Een handleiding voor het gebruik van bi-apps met edge computing

Iedereen heeft het tegenwoordig over edge computing, maar weinigen begrijpen wat het is, laat staan ​​wat ze ermee moeten doen. Kort gezegd betekent edge computing verwerking dichtbij de bron van de gegevens, hetzij op de sensor of dicht bij de gateway. Als je wilt weten hoe IT het beste edge-computing als alternatief kan beheren, bekijk dan 'IT moet beginnen met nadenken over 5G en Edge Cloud Computing', een column van Wayne Rash, mijn collega en medewerker van PCMag IT Watch. Maar voor de doeleinden van dit artikel kunnen we beginnen met een uitleg van marktonderzoeksbureau IDC, dat edge computing definieert als een "netwerk van microdatacenters" met een "voetafdruk van minder dan 100 vierkante voet".

Zoals bij de meeste nieuwe termen in de technologieruimte, wordt 'edge computing' op grote schaal gebruikt en is het gekoppeld aan een verscheidenheid aan andere modewoordtechnologieën, waaronder blockchain, content delivery networks (CDN's), grid computing, mesh computing en peer-to- peer computing. De gemeenschappelijke taak, welke technologie ook wordt toegepast in combinatie met edge computing, is het versnellen van elke data-analyse en gerelateerde acties door de afstand te verkorten tussen waar de gegevens worden verwerkt en waar het eindresultaat van die output effect zal hebben.

Als het gaat om het omzetten van uw zwaarbevochten business intelligence (BI) inzichten in bruikbare inzichten, is dat een belangrijke overweging. Maar hoewel BI (vooral analyse met lage latentie) en edge computing een match lijken te zijn in de technische hemel, is er veel om te overwegen voordat je de twee combineert.

Analytics op het snijvlak versus Streaming Analytics

De betekenis van Edge computing voor analyse is duidelijk als je eenmaal beseft dat er geen andere praktische manier is om een ​​doorlopende tsunami van Internet of Things (IoT) -gegevens over te dragen naar de cloud zonder onhoudbare latentie en een flinke opstopping van het netwerk te creëren. Dat latentieprobleem kan fataal zijn in veel opkomende analysetoepassingen, zoals autonoom rijden. De gegevensoverloop brengt u in minder tijd van breedband naar bottleneck dan nodig is om te zeggen: "Stream it up, Scotty."

Ja, streaming analyse werd slechts een paar jaar geleden aangeprezen als een latentiegevoelig wondermiddel voor het ophalen van een real-time lees op IoT-gegevens. Hoewel streaming-analyse nog steeds veel voordelen heeft, is het niet in staat geweest om de fysica te veranderen. Enorme gegevensoverdrachten worden vertraagd door talloze routerhops, vertragingen bij virtualisatiepakketten, verbroken verbindingen en andere fysieke beperkingen in een netwerk. In het geval van IoT in afgelegen gebieden is het krijgen van een netwerkverbinding überhaupt een machtig voorstel op een bepaalde dag.

Het helpt niet dat al deze problemen worden vergroot door de fysieke afstand tussen de gegevens en de computerprocessen. Om deze en andere redenen is streaming-analyse meestal 'bijna realtime' in plaats van realtime. Die vertraging - hoe klein ook - is een enorm probleem als u bijvoorbeeld de uitgangen op tijd nodig hebt om een ​​autonome auto te laten remmen en een botsing te voorkomen. Het is een nog groter probleem als je wilt dat alle auto's op die snelweg in één keer remmen.

Kortom, Star Trek en real-life datatransporters hebben hun grenzen en daar is niets dat Scotty in IT aan kan doen. Er is gewoon te veel IoT-gegevens die de huidige netwerken kunnen verwerken en het volume groeit nog steeds met een adembenemende snelheid. Het grote voordeel hier: Edge computing is het tij van informatie via het netwerk en biedt ook snellere analyse-output.

Edge Cloud versus Cloud

Omdat deze microdatacenters kunnen worden samengevoegd en vaak worden gebruikt in samenwerkende, communicatieve of onderling afhankelijke functies, gebruiken sommige mensen de term 'edge cloud'.

Moderne auto's hebben bijvoorbeeld honderden ingebedde computers die zijn ontworpen voor het beheer van afzonderlijke systemen, maar die ook met elkaar zijn verbonden, zodat de systemen met elkaar kunnen communiceren en zich naar behoefte kunnen aanpassen. Met andere woorden, ze gebruiken individueel, collectief en intensief edge computing om een ​​verscheidenheid aan complexe functies te voltooien.

