การวิเคราะห์ขอบจะขับเคลื่อนการประมวลผลที่ชาญฉลาดขึ้นได้อย่างไร

กรณีการใช้งานการวิเคราะห์และแมชชีนเลิร์นนิงจำนวนมากเชื่อมต่อกับข้อมูลที่เก็บไว้ในคลังข้อมูลหรือดาต้าเลคเรียกใช้อัลกอริทึมบนชุดข้อมูลที่สมบูรณ์หรือชุดข้อมูลย่อยและคำนวณผลลัพธ์บนสถาปัตยกรรมระบบคลาวด์ วิธีนี้ใช้ได้ดีเมื่อข้อมูลไม่เปลี่ยนแปลงบ่อย แต่ถ้าข้อมูลมีการเปลี่ยนแปลงบ่อยล่ะ?

ปัจจุบันธุรกิจจำนวนมากขึ้นต้องประมวลผลข้อมูลและคำนวณการวิเคราะห์แบบเรียลไทม์ IoT ขับเคลื่อนการเปลี่ยนแปลงกระบวนทัศน์ส่วนใหญ่เนื่องจากการสตรีมข้อมูลจากเซ็นเซอร์ต้องการการประมวลผลและการวิเคราะห์ทันทีเพื่อควบคุมระบบดาวน์สตรีม การวิเคราะห์แบบเรียลไทม์ยังมีความสำคัญในหลายอุตสาหกรรมเช่นการดูแลสุขภาพบริการทางการเงินการผลิตและการโฆษณาซึ่งการเปลี่ยนแปลงข้อมูลเพียงเล็กน้อยอาจส่งผลกระทบทางการเงินสุขภาพความปลอดภัยและผลกระทบทางธุรกิจอื่น ๆ

หากคุณสนใจที่จะเปิดใช้งานการวิเคราะห์แบบเรียลไทม์และในเทคโนโลยีใหม่ ๆ ที่ใช้ประโยชน์จากการผสมผสานระหว่างการประมวลผลแบบล้ำยุค, AR / VR, เซ็นเซอร์ IoT ตามขนาดและการเรียนรู้ของเครื่องในระดับต่างๆดังนั้นการทำความเข้าใจเกี่ยวกับข้อควรพิจารณาในการออกแบบสำหรับการวิเคราะห์ขอบเป็นสิ่งสำคัญ กรณีการใช้งานการประมวลผลแบบ Edge เช่นโดรนอิสระเมืองอัจฉริยะการจัดการเครือข่ายร้านค้าปลีกและเครือข่ายเกมความจริงเสริมทั้งหมดมีเป้าหมายที่ใช้การวิเคราะห์ขอบขนาดใหญ่ที่เชื่อถือได้สูง

การวิเคราะห์ขอบการวิเคราะห์การสตรีมและการประมวลผลแบบขอบ

กระบวนทัศน์การวิเคราะห์การเรียนรู้ของเครื่องและการประมวลผลขอบที่แตกต่างกันหลายประการเกี่ยวข้องกับการวิเคราะห์ขอบ:

  • การวิเคราะห์ Edge หมายถึงการวิเคราะห์และอัลกอริทึมการเรียนรู้ของเครื่องที่ปรับใช้กับโครงสร้างพื้นฐานภายนอกโครงสร้างพื้นฐานระบบคลาวด์และ“ บนขอบ” ในโครงสร้างพื้นฐานที่มีการแปลตามท้องถิ่น
  • การวิเคราะห์การสตรีมหมายถึงการวิเคราะห์การประมวลผลแบบเรียลไทม์เมื่อมีการประมวลผลข้อมูล การวิเคราะห์การสตรีมสามารถทำได้ในระบบคลาวด์หรือบนขอบขึ้นอยู่กับกรณีการใช้งาน
  • การประมวลผลเหตุการณ์เป็นวิธีการประมวลผลข้อมูลและขับเคลื่อนการตัดสินใจแบบเรียลไทม์ การประมวลผลนี้เป็นชุดย่อยของการวิเคราะห์สตรีมมิงและนักพัฒนาใช้สถาปัตยกรรมที่ขับเคลื่อนด้วยเหตุการณ์เพื่อระบุเหตุการณ์และทริกเกอร์การดำเนินการดาวน์สตรีม
  • Edge computing หมายถึงการนำการคำนวณไปใช้กับอุปกรณ์ขอบและโครงสร้างพื้นฐานของเครือข่าย
  • Fog computing เป็นสถาปัตยกรรมทั่วไปที่แยกการคำนวณระหว่างสภาพแวดล้อม edge, near edge และ cloud computing

