Преимущества граничных вычислений для ИИ Кристаллизация

Интерес к граничным вычислениям продолжает расти, равно как и путаница вокруг архитектуры. Аналогичная ситуация и с искусственным интеллектом. Перспектива переноса ИИ на передний план может показаться рецептом еще большей путаницы.

По словам Мартина Дэвиса, управляющего партнера DUNELM Associates, использование искусственного интеллекта на периферии часто является «просто теорией, цитируемой в статьях».

Тем не менее промышленным и корпоративным организациям становится все труднее игнорировать концепцию периферийного ИИ. Ресурсоемкие операции, такие как глубокое обучение и компьютерное зрение, традиционно выполнялись в централизованных вычислительных средах. Но растущая доступность высокопроизводительного сетевого и вычислительного оборудования открывает возможность перенести эту деятельность на «централизованную облачную архитектуру на [границу]», как писал консультант Чайтан Шарма. «Этого не произойдет в одночасье, но это неизбежно». Gartner прогнозирует, что к 2025 году три четверти корпоративных данных будут обрабатываться на периферии, в то время как Grand View Research прогнозирует ежегодное расширение рынка периферийных вычислений на 54% к 2025 году.

На пике индустрии

Вопрос о том, где именно происходят периферийные вычисления, не всегда ясен. Открытый глоссарий пограничных вычислений определяет архитектуру как «предоставление вычислительных возможностей до логических крайностей сети». Расположенная за пределами традиционных центров обработки данных и облака, граница сосредоточена на «последней миле» сети и находится как можно ближе к объектам и людям, производящим данные или информацию.

[ Мир Интернета вещей - крупнейшее в Северной Америке мероприятие в области Интернета вещей, на котором стратеги, технологи и специалисты по внедрению объединяются, чтобы задействовать Интернет вещей, искусственный интеллект, 5G и периферию в различных отраслевых вертикалях. Забронируйте билет сейчас. ]

Учитывая сложность использования облачных вычислений в таких средах, как фабрики или шахты, промышленный сектор является хорошим кандидатом для архитектуры периферийных вычислений. Например, фабрике может потребоваться высокая надежность сети, время безотказной работы 99,9999% и низкая задержка в миллисекундах, а также могут быть установлены ограничения на отправку данных за пределы предприятия. Учитывая такие ограничения, большинство заводов традиционно используют физические кабели и проприетарные проводные протоколы от промышленных поставщиков. В результате получается «фрагментированная технологическая среда», которую такие технологии, как периферийные вычисления, могли бы помочь в унификации, согласно данным Ovum Market Radar:стратегии и предложения поставщиков услуг Интернета в области промышленного Интернета вещей.

Архитектуру периферийных вычислений, которая работает без облака, не следует путать со сценариями локальных вычислений, в которых все данные обрабатываются на отдельных устройствах. По словам Харальда Реммерта, старшего директора по исследованиям и инновациям Digi International, хотя такие бортовые вычисления могут поддерживать принятие критически важных решений в режиме реального времени, аппаратное обеспечение устройства стоит дорого. Кроме того, возможности таких локальных вычислительных конфигураций для поддержки таких операций, как машинное обучение, часто ограничены.

И наоборот, периферийная вычислительная система с поддержкой ИИ на заводе может контекстуализировать данные с нескольких машин для обнаружения и, в конечном итоге, прогнозирования проблем, вызывающих простои. «Выполнение логических выводов машинного обучения на периферии - это инструмент для масштабирования приложений, даже когда низкие задержки не требуются», - заключил Гал Бен-Хаим, руководитель отдела архитектуры Augury, компании, создающей технологии машинного обучения для обрабатывающей промышленности.

Однако это не означает, что развертывание машинного обучения на периферии обязательно просто. «Это требует более зрелых моделей машинного обучения и новых способов управления их развертыванием», - сказал Бен-Хаим.

Из облака в край и обратно

В то время как некоторые сценарии граничных вычислений могут вообще не использовать централизованные вычислительные модели, многие аналитики считают, что граничные вычисления обеспечивают непрерывность вычислений, которые имеют распределенные и централизованные аспекты. По словам аналитика Gartner Боба Гилла на вебинаре 2018 года, вместо того, чтобы представлять собой колебание маятника от централизованных центров обработки данных, периферийные вычисления предлагают «перемирие».

«Некоторые модели периферийных вычислений утверждают, что они заменят облако; Я не верю, что это произойдет », - сказал Билл Малик, вице-президент Trend Micro по стратегиям инфраструктуры.

«Есть несколько вариантов использования, в которых крайняя автономность имеет смысл», - соглашается Дэниел Ньюман, главный аналитик Futurum Research.

В большинстве случаев поток данных между периферией и облаком будет двунаправленным. В то время как облако может способствовать отслеживанию общих тенденций и эффектов второго порядка, таких как изменения в энергопотреблении или качестве воздуха, «периферийные вычисления дают локальные ответы на местные вопросы», - сказал Малик.

Accenture рассматривает периферийные вычисления как облачное расширение. «Многие наши клиенты используют Edge в тандеме с облачной аналитикой и технологиями машинного обучения, чтобы сделать возможными новые и ценные бизнес-услуги», - сказал Чарльз Небольски, управляющий директор и руководитель сетевой практики Accenture Technology. Одним из примеров является инициатива Accenture Connected Mine, направленная на оптимизацию того, как горнодобывающие компании управляют своими операциями на карьерах. «Мы расширили решение Connected Mine за счет периферийных вычислений для промышленных горнодобывающих компаний, где они используют видео высокого разрешения с бурового оборудования для определения плотности породы», - добавил Небольский. Эта возможность позволяет буровому станку регулировать угол и скорость в режиме реального времени, а также поддерживать профилактическое обслуживание оборудования. «Пропускная способность требуемых видеопотоков высокой плотности не может быть передана обратно в облако с требуемыми кадрами в секунду рентабельным способом для прямой облачной обработки», - сказал Небольский.

Еще один пример такого кругового потока данных - компания Volvo Trucks, которая развертывает системы телематики и удаленной диагностики в современных автомобилях. Частично система работает за счет использования бортового компьютера, который определяет аномальные параметры и запускает коды неисправностей. Оттуда его телематическая система передает тревожные оперативные данные в Центр бесперебойной работы Volvo, который может координировать ответы с соответствующими сторонами, такими как ремонтные мастерские, дилеры и агенты по обслуживанию клиентов. В то время как бортовые вычисления на грузовиках помогают диагностировать проблемы, централизованный аспект развертывания позволяет ремонтным мастерским и дилерам подготовиться к грузовым автомобилям, прибывающим для обслуживания.

«Volvo опускается до того, что быстро становится общей моделью зрелости, связанной с периферийной аналитикой, искусственным интеллектом и машинным обучением», - сказал Билл Робертс, директор IoT в SAS. Следующим разумным шагом было бы задействовать возможности периферийных вычислений на грузовиках, чтобы определить, какие данные о неисправностях необходимо предпринять. Такой сдвиг освободит «полосу пропускания для сбора дополнительных телематических данных, что приведет к более глубокому аналитическому анализу, разработанному в облаке», - сказал Робертс. «Эти идеи могут быть реализованы где угодно, на периферии или в облаке, в зависимости от того, что диктует сценарий использования».

Стенд для тестирования интеграции распределенных энергоресурсов представляет собой еще один пример комбинированных распределенных и облачных вычислений. Проект представляет собой альтернативу традиционным централизованным электросетям переменного тока, которые не могут эффективно использовать энергию от распределенных источников постоянного тока, таких как солнечные батареи или ветряные турбины. По словам Эрика Фелта (Erik Felt), директора по развитию рынка сети будущего в компании Erik Felt, на испытательном стенде используется периферийная аналитика в реальном времени, развернутая на оборудовании, распределенном по всей сети, для объединения разнородного устаревшего оборудования и централизованного управления с полными возможностями реагирования в режиме реального времени и автономной работы. RTI и Нил Путхафф, инженер по интеграции программного обеспечения в RTI. Платформа предназначена для автономной работы и периферийной аналитики, а также предоставляет данные и контроль одному или нескольким центрам управления.

Подключение 5G также вызвало интерес к периферийной архитектуре, позволяющей выполнять вычисления за пределами традиционных центров обработки данных. Хотя есть несколько примеров организаций, реализующих проекты периферийных вычислений с поддержкой 5G, ситуация может измениться по мере развития сети 5G. По словам Реммерта, преимущества этого подхода аналогичны преимуществам облака, хотя и с меньшей задержкой. «Эта архитектура очень популярна для приложений машинного обучения», - заключил он.