"Ze reageren niet alleen op de waargenomen omstandigheden, maar leren en passen zich in de loop van de tijd aan", zegt Johnathan Vee Cree, PhD., Embedded and Wireless Systems Scientist / Engineer bij het Pacific Department of Pacific Northwest National Laboratory (PNNL) van het Amerikaanse ministerie van Energie. "Moderne brandstofinjectiesystemen zullen bijvoorbeeld de rijpatronen van de auto observeren om te optimaliseren voor vermogen en brandstofefficiëntie. De real-time aard van deze gegevens zou het onmogelijk maken om ergens anders te verwerken dan aan de rand."

Zelfs met multi-systeem interne afhankelijkheid, neigt de term "edge cloud" verder naar modderig begrip omdat het onnauwkeurig is.

"Als we het over IoT-apparaten hebben, zijn de overwegingen bijna tegengesteld aan de cloud, " zei Vee Cree. "IoT-apparaten hebben doorgaans een beperkte opslag- en verwerkingskracht, mogelijk intermitterende connectiviteit met de buitenwereld en worden mogelijk gevoed door een batterij. De kernwaarde van deze apparaten is hun vermogen om de onbewerkte sensorwaarden die voor hen beschikbaar zijn om te zetten in zinvolle gegevens."

Edge Computing Devices grafische afbeelding herdrukt met toestemming van TECHnalysis Research.

Edge computing en cloud computing sluiten elkaar echter niet uit. Ze zijn inderdaad met elkaar verweven in de meest succesvolle IoT-datastrategieën. Dat zal waarschijnlijk niet snel veranderen.

"Een voorbeeld van de combinatie van edge en cloud computing is afkomstig van de stuurautomaatfuncties van Tesla. Het stuurautomaatsysteem moet detecteren en reageren op steeds veranderende rijomstandigheden. Het doet dit door middel van machine learning-algoritmen die gevaren kunnen detecteren en vermijden terwijl Deze auto wordt gebruikt om beslissingen in realtime te nemen, maar wordt ook gedeeld met de cloud en gebruikt om de stuurautomaatfunctie voor alle bestuurders te verbeteren ", aldus William Moeglein, een software-ingenieur bij PNNL.

De edge en cloud combo spelen is gewoon omdat het werkt; het maakt gebruik van het beste van beide werelden, maar het is niet het enige spel in de stad. Volgens 'Computing on the Edge: Survey Highlights' bevindt 36 procent van de edge-analyses zich in het bedrijfsdatacenter, 34 procent in de edge en 29 procent in de cloud, een rapport van Bob O'Donnell, president en Chief Analyst bij TECHnalysis Research. Dit betekent dat er opties zijn voor hoe edge-analyses worden geïmplementeerd. De keuze hangt volledig af van wat u probeert te doen en de omstandigheden waaronder u dat doel probeert te bereiken.

"Het compromis tussen rekenvermogen en energieverbruik kan een beperkende factor zijn wanneer apparaten op een batterij werken. In gevallen waarin stroomverbruik belangrijk is, kunnen beslissingen worden genomen op basis van kleine gegevensmonsters, ondanks toegang tot continue sensorwaarden, " zei Moeglein van PNNL.

"Edge computing maakt feedback mogelijk voor apparaten in het veld waar communicatie niet is gegarandeerd, eenrichtingsverkeer is of beperkt is", vervolgt Moeglein. "In gevallen waarin systemen naar verwachting jaren of decennia op batterijen werken, kan edge computing worden gebruikt om de levensduur van het apparaat te verlengen door de gegevensoverdracht te verminderen."

Fog computing-afbeelding hierboven herdrukt met toestemming van Cisco Systems, Inc.

De Edge Cloud ontwasemen

Automatisering om te beheren en te optimaliseren waar en hoe de analyses worden gedaan, volgde al snel, wat leidde tot het concept van "fog computing", een term die IT- en netwerkleverancier Cisco Systems bedacht. In deze strategie, zoals Cisco in een whitepaper uitlegt, "kunnen ontwikkelaars IoT-toepassingen porteren of schrijven voor mistknooppunten aan de netwerkrand. De mistknooppunten die zich het dichtst bij de netwerkrand bevinden, nemen de gegevens van IoT-apparaten op. Dan - en dit is cruciaal - de fog IoT-applicatie leidt verschillende soorten gegevens naar de optimale plaats voor analyse. " Zoals in de bovenstaande afbeelding wordt weergegeven, breidt fog computing volgens Cisco de cloud dichter uit naar de apparaten die de gegevensverzameling uitvoeren. Door mistknooppunten dicht bij IoT-apparaten te plaatsen, probeert Cisco de analyse te versnellen en de latentie te verminderen.

