Является ли Edge Intelligence вашим ключом к успеху IoT?

От простого до невероятно сложного — пограничная аналитика — союзник успеха вашего проекта Интернета вещей.

Цифровая трансформация захлестывает все отрасли, побуждая организации устанавливать аудио-, видео- и вибрационные датчики на своих предприятиях. Однако, учитывая, что 30 % проектов Интернета вещей терпят неудачу на этапе проверки концепции, разумно проявлять осторожность, когда речь идет о вложении денег в крупномасштабные развертывания Интернета вещей.

Одна из основных причин сбоев IoT заключается в том, что организации редко готовы к цунами данных, генерируемых всеми этими устройствами. Количество данных создает нагрузку на задержку и центральную вычислительную инфраструктуру или облако, не говоря уже о рабочей силе. Труд, необходимый для отделения зёрен от плевел — данные о рутинном техническом обслуживании от практических данных, таких как неизбежный отказ оборудования, — пугает большинство организаций.

См. также: Грань теперь в центре событий

Войдите в периферийные вычисления. Пограничные вычисления готовы стать статус-кво, включая локальную обработку данных до момента их создания. Gartner прогнозирует, что к 2025 году 75 % корпоративных данных будут создаваться и обрабатываться вне облака; сегодня это около 10%. Организации начали внедрять периферийные вычисления, чтобы снизить затраты на задержку и пропускную способность, связанные с передачей больших объемов данных из централизованных центров обработки данных в облако.

Однако решения для периферийных вычислений очень разнообразны. Во многих решениях отсутствует способ осмысления собранных данных. Персонал OT получает эти данные и часто не знает, что с ними делать или как анализировать данные для повышения эффективности работы. Часто требуется дальнейшая обработка, обычно из облака. Однако платформы интеллектуальных граничных вычислений добавляют фундаментальные усовершенствования, позволяющие решить эти проблемы, делая надежную аналитику доступной без подключения к облаку.

Край Интеллект :Для более умного и гибкого Интернета вещей

Пограничный интеллект основан на типичных возможностях приема данных, общих для граничных вычислительных платформ, со слоями расширенных функций, таких как машинное обучение (МО) и искусственный интеллект (ИИ). край. Интеллектуальные решения получают полезную информацию из потоковой передачи данных и реагируют на нее посредством оповещений в реальном времени для операторов и других корпоративных систем. Также поддерживаются возможности управления с обратной связью между облаком и периферией для немедленной автоматизации корректирующих действий в отношении активов или процессов.

Машинное обучение с интеллектуальными периферийными возможностями снижает вычислительную нагрузку за счет обучения в действии. Он непрерывно обрабатывает высокие частоты потоков данных и информационных пакетов, формируя комплексное решение прямо на границе, где оно вам больше всего нужно. Вот трехточечный подход к обработке данных на границе:

• Прием и обогащение: Первым этапом пограничной обработки является прием и обогащение данных. Этот уровень очищает данные и подготавливает их к обработке посредством декодирования, фильтрации, интерполяции и т. д. Он объединяет и выравнивает большие объемы, разновидности и скорости потокового видео, данных цифровых датчиков и активов. Это краеугольный камень, который обеспечивает качество данных для всей дополнительной обработки и вычислений.
• Комплексная обработка событий (CEP): Интеллектуальные данные предоставляются через CEP путем обнаружения закономерностей и аналитики в реальном времени для очищенных потоковых данных. Здесь полезные сведения получаются с помощью алгоритмов, основанных на правилах, и могут быть предприняты действия.
• Модуль машинного обучения: Выполнение моделей машинного обучения на периферии может оказаться сложной задачей, поскольку граничные устройства имеют меньшую вычислительную мощность и память. Надлежащий CEP обеспечивает предварительную и последующую обработку данных, необходимых для моделей, поэтому размер модели, слои и память, необходимые для выполнения, часто уменьшаются в 10 и более раз после подготовки к периферии.

Когда дело доходит до периферийного интеллекта, машинное обучение может решать очень сложные проблемы и даже давать прогнозы работоспособности и производительности операций. В определенных средах не будет преувеличением сказать, что расширенная аналитика и машинное обучение на уровне сайта могут спасти жизни.

Edge IntelligenceОфлайн

Есть много случаев, когда организация может не захотеть доверять отправку данных устройства в облако или Интернет, а технология EdgeIntelligence позволяет сохранить вычислительную мощность и машинное обучение, избавляясь от необходимости подключения к облаку. Ваша организация может воспользоваться преимуществами расширенной и глубокой обработки данных без рисков для безопасности и расходов на пропускную способность, обработку и хранение.

Какие преимущества может ожидать ваша организация после перехода на периферийную интеллектуальную систему?

• Массовое сокращение данных. Когда аналитика перемещается на периферию, объем данных, передаваемых по сети, резко сокращается. Это снижает затраты на хранение и обработку данных, а также освобождает ИТ- и OT-персонал для решения более сложных задач.
• Улучшенная аналитика в режиме реального времени. Поддерживая вычисления рядом с источником данных, edgifiedmachine Learning может обнаруживать возникающие закономерности и обеспечивать немедленные ответы до того, как сбой перерастет в полномасштабный кризис.
• Прогнозное обслуживание для всех. Поскольку периферийная система может обрабатывать все входящие машинные данные, она может прогнозировать потребности в техническом обслуживании всего оборудования в процессе эксплуатации, не только существенно сокращая время, необходимое для планирования работ по техническому обслуживанию, но и предотвращая несчастные случаи, вызванные задержкой технического обслуживания.
• Увеличенная доходность. Пользователи могут повысить производительность и сократить время простоя, быстро обнаруживая и устраняя неоптимальную производительность, обеспечивая более высокую производительность благодаря всестороннему обзору операций.

Трансформируя рынок Интернета вещей, периферийный интеллект упрощает анализ в реальном времени, тем самым повышая эффективность работы и снижая затраты на обработку и хранение данных.

Интеллектуальное периферийное решение может выполнять множество функций, разгружающих операторов и потребителей данных. В идеале вам нужно решение, которое не только эффективно собирает и сортирует данные, но и способно обнаруживать сбои в работе актива или процесса.

Как вы видели, интеллектуальные граничные вычисления, в дополнение к возможностям машинного обучения, предоставляют жизненно важную и полезную информацию в режиме реального времени, помогая организациям решить несколько фундаментальных проблем и открыть дверь для расширенной аналитики. С фундаментальной стороны они гарантируют, что все ваши устройства обмениваются данными по выбранному вами сетевому протоколу IoT (ModBus, OPCUA и т. д.), а также обрабатывают расширенные данные на периферии без задержек из-за проблем с задержкой. Кроме того, они могут улучшить процесс принятия решений, поскольку у вас всегда будут самые актуальные данные.

От простого до невероятно сложного — пограничная аналитика — союзник успеха вашего проекта Интернета вещей.