Panduan untuk menggunakan aplikasi bi dengan komputasi tepi

Semua orang berbicara tentang komputasi tepi akhir-akhir ini tetapi sedikit yang mengerti apa itu komputasi, apalagi apa yang harus dilakukan dengannya. Singkatnya, komputasi tepi berarti pemrosesan dekat dengan sumber data, baik pada sensor atau dekat dengan gateway. Jika Anda ingin tahu bagaimana TI dapat mengelola komputasi tepi sebagai alternatif, maka periksa "TI Perlu Mulai Berpikir Tentang 5G dan Edge Cloud Computing, " sebuah kolom oleh Wayne Rash, kolega saya dan kontributor PCMag IT Watch. Tetapi untuk keperluan artikel ini, kita bisa mulai dengan penjelasan dari firma riset pasar IDC, yang mendefinisikan komputasi tepi sebagai "jaringan mesh pusat data mikro" yang memiliki "jejak kurang dari 100 kaki persegi."

Seperti kebanyakan istilah baru dalam ruang teknologi, "edge computing" digunakan secara luas dan telah dikaitkan dengan berbagai teknologi kata kunci lainnya, termasuk blockchain, jaringan pengiriman konten (CDN), komputasi grid, komputasi mesh, dan peer-to- komputasi sebaya. Tugas umum, teknologi mana pun yang digunakan dalam hubungannya dengan komputasi tepi, adalah untuk mempercepat setiap analisis data dan tindakan terkait dengan memperpendek jarak antara di mana data diproses dan di mana hasil akhir dari output itu akan berpengaruh.

Ketika tiba saatnya untuk mengubah wawasan intelijen bisnis (BI) yang sudah Anda menangkan menjadi wawasan yang bisa ditindaklanjuti, itu adalah pertimbangan utama. Tetapi meskipun BI (terutama analitik latensi rendah) dan komputasi tepi tampaknya merupakan kecocokan yang dibuat di surga teknologi, ada banyak hal yang perlu dipertimbangkan sebelum menggabungkan keduanya.

Analisis di Edge vs Streaming Analytics

Signifikansi edge computing untuk analitik sudah jelas setelah Anda menyadari tidak ada cara praktis lain untuk mentransfer tsunami Internet of Things (IoT) yang sedang berlangsung ke cloud tanpa menciptakan latensi yang tidak dapat dipertahankan dan satu heck dari kemacetan jaringan. Masalah latensi itu dapat berakibat fatal pada banyak aplikasi analitik yang muncul, seperti mengemudi secara otonom. Kelimpahan data akan membawa Anda dari broadband ke bottleneck dalam waktu yang lebih singkat daripada yang diperlukan untuk mengatakan "Stream it up, Scotty."

Ya, analisis streaming disebut-sebut hanya beberapa tahun yang lalu sebagai obat mujarab latensi karena mengambil bacaan real-time pada data IoT. Tetapi, sementara analitik streaming masih memiliki banyak sisi negatifnya, itu belum dapat mengubah fisika. Transfer data besar diperlambat oleh banyak router, penundaan paket virtualisasi, koneksi terputus, dan kendala fisik lainnya dalam jaringan. Dalam kasus IoT di daerah-daerah terpencil, mendapatkan koneksi jaringan sama sekali adalah usulan yang kuat dan rapuh pada hari tertentu.

Itu tidak membantu masalah bahwa semua masalah ini diperbesar oleh jarak fisik antara data dan proses komputasi. Untuk alasan ini dan lainnya, analitik streaming cenderung dalam "waktu-dekat-dekat" daripada waktu-nyata. Penundaan itu - betapapun kecilnya - adalah masalah besar jika, katakanlah, Anda membutuhkan keluaran tepat waktu agar mobil otonom mengerem dan menghindari tabrakan. Ini adalah masalah yang lebih besar jika Anda ingin semua mobil di jalan raya itu mengerem sekaligus.

