Πολλές περιπτώσεις χρήσης αναλυτικών στοιχείων και μηχανικής μάθησης συνδέονται με δεδομένα που είναι αποθηκευμένα σε αποθήκες δεδομένων ή λίμνες δεδομένων, εκτελούν αλγόριθμους σε πλήρη σύνολα δεδομένων ή ένα υποσύνολο των δεδομένων και υπολογίζουν αποτελέσματα σε αρχιτεκτονικές cloud. Αυτή η προσέγγιση λειτουργεί καλά όταν τα δεδομένα δεν αλλάζουν συχνά. Τι γίνεται όμως αν τα δεδομένα αλλάζουν συχνά;
Σήμερα, περισσότερες επιχειρήσεις πρέπει να επεξεργάζονται δεδομένα και να υπολογίζουν αναλυτικά στοιχεία σε πραγματικό χρόνο. Το IoT οδηγεί μεγάλο μέρος αυτής της αλλαγής παραδείγματος καθώς η ροή δεδομένων από αισθητήρες απαιτεί άμεση επεξεργασία και ανάλυση για τον έλεγχο των συστημάτων κατάντη. Η ανάλυση σε πραγματικό χρόνο είναι επίσης σημαντική σε πολλούς κλάδους, συμπεριλαμβανομένης της υγειονομικής περίθαλψης, των χρηματοοικονομικών υπηρεσιών, της κατασκευής και της διαφήμισης, όπου μικρές αλλαγές στα δεδομένα μπορεί να έχουν σημαντικές οικονομικές επιπτώσεις, υγεία, ασφάλεια και άλλες επιχειρηματικές επιπτώσεις.
Αν σας ενδιαφέρει να ενεργοποιήσετε τα αναλυτικά στοιχεία σε πραγματικό χρόνο - και σε αναδυόμενες τεχνολογίες που αξιοποιούν ένα μείγμα υπολογιστικών άκρων, AR / VR, αισθητήρων IoT σε κλίμακα και μηχανικής μάθησης σε κλίμακα - τότε είναι σημαντικό να κατανοήσετε τις σχεδιαστικές εκτιμήσεις για τα αναλυτικά στοιχεία αιχμής. Περίπτωση χρήσης Edge Computing όπως αυτόνομα drones, έξυπνες πόλεις, διαχείριση αλυσίδων λιανικής και δίκτυα τυχερών παιχνιδιών επαυξημένης πραγματικότητας που στοχεύουν στην ανάπτυξη μεγάλης κλίμακας, εξαιρετικά αξιόπιστων αναλυτικών στοιχείων.
Edge analytics, streaming analytics και edge computing
Αρκετά διαφορετικά αναλυτικά στοιχεία, μηχανική μάθηση και παραδείγματα υπολογιστικών αιχμής σχετίζονται με την ανάλυση αιχμής:
- Το Edge analytics αναφέρεται σε αλγόριθμους ανάλυσης και μηχανικής μάθησης που αναπτύσσονται σε υποδομές εκτός της υποδομής cloud και «στην άκρη» σε γεωγραφικά εντοπισμένη υποδομή.
- Η ροή αναλυτικών στοιχείων αναφέρεται σε υπολογιστικά αναλυτικά στοιχεία σε πραγματικό χρόνο κατά την επεξεργασία των δεδομένων. Η ανάλυση ροής μπορεί να γίνει στο cloud ή στην άκρη ανάλογα με την περίπτωση χρήσης.
- Η επεξεργασία συμβάντων είναι ένας τρόπος επεξεργασίας δεδομένων και λήψης αποφάσεων σε πραγματικό χρόνο. Αυτή η επεξεργασία είναι ένα υποσύνολο αναλυτικών στοιχείων ροής και οι προγραμματιστές χρησιμοποιούν αρχιτεκτονικές βάσει συμβάντων για τον εντοπισμό συμβάντων και την ενεργοποίηση μεταγενέστερων ενεργειών.
- Το Edge computing αναφέρεται στην ανάπτυξη υπολογισμών σε συσκευές αιχμής και υποδομή δικτύου.
- Ο υπολογιστής ομίχλης είναι μια πιο γενικευμένη αρχιτεκτονική που χωρίζει τον υπολογισμό μεταξύ των περιβαλλόντων, των άκρων και των υπολογιστικών σύννεφων.
Κατά το σχεδιασμό λύσεων που απαιτούν αναλυτικά στοιχεία αιχμής, οι αρχιτέκτονες πρέπει να λαμβάνουν υπόψη τους φυσικούς περιορισμούς και την ισχύ, το κόστος και την αξιοπιστία του δικτύου, τα θέματα ασφάλειας και τις απαιτήσεις επεξεργασίας.
Λόγοι για την ανάπτυξη αναλυτικών στοιχείων στην άκρη
Μπορείτε να ρωτήσετε γιατί θα αναπτύξατε υποδομή στην άκρη για αναλυτικά στοιχεία; Υπάρχουν τεχνικές εκτιμήσεις, κόστος και συμμόρφωση που λαμβάνουν υπόψη αυτές τις αποφάσεις.
