Sprievodca používaním bi aplikácií s výpočtovou hranou

Všetci dnes hovoria o špičkových výpočtoch, ale málokto rozumie tomu, čo to je, oveľa menej s tým. Stručne povedané, výpočtová hrana znamená spracovanie v blízkosti zdroja údajov, buď na senzore, alebo blízko brány. Ak by ste chceli vedieť, ako môžu IT najlepšie riadiť okrajové výpočty ako alternatívu, prečítajte si článok „Potrebuje IT začať premýšľať o výpočte 5G a Edge Cloud Computing“, stĺpec od Wayne Rashovej, môjho kolegu a prispievateľa PCMag IT Watch. Na účely tohto článku však môžeme začať vysvetlením spoločnosti IDC pre prieskum trhu, ktorá definuje výpočtové technológie na hrane ako „sieť mikroprocesorových sietí“ s „stopou menej ako 100 štvorcových stôp“.

Rovnako ako u väčšiny nových pojmov v technologickom priestore sa „edge edge“ používa široko a spája sa s celým radom ďalších technológií buzzword, vrátane blockchainu, sietí na doručovanie obsahu (CDN), grid computingu, grid computingu a peer-to- výpočtová technika. Spoločnou úlohou, podľa toho, ktorá technológia je použitá v spojení s výpočtovou hranou, je urýchlenie akejkoľvek analýzy údajov a súvisiacich činností skrátením vzdialenosti medzi tým, kde sa údaje spracúvajú, a kde bude mať konečný výsledok tohto výstupu účinok.

Pokiaľ ide o premenu vašich ťažko vyhraných obchodných informácií (BI) na praktické informácie, to je kľúčová úvaha. Ale aj keď sa zdá, že BI (najmä nízko-latenčná analýza) a výpočty hraníc sú zápasom v technologickom nebi, pred kombináciou týchto dvoch je potrebné zvážiť veľa.

Analytics na hrane vs. streamovanie

Význam technológie Edge computing pre analytiku je jasný, keď si uvedomíte, že neexistuje žiadny praktický spôsob, ako preniesť prebiehajúcu vlnu tsunami z internetu vecí (IoT) do cloudu bez vytvorenia neudržateľnej latencie a jedného zásahu do sieťovej prevádzky. Tento problém s oneskorením sa môže ukázať ako fatálny v mnohých nových analytických aplikáciách, ako je autonómna jazda. Prepad údajov vás zavedie z širokopásmového pripojenia do úzkych profilov za kratší čas, ako je potrebné povedať „Stream it up, Scotty“.

Áno, analytika streamovania bola ponúkaná len pred pár rokmi ako všeliekom citlivý na latenciu na načítanie údajov z internetu vecí v reálnom čase. Ale zatiaľ čo streamovacia analytika má stále veľa pozitív, nebola schopná zmeniť fyziku. Obrovské prenosy dát sú spomalené mnohými smerovacími chmeľmi, oneskoreniami virtualizačných paketov, prerušenými pripojeniami a inými fyzickými obmedzeniami v sieti. V prípade internetu vecí vo vzdialených oblastiach je získanie sieťového pripojenia v každom danom dni obrovským potešením.

Nepomáha to, že všetky tieto problémy sú zväčšené fyzickou vzdialenosťou medzi údajmi a výpočtovými procesmi. Z týchto dôvodov a ďalších dôvodov má analytika streamovania tendenciu byť skôr v reálnom čase ako v reálnom čase. Toto oneskorenie - bez ohľadu na to, aké malé je - je obrovským problémom, ak povedzme, že potrebujete výstupy včas, aby mohlo autonómne vozidlo zabrzdiť a zabrániť kolízii. Je to ešte väčší problém, ak chcete, aby sa všetky vozidlá na tejto diaľnici zabrzdili naraz.