Singkatnya, Star Trek dan pengangkut data kehidupan nyata memiliki batasnya dan tidak ada yang bisa dilakukan Scotty dalam hal itu. Terlalu banyak data IoT untuk ditangani jaringan saat ini dan volumenya masih tumbuh pada tingkat yang menakjubkan. Keuntungan besar di sini: Komputasi tepi memunculkan gelombang informasi melalui jaringan dan juga memberikan hasil analitik yang lebih cepat.

Edge Cloud vs. Cloud

Karena pusat data mikro ini dapat, dan sering, bergabung bersama dalam fungsi kolaboratif, komunikatif, atau saling bergantung, beberapa orang suka menggunakan istilah "cloud edge".

Misalnya, mobil modern memiliki ratusan komputer tertanam yang dirancang untuk mengelola sistem individual tetapi juga saling terhubung sehingga sistem tersebut dapat berkomunikasi satu sama lain dan beradaptasi sesuai kebutuhan. Dengan kata lain, mereka secara individual, kolektif, dan banyak menggunakan komputasi tepi untuk menyelesaikan berbagai fungsi kompleks.

"Mereka tidak hanya merespons kondisi yang diamati tetapi mereka juga belajar dan beradaptasi dari waktu ke waktu, " kata Johnathan Vee Cree, PhD., Ilmuwan / Insinyur Sistem Nirkabel dan Tertanam di Laboratorium Nasional Pasifik Barat Laut (PNNL) Departemen Energi AS. "Sebagai contoh, sistem injeksi bahan bakar modern akan mengamati pola mengemudi mobil untuk mengoptimalkan daya dan efisiensi bahan bakar. Sifat waktu-nyata dari data ini akan membuat tidak mungkin untuk memproses di mana pun selain di tepi."

Bahkan dengan saling ketergantungan multi-sistem di atas kapal, istilah "edge cloud" cenderung memperkeruh pemahaman lebih lanjut karena tidak tepat.

"Ketika berbicara tentang perangkat IoT, pertimbangannya hampir berseberangan dengan cloud, " kata Vee Cree. "Perangkat IoT biasanya memiliki daya penyimpanan dan pemrosesan yang terbatas, yang berpotensi konektivitas sebentar-sebentar ke dunia luar, dan mungkin diberdayakan oleh baterai. Nilai kunci dalam perangkat ini adalah kemampuan mereka untuk mengubah nilai sensor mentah yang tersedia bagi mereka menjadi data yang bermakna."

Grafik Edge Computing Devices di atas dicetak ulang dengan izin dari TECHnalysis Research.

Namun, komputasi tepi dan komputasi awan tidak saling eksklusif. Memang, mereka terjalin dalam strategi data IoT paling sukses. Itu tidak akan berubah dalam waktu dekat.

"Contoh kombinasi komputasi tepi dan cloud berasal dari fitur autopilot Tesla. Sistem autopilot harus merasakan dan bereaksi terhadap kondisi mengemudi yang selalu berubah. Ini dilakukan melalui penggunaan algoritma pembelajaran mesin yang mampu mendeteksi dan menghindari bahaya saat mengendalikan mobil. Walaupun data ini digunakan untuk membuat keputusan secara real time, data ini juga dibagi dengan cloud dan digunakan untuk meningkatkan fitur autopilot untuk semua pengemudi, "jelas William Moeglein, seorang Insinyur Perangkat Lunak di PNNL.

Permainan combo edge dan cloud adalah umum hanya karena ia berfungsi; itu memanfaatkan yang terbaik dari kedua dunia tetapi itu bukan satu-satunya permainan di kota. Faktanya, 36 persen analitik tepi berada di pusat data perusahaan, 34 persen di tepi, dan 29 persen di awan, menurut "Computing on the Edge: Survey Highlights, " sebuah laporan oleh Bob O'Donnell, President dan Kepala Analis di Riset TECHnalysis. Ini berarti bahwa ada opsi dalam cara analitik tepi diterapkan. Pilihannya sepenuhnya tergantung pada apa yang Anda coba lakukan dan kondisi di mana Anda berusaha mencapai tujuan itu.