เมื่อออกแบบโซลูชันที่ต้องใช้การวิเคราะห์ขอบสถาปนิกต้องพิจารณาข้อ จำกัด ทางกายภาพและพลังงานต้นทุนเครือข่ายและความน่าเชื่อถือข้อพิจารณาด้านความปลอดภัยและข้อกำหนดในการประมวลผล  

เหตุผลในการปรับใช้การวิเคราะห์บน Edge

คุณอาจถามว่าทำไมคุณถึงปรับใช้โครงสร้างพื้นฐานเพื่อการวิเคราะห์? มีการพิจารณาด้านเทคนิคค่าใช้จ่ายและการปฏิบัติตามข้อกำหนดที่เป็นปัจจัยในการตัดสินใจเหล่านี้

แอปพลิเคชันที่ส่งผลกระทบต่อความปลอดภัยของมนุษย์และต้องการความยืดหยุ่นในสถาปัตยกรรมคอมพิวเตอร์เป็นกรณีการใช้งานอย่างหนึ่งสำหรับการวิเคราะห์ขอบ แอปพลิเคชันที่ต้องการเวลาแฝงต่ำระหว่างแหล่งข้อมูลเช่นเซ็นเซอร์ IoT และโครงสร้างพื้นฐานการประมวลผลการวิเคราะห์เป็นกรณีการใช้งานที่สองซึ่งมักต้องใช้การวิเคราะห์ขอบ ตัวอย่างกรณีการใช้งานเหล่านี้ ได้แก่ : 

  • รถยนต์ที่ขับเคลื่อนด้วยตนเองเครื่องจักรอัตโนมัติหรือการขนส่งใด ๆ ที่ระบบควบคุมกำลังทำงานอัตโนมัติทั้งหมดหรือบางส่วนของการนำทาง
  • อาคารอัจฉริยะที่มีการควบคุมความปลอดภัยแบบเรียลไทม์และต้องการหลีกเลี่ยงการพึ่งพาโครงสร้างพื้นฐานเครือข่ายและคลาวด์เพื่อให้ผู้คนเข้าและออกจากอาคารได้อย่างปลอดภัย
  • เมืองอัจฉริยะที่ติดตามการขนส่งสาธารณะติดตั้งมาตรวัดอัจฉริยะสำหรับการเรียกเก็บเงินค่าสาธารณูปโภคและโซลูชันการจัดการขยะอัจฉริยะ 

การพิจารณาต้นทุนเป็นปัจจัยสำคัญในการใช้การวิเคราะห์ขอบในระบบการผลิต พิจารณาชุดกล้องที่สแกนผลิตภัณฑ์ที่ผลิตขึ้นเพื่อหาข้อบกพร่องขณะอยู่บนสายพานลำเลียงที่เคลื่อนที่เร็ว การปรับใช้อุปกรณ์ประมวลผลขอบในโรงงานเพื่อดำเนินการประมวลผลภาพสามารถประหยัดต้นทุนได้มากกว่าการติดตั้งเครือข่ายความเร็วสูงเพื่อส่งภาพวิดีโอไปยังระบบคลาวด์