Stručne povedané, Star Trek a prenášače údajov v reálnom živote majú svoje limity a s tým nemôže nič urobiť Scotty v IT. V súčasných sieťach je príliš veľa údajov IoT na spracovanie a objem stále rastie úchvatne. Tu je veľká cesta: Edge computing pramení z informácií v sieti a poskytuje rýchlejšie analytické výstupy.

Edge Cloud vs. Cloud

Keďže tieto mikroúdajové centrá môžu byť a často sú navzájom spojené v kooperatívnych, komunikačných alebo vzájomne závislých funkciách, niektorí ľudia radi používajú termín „okrajový mrak“.

Napríklad moderné automobily majú stovky vstavaných počítačov, ktoré sú určené na správu jednotlivých systémov, ale sú tiež navzájom prepojené, aby systémy mohli navzájom komunikovať a podľa potreby sa prispôsobovať. Inými slovami, jednotlivo, kolektívne a intenzívne používajú výpočty na hranách na dokončenie množstva komplexných funkcií.

„Nielenže reagujú na pozorované podmienky, ale časom sa učia a prispôsobujú sa, “ povedal Johnathan Vee Cree, PhD., Vedec / inžinier pre vstavané a bezdrôtové systémy na americkom ministerstve energetiky v severozápadnom Pacifiku (PNNL). „Napríklad moderné systémy vstrekovania paliva budú sledovať jazdné vzorce automobilu s cieľom optimalizovať energetickú a palivovú účinnosť. Charakter týchto údajov v reálnom čase by znemožnil spracovanie inde ako na okraji.“

Dokonca aj pri vzájomnej závislosti medzi systémami na palube pojem „cloud cloud“ má sklon chápať blátivo, pretože je nepresný.

„Keď hovoríme o zariadeniach internetu vecí, úvahy sú takmer opačné ako cloud, “ povedal Vee Cree. „Zariadenia internetu vecí majú zvyčajne obmedzený úložný a spracovateľský výkon, potenciálne prerušovanú konektivitu s okolitým svetom a môžu byť napájané z batérie. Kľúčovou hodnotou v týchto zariadeniach je ich schopnosť transformovať nespracované hodnoty snímačov, ktoré majú k dispozícii, na zmysluplné údaje.“

Výpočtové zariadenia na hranách grafov vyššie vytlačené so súhlasom spoločnosti TECHnalysis Research.

Okrajové výpočty a cloud computing sa však vzájomne nevylučujú. V skutočnosti sú vzájomne prepojené v najúspešnejších dátových stratégiách IoT. To sa pravdepodobne čoskoro nezmení.

„Príklad kombinácie technológie hrany a cloud computingu vychádza z funkcií autopilota Tesla. Systém autopilota musí snímať a reagovať na neustále sa meniace podmienky jazdy. Robí to pomocou algoritmov strojového učenia, ktoré dokážu odhaliť nebezpečenstvá a vyhnúť sa im, zatiaľ čo Aj keď sa tieto údaje používajú na prijímanie rozhodnutí v reálnom čase, zdieľajú sa tiež s cloudom a používajú sa na vylepšenie funkcie autopilota pre všetkých vodičov, “vysvetlil William Moeglein, softvérový inžinier v PNNL.

Hranie s kombináciou hrán a cloudov je bežné jednoducho preto, že to funguje; využíva to najlepšie z oboch svetov, ale nie je to jediná hra v meste. V skutočnosti je 36 percent analytikov na hranách umiestnených v podnikových dátových centrách, 34 percent na hrane a 29 percent v cloude, podľa správy „Computing on the Edge: Survey Highlights“, správa Bob O'Donnell, prezident. a hlavný analytik spoločnosti TECHnalysis Research. To znamená, že existujú možnosti v tom, ako sa implementujú okrajové analýzy. Výber závisí úplne od toho, čo sa snažíte urobiť, a od podmienok, za ktorých sa snažíte tento cieľ dosiahnuť.

