Eine Anleitung zur Verwendung von Bi-Apps mit Edge-Computing

Alle reden heutzutage über Edge-Computing, aber nur wenige verstehen, was es ist, geschweige denn, was sie damit anfangen sollen. Kurz gesagt bedeutet Edge-Computing die Verarbeitung in der Nähe der Datenquelle, entweder auf dem Sensor oder in der Nähe des Gateways. Wenn Sie wissen möchten, wie die IT Edge-Computing am besten als Alternative verwalten kann, lesen Sie "IT muss erst über 5G und Edge-Cloud-Computing nachdenken", eine Kolumne von Wayne Rash, meinem Kollegen und Mitwirkenden von PCMag IT Watch. Für die Zwecke dieses Artikels können wir jedoch mit einer Erklärung des Marktforschungsunternehmens IDC beginnen, das Edge Computing als ein "vermaschtes Netzwerk von Mikrodatenzentren" definiert, das "eine Grundfläche von weniger als 100 Quadratfuß" aufweist.

Wie die meisten neuen Begriffe im Technologiebereich wird "Edge Computing" in großem Umfang verwendet und mit einer Vielzahl anderer Modeworttechnologien wie Blockchain, Content Delivery Networks (CDNs), Grid Computing, Mesh Computing und Peer-to-Peer-Computing verknüpft. Peer-Computing. Die häufigste Aufgabe, unabhängig davon, welche Technologie im Zusammenhang mit Edge-Computing eingesetzt wird, besteht darin, die Datenanalyse und die damit verbundenen Aktionen zu beschleunigen, indem die Entfernung zwischen dem Ort der Datenverarbeitung und dem Ort, an dem sich das Endergebnis dieser Ausgabe auswirkt, verkürzt wird.

Wenn es darum geht, Ihre hart erkämpften Business Intelligence-Erkenntnisse (BI-Erkenntnisse) in umsetzbare Erkenntnisse umzuwandeln, ist dies eine wichtige Überlegung. Aber auch wenn BI (insbesondere die Analyse mit geringer Latenz) und Edge-Computing eine Übereinstimmung zu sein scheinen, die im Technologiebereich hergestellt wurde, gibt es eine Menge zu bedenken, bevor beide kombiniert werden.

Analytics am Rande vs. Streaming Analytics

Die Bedeutung von Edge-Computing für die Analytik wird deutlich, sobald Sie feststellen, dass es keine andere praktische Möglichkeit gibt, einen anhaltenden Tsunami von Internet-of-Things-Daten (IoT) in die Cloud zu übertragen, ohne dass eine unhaltbare Latenz und ein verdammter Netzwerkstau auftreten. Dieses Problem mit der Latenz kann sich in vielen neu aufkommenden Analyseanwendungen als schwerwiegend erweisen, z. B. beim autonomen Fahren. Durch den Datenüberlauf gelangen Sie in kürzerer Zeit vom Breitband zum Engpass.

Ja, Streaming Analytics wurde vor ein paar Jahren als latenzempfindliches Allheilmittel angepriesen, um einen Echtzeit-Messwert für IoT-Daten abzurufen. Obwohl Streaming Analytics noch viele Vorteile bietet, konnte es die Physik nicht ändern. Riesige Datenübertragungen werden durch zahlreiche Router-Hops, Verzögerungen bei Virtualisierungspaketen, unterbrochene Verbindungen und andere physische Einschränkungen in einem Netzwerk verlangsamt. Im Fall von IoT in abgelegenen Gebieten ist das Herstellen einer Netzwerkverbindung an einem bestimmten Tag eine gewaltige und fragwürdige Angelegenheit.

Es hilft nichts, dass all diese Probleme durch die physische Distanz zwischen den Daten und den Rechenprozessen vergrößert werden. Aus diesen und anderen Gründen erfolgt die Streaming-Analyse eher in Echtzeit als in Echtzeit. Diese - auch noch so kleine - Verzögerung ist ein großes Problem, wenn Sie beispielsweise die Ausgänge rechtzeitig benötigen, damit ein autonomes Auto bremsen und eine Kollision vermeiden kann. Es ist ein noch größeres Problem, wenn alle Autos auf dieser Autobahn gleichzeitig bremsen sollen.

Kurz gesagt, Star Trek- und reale Datentransporter haben ihre Grenzen und es gibt nichts, was Scotty in der IT dagegen tun kann. Es gibt einfach zu viele IoT-Daten, als dass sie von aktuellen Netzwerken verarbeitet werden könnten, und das Volumen wächst immer noch mit atemberaubender Geschwindigkeit. Der große Vorteil dabei: Edge-Computing hält die Informationsflut über das Netzwerk auf und bietet auch schnellere Analyseausgaben.