ฉันได้พูดคุยกับ Achal Prabhakar รองประธานฝ่ายวิศวกรรมของ Landing AI ซึ่งเป็น บริษัท AI อุตสาหกรรมที่มีโซลูชันที่มุ่งเน้นไปที่การมองเห็นของคอมพิวเตอร์ “ โรงงานการผลิตค่อนข้างแตกต่างจากแอปพลิเคชันการวิเคราะห์ทั่วไปดังนั้นจึงต้องมีการทบทวน AI ใหม่รวมถึงการปรับใช้” Prabhakar กล่าวกับฉัน "จุดโฟกัสที่สำคัญสำหรับเราคือการปรับใช้โมเดลการมองเห็นการเรียนรู้เชิงลึกที่ซับซ้อนพร้อมการเรียนรู้อย่างต่อเนื่องโดยตรงในสายการผลิตโดยใช้อุปกรณ์ที่มีความสามารถ แต่เป็นสินค้าโภคภัณฑ์"

การปรับใช้การวิเคราะห์ไปยังพื้นที่ห่างไกลเช่นการก่อสร้างและไซต์การขุดเจาะยังได้รับประโยชน์จากการใช้การวิเคราะห์และการประมวลผลแบบขอบ แทนที่จะพึ่งพาเครือข่ายบริเวณกว้างที่มีราคาแพงและอาจไม่น่าเชื่อถือวิศวกรจะปรับใช้โครงสร้างพื้นฐานการวิเคราะห์ที่ทันสมัยในสถานที่เพื่อรองรับข้อมูลที่ต้องการและการประมวลผลการวิเคราะห์ ตัวอย่างเช่น บริษัท น้ำมันและก๊าซได้ติดตั้งโซลูชันการวิเคราะห์แบบสตรีมมิ่งที่มีแพลตฟอร์มคอมพิวเตอร์แบบกระจายในหน่วยความจำไปยัง Edge และลดเวลาในการขุดเจาะลงได้มากถึง 20 เปอร์เซ็นต์จากปกติ 15 วันเหลือ 12 วัน 

การปฏิบัติตามข้อกำหนดและการกำกับดูแลข้อมูลเป็นอีกเหตุผลหนึ่งสำหรับการวิเคราะห์ที่ล้ำหน้า การปรับใช้โครงสร้างพื้นฐานที่ปรับให้เข้ากับท้องถิ่นสามารถช่วยให้เป็นไปตามข้อกำหนด GDPR และกฎระเบียบด้านอธิปไตยของข้อมูลอื่น ๆ โดยการจัดเก็บและประมวลผลข้อมูลที่ จำกัด ในประเทศที่มีการรวบรวมข้อมูล

การออกแบบการวิเคราะห์สำหรับ Edge

น่าเสียดายที่การใช้โมเดลและการวิเคราะห์อื่น ๆ และปรับใช้กับโครงสร้างพื้นฐานการประมวลผลแบบขอบไม่ใช่เรื่องสำคัญเสมอไป ข้อกำหนดการประมวลผลสำหรับการประมวลผลชุดข้อมูลขนาดใหญ่ผ่านแบบจำลองข้อมูลที่มีการคำนวณจำนวนมากอาจจำเป็นต้องทำการรีเอ็นจิเนียริ่งก่อนที่จะรันและปรับใช้บนโครงสร้างพื้นฐานการประมวลผลแบบขอบ

ประการหนึ่งตอนนี้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลจำนวนมากใช้ประโยชน์จากแพลตฟอร์มการวิเคราะห์ระดับสูงกว่าที่มีอยู่ในระบบคลาวด์สาธารณะและส่วนตัว IoT และเซ็นเซอร์มักใช้แอปพลิเคชันฝังตัวที่เขียนด้วย C / C ++ ซึ่งอาจเป็นภูมิประเทศที่ไม่คุ้นเคยและท้าทายสำหรับนักวิทยาศาสตร์และวิศวกรข้อมูลบนคลาวด์

อีกประเด็นหนึ่งอาจเป็นตัวแบบเอง เมื่อนักวิทยาศาสตร์ข้อมูลทำงานในระบบคลาวด์และปรับขนาดทรัพยากรคอมพิวเตอร์ตามความต้องการด้วยต้นทุนที่ค่อนข้างต่ำพวกเขาจะสามารถพัฒนาโมเดลแมชชีนเลิร์นนิงที่ซับซ้อนพร้อมคุณสมบัติและพารามิเตอร์มากมายเพื่อเพิ่มประสิทธิภาพผลลัพธ์ได้อย่างเต็มที่ แต่เมื่อนำโมเดลไปใช้กับโครงสร้างพื้นฐานด้านการประมวลผลขั้นสูงอัลกอริทึมที่ซับซ้อนเกินไปอาจเพิ่มต้นทุนของโครงสร้างพื้นฐานขนาดของอุปกรณ์และความต้องการพลังงานได้อย่างมาก