„Kompromis medzi výpočtovým výkonom a spotrebou energie môže byť obmedzujúcim faktorom, keď sú zariadenia napájané z batérie. V prípadoch, keď je dôležitá spotreba energie, sa môžu rozhodnutia robiť na základe malých vzoriek údajov, a to napriek tomu, že majú prístup k nepretržitým čítaniam snímačov, “ uviedol Moeglein PNNL.

„Výpočty na hranách umožňujú spätnú väzbu pre zariadenia v teréne, kde komunikácia nie je zaručená, je jednosmerná alebo obmedzená, “ pokračoval Moeglein. „V prípadoch, keď sa očakáva, že systémy budú fungovať roky alebo desaťročia na batériách, je možné pomocou výpočtov na hranách poskytnúť dlhšiu životnosť zariadenia znížením prenášaných údajov.“

Hmlová počítačová grafika vyššie vytlačená so súhlasom spoločnosti Cisco Systems, Inc.

Zrušenie zahmlenia okraja Cloud

Čoskoro nasledovala automatizácia na správu a optimalizáciu toho, kde a ako sa vykonáva analýza, čo viedlo k konceptu „hmlového počítania“, čo je termín, ktorý vytvoril dodávateľ IT a sietí Cisco Systems. V tejto stratégii, ako vysvetľuje spoločnosť Cisco v bielej knihe, „vývojári buď portujú alebo zapisujú aplikácie IoT pre hmlové uzly na okraji siete. Hmlové uzly najbližšie k okraju siete prijímajú údaje zo zariadení IoT. Potom - a to je rozhodujúce - Aplikácia hmly IoT nasmeruje rôzne typy údajov na optimálne miesto pre analýzu. “ Ako je znázornené na obrázku vyššie, podľa názoru spoločnosti Cisco technológia hmlovín rozširuje cloud bližšie k skutočným zariadeniam, ktoré zhromažďujú údaje. Umiestnením hmlových uzlov do tesnej blízkosti so zariadeniami IoT sa Cisco snaží urýchliť analýzu a zároveň znížiť latenciu.

Niektorí hovoria, že je ľahšie si to predstaviť, pretože cloud computing tlačil na okraj - decentralizovane, inými slovami - na rozdiel od okrajového počítania, ktoré pracuje na okraji siete, často v skutočnosti na zariadení internetu vecí. Je to veľmi odlišný rozdiel.

Ľudia často používajú „výpočty na hrane“ a „výpočty na hmlu“ zameniteľne, pretože tieto dva pojmy sú veľmi podobné. Schopnosť triediť a nasmerovať údaje na rôzne miesta za účelom analýzy ich rozdeľuje schopnosť tvorby hmly. To a výpočty hmly sú najčastejšie „blízko okraja“ (tj brána), skôr než skutočne na okraji, napríklad na zariadení IoT.

Stručne povedané, neexistuje konsenzus o tom, čo presne je hrana výpočtovej techniky, ale veľa ľudí, ktorí tvrdia, že problém nie je vyriešený, nič nepomáha. Podľa vyššie uvedenej správy TECHnalysis Research „viac ľudí si myslí, že počítačové technológie na hrane sú vyrobené z koncových bodov (29, 8 percenta) ako brány (13, 2 percenta), ale 44 percent si myslí, že je to oboje.“

„Aplikácia koncového použitia v konečnom dôsledku riadi potreby systému a jeho cieľom je nájsť rovnováhu medzi výhodami spracovania na okraji alebo v cloude, “ uviedla Vee Cree PNNL.

Existuje iba jedno všeobecné pravidlo: Ak potrebujete rozhodnutie v takmer alebo v reálnom čase, vykonajte spracovanie čo najbližšie k zdroju údajov. Edge computing je voľba na odstránenie latencie, nižšej spotreby energie a na zníženie sieťového prenosu.

API, aplikácie a ekosystémy

Všeobecne sú aplikácie používané v spojení s výpočtovými technológiami zamerané na dosiahnutie rýchlosti a efektívnosti. Tu je menej pravdepodobné, že nájdete samostatné aplikácie Business Intelligence (BI), ale skôr zabudované funkcie BI a samozrejme rozhrania programovania aplikácií (API) na pripojenie údajov IoT k existujúcim aplikáciám a rámcom BI v cloude.