"Pertukaran antara daya komputasi dan penggunaan energi dapat menjadi faktor pembatas ketika perangkat dijalankan dari baterai. Dalam kasus di mana konsumsi daya penting, keputusan dapat dibuat berdasarkan sampel data kecil meskipun memiliki akses ke pembacaan sensor kontinyu, " kata Moeglein PNNL.

"Komputasi tepi memungkinkan umpan balik untuk perangkat di bidang di mana komunikasi tidak dijamin, satu arah, atau terbatas, " lanjut Moeglein. "Dalam kasus di mana sistem diharapkan beroperasi selama bertahun-tahun atau beberapa dekade pada baterai, edge computing dapat digunakan untuk memberikan masa pakai perangkat yang lebih lama dengan mengurangi data yang sedang dikirim."

Grafik komputasi kabut di atas dicetak ulang dengan izin dari Cisco Systems, Inc.

De-Fogging the Edge Cloud

Otomatisasi untuk mengelola dan mengoptimalkan di mana dan bagaimana analisis dilakukan segera diikuti, sehingga mengarah pada konsep "komputasi kabut, " sebuah istilah yang diciptakan oleh vendor IT dan jaringan Cisco Systems. Dalam strategi ini, seperti yang dijelaskan oleh Cisco dalam buku putih, "pengembang membuat port atau menulis aplikasi IOT untuk node kabut di tepi jaringan. Node kabut yang paling dekat dengan tepi jaringan menelan data dari perangkat IoT. Kemudian - dan ini sangat penting- aplikasi kabut IoT mengarahkan berbagai jenis data ke tempat yang optimal untuk analisis. " Seperti yang digambarkan dalam grafik di atas, dalam pandangan Cisco, komputasi kabut memperluas cloud lebih dekat ke perangkat aktual yang melakukan pengumpulan data. Dengan menempatkan simpul kabut di dekat dengan perangkat IoT, Cisco berupaya mempercepat analitik sambil mengurangi latensi.

Beberapa mengatakan lebih mudah untuk memikirkan hal ini ketika komputasi awan didorong ke tepi - desentralisasi, dengan kata lain - sebagai lawan komputasi tepi yang menghitung di tepi jaringan, sering kali sebenarnya pada perangkat IoT. Perbedaan yang sangat bernuansa, pasti.

Seringkali orang menggunakan "komputasi tepi" dan "komputasi kabut" secara bergantian karena kedua konsepnya sangat mirip. Ini adalah kemampuan komputasi kabut untuk menyortir dan merutekan data ke berbagai lokasi untuk analisis yang membedakannya. Itu, dan komputasi kabut paling sering "dekat tepi" (yaitu, gateway) daripada benar-benar di tepi seperti pada perangkat IoT.

Singkatnya, tidak ada konsensus tentang apa, tepatnya, komputasi tepi itu, tetapi banyak orang yang mengatakan mengaburkan masalah ini tidak membantu. Menurut laporan TECHnalysis Research yang disebutkan di atas, "lebih banyak orang berpikir edge edge dibuat dari titik akhir (29, 8 persen) daripada gateway (13, 2 persen), tetapi 44 persen berpikir itu keduanya."

Bagaimanapun, "aplikasi pengguna akhir pada akhirnya mendorong kebutuhan sistem dan bertujuan untuk menemukan keseimbangan antara manfaat pemrosesan di tepi atau cloud, " kata Vee Cree dari PNNL.

Hanya ada satu aturan praktis di sini: Jika Anda membutuhkan keputusan dalam waktu dekat atau waktu nyata, maka lakukan pemrosesan sedekat mungkin dengan sumber data. Komputasi tepi adalah pilihan untuk menghilangkan latensi, menghemat energi, dan mengurangi lalu lintas jaringan.

