedrer kostnadene og hjelper med å aktivere nye former for personvern."

Å legge til nye lag med personvern beskytter potensielt langt i å redusere selskapets forpliktelser mens de fremdeles gir datafirmaer trenger å trives.

Edge Computing-apper etter tallene

Når du husker at edge computing er i sin spede begynnelse, er det ikke overraskende at bare en smattering av edge computing-apper er nye (39 prosent), ifølge TECHnalysis Research. Flertallet (61 prosent) er migrerte skyapper. Når det er sagt, er følgende databehandlingsapper:

Driftsanalyse (44 prosent)

Prosessovervåking (35 prosent)

Ansattes overvåking (32 prosent)

Ekstern overvåkning av eiendeler (28 prosent)

Arbeidsplass / sikkerhetskrav (24 prosent)

Forutsigbart vedlikehold (22 prosent)

Fysisk aktivsporing på stedet (20 prosent)

De fem beste grunnene til å migrere skyapper til kanten, ifølge den samme TECHnalysis Research-rapporten, er å forbedre sikkerheten, redusere kostnadene, redusere ventetid, forbedre lokal kontroll og redusere nettverkstrafikken.

Gjennom linsen til BI forbedres effektivitet og muligheter med edge computing. Derfor er det fornuftig å først migrere skyapper eller legge inn analyse i eksisterende IoT-apper som kan gi deg raskest mulig posisjon. I stedet for å streame og analysere alle dataene fra en robotikkenhet i fabrikkgulvet, kan du for eksempel kaste flotsam, som er den tilsynelatende uendelige mengden repeterende informasjon generert av sensoren.

I stedet kan databehandling brukes til å notere og analysere bare "endringsdataene", noe som betyr at dataene på en eller annen måte er forskjellige fra den andre datastrømmen fra samme kilde. Tenk deg for eksempel en vindmølle i polarsirkelen som rapporterer: "Jeg har det bra. Jeg har det bra. Jeg har det bra. Bladet satt fast i to sekunder. Jeg har det bra. Jeg har det bra. Jeg har det bra." Litt om klistring av bladet ville være endringsdataene. Så vil "vindskift", noe som kan få maskinen til å snu og samle mer energi. Endringsdata er datapunktene med mest betydning nettopp fordi de bemerker en endring.

I slike tilfeller jobber apper på kanten bare med relevant data; noen vil kalle det "smarte data." Hvorfor koke havet når viktige detaljer lett kan sees? Smarte dataapper gjør data brukbare på innsamlingsstedet og kan også bestemme hvilke data som skal sendes til skyen for videre blanding og analyse i tradisjonelle BI-apper. På denne måten er data mining optimalisert for maksimal forretningseffekt.

4 tips for din BI- og Edge-databehandlingsstrategi

Det er relativt enkelt å hoppe ombord trenden for databehandling og bestemme seg for å begynne med å migrere apper fra skyen. Men å springe ut i aksjon uten en strategi ville være en alvorlig feil. Husker du de første dagene av IoT da tilfeldige ting som brødristere raskt ble koblet til internett og så stolt ble vist på neste CES?

Selv smarte data kan ikke hjelpe deg hvis strategien din er nonsensisk eller mangler. Så her er fire overveielser du må huske på når du danner BI og edge strategi.

1. Gjør din nåværende IoT-spill revurdert for ytterligere muligheter for data mining. For eksempel kan en dagligvare eller produsent ønske å bruke data fra forsyningskjeden, for eksempel kjøle- og lastesensorer, for å etablere eller validere kilden til råvarene. Slik informasjon lagt til en bærekraftig blockchain kan brukes i markedsføring for å tiltrekke miljøbevisste forbrukere.

En forhandler kan bruke datamaskinvisjon og edge computing i butikken for å skanne forbrukere for å vise en 3D-fremstilling på stedet av hvordan klærne shopperen ser på, faktisk passer dem. Dette kan forbedre salget og eliminere behovet for garderober og tilhørende sikkerhets- og personvernproblemer. Men dataene kan også sendes til skyen for å bli blandet med andre forbruksdata for å informere om selskapets større strategi.

Se etter muligheter for å få mer ut av det IoT du har. Hva annet kan du gjøre med dataene den genererer? Hvilke andre data kan du bruke dem til å samle inn og behandle?

2. Bestem hvilke apper du trenger i kanten. Du må kanskje migrere en app, legge inn noen analyser eller til og med skrive en tilpasset app; alt avhenger av hva du prøver å gjøre. La virksomhetsmålene dine guide deg i valg av apper.

Et godt sted å lære mer om å utvikle apper for kanten er en OpenDev-konferanse, organisert av OpenStack Foundation. OpenStack er open source cloud computing-prosjektet, og det skjer bare slik at edge computing er et hett tema der. Det hender også at åpen kildekode er varm når det gjelder databehandling, slik det nesten er i all databehandling. Du kan også vurdere apper som tilbys av edge computing-leverandører og innebygde analyser levert av BI-app-leverandører.

3. Velg ny teknologi du vil bruke. Du kan be leverandører gi deg en demo slik at du kan få en følelse av hvilken teknikk du vil bruke, hvilke apper som er tilgjengelige, og litt veiledning for å utvikle apper for det. For eksempel tilbyr Amazon Web Service (AWS) og AWS Greengrass, Microsoft Azure IoT Edge, og Cisco og IBM Watson IoT en blanding av teknisk så vel som analyser og apper for IoT edge computing.

Du kan også sjekke et bredt utvalg av blockchain-, CDN-, peer-to-peer- og andre pure play-leverandører. Men ikke overse de teknologiske gigantene som Dell Inc., IBM Corp. og Hewlett Packard Enterprise (HPE), som alt har tatt for å legge til flere lagrings- og databehandlings- og analysefunksjoner til maskinvaren for å forvandle dem til kantenheter.

Få en følelse av alternativene dine før du begynner å vurdere leverandører seriøst. Ta også en oversikt over hvilke typer IoT-teknologi selskapet ditt nå bruker, og typene det vil legge til, før du begynner å snakke med leverandører. På den måten er det mer sannsynlig at du holder deg på sporet.

4. Plan for evolusjonen. Det er et mønster i veien til modenhet som alle umodne teknologier og trender følger. Forvent at den samme utviklingen vil skje med BI og kanten. Så ja, det vil sannsynligvis være en konsolidering av leverandører er noen poeng; husk det.

Se også etter avkobling av cloud tech fra skyen, slik at de også kan brukes i kanten. Du vil se en slik avkobling som vil gi deg maksimal fleksibilitet når du bruker sky eller kant. Det vil sannsynligvis redusere kostnadene og øke effektiviteten gjennom smartere apper fra et variert økosystem i stedet for fra en enkelt leverandør. Lag planen din både kortsiktig og langsiktig for å sikre at du kan tilpasse deg forutsigbare endringer uten stort tap i tidligere investeringer.