„Koncept špičkových výpočtov pomáha spoločnostiam osvojiť si výhody cloud computingu aj v scenároch, v ktorých sú problémy s latenciou a pripojením. Niektoré aplikácie sa zaoberajú veľkosťou údajov alebo požiadavkou na rýchlosť, ktoré zakazujú okružné zakopnutie do cloudu, av takom prípade Tableau Analytika zabudovaná do lokálnych aplikácií poskytuje rýchle informácie, “uviedol Mark Jewett, viceprezident produktového marketingu spoločnosti Tableau Software.

„V iných prípadoch ponúka výpočtová technika hrany spôsob, ako sa vysporiadať so scenármi, keď pripojenie nie je spoľahlivé alebo nákladné alebo pravidelné. Príklady, ako napríklad pohybujúce sa lode, napríklad lode, veci vzdialené, ako sú ropné plošiny alebo bane alebo dokonca situácie. kde je pripojenie dobré, ale nestojí za to riskovať prerušenia, ako sú systémy výrobných závodov, kde sú prestoje veľmi drahé. Analytici a ďalší používatelia v teréne, ktorí nemusia mať prístup k plnému pracovnému miestu, stále chcú rovnakú analytickú silu, akú majú poznali. “

Tableau nie je jediný predajca BI, ktorý pracuje s údajmi alebo je na ich okraji. Microsoft poukázal na prípadovú štúdiu spoločnosti Schneider Electric, jedného zo svojich zákazníkov. Schneider Electric má špičkovú aplikáciu, ktorá umožňuje prediktívnu údržbu na olejovej tyči pomocou Azure Machine Learning a Azure IoT Edge na zvýšenie bezpečnosti a zníženie nehôd v odľahlých oblastiach, uviedol hovorca spoločnosti Microsoft. Spracovanie údajov sa vykonáva na zariadení. To sa dosiahne privedením cloudovej inteligencie - ML modelov, ktoré trénovali v cloude - k samotnému okrajovému zariadeniu. To umožňuje rýchlejšie zisťovanie anomálií na základe rozsiahleho súboru údajov o školení.

Medzitým spoločnosť IBM Watson oznamuje nespočetné prípady použitia, vrátane analýzy hlasu a konverzií okolia a zariadení, analýzy obrazu dronov a videa a analýzy akustiky údržby a bezpečnosti.

„Vo všetkých týchto prípadoch umožňuje analýza hrany vylepšený výkon, náklady a súkromie prostredníctvom lokálnej prevádzky v zariadeniach, “ povedal Bret Greenstein, viceprezident IBM Watson IoT, Consumer Offerings. „Rast je vzrušujúci, pretože výpočtový výkon na okraji rastie a ML dozrieva a vytvára špecializovanejšie prípady použitia.

„Zariadenia dokážu„ porozumieť “tomu, čo vidia a počujú, a pomocou tohto porozumenia môžu poskytovať lepšie služby a robiť lepšie rozhodnutia. Deje sa to v reálnom čase. A keďže skutočné údaje možno previesť na prehľady v okrajových zariadeniach, nemusíte musia poslať údaje do cloudu, čo zvyšuje náklady a pomáha novým formám ochrany súkromia. ““

Pridávanie nových vrstiev ochrany súkromia potenciálne prechádza dlhou cestou pri znižovaní záväzkov spoločnosti a zároveň poskytuje dátovým spoločnostiam potrebné prosperovať.

