Периферийная аналитика: как компании получают инсайты в реальном времени и повышают эффективность

Многие бизнесы сейчас исследуют, как периферийный анализ отличается от конвенциональных решений обработки данных и как он может быть выгоден для их операций.

Периферийная аналитика вводит и поднимает подход к анализу данных, в котором заранее заданный аналитический расчет выполняется на данных вместо передачи их обратно в консолидированное хранилище данных. Она обеспечивает, что процесс сбора данных, обработки и обзора выполняется прямо на периферии сети в реальном времени. Это позволяет бизнес-предприятиям устанавливать требуемые границы и строгости на то, какая информация стоит передавать в он-прем или облачное хранилище данных для будущего использования. С тех пор, как периферийная аналитика вступила в игру, провайдеры решений по всему миру прибегали к подходу вместе с облаком для работы с горами IoT-данных.

Количество исследований было проведено, и исследовательские команды по всему миру пришли с лучшими инсайтами и интуициями о периферийной аналитике. Когда речь идет о построении сильного IoT-решения, стратегии периферийной аналитики доказали свою выгоду более чем одним способом. Некоторые выгоды периферийной аналитики, предлагаемые бизнесам, включают:

Более быстрый темп: Для большинства бизнес-организаций скорость или темп считается самым важным параметром их основного бизнеса. Например, зависимость финансового предприятия от высокопропускных обменных процедур означает, что прерывание в просто миллисекунды может привести к нежелательным последствиям. В секторе здравоохранения потеря даже нескольких секунд может привести к страшным последствиям. И для компаний, предлагающих данные-ориентированные услуги потребителям, медленная скорость может оказаться хаосом, так как она разочарует клиентов и причинит неисправимый ущерб бренду. Так что, вполне естественно, скорость больше не просто жизнеспособное преимущество; скорее, это одна из лучших практик, которую каждый бизнес должен держать.

В то же время, наиболее значительное преимущество периферийных вычислений — их пригодность и потенциал резко повысить производительность сети, минимизируя нежелательную передачу и приостановку. Факт того, что IoT периферийные вычислительные устройства развивают данные секционно, сокращает необходимость для собранной информации путешествовать так далеко, как ей пришлось бы под конвенциональной облачной структурой.

Гибкость: По мере роста бизнес-предприятий, не всегда возможно для них идеально рассчитать IT-инфраструктурные основы, и создание полноценного центра обработки данных — это также предложение с большим бюджетом. Продвижение в облачных технологиях и периферийных вычислениях, однако, сделали это довольно безболезненным для предприятий оценивать их операции. Постепенно вычислительные, загрузочные и аналитические возможности вкатываются в приспособления с меньшими отпечатками. Периферийная аналитика позволяет организациям увеличивать и умножать масштаб и способности сети.

Надежность: Пока распространение стратегий IoT периферийных вычислений расширяет поверхность атаки для сетей, оно также раздает ряд преимуществ безопасности. Конвенциональная облачная вычислительная структура по природе консолидирована, что делает ее довольно уязвимой к DDoS (распределенным отказ в обслуживании) атакам и сбоям питания. Периферийные вычисления распределяют обработку, хранение и приложения по широкому разнообразию центров обработки данных, что делает сложным для любого единичного вмешательства разобрать или повлиять на сеть.

Адаптивность: Адаптивность и гибкость периферийной аналитики также делают ее экстремально универсальной. Сочетая и ассоциируясь с локальными периферийными центрами обработки данных, бизнес-венчурсы теперь могут легко определять подходящие рынки без необходимости капитализироваться в дорогое развитие инфраструктуры. Периферийные центры данных делают возможным для них обслуживать конечных пользователей компетентно с минимальной задержкой. Это доказало быть высоко полезным для провайдеров контента, стремящихся к безостановочным стриминговым сервисам. Одновременно это также наделяет IoT-устройства накапливать значительные объемы действенных данных. Вместо ожидания ресурсов для входа в систему с их устройствами и подключения к интегрированным облачным серверам, периферийные вычислительные устройства всегда закреплены и всегда генерируют данные для будущего обзора.

Теперь, переходя к архитектуре периферии, развернутые устройства классифицируются на три разных типа, а именно периферийные устройства, периферийные шлюзы и периферийные датчики и актуаторы. Как универсальные устройства, периферийные устройства склонны запускать полноценные операционные системы. Пример Android или Linux можно привести в этом отношении. После того как они получают данные от соответствующих датчиков, они запускают вычисление на тех же и отправляют требуемую информацию актуаторам. Они также могут быть связаны с облаком либо напрямую или через посредство периферийного шлюза.