API, Aplikasi, dan Ekosistem

Secara umum, aplikasi yang digunakan bersama dengan komputasi tepi ditujukan untuk mencapai kecepatan dan efisiensi. Di sini Anda cenderung menemukan aplikasi kecerdasan bisnis mandiri (BI) yang berdiri sendiri, tetapi lebih menyematkan fungsi BI dan, tentu saja, antarmuka pemrograman aplikasi (API) untuk menggabungkan data IoT ke aplikasi BI dan kerangka kerja yang ada di cloud.

"Konsep komputasi tepi membantu perusahaan merangkul keuntungan dari komputasi awan bahkan dalam skenario di mana latensi dan konektivitas menjadi masalah. Beberapa aplikasi berurusan dengan ukuran data atau persyaratan kecepatan yang melarang round trip ke cloud dan, dalam kasus seperti itu, Tableau analitik yang tertanam dalam aplikasi lokal memberikan wawasan dengan cepat, "kata Mark Jewett, Wakil Presiden Pemasaran Produk di Tableau Software.

"Dalam kasus lain, edge computing menawarkan cara untuk menangani skenario di mana konektivitas tidak dapat diandalkan atau mahal atau berkala. Contoh-contoh seperti hal-hal yang bergerak, seperti kapal, hal-hal yang jauh, seperti platform atau tambang minyak, atau bahkan situasi di mana konektivitas baik tetapi tidak layak mengambil risiko pada gangguan, seperti sistem pabrik di mana waktu henti sangat mahal Analis dan pengguna lain di lapangan, yang mungkin tidak memiliki akses ke stasiun kerja penuh, masih menginginkan kekuatan analitik yang sama telah datang untuk tahu."

Tableau bukan satu-satunya vendor BI yang bekerja pada atau dengan data di tepi. Microsoft menunjuk Schneider Electric, salah satu pelanggannya sebagai studi kasus. Schneider Electric memiliki aplikasi tepi yang melakukan perawatan prediktif pada batang minyak, menggunakan Azure Machine Learning dan Azure IoT Edge untuk meningkatkan keselamatan dan mengurangi insiden di daerah-daerah terpencil, kata juru bicara Microsoft. Pemrosesan data dilakukan pada perangkat. Ini dicapai dengan membawa intelijen cloud - model ML yang mereka latih dalam cloud - ke perangkat tepi itu sendiri. Ini memungkinkan deteksi anomali yang lebih cepat berdasarkan kumpulan data pelatihan yang besar.

Sementara itu, IBM Watson melaporkan berbagai kasus penggunaan, termasuk analitik ambient dan suara dan percakapan perangkat, analisis drone gambar dan video, dan analitik akustik pemeliharaan dan keselamatan.

"Dalam semua kasus ini, analytics edge memungkinkan peningkatan kinerja, biaya, dan privasi dengan mengoperasikan perangkat secara lokal, " kata Bret Greenstein, Wakil Presiden IBM Watson IoT, Penawaran Konsumen. "Pertumbuhan ini menarik ketika kekuatan komputasi di tepi tumbuh, dan ML matang dan menciptakan kasus penggunaan yang lebih khusus.

"Perangkat dapat 'memahami' apa yang mereka lihat dan dengar, dan menggunakan pemahaman itu untuk memberikan layanan yang lebih baik dan membuat pilihan yang lebih baik. Ini terjadi secara real time. Dan karena data aktual dapat dikonversi menjadi wawasan di perangkat tepi, Anda mungkin tidak harus mengirim data ke cloud, yang meningkatkan biaya dan membantu mengaktifkan bentuk-bentuk baru perlindungan privasi."

Menambahkan lapisan perlindungan privasi yang baru berpotensi mengurangi kewajiban perusahaan sambil tetap memberikan data yang dibutuhkan perusahaan untuk berkembang.

