Daugelis analizės ir mašininio mokymosi naudojimo atvejų prisijungia prie duomenų, saugomų duomenų saugyklose ar duomenų ežeruose, paleidžia algoritmus visuose duomenų rinkiniuose ar duomenų pogrupyje ir apskaičiuoja rezultatus debesų architektūrose. Šis metodas veikia gerai, kai duomenys dažnai nesikeičia. Bet ką daryti, jei duomenys dažnai keičiasi?
Šiandien daugiau įmonių turi tvarkyti duomenis ir skaičiuoti analizę realiuoju laiku. IoT lemia didžiąją dalį šio paradigmos pokyčio, nes duomenų perdavimui iš jutiklių reikia nedelsiant apdoroti ir analizuoti, kad būtų galima valdyti vartotojų sistemas. Realaus laiko analizė taip pat yra svarbi daugelyje pramonės šakų, įskaitant sveikatos priežiūrą, finansines paslaugas, gamybą ir reklamą, kur nedideli duomenų pokyčiai gali turėti reikšmingą finansinį, sveikatos, saugos ir kitą verslo poveikį.
Jei jus domina įgalinti analizę realiuoju laiku ir besikuriančias technologijas, kurios naudoja įvairiausius krašto skaičiavimus, AR / VR, daiktų interneto jutiklius ir mašininį mokymąsi, svarbu suprasti krašto analizės dizaino aspektus. Kraštinių kompiuterių naudojimo atvejai, tokie kaip autonominiai bepiločiai orlaiviai, išmanieji miestai, mažmeninės prekybos tinklų valdymas ir išplėstosios realybės žaidimų tinklai, nukreipti į didelio masto, labai patikimą krašto analizę.
„Edge“ analizė, srautinė analizė ir kompiuterių skaičiavimas
Su krašto analitika yra susijusios kelios skirtingos analizės, mašininio mokymosi ir krašto skaičiavimo paradigmos:
- „Edge analytics“ reiškia analizę ir mašininio mokymosi algoritmus, pritaikytus infrastruktūrai ne debesų infrastruktūroje ir geografiškai lokalizuotoje infrastruktūroje.
- Srautinė analizė reiškia analizės skaičiavimą realiuoju laiku, kai duomenys apdorojami. Srautinę analizę galima atlikti debesyje arba krašte, atsižvelgiant į naudojimo atvejį.
- Įvykių apdorojimas yra būdas apdoroti duomenis ir paskatinti sprendimus realiu laiku. Šis apdorojimas yra srautinės analizės pogrupis, o kūrėjai naudoja įvykių orientuotas architektūras, norėdami nustatyti įvykius ir sukelti tolesnius veiksmus.
- Kraštinis skaičiavimas reiškia skaičiavimo diegimą krašto įrenginiuose ir tinklo infrastruktūroje.
- Rūko kompiuterija yra labiau apibendrinta architektūra, padalijanti skaičiavimą tarp krašto, artimojo krašto ir debesų kompiuterijos aplinkos.
Kurdami sprendimus, reikalaujančius pažangiosios analizės, architektai turi atsižvelgti į fizinius ir energijos apribojimus, tinklo sąnaudas ir patikimumą, saugumo sumetimus ir apdorojimo reikalavimus.
Priežastys, kodėl analitiką galima pritaikyti kraštuose
Galite paklausti, kodėl analitikai naudosite infrastruktūrą? Šiuos sprendimus lemia techniniai, išlaidų ir atitikties aspektai.
Programos, turinčios įtakos žmonių saugumui ir reikalaujančios atsparumo skaičiavimo architektūroje, yra vienas iš pažangiausių analizių naudojimo atvejų. Programos, kurioms reikalingas mažas delsimas tarp duomenų šaltinių, pvz., IoT jutikliai ir „Analytics“ skaičiavimo infrastruktūra, yra antras naudojimo atvejis, kuriam dažnai reikia pažangiosios analizės. Šių naudojimo atvejų pavyzdžiai:
- Savaeigiai automobiliai, automatizuotos mašinos ar bet koks transportas, kai valdymo sistemos automatizuoja visą navigaciją ar jos dalis.
- Išmanieji pastatai, turintys realaus laiko saugumo kontrolę ir norintys išvengti priklausomybės nuo tinklo ir debesų infrastruktūros, kad žmonės galėtų saugiai įeiti į pastatą ir iš jo išeiti.
- Išmanieji miestai, stebintys viešąjį transportą, diegiantys išmaniuosius skaitiklius sąskaitoms už komunalines paslaugas ir sumanius atliekų tvarkymo sprendimus.
Sąnaudos yra svarbus veiksnys naudojant pažangiausią analizę gamybos sistemose. Apsvarstykite fotoaparatų rinkinį, kuris nuskaito pagamintus gaminius, ar juose nėra defektų, kai ant greitai judančių konvejerio juostų. Gali būti ekonomiškiau diegti krašto skaičiavimo įrenginius gamykloje, kad būtų galima atlikti vaizdo apdorojimą, o ne įdiegti didelės spartos tinklus vaizdo vaizdams perduoti į debesį.