Периферийные шлюзы, с другой стороны, имеют неограниченное питание, большую мощность CPU и продвинутую систему репозитория. Следовательно, они могут действовать как посредники между периферийными устройствами и облаком, тем самым предоставляя добавленные услуги управления локацией.

Эти устройства передают конкретные разделы сырых или предобработанных IoT-данных сервисам, запущенным в облаке, включая удобства хранения, машинное обучение или интерпретативные сервисы. Они принимают специальные директивы от облака, такие как выравнивания, запросы данных или прототипы машинного обучения. Периферийные датчики — это специальные назначения устройства, подключенные к шлюзам напрямую или через энергоэффективные радио-технологии. В последние несколько лет периферийная аналитика начала идти глубже и проложила путь для технологий следующего поколения. С этим высококонцевым продвижением на борту, машинное обучение и глубокое обучение также прошли через многочисленные плоскости представления через нейронные сети, которые уже были в использовании десятилетиями.

Взгляд в будущее

Теперь возникает вопрос, если процедуры глубокого обучения, используемые в периферийной аналитике, дают более компетентные и более эффективные результаты. Согласно некоторым недавним опросам, сделанным в этой мере, все подразумеваемые IoT-усилия в конечном счете объединят стриминговые данные с машинным обучением, ускоренным различными или сплошными процессорами. Включая глубокое обучение с периферийной аналитикой, устройства теперь стали способны просеивать избыточные данные более эффективным образом, тем самым экономя деньги и время в значительной степени. Здесь стоит упомянуть, что один из самых многообещающих доменов ассимиляции периферийной аналитики и машинного обучения — видеоаналитика.

Однако фундаментальная идея в том, что периферийная аналитика вводит распространенную фильтрацию видео-данных и принимает во внимание документированные и хронические данные от камеры и выполняет требуемые вычисления в реальном времени. Как только умные функции идентификации одной камеры увеличиваются, и облачная вычислительная обработка включается, эффективность проникновения поднимается до значительной степени, тем самым снижая требования к рабочей силе одновременно.

Алгоритмы нейронных сетей, включенные в фронтенд-камеры, могут извлекать требуемые данные от человека, транспортного средства и других объектов, что, в свою очередь, помогает в улучшении совершенства и точности видеоаналитики. Более того, перемещение аналитической обработки с бэкенд-серверов и размещение их в камерах требует от конечных пользователей предоставления соответствующего анализа данных в реальном времени. Периферийная аналитика помогает в идентификации аномального поведения и алертах для экстренных инцидентов, которые иначе не были бы возможны с бэкенд-серверами.

Нефтяные компании также начали использовать цифровые технологии вроде периферийной аналитики для нефтегазового оборудования, чтобы держать глаз на всем процессе наблюдения и обогатить продуктивность. Простой для любого производственного предприятия может быть вредным для его продуктивности. Также в терминах затрат, простой оказывается действительно плохим. Согласно нескольким исследованиям, нефтегазовые операторы могут понести огромные потери из-за простоя. И этот простой в основном происходит в результате отказов оборудования. Нефтяные организации теперь прибегают к IoT-устройствам и датчикам для постоянного накопления данных об их оборудовании и оценки и надзора за ними часто. В то же время, с ростом развертывания IoT-устройств, количество собранных данных также увеличивается до значительной степени, и одновременно необходимость для их хранения в облаке также взлетела. Таким образом, нефтяные компании держат свои IoT-данные на пари с периферийной аналитикой. Таким образом, когда стоимость передачи может быть снижена, шанс на любой вид отказа оборудования также может быть предсказан заранее.

IoT-датчики производят постоянный поток данных, который не может быть должным образом управляем с помощью старых систем хранения и технологий. Поэтому бизнесы начали полагаться на облако для хранения того же. Однако передача данных в облака и обратно к соответствующим предприятиям довольно дорога, так как она требует большой полосы пропускания. Здесь периферийная технология приходит как спаситель, делая данные доступными локально. Это означает, что предприятия могут затем определять, отправлять ли данные в облака или удалять их, если они несоответствующие.

Например, Olea Edge Analytics собирается анонсировать новый софт и хардвар для выкачивания поврежденных водяных счетчиков. Как заявлено в пресс-релизе, Olea предложил разместить оптические, вращающиеся и вибрирующие датчики на водяных счетчиках, так чтобы когда одно устройство объявляет циферблат счетчика, другое может обнаружить поток воды в трубе и следить за вращением счетчика. Датчики также прикреплены к платформе программного обеспечения EdgeWorks с вычислениями глубокого обучения — «модуль периферийных вычислений» системы — который, в свою очередь, дает правильную спекуляцию о том, как счетчик ошибается и как он может быть исправлен.