ฉันได้พูดคุยถึงความท้าทายในการปรับใช้โมเดล AI สู่ความก้าวหน้ากับ Marshall Choy รองประธานฝ่ายผลิตภัณฑ์ของ SambaNova Systems “ นักพัฒนาโมเดลสำหรับแอพพลิเคชั่น AI ที่ล้ำสมัยกำลังมุ่งเน้นไปที่โมเดลที่มีรายละเอียดสูงมากขึ้นเพื่อให้บรรลุการปรับปรุงในการลดพารามิเตอร์และความต้องการในการประมวลผล” เขากล่าว “ ข้อกำหนดในการฝึกอบรมสำหรับโมเดลที่มีขนาดเล็กและมีรายละเอียดสูงเหล่านี้ยังคงน่ากลัวอยู่”

ข้อควรพิจารณาอีกประการหนึ่งคือการปรับใช้ระบบวิเคราะห์ขอบที่มีความน่าเชื่อถือและปลอดภัยสูงนั้นจำเป็นต้องมีการออกแบบและใช้สถาปัตยกรรมระบบเครือข่ายซอฟต์แวร์และโมเดลที่ทนต่อความผิดพลาดสูง

ฉันได้พูดคุยกับ Dale Kim ผู้อำนวยการอาวุโสฝ่ายการตลาดผลิตภัณฑ์ของ Hazelcast เกี่ยวกับกรณีการใช้งานและข้อ จำกัด ในการประมวลผลข้อมูลที่ขอบ เขาให้ความเห็นว่าในขณะที่การเพิ่มประสิทธิภาพอุปกรณ์การบำรุงรักษาเชิงป้องกันการตรวจสอบการประกันคุณภาพและการแจ้งเตือนที่สำคัญนั้นพร้อมใช้งาน แต่ยังมีความท้าทายใหม่ ๆ เช่นพื้นที่ฮาร์ดแวร์ที่ จำกัด การเข้าถึงทางกายภาพที่ จำกัด แบนด์วิดท์ที่ จำกัด และความกังวลด้านความปลอดภัยที่มากขึ้น

“ นั่นหมายความว่าโครงสร้างพื้นฐานที่คุณคุ้นเคยในศูนย์ข้อมูลของคุณไม่จำเป็นต้องใช้งานได้” คิมกล่าว “ ดังนั้นคุณต้องสำรวจเทคโนโลยีใหม่ ๆ ที่ออกแบบโดยคำนึงถึงสถาปัตยกรรมการประมวลผลแบบล้ำสมัย”

พรมแดนถัดไปในการวิเคราะห์

กรณีการใช้งานที่สำคัญมากขึ้นสำหรับการวิเคราะห์ขอบในปัจจุบันคือฟังก์ชันการประมวลผลข้อมูลซึ่งรวมถึงการกรองข้อมูลและการรวบรวมข้อมูล แต่เนื่องจาก บริษัท จำนวนมากติดตั้งเซ็นเซอร์ IoT ตามขนาดความจำเป็นในการใช้การวิเคราะห์การเรียนรู้ของเครื่องและอัลกอริทึมปัญญาประดิษฐ์ในแบบเรียลไทม์จะต้องมีการปรับใช้มากขึ้น 

ความเป็นไปได้ที่ขอบทำให้อนาคตที่น่าตื่นเต้นของการประมวลผลอัจฉริยะเนื่องจากเซ็นเซอร์มีราคาถูกลงแอปพลิเคชันต้องการการวิเคราะห์แบบเรียลไทม์มากขึ้นและการพัฒนาอัลกอริธึมที่เหมาะสมและคุ้มค่าสำหรับ Edge จะกลายเป็นเรื่องง่ายขึ้น