Εφαρμογές που επηρεάζουν την ανθρώπινη ασφάλεια και απαιτούν ανθεκτικότητα στην αρχιτεκτονική των υπολογιστών είναι μια περίπτωση χρήσης για αναλυτικά στοιχεία αιχμής. Οι εφαρμογές που απαιτούν χαμηλό λανθάνοντα χρόνο μεταξύ πηγών δεδομένων, όπως αισθητήρες IoT και υποδομή υπολογιστικών αναλυτικών στοιχείων είναι μια δεύτερη περίπτωση χρήσης που απαιτεί συχνά αναλυτικά στοιχεία αιχμής. Παραδείγματα αυτών των περιπτώσεων χρήσης περιλαμβάνουν:
- Αυτοκίνητα, αυτοματοποιημένα μηχανήματα ή οποιαδήποτε μεταφορά όπου τα συστήματα ελέγχου αυτοματοποιούν όλα ή μέρη της πλοήγησης.
- Έξυπνα κτίρια που διαθέτουν ελέγχους ασφαλείας σε πραγματικό χρόνο και θέλουν να αποφύγουν την εξάρτηση από δίκτυο και υποδομή cloud για να επιτρέπουν στους ανθρώπους να εισέρχονται και να εξέρχονται με ασφάλεια από το κτίριο.
- Έξυπνες πόλεις που παρακολουθούν τα μέσα μαζικής μεταφοράς, αναπτύσσουν έξυπνους μετρητές για χρεώσεις κοινής ωφέλειας και έξυπνες λύσεις διαχείρισης αποβλήτων.
Οι εκτιμήσεις κόστους είναι ένας σημαντικός παράγοντας στη χρήση αναλυτικών στοιχείων αιχμής στα συστήματα κατασκευής. Εξετάστε ένα σετ φωτογραφικών μηχανών που ανιχνεύει ελαττωματικά τα κατασκευασμένα προϊόντα ενώ βρίσκεστε σε γρήγορους μεταφορικούς ιμάντες. Μπορεί να είναι πιο οικονομικά αποδοτικό να αναπτυχθούν συσκευές υπολογιστικής αιχμής στο εργοστάσιο για την εκτέλεση της επεξεργασίας εικόνων, αντί να έχουν εγκατεστημένα δίκτυα υψηλής ταχύτητας για τη μετάδοση εικόνων βίντεο στο σύννεφο.
Μίλησα με τον Achal Prabhakar, VP της μηχανικής στο Landing AI, μια βιομηχανική εταιρεία AI με λύσεις που εστιάζουν στην όραση των υπολογιστών. «Τα εργοστάσια παραγωγής είναι αρκετά διαφορετικά από τις βασικές εφαρμογές ανάλυσης και επομένως απαιτούν επανεξέταση της τεχνητής νοημοσύνης, συμπεριλαμβανομένης της ανάπτυξης», μου είπε ο Prabhakar. «Ένας μεγάλος τομέας εστίασης για εμάς είναι η ανάπτυξη σύνθετων μοντέλων βαθιάς μάθησης με συνεχή μάθηση απευθείας σε γραμμές παραγωγής χρησιμοποιώντας ικανές αλλά πρώτες ύλες προϊόντων».
Η ανάπτυξη αναλυτικών στοιχείων σε απομακρυσμένες περιοχές, όπως ιστότοποι κατασκευής και γεώτρησης, επωφελείται επίσης από τη χρήση προηγμένων αναλυτικών στοιχείων και υπολογιστών. Αντί να βασίζονται σε ακριβά και δυνητικά αναξιόπιστα δίκτυα ευρείας περιοχής, οι μηχανικοί αναπτύσσουν επιτόπια υποδομή αναλυτικών στοιχείων επί τόπου για να υποστηρίξουν την απαιτούμενη επεξεργασία δεδομένων και αναλυτικών στοιχείων. Για παράδειγμα, μια εταιρεία πετρελαίου και φυσικού αερίου ανέπτυξε μια λύση ανάλυσης ροής με μια κατανεμημένη πλατφόρμα υπολογιστών στη μνήμη στην άκρη και μείωσε το χρόνο γεώτρησης έως και 20 τοις εκατό, από ένα τυπικό 15 ημέρες σε 12 ημέρες.
Η συμμόρφωση και η διακυβέρνηση δεδομένων είναι ένας άλλος λόγος για την ανάλυση αιχμής. Η ανάπτυξη τοπικής υποδομής μπορεί να βοηθήσει στην εκπλήρωση της συμμόρφωσης του GDPR και άλλων κανονισμών περί κυριαρχίας δεδομένων αποθηκεύοντας και επεξεργάζοντας περιορισμένα δεδομένα στις χώρες όπου συλλέγονται τα δεδομένα.
Σχεδιασμός αναλυτικών στοιχείων για το πλεονέκτημα
Δυστυχώς, η λήψη μοντέλων και άλλων αναλυτικών στοιχείων και η ανάπτυξή τους στην προηγμένη υπολογιστική υποδομή δεν είναι πάντα ασήμαντη. Οι απαιτήσεις υπολογιστών για την επεξεργασία μεγάλων συνόλων δεδομένων μέσω υπολογιστικών εντατικών μοντέλων δεδομένων ενδέχεται να απαιτούν εκ νέου κατασκευή πριν από την εκτέλεση και την ανάπτυξή τους σε υποδομή υπολογιστικής αιχμής.