Aplikasi Edge Computing by the Numbers

Perlu diingat bahwa edge computing sedang dalam masa pertumbuhan, tidak mengherankan bahwa hanya segelintir aplikasi edge computing yang baru (39 persen), menurut TECHnalysis Research. Mayoritas (61 persen) adalah aplikasi cloud yang dimigrasi. Yang mengatakan, berikut ini adalah aplikasi komputasi tepi atas:

Analitik operasi (44 persen)

Pemantauan proses (35 persen)

Pemantauan karyawan (32 persen)

Pemantauan aset jarak jauh (28 persen)

Kepatuhan di tempat kerja / keamanan (24 persen)

Perawatan prediktif (22 persen)

Pelacakan aset fisik di tempat (20 persen)

Lima alasan teratas untuk memigrasi aplikasi cloud ke tepi, menurut laporan TECHnalysis Research yang sama, adalah untuk meningkatkan keamanan, mengurangi biaya, mengurangi latensi, meningkatkan kontrol lokal, dan mengurangi lalu lintas jaringan.

Melalui lensa BI, efisiensi dan peluang ditingkatkan dengan komputasi tepi. Karenanya, masuk akal untuk terlebih dahulu memigrasikan aplikasi cloud atau menanamkan analitik di aplikasi IoT yang ada yang dapat menempatkan Anda pada posisi terbaik tercepat. Misalnya, alih-alih mengalirkan dan menganalisis semua data dari unit robotika di lantai pabrik, Anda dapat membuang flotsam, yang merupakan jumlah informasi berulang yang tampaknya tak berujung yang dihasilkan oleh sensor.

Sebaliknya, komputasi tepi dapat digunakan untuk mencatat dan menganalisis hanya "mengubah data, " yang berarti data yang berbeda dalam beberapa hal dari streaming data lain dari sumber yang sama. Misalnya, bayangkan kincir angin di lingkaran Arktik yang melaporkan: "Aku baik-baik saja. Aku baik-baik saja. Aku baik-baik saja. Blade macet selama dua detik. Aku baik-baik saja. Aku baik-baik saja. Aku baik-baik saja." Bit tentang blade sticking adalah perubahan data. Begitu juga "pergantian angin, " yang dapat memicu mesin untuk berputar dan mengumpulkan lebih banyak energi. Ubah data adalah titik data yang paling signifikan karena mereka mencatat perubahan.

Dalam kasus seperti itu, aplikasi di tepi hanya bekerja dengan data yang relevan; beberapa orang menyebutnya "data pintar." Mengapa merebus laut ketika detail-detail penting dapat segera dilihat? Aplikasi data pintar membuat data dapat digunakan pada titik pengumpulan dan juga dapat memutuskan data mana yang akan dikirimkan ke cloud untuk pencampuran dan analisis lebih lanjut dalam aplikasi BI tradisional. Dengan cara ini, penambangan data dioptimalkan untuk efek bisnis maksimum.

4 Tips untuk Strategi Komputasi BI dan Edge Anda

Ini relatif mudah untuk mengikuti tren komputasi tepi dan memutuskan untuk memulai dengan memigrasikan aplikasi dari cloud. Tetapi bertindak tanpa strategi akan menjadi kesalahan serius. Ingat hari-hari awal IoT ketika hal-hal acak seperti pemanggang roti dengan cepat terhubung ke internet dan kemudian dengan bangga ditampilkan di CES berikutnya?

Bahkan data cerdas tidak dapat membantu Anda jika strategi Anda tidak masuk akal atau hilang. Jadi, berikut adalah empat pertimbangan yang perlu diingat ketika membentuk strategi BI dan edge Anda.

1. Evaluasi kembali permainan IoT Anda saat ini untuk peluang penambangan data tambahan. Misalnya, penjual bahan makanan atau pabrik mungkin ingin menggunakan data dari rantai pasokannya, seperti sensor pendingin dan truk, untuk menetapkan atau memvalidasi sumber bahan baku. Informasi tersebut ditambahkan ke blockchain keberlanjutan dapat digunakan dalam pemasaran untuk menarik konsumen yang sadar lingkungan.