Randwolke gegen Wolke

Da diese Mikrodatenzentren in kollaborativen, kommunikativen oder voneinander abhängigen Funktionen zusammengeschlossen werden können und dies auch häufig der Fall ist, verwenden manche Leute gerne den Begriff "Edge Cloud".

Beispielsweise verfügen moderne Autos über Hunderte eingebetteter Computer, die für die Verwaltung einzelner Systeme ausgelegt sind, aber auch miteinander verbunden sind, damit die Systeme miteinander kommunizieren und sich nach Bedarf anpassen können. Mit anderen Worten, sie verwenden Edge-Computing einzeln, gemeinsam und in hohem Maße, um eine Vielzahl komplexer Funktionen zu erfüllen.

"Sie reagieren nicht nur auf die beobachteten Bedingungen, sondern lernen und passen sich mit der Zeit an", sagte Johnathan Vee Cree, PhD., Wissenschaftler / Ingenieur für eingebettete und drahtlose Systeme am Pacific Northwest National Laboratory (PNNL) des US-Energieministeriums. "Zum Beispiel werden moderne Kraftstoffeinspritzsysteme die Fahrmuster des Autos beobachten, um Leistung und Kraftstoffeffizienz zu optimieren. Die Echtzeitnatur dieser Daten würde es unmöglich machen, irgendwo anders als am Rande zu verarbeiten."

Selbst bei einer Interdependenz zwischen mehreren Systemen an Bord kann der Begriff "Randwolke" das Verständnis weiter trüben, da er ungenau ist.

"Wenn es um IoT-Geräte geht, sind die Überlegungen der Cloud fast entgegengesetzt", sagte Vee Cree. "IoT-Geräte verfügen in der Regel über eine begrenzte Speicher- und Verarbeitungsleistung sowie eine möglicherweise zeitweise Verbindung mit der Außenwelt und werden möglicherweise von einer Batterie gespeist. Der entscheidende Wert dieser Geräte ist ihre Fähigkeit, die ihnen zur Verfügung stehenden Sensorrohwerte in aussagekräftige Daten umzuwandeln."

Grafik über Edge-Computing-Geräte, Abdruck mit Genehmigung von TECHnalysis Research.

Edge-Computing und Cloud-Computing schließen sich jedoch nicht aus. Sie sind in der Tat in die erfolgreichsten IoT-Datenstrategien eingebunden. Das wird sich wahrscheinlich nicht bald ändern.

"Ein Beispiel für die Kombination von Edge- und Cloud-Computing sind die Autopilot-Funktionen von Tesla. Das Autopilotsystem muss die sich ständig ändernden Fahrbedingungen erfassen und darauf reagieren. Dazu werden Algorithmen für maschinelles Lernen verwendet, mit denen Gefahren erkannt und vermieden werden können Diese Daten werden zwar verwendet, um Entscheidungen in Echtzeit zu treffen, sie werden jedoch auch für die Cloud freigegeben und dazu verwendet, die Autopilotfunktion für alle Fahrer zu verbessern ", erklärte William Moeglein, Software Engineer bei PNNL.

Die Kombination aus Kante und Wolke ist einfach deshalb üblich, weil sie funktioniert. Es nutzt das Beste aus beiden Welten, ist aber nicht das einzige Spiel in der Stadt. Laut "Computing on the Edge: Umfrage-Highlights", einem Bericht von Bob O'Donnell, befinden sich 36 Prozent der Edge-Analysen im Rechenzentrum des Unternehmens, 34 Prozent am Rand und 29 Prozent in der Cloud und Chief Analyst bei TECHnalysis Research. Dies bedeutet, dass es Optionen für die Implementierung der Kantenanalyse gibt. Die Wahl hängt ganz davon ab, was Sie zu tun versuchen und unter welchen Bedingungen Sie versuchen, dieses Ziel zu erreichen.

"Der Kompromiss zwischen Rechenleistung und Energieverbrauch kann ein begrenzender Faktor sein, wenn Geräte mit einer Batterie betrieben werden. In Fällen, in denen der Energieverbrauch wichtig ist, können Entscheidungen auf der Grundlage kleiner Datenproben getroffen werden, obwohl sie Zugang zu kontinuierlichen Sensorablesungen haben", sagte er PNNL's Möglein.