Πρώτον, πολλοί προγραμματιστές και επιστήμονες δεδομένων εκμεταλλεύονται τώρα τις πλατφόρμες ανάλυσης υψηλότερου επιπέδου που είναι διαθέσιμες σε δημόσια και ιδιωτικά σύννεφα. Οι IoT και οι αισθητήρες χρησιμοποιούν συχνά ενσωματωμένες εφαρμογές γραμμένες σε C / C ++, οι οποίες μπορεί να είναι άγνωστες και δύσκολες περιοχές για φυσικούς επιστήμονες και μηχανικούς δεδομένων cloud.
Ένα άλλο ζήτημα μπορεί να είναι τα ίδια τα μοντέλα. Όταν οι επιστήμονες δεδομένων εργάζονται στο cloud και κλιμακώνουν υπολογιστικούς πόρους κατ 'απαίτηση με σχετικά χαμηλό κόστος, είναι σε θέση να αναπτύξουν σύνθετα μοντέλα μηχανικής μάθησης, με πολλά χαρακτηριστικά και παραμέτρους, για να βελτιστοποιήσουν πλήρως τα αποτελέσματα. Όμως, κατά την ανάπτυξη μοντέλων για υπολογιστική υποδομή αιχμής, ένας υπερβολικά περίπλοκος αλγόριθμος θα μπορούσε να αυξήσει δραματικά το κόστος της υποδομής, το μέγεθος των συσκευών και τις απαιτήσεις ισχύος.
Συζήτησα τις προκλήσεις της ανάπτυξης μοντέλων AI με το Marshall Choy, VP του προϊόντος στη SambaNova Systems. "Οι προγραμματιστές μοντέλων για εφαρμογές αιχμής AI εστιάζουν όλο και περισσότερο σε εξαιρετικά λεπτομερή μοντέλα για να επιτύχουν βελτιώσεις στη μείωση παραμέτρων και στις απαιτήσεις υπολογισμού", σημείωσε. "Οι απαιτήσεις εκπαίδευσης για αυτά τα μικρότερα, εξαιρετικά λεπτομερή μοντέλα παραμένουν τρομακτικές."
Ένα άλλο ζήτημα είναι ότι η ανάπτυξη ενός εξαιρετικά αξιόπιστου και ασφαλούς συστήματος ανάλυσης αιχμής απαιτεί το σχεδιασμό και την εφαρμογή αρχιτεκτονικών, συστημάτων, δικτύων, λογισμικού και μοντέλων υψηλής ανεκτικότητας σφαλμάτων.
Μίλησα με τον Dale Kim, ανώτερο διευθυντή μάρκετινγκ προϊόντων στο Hazelcast, σχετικά με περιπτώσεις χρήσης και περιορισμούς κατά την επεξεργασία των δεδομένων στην άκρη. Σχολίασε ότι, ενώ οι βελτιστοποιήσεις εξοπλισμού, η προληπτική συντήρηση, οι έλεγχοι διασφάλισης ποιότητας και οι κρίσιμες ειδοποιήσεις είναι όλες διαθέσιμες στην άκρη, υπάρχουν νέες προκλήσεις όπως περιορισμένος χώρος υλικού, περιορισμένη φυσική προσβασιμότητα, περιορισμένο εύρος ζώνης και μεγαλύτερες ανησυχίες για την ασφάλεια.
"Αυτό σημαίνει ότι η υποδομή που έχετε συνηθίσει στο κέντρο δεδομένων σας δεν θα λειτουργεί απαραίτητα", δήλωσε ο Kim. "Επομένως, πρέπει να εξερευνήσετε νέες τεχνολογίες που έχουν σχεδιαστεί με γνώμονα τις αρχιτεκτονικές υπολογιστών αιχμής."
Τα επόμενα σύνορα στην ανάλυση
Οι πιο βασικές περιπτώσεις χρήσης για τα αναλυτικά στοιχεία αιχμής είναι οι λειτουργίες επεξεργασίας δεδομένων, συμπεριλαμβανομένου του φιλτραρίσματος δεδομένων και των συγκεντρώσεων. Όμως, καθώς περισσότερες εταιρείες αναπτύσσουν αισθητήρες IoT σε κλίμακα, η ανάγκη εφαρμογής αλγορίθμων ανάλυσης, μηχανικής μάθησης και τεχνητής νοημοσύνης σε πραγματικό χρόνο θα απαιτήσει περισσότερες αναπτύξεις.
Οι δυνατότητες στην άκρη δημιουργούν ένα πολύ συναρπαστικό μέλλον έξυπνης πληροφορικής καθώς οι αισθητήρες γίνονται φθηνότεροι, οι εφαρμογές απαιτούν πιο αναλυτικά δεδομένα σε πραγματικό χρόνο και η ανάπτυξη βελτιστοποιημένων, οικονομικά αποδοτικών αλγορίθμων για την άκρη γίνεται ευκολότερη.