Sommigen zeggen dat het gemakkelijker is om dit als cloud computing te beschouwen - met andere woorden gedecentraliseerd - in tegenstelling tot edge computing die aan de rand van het netwerk is, vaak eigenlijk op een IoT-apparaat. Zeker een heel genuanceerd verschil.

Vaak gebruiken mensen "edge computing" en "fog computing" door elkaar, omdat de twee concepten erg op elkaar lijken. Het is het vermogen van mistcomputing om gegevens naar verschillende locaties te sorteren en te routeren voor analyse die het onderscheidt. Dat, en fog computing is meestal "bijna aan de rand" (dwz een gateway) in plaats van echt aan de rand, zoals op een IoT-apparaat.

Kortom, er is geen consensus over wat edge computing precies is, maar veel mensen die beweren dat het probleem beslaat, helpen ze niet. Volgens het eerder genoemde TECHnalysis Research-rapport, "denken meer mensen dat edge computing is gemaakt van eindpunten (29, 8 procent) dan gateways (13, 2 procent), maar 44 procent denkt dat het allebei is."

Hoe dan ook, "de eindgebruikstoepassing drijft uiteindelijk de systeembehoeften en streeft ernaar een evenwicht te vinden tussen de voordelen van verwerking aan de rand of in de cloud", aldus Vee Cree van PNNL.

Er is hier maar één vuistregel: als u een beslissing in bijna- of realtime nodig hebt, voert u de verwerking zo dicht mogelijk bij de gegevensbron uit. Edge computing is de keuze om latentie te elimineren, energie-uitgaven te verlagen en netwerkverkeer te verminderen.

API's, apps en ecosystemen

Over het algemeen zijn apps die worden gebruikt in combinatie met edge computing gericht op het bereiken van snelheid en efficiëntie. Hier is het minder waarschijnlijk dat u zelfstandige BI-apps (Business Intelligence) zult vinden, maar eerder ingebedde BI-functies en, natuurlijk, API's (Application Programming Interfaces) om IoT-gegevens samen te voegen met bestaande BI-apps en frameworks in de cloud.

"Het concept van edge computing helpt bedrijven de voordelen van cloud computing te omarmen, zelfs in scenario's waar latentie en connectiviteit een probleem zijn. Sommige applicaties hebben te maken met een datagrootte of snelheidseis die round tripping naar de cloud en, in dergelijke gevallen, Tableau verbieden analyses ingebed in de lokale applicaties bieden snel inzichten ", aldus Mark Jewett, Vice President Product Marketing bij Tableau Software.

"In andere gevallen biedt edge computing een manier om met scenario's om te gaan waar connectiviteit niet betrouwbaar is of duur of periodiek is. Voorbeelden zoals dingen die bewegen, zoals schepen, dingen die op afstand zijn, zoals olieplatforms of mijnen, of zelfs situaties waar connectiviteit goed is, maar niet de moeite waard is om een ​​risico te nemen op onderbrekingen, zoals fabrieken in fabrieken waar downtime extreem duur is. Analisten en andere gebruikers in het veld, die mogelijk geen toegang hebben tot een volledig werkstation, willen nog steeds dezelfde kracht van analyse die ze hebben hebben leren kennen."

Tableau is niet de enige BI-leverancier die aan of met gegevens aan de rand werkt. Microsoft wees naar Schneider Electric, een van haar klanten als case study. Schneider Electric heeft een edge-app die voorspellend onderhoud uitvoert aan een oliestaaf, met behulp van Azure Machine Learning en Azure IoT Edge om de veiligheid te verbeteren en incidenten in afgelegen gebieden te verminderen, zei een woordvoerder van Microsoft. De gegevensverwerking gebeurt op het apparaat. Dit wordt bereikt door cloud intelligence - ML-modellen die ze in de cloud hebben getraind - naar het edge-apparaat zelf te brengen. Dit maakt snellere detectie van afwijkingen mogelijk op basis van de grote trainingsgegevensset.

Ondertussen rapporteert IBM Watson talloze gebruiksscenario's, waaronder stem- en gespreksanalyse van omgevings- en apparaatapparatuur, analyse van drones en video en akoestische analyse van onderhoud en veiligheid.