Kalbėjausi su Achal Prabhakar, inžinerijos viceprezidentu iš „Landing AI“, pramoninės dirbtinės dirbtinės kompanijos, turinčios sprendimus, orientuotus į kompiuterio matymą. "Gamyklos skiriasi nuo įprastų analizės programų, todėl reikia permąstyti dirbtinį intelektą, įskaitant diegimą", - man sakė Prabhakaras. „Didelė dėmesio sritis mums yra sudėtingų giluminio mokymosi vizijos modelių diegimas, nuolat mokantis tiesiai ant gamybos linijų, naudojant galingus, tačiau pagrindinius prietaisus.“
Analitikos diegimas atokiose vietovėse, tokiose kaip statybų ir gręžimo aikštelės, taip pat naudingas naudojant pažangiausią analizę ir skaičiavimus. Užuot pasikliavę brangiais ir potencialiai nepatikimais plačiajuosčiais tinklais, inžinieriai vietoje įdiegia pažangiosios analizės infrastruktūrą, kad palaikytų reikiamus duomenis ir analizės duomenis. Pavyzdžiui, naftos ir dujų įmonė įdiegė srautinės analizės sprendimą su atmintyje paskirstyta skaičiavimo platforma iki krašto ir sumažino gręžimo laiką net 20 procentų - nuo įprastos 15 dienų iki 12 dienų.
Atitikimas ir duomenų valdymas yra dar viena pažangiausios analizės priežastis. Vietos infrastruktūros diegimas gali padėti laikytis GDPR ir kitų duomenų suvereniteto taisyklių laikantis ir tvarkant ribotus duomenis tose šalyse, kuriose duomenys renkami.
Analizės kūrimas kraštui
Deja, imti modelius ir kitą analizę bei pritaikyti jas prie pažangiosios kompiuterijos infrastruktūros ne visada yra trivialu. Skaičiavimo reikalavimai, reikalingi apdorojant didelius duomenų rinkinius, naudojant daug skaičiavimų reikalaujančius duomenų modelius, gali reikėti pertvarkyti prieš juos paleidžiant ir diegiant pažangiosios kompiuterijos infrastruktūroje.
Viena vertus, daugelis kūrėjų ir duomenų mokslininkų dabar naudojasi aukštesnio lygio analizės platformomis, kurios yra prieinamos viešuose ir privačiuose debesyse. DI ir jutikliai dažnai naudoja įterptąsias programas, parašytas C / C ++, o tai gali būti nepažįstama ir sudėtinga vietovė debesų duomenų mokslininkams ir inžinieriams.
Kitas klausimas gali būti patys modeliai. Kai duomenų mokslininkai dirba debesyje ir skirsto kompiuterius pagal poreikį, palyginti su mažomis sąnaudomis, jie gali sukurti sudėtingus mašininio mokymosi modelius su daugybe funkcijų ir parametrų, kad rezultatai būtų visiškai optimizuoti. Tačiau diegiant modelius kompiuterių infrastruktūroje, pernelyg sudėtingas algoritmas gali žymiai padidinti infrastruktūros kainą, įrenginių dydį ir energijos reikalavimus.
Su „SambaNova Systems“ produktų viceprezidentu Marshallu Choy'u aptariau iššūkius, susijusius su AI modelių diegimu iki galo. „Pažangiosios PG programų modelių kūrėjai vis daugiau dėmesio skiria labai detaliems modeliams, kad pagerintų parametrų mažinimo ir skaičiavimo reikalavimus“, - pažymėjo jis. „Šių mažesnių, labai detalių modelių mokymo reikalavimai išlieka bauginantys.“
Kitas aspektas yra tas, kad norint įdiegti labai patikimą ir saugią pažangiosios analizės sistemą reikia suprojektuoti ir įdiegti labai atsparias triktims architektūras, sistemas, tinklus, programinę įrangą ir modelius.
Kalbėjau su vyresniuoju „Hazelcast“ produktų rinkodaros direktoriumi Dale Kim apie naudojimo atvejus ir suvaržymus tvarkant duomenis krašte. Jis komentavo, kad nors įrangos optimizavimas, prevencinė priežiūra, kokybės užtikrinimo patikrinimai ir kritiniai perspėjimai yra prieinami, yra naujų iššūkių, tokių kaip ribota aparatinės įrangos erdvė, ribotas fizinis pasiekiamumas, ribotas pralaidumas ir didesni saugumo klausimai.
"Tai reiškia, kad infrastruktūra, prie kurios esate įpratę savo duomenų centre, nebūtinai veiks", - sakė Kim. „Taigi jums reikia ištirti naujas technologijas, sukurtas atsižvelgiant į pažangiosios kompiuterijos architektūrą.“
Kita analizės sritis
Šiandien dažniausiai naudojami pažangiosios analizės duomenys yra duomenų apdorojimo funkcijos, įskaitant duomenų filtravimą ir kaupimą. Tačiau kai daugiau įmonių masiškai diegia daiktų interneto jutiklius, norint realiuoju laiku taikyti analitikos, mašininio mokymosi ir dirbtinio intelekto algoritmus, reikės daugiau diegti.
Galimybės suteikia labai įdomią pažangaus skaičiavimo ateitį, nes jutikliai tampa pigesni, programoms reikalinga daugiau realaus laiko analizės ir lengviau kurti optimizuotus, ekonomiškai efektyvius algoritmus.