Edge Computing Apps podľa čísel

Majúc na pamäti, že hranové výpočty sú už v plienkach, nie je prekvapujúce, že podľa prieskumu TECHnalysis Research sú nové iba nové aplikácie pre hranové výpočty (39 percent). Väčšina (61 percent) sú migrované cloudové aplikácie. Nasledujúce aplikácie sú špičkové počítačové aplikácie:

Analytika operácií (44 percent)

Monitorovanie procesov (35 percent)

Monitorovanie zamestnancov (32 percent)

Diaľkové monitorovanie majetku (28 percent)

Súlad na pracovisku / bezpečnosti (24 percent)

Prediktívna údržba (22 percent)

Sledovanie fyzického majetku na mieste (20 percent)

Podľa tej istej správy TECHnalysis Research je piatimi najčastejšími dôvodmi migrácie cloudových aplikácií na okraj vylepšenia zabezpečenia, zníženie nákladov, zníženie latencie, zlepšenie miestnej kontroly a zníženie sieťového prenosu.

Prostredníctvom objektívu BI sú efektívnosť a príležitosti vylepšené výpočtovou technológiou edge. Preto má zmysel najprv migrovať cloudové aplikácie alebo vložiť analytiku do existujúcich aplikácií IoT, ktoré vás dostanú na najlepšiu pozíciu najrýchlejším. Napríklad namiesto streamovania a analýzy všetkých údajov z robotickej jednotky v továrni môžete vyprázdniť flotsam, čo je zdanlivo nekonečné množstvo opakujúcich sa informácií generovaných senzorom.

Namiesto toho sa hraničné výpočty môžu používať na zaznamenávanie a analýzu iba „zmien údajov“, čo znamenajú údaje, ktoré sa nejakým spôsobom líšia od iných prúdov údajov z toho istého zdroja. Predstavte si napríklad veterný mlyn v polárnom kruhu, ktorý uvádza: „Som v poriadku. Som v poriadku. Som v poriadku. Blade uviazol dve sekundy. Som v poriadku. Som v poriadku.“ Trochu o lepení čepele by boli údaje o zmene. Rovnako by to „posun vetra“, ktorý by mohol spôsobiť, že sa stroj otočí a získa viac energie. Údaje o zmene sú údajové body s najvyšším významom práve preto, že si všimnú zmenu.

V takýchto prípadoch aplikácie na okraji fungujú iba s relevantnými údajmi; niektorí by to nazvali „inteligentné údaje“. Prečo variť more, keď sú ľahko viditeľné dôležité detaily? Vďaka inteligentným dátovým aplikáciám sú údaje použiteľné na zbernom mieste a môžu sa tiež rozhodnúť, ktoré údaje sa majú dodať do cloudu na ďalšie zmiešanie a analýzu v tradičných aplikáciách BI. Týmto spôsobom je získavanie údajov optimalizované pre maximálny obchodný efekt.

4 tipy pre stratégiu BI a Edge Computing

Je relatívne ľahké preskočiť na špičkový počítačový trend a rozhodnúť sa začať s migráciou aplikácií z cloudu. Pruženie bez stratégie by však bolo vážnou chybou. Pamätáte si na prvé dni internetu vecí, keď sa náhodné veci, ako napríklad hriankovače, rýchlo pripojili na internet a potom sa hrdo zobrazili na nasledujúcich CES?

Dokonca aj inteligentné údaje vám nemôžu pomôcť, ak vaša stratégia nie je nezmyselná alebo chýba. Pri formovaní stratégie BI a hrany je preto potrebné pamätať na štyri aspekty.

1. Zhodnotte svoju súčasnú hru internetu vecí, aby ste získali ďalšie možnosti získavania údajov. Napríklad predajca potravín alebo výrobca môže chcieť použiť údaje zo svojho dodávateľského reťazca, ako sú snímače chladenia a nákladnej dopravy, na zistenie alebo overenie zdroja surovín. Takéto informácie pridané do blockchainu trvalej udržateľnosti sa môžu použiť v marketingu na prilákanie environmentálne uvedomelých spotrebiteľov.