"In al deze gevallen maakt edge-analyse verbeterde prestaties, kosten en privacy mogelijk door lokaal op apparaten te werken, " zei Bret Greenstein, Vice President van IBM Watson IoT, Consumer Offerings. "De groei is opwindend naarmate de rekenkracht aan de rand groeit en ML rijpt en meer gespecialiseerde gebruiksscenario's creëert.

"Apparaten kunnen 'begrijpen' wat ze zien en horen en gebruiken dat begrip om betere service te bieden en betere keuzes te maken. Dit gebeurt in realtime. En aangezien de feitelijke gegevens kunnen worden omgezet in inzichten in het edge-apparaat, is het mogelijk dat moeten de gegevens naar de cloud verzenden, wat de kosten verbetert en nieuwe vormen van privacybescherming mogelijk maakt."

Het toevoegen van nieuwe lagen van privacybeschermingen kan mogelijk een grote bijdrage leveren aan het verminderen van bedrijfsverplichtingen, terwijl bedrijven nog steeds moeten kunnen gedijen.

Edge Computing-apps op nummer

Rekening houdend met het feit dat edge computing nog in de kinderschoenen staat, is het volgens TECHnalysis Research niet verwonderlijk dat slechts een kleine hoeveelheid edge computing-apps nieuw is (39 procent). De meerderheid (61 procent) zijn gemigreerde cloud-apps. Dat gezegd hebbende, de volgende zijn de beste computerapps:

Operationele analyse (44 procent)

Procesbewaking (35 procent)

Medewerkers monitoring (32 procent)

Activabewaking op afstand (28 procent)

Naleving werkplek / veiligheid (24 procent)

Voorspellend onderhoud (22 procent)

Fysieke activabewaking ter plaatse (20 procent)

De vijf belangrijkste redenen om cloud-apps naar de rand te migreren, volgens hetzelfde TECHnalysis Research-rapport, zijn het verbeteren van de beveiliging, het verlagen van kosten, het verminderen van latentie, het verbeteren van lokale controle en het verminderen van netwerkverkeer.

Door de lens van BI worden efficiëntie en kansen verbeterd met edge computing. Daarom is het zinvol om eerst cloud-apps te migreren of analyses in te bedden in bestaande IoT-apps die u het snelst in de beste positie kunnen brengen. In plaats van alle gegevens van een robotica-eenheid op de fabrieksvloer te streamen en te analyseren, kunt u bijvoorbeeld het flotsam weggooien, de schijnbaar eindeloze hoeveelheid repetitieve informatie die door de sensor wordt gegenereerd.

In plaats daarvan kan edge computing worden gebruikt om alleen de "wijzigingsgegevens" te noteren en te analyseren, wat betekent dat de gegevens op een of andere manier verschillen van de andere gegevensstreaming van dezelfde bron. Stel je bijvoorbeeld een windmolen in de poolcirkel voor die rapporteert: "Ik ben in orde. Ik ben in orde. Ik ben in orde. Het mes zit twee seconden vast. In orde. In orde. In orde." Het beetje over het vastplakken van het mes zijn de wijzigingsgegevens. Dat zou ook "wind shift" zijn, wat ertoe zou kunnen leiden dat de machine draait en meer energie verzamelt. Wijzigingsgegevens zijn de gegevenspunten met de meeste betekenis, juist omdat ze een verandering noteren.

In dergelijke gevallen werken apps aan de rand alleen met relevante gegevens; sommigen noemen het 'slimme data'. Waarom de zee koken als belangrijke details gemakkelijk te zien zijn? Slimme data-apps maken data bruikbaar op het verzamelpunt en kunnen ook beslissen welke data naar de cloud worden verzonden voor verdere blending en analyse in traditionele BI-apps. Op deze manier wordt datamining geoptimaliseerd voor maximaal zakelijk effect.

4 tips voor uw BI- en Edge Computing-strategie

Het is relatief eenvoudig om aan de rand van de nieuwste computertrend te springen en te beslissen om te beginnen met het migreren van apps vanuit de cloud. Maar zonder strategie in actie komen zou een ernstige fout zijn. Herinner je de vroege dagen van IoT toen willekeurige dingen zoals broodroosters snel werden verbonden met internet en vervolgens trots werden getoond bij de volgende CES?