"Edge-Computing ermöglicht Feedback für Geräte in Bereichen, in denen die Kommunikation nicht garantiert, in eine Richtung oder eingeschränkt ist", fuhr Möglein fort. "In Fällen, in denen Systeme voraussichtlich jahrelang oder jahrzehntelang mit Batterien betrieben werden, kann Edge Computing eingesetzt werden, um die Lebensdauer der Geräte zu verlängern, indem die übertragenen Daten reduziert werden."

Grafik zur Nebelberechnung oben mit Genehmigung von Cisco Systems, Inc. nachgedruckt

Die Randwolke beschlagen

Bald darauf folgte eine Automatisierung zur Verwaltung und Optimierung des Ortes und der Art, wie die Analysen durchgeführt werden. So entstand das Konzept des "Fog Computing", ein Begriff, den der IT- und Netzwerkanbieter Cisco Systems geprägt hat. Wie Cisco in einem Whitepaper erläutert, portieren oder schreiben Entwickler bei dieser Strategie IoT-Anwendungen für Nebelknoten am Netzwerkrand. Die Nebelknoten am nächsten zum Netzwerkrand nehmen die Daten von IoT-Geräten auf. Dann - und das ist entscheidend - Die Fog-IoT-Anwendung leitet verschiedene Arten von Daten an den optimalen Ort für die Analyse. " Wie in der obigen Grafik dargestellt, erweitert Fog Computing nach Ansicht von Cisco die Cloud näher an die Geräte, die die Datenerfassung durchführen. Durch die räumliche Nähe von Nebelknoten zu IoT-Geräten möchte Cisco die Analyse beschleunigen und gleichzeitig die Latenz verringern.

Einige sagen, es sei einfacher, sich dies als Cloud Computing vorzustellen, das an den Rand gedrängt wird - mit anderen Worten, dezentralisiert - im Gegensatz zu Edge Computing, das am Rand des Netzwerks arbeitet, häufig sogar auf einem IoT-Gerät. Ein sehr nuancierter Unterschied, um sicher zu sein.

Oft wird "Edge Computing" und "Fog Computing" synonym verwendet, da die beiden Konzepte sehr ähnlich sind. Die Fähigkeit von Fog Computing, Daten zu Analysezwecken zu sortieren und an verschiedene Orte weiterzuleiten, zeichnet sie aus. Das und Fog-Computing ist am häufigsten "Near Edge" (dh ein Gateway) und nicht wirklich am Rand wie bei einem IoT-Gerät.

Kurz gesagt, es gibt keinen Konsens darüber, was Edge-Computing genau ist, aber viele Leute, die behaupten, das Problem zu beschlagen, nützen nichts. Laut dem oben erwähnten TECHnalysis Research-Bericht "denken mehr Menschen, dass Edge-Computing aus Endpunkten besteht (29, 8 Prozent) als aus Gateways (13, 2 Prozent), aber 44 Prozent denken, dass es beides ist."

In jedem Fall "bestimmt die Endanwendung letztendlich die Systemanforderungen und zielt darauf ab, ein Gleichgewicht zwischen den Vorteilen der Verarbeitung am Rand oder in der Cloud zu finden", so Vee Cree von PNNL.

Hier gibt es nur eine Faustregel: Wenn Sie eine Entscheidung in der Nähe oder in Echtzeit benötigen, führen Sie die Verarbeitung so nahe wie möglich an der Datenquelle durch. Edge-Computing ist die Wahl, um Latenzen zu vermeiden, den Energieverbrauch zu senken und den Netzwerkverkehr zu reduzieren.

APIs, Apps und Ökosysteme

Im Allgemeinen zielen Apps, die in Verbindung mit Edge-Computing verwendet werden, darauf ab, Geschwindigkeit und Effizienz zu erreichen. Es ist weniger wahrscheinlich, dass Sie eigenständige Business Intelligence-Apps (BI-Apps) finden, sondern vielmehr eingebettete BI-Funktionen und natürlich APIs (Application Programming Interfaces), um IoT-Daten mit vorhandenen BI-Apps und Frameworks in der Cloud zu verbinden.

"Das Konzept des Edge-Computing hilft Unternehmen, die Vorteile des Cloud-Computing auch in Szenarien zu nutzen, in denen Latenz und Konnektivität problematisch sind. Einige Anwendungen haben mit einer Datengröße oder einer Geschwindigkeitsanforderung zu tun, die ein Round-Tripping in die Cloud und in solchen Fällen in Tableau verbietet." In die lokalen Anwendungen eingebettete Analysen liefern schnell Erkenntnisse ", sagte Mark Jewett, Vice President für Produktmarketing bei Tableau Software.

"In anderen Fällen bietet Edge-Computing eine Möglichkeit