Maloobchodný predajca môže vo svojom obchode používať počítačové videnie a hranové výpočty na skenovanie spotrebiteľov, aby na mieste ukázal 3D reprezentáciu toho, ako sa oblečenie, ktoré kupujúci pozerá, skutočne zmestí. To by mohlo zlepšiť predaj, ako aj eliminovať potrebu šatní a súvisiace problémy s bezpečnosťou a ochranou súkromia. Údaje sa však dajú poslať aj do cloudu, aby sa zmiešali s inými spotrebiteľskými údajmi, aby sa informovala väčšia stratégia spoločnosti.

Vyhľadajte príležitosti, ako získať viac z internetu vecí, ktoré máte. Čo ešte môžete urobiť s údajmi, ktoré generuje? Aké ďalšie údaje môžete použiť na zber a spracovanie?

2. Rozhodnite sa, ktoré aplikácie potrebujete. Možno budete musieť migrovať aplikáciu, vložiť nejaké analýzy alebo dokonca napísať vlastnú aplikáciu; všetko záleží na tom, čo sa snažíte urobiť. Nechajte svoje obchodné ciele viesť pri výbere aplikácií.

Dobrým miestom, kde sa dozviete viac o vývoji aplikácií na okraj, je konferencia OpenDev, ktorú organizuje nadácia OpenStack Foundation. OpenStack je projekt cloud computingu s otvoreným zdrojovým kódom, a práve tak sa stáva, že okrajová práca je horúcou témou. Stáva sa tiež, že otvorený zdroj je v oblasti výpočtovej techniky horúci, pretože je takmer vo všetkých počítačoch. Môžete tiež zvážiť aplikácie ponúkané predajcami špičkových výpočtov a integrovanú analýzu poskytovanú predajcami aplikácií BI.

3. Vyberte novú technológiu, ktorú chcete použiť. Môžete požiadať predajcov, aby vám poskytli ukážku, aby ste získali predstavu o tom, ktorú technológiu chcete používať, aké aplikácie sú k dispozícii a pokyny pre vývoj aplikácií pre túto aplikáciu. Napríklad Amazon Web Service (AWS) a AWS Greengrass, Microsoft Azure IoT Edge a Cisco a IBM Watson IoT ponúkajú kombináciu tech, ako aj analytiky a aplikácií pre výpočtové hrany IoT.

Môžete si tiež vyskúšať širokú škálu výrobcov blockchainu, CDN, peer-to-peer a ďalších čistých predajcov. Nezabudnite však na technologické giganty, ako sú Dell Inc., IBM Corp. a Hewlett Packard Enterprise (HPE), ktoré sa všetky rozhodli pridať k hardvéru ďalšie úložné a výpočtové a analytické funkcie na ich transformáciu na okrajové zariadenia.

Skôr ako začnete seriózne hodnotiť dodávateľov, získajte informácie o svojich možnostiach. Predtým, ako začnete hovoriť s predajcami, urobte si inventár typov technológií internetu vecí, ktoré vaša spoločnosť v súčasnosti používa, a typov, ktoré by chcel pridať. Týmto spôsobom pravdepodobne zostanete na správnej ceste.

4. Plán vývoja. Na ceste k zrelosti existuje vzor, ​​ktorý nasledujú všetky nezrelé technológie a trendy. Očakávajte, že k rovnakému vývoju dôjde pri BI a na okraji. Takže áno, pravdepodobne dôjde ku konsolidácii predajcov; majte na pamäti.

Tiež hľadajte oddelenie cloudovej technológie od vlastného cloudu, aby sa dalo použiť aj na okraji. Budete chcieť vidieť také oddelenie, ktoré vám poskytne maximálnu flexibilitu pri používaní cloudu alebo hrany. Pravdepodobne povedie k zníženiu nákladov a zvýšeniu efektívnosti prostredníctvom inteligentnejších aplikácií z rôznych ekosystémov než od jedného dodávateľa. Pripravte si svoj plán tak krátkodobo, ako aj dlhodobo, aby ste sa mohli prispôsobiť predvídateľným zmenám bez veľkej straty v predchádzajúcich investíciách.