Zelfs slimme gegevens kunnen u niet helpen als uw strategie onzinnig is of ontbreekt. Dus, hier zijn vier overwegingen om rekening mee te houden bij het vormen van uw BI- en edge-strategie.

1. Evalueer uw huidige IoT-spel opnieuw voor extra mogelijkheden voor datamining. Een kruidenier of fabrikant kan bijvoorbeeld gegevens uit zijn toeleveringsketen, zoals koel- en vrachtwagensensoren, gebruiken om de bron van de grondstoffen te bepalen of te valideren. Dergelijke informatie die wordt toegevoegd aan een blockchain voor duurzaamheid kan worden gebruikt in marketing om milieubewuste consumenten aan te trekken.

Een detailhandelaar kan in zijn winkel computer vision en edge computing gebruiken om consumenten te scannen en ter plekke een 3D-weergave te laten zien van hoe de kleding waar de klant naar kijkt, daadwerkelijk bij hen past. Dit kan de verkoop verbeteren en de behoefte aan kleedkamers en de bijbehorende beveiligings- en privacykwesties elimineren. Maar de gegevens kunnen ook naar de cloud worden verzonden om te worden gemengd met andere consumentengegevens om de grotere strategie van het bedrijf te informeren.

Zoek naar mogelijkheden om meer uit het IoT te halen dat u hebt. Wat kunt u nog meer doen met de gegevens die worden gegenereerd? Welke andere gegevens kunt u gebruiken om deze te verzamelen en te verwerken?

2. Bepaal welke apps je aan de rand nodig hebt. Mogelijk moet u een app migreren, wat analyses insluiten of zelfs een aangepaste app schrijven; het hangt allemaal af van wat je probeert te doen. Laat uw bedrijfsdoelen u begeleiden bij het selecteren van apps.

Een goede plek om meer te leren over het ontwikkelen van apps voor de rand is een OpenDev-conferentie, georganiseerd door de OpenStack Foundation. OpenStack is het open-source cloud computing-project en het is gewoon zo dat edge computing daar een hot topic is. Het gebeurt ook dat open source erg populair is bij edge computing, zoals bijna bij alle computing. U kunt ook apps overwegen die worden aangeboden door edge computing-leveranciers en ingesloten analyses die worden geleverd door BI-app-leveranciers.

3. Selecteer nieuwe technologie die u wilt gebruiken. U kunt leveranciers vragen om u een demo te geven, zodat u een idee kunt krijgen van welke technologie u wilt gebruiken, welke apps beschikbaar zijn en wat richtlijnen voor het ontwikkelen van apps daarvoor. Amazon Web Service (AWS) en AWS Greengrass, Microsoft Azure IoT Edge en Cisco en IBM Watson IoT bieden bijvoorbeeld een combinatie van technologie, analyses en apps voor IoT edge computing.

Je kunt ook een grote verscheidenheid aan blockchain-, CDN-, peer-to-peer- en andere pure play-leveranciers bekijken. Maar vergeet niet de technische reuzen zoals Dell Inc., IBM Corp. en Hewlett Packard Enterprise (HPE), die er alles aan hebben gedaan om extra opslag- en computer- en analysemogelijkheden aan hun hardware toe te voegen om ze in randapparatuur te transformeren.

Krijg inzicht in uw opties voordat u leveranciers serieus gaat evalueren. Maak ook een inventaris van de soorten IoT-technologie die uw bedrijf momenteel gebruikt en de typen die het zou willen toevoegen, voordat u met leveranciers begint te praten. Op die manier blijft u waarschijnlijk op koers.

4. Plan voor de evolutie. Er is een patroon in het pad naar volwassenheid dat alle onvolwassen technologie en trends volgen. Verwacht dat dezelfde evolutie zal plaatsvinden met BI en de edge. Dus ja, er zal waarschijnlijk een consolidatie van leveranciers zijn, is een punt; houd daar rekening mee.

Zoek ook naar de ontkoppeling van cloudtechnologie van de juiste cloud, zodat ze ook aan de rand kunnen worden gebruikt. U wilt een dergelijke ontkoppeling zien die u de maximale flexibiliteit geeft bij het gebruik van cloud of edge. Het zal waarschijnlijk de kosten verlagen en de efficiëntie verhogen door slimmere apps van een divers ecosysteem in plaats van van een enkele leverancier. Maak uw plan zowel op korte als op lange termijn om ervoor te zorgen dat u zich kunt aanpassen aan voorzienbare veranderingen zonder een groot verlies in eerdere investeringen.