Seorang pengecer mungkin menggunakan visi komputer dan komputasi tepi di tokonya untuk memindai konsumen untuk menunjukkan representasi 3D langsung tentang bagaimana pakaian yang dilihat pembelanja benar-benar cocok untuk mereka. Ini dapat meningkatkan penjualan serta menghilangkan kebutuhan untuk ruang ganti dan masalah keamanan dan privasi yang terkait. Tetapi data juga dapat dikirim ke cloud untuk dicampur dengan data konsumen lainnya untuk menginformasikan strategi perusahaan yang lebih besar.

Cari peluang untuk mendapatkan lebih banyak dari IoT yang Anda miliki. Apa lagi yang bisa Anda lakukan dengan data yang dihasilkannya? Data apa lagi yang bisa Anda gunakan untuk mengumpulkan dan memproses?

2. Putuskan aplikasi mana yang Anda butuhkan di tepi. Anda mungkin perlu memigrasi aplikasi, menanamkan beberapa analitik, atau bahkan menulis aplikasi khusus; itu semua tergantung pada apa yang Anda coba lakukan. Biarkan sasaran bisnis Anda memandu Anda dalam memilih aplikasi.

Tempat yang baik untuk mempelajari lebih lanjut tentang mengembangkan aplikasi untuk edge adalah konferensi OpenDev, yang diselenggarakan oleh OpenStack Foundation. OpenStack adalah proyek komputasi awan open-source, dan kebetulan bahwa komputasi tepi adalah topik hangat di sana. Itu juga terjadi bahwa open source adalah komputasi tepi panas, karena hampir di semua komputasi. Anda juga dapat mempertimbangkan aplikasi yang ditawarkan oleh vendor komputasi tepi dan analitik tertanam yang disediakan oleh vendor aplikasi BI.

3. Pilih teknologi baru yang ingin Anda gunakan. Anda dapat meminta vendor untuk memberikan demo kepada Anda sehingga Anda bisa merasakan teknologi mana yang ingin Anda gunakan, aplikasi apa yang tersedia, dan beberapa panduan tentang mengembangkan aplikasi untuk itu. Misalnya, Amazon Web Service (AWS) dan AWS Greengrass, Microsoft Azure IoT Edge, dan Cisco dan IBM Watson IoT menawarkan perpaduan teknologi serta analitik dan aplikasi untuk komputasi ujung IoT.

Anda juga dapat melihat berbagai macam blockchain, CDN, peer-to-peer, dan vendor play murni lainnya. Tetapi jangan mengabaikan raksasa teknologi seperti Dell Inc., IBM Corp, dan Hewlett Packard Enterprise (HPE), yang semuanya telah menambahkan penambahan kapasitas penyimpanan dan komputasi dan analitik ke perangkat keras mereka untuk mengubahnya menjadi perangkat canggih.

Rasakan pilihan Anda sebelum Anda mulai mengevaluasi vendor dengan serius. Juga, lakukan inventarisasi jenis teknologi IoT yang saat ini digunakan perusahaan Anda dan jenis yang ingin ditambahkan, sebelum Anda mulai berbicara dengan vendor. Dengan begitu, Anda lebih cenderung tetap di jalur.

4. Rencanakan evolusi. Ada pola di jalan menuju kedewasaan yang diikuti oleh semua teknologi dan tren yang belum matang. Harapkan evolusi yang sama terjadi dengan BI dan ujungnya. Jadi, ya, kemungkinan akan ada konsolidasi vendor beberapa titik; Ingatlah hal itu.

Juga mencari decoupling teknologi cloud dari cloud yang tepat sehingga mereka juga dapat digunakan di ujungnya. Anda akan ingin melihat decoupling seperti itu yang akan memberi Anda fleksibilitas maksimum dalam menggunakan cloud atau edge. Ini mungkin akan menurunkan biaya dan meningkatkan efisiensi melalui aplikasi yang lebih cerdas dari ekosistem yang beragam daripada dari satu vendor. Buat rencana Anda baik jangka pendek dan jangka panjang untuk memastikan Anda dapat beradaptasi dengan perubahan yang dapat diperkirakan tanpa kehilangan besar dalam investasi sebelumnya.