Edge-вычисления: ускорение внедрения AI на периферии сети

Интерес к edge-вычислениям растет, но многие все еще не до конца понимают их архитектуру. Та же неопределенность существует вокруг искусственного интеллекта, а идея переноса AI на периферию может показаться еще более запутанной.

Мартин Дэвис, управляющий партнер DUNELM Associates, отмечает, что edge AI часто отвергают как «просто теорию из статей».

Тем не менее, промышленные и корпоративные лидеры больше не могут игнорировать edge AI. Традиционно вычислительно-интенсивные задачи — глубокое обучение и компьютерное зрение — размещались в централизованных дата-центрах. Однако распространение высокопроизводительных сетей и on-premise оборудования теперь позволяет сменить чисто облачную модель на edge, говорит консультант Чаитан Шарма. «Это не случится за ночь, но это неизбежно», — добавляет он. Gartner прогнозирует, что к 2025 году 75% корпоративных данных будет обрабатываться на периферии, а Grand View Research прогнозирует 54% годовой темп роста рынка edge-вычислений до 2025 года.

На краю индустрии

Точное определение местоположения edge-вычислений может быть двусмысленным. Открытый глоссарий edge-вычислений описывает их как доставку вычислительных ресурсов к логическим краям сети. Расположенные за пределами обычных дата-центров и облака, edge фокусируются на «последней миле» сети, приближая вычисления физически ближе к устройствам и людям, генерирующим данные.

[IoT World — крупнейшее в Северной Америке IoT-мероприятие, где стратеги, технологи и исполнители связываются, чтобы внедрять AI, 5G и edge в промышленность. Забронируйте билет сейчас.]

Промышленные объекты — заводы и шахты — сталкиваются с проблемами при полагаться только на облачные вычисления. Типичный завод требует практически идеальной надежности сети — 99,9999% uptime — и задержки в миллисекундах, часто ограничивая передачу данных за пределы периметра. Исторически такие объекты опирались на обширное кабельное хозяйство и вендор-специфичные проводные протоколы, что вело к фрагментированным технологическим экосистемам. Edge-вычисления предлагают путь к объединению этих разрозненных компонентов, как отмечает Ovum's Market Radar: CSPs' Industrial IoT Strategies and Propositions.

Edge-развертывания, работающие независимо от облака, отличаются от чисто on-device моделей вычислений, где каждый пакет данных обрабатывается локально. Хотя on-board вычисления могут обеспечивать мгновенное, критическое принятие решений, Харольд Реммерт, старший директор исследований и инноваций Digi International, отмечает, что необходимое оборудование дорого и часто не тянет сложные ML-нагрузки.

В отличие от этого, AI-усиленное edge-решение внутри завода может агрегировать и контекстуализировать данные от множества станков, выявляя и прогнозирующие проблемы, которые иначе вызывали бы простой. Галь Бен-Хайм, руководитель архитектуры Augury — компании, специализирующейся на ML для процессной промышленности — подчеркивает: edge-based inference разблокирует крупномасштабные приложения, даже когда ультра-низкая задержка не обязательна.

Однако развертывание машинного обучения на периферии не тривиально; оно требует зрелых моделей и новых стратегий управления развертыванием, объясняет Бен-Хайм.

От облака к edge и обратно

Хотя некоторые edge-кейсы работают полностью независимо от центральной облачной инфраструктуры, большинство аналитиков рассматривают edge-вычисления как часть распределенно-централизованного континуума. Вместо ухода от традиционных дата-центров, это предлагает «премирение», отмечает аналитик Gartner Боб Гилл во время вебинара 2018 года.

Билл Малик, вице-президент стратегий инфраструктуры Trend Micro, предостерегает: edge-вычисления не вытеснят облако.

Дэниел Ньюман, главный аналитик Futurum Research, соглашается: лишь горстка сценариев оправдывает полностью самодостаточный edge.

Обычно данные текут в обоих направлениях между edge и облаком. Облако превосходно в улавливании макротрендов — таких как сдвиги в энергопотреблении или качестве воздуха — в то время как edge-вычисления дают немедленные, контекстно-зависимые инсайты, отмечает Малик.

Accenture рассматривает edge-вычисления как естественное расширение облака. «Edge используется многими клиентами вместе с облачной аналитикой и ML для раскрытия инновационных бизнес-сервисов», — говорит Чарльз Неболски, управляющий директор и лидер практики сети в Accenture Technology. Пример — программа Connected Mine Accenture, оптимизирующая работы в карьере для горнодобывающих компаний. Неболски объясняет: они интегрировали edge-вычисления в рабочий процесс клиента, используя высокоразрешающее видео с буровых установок для оценки плотности породы в реальном времени. Эти данные позволяют буру автоматически корректировать угол и скорость, а также обеспечивают предиктивное обслуживание. «Пропускная способность, нужная для стриминга высокоплотного видео, не может быть реально передана в облако на требуемой частоте кадров без запретительных затрат», — добавляет Неболски.

Volvo Trucks иллюстрирует эту двунаправленную модель через телематику и удаленную диагностику в новых моделях. Бортовый компьютер фиксирует аномальные параметры и генерирует коды неисправностей, которые телематическая система затем стримит в Uptime Center Volvo. Центр координирует действия сервисных станций, дилеров и команд поддержки клиентов. Хотя бортовая диагностика помогает в реальном времени, централизованный облачный компонент дает внешним заинтересованным сторонам возможность подготовиться к визитам на обслуживание.

Билл Робертс, директор IoT в SAS, замечает, что Volvo движется к преобладающей модели зрелости, интегрирующей edge-аналитику, AI и ML. «Следующий логический шаг — уполномочить edge на грузовиках отсеивать действенные данные о неисправностях», — предлагает Робертс. «Это освободит полосу пропускания, позволяя собирать больше телеметрии для более богатых облачных аналитик. Те инсайты затем могут быть развернуты либо на edge, либо в облаке в зависимости от сценария».

Тестовый полигон интеграции распределенных энергетических ресурсов (DER) ejemplifies гибридное распределенно-облачное вычисление. Он предлагает альтернативу обычным централизованным AC-сетям, которые борются с оптимальным использованием распределенных DC-источников вроде солнечных или ветровых. Тестовый полигон развертывает edge-аналитику в реальном времени на стратегически размещенном оборудовании, объединяя легаси-системы с централизованным контролем и обеспечивая автономные, отзывчивые операции. «Платформа поддерживает автономную операцию и edge-аналитику, подавая данные и сигналы управления в один или несколько центров управления», — объясняют Эрик Фелт, директор развития рынка future grid в RTI, и Нил Путхафф, инженер по интеграции ПО в RTI.

Появление 5G еще больше стимулировало интерес к edge-архитектурам, работающим за пределами обычных дата-центров. Хотя пока лишь несколько компаний пилотировали 5G-edge проекты, этот ландшафт готов эволюционировать по мере зрелости сети. Харольд Реммерт подчеркивает: выгоды зеркалят облачные вычисления — просто с меньшей задержкой — и архитектура все чаще предпочисляется для ML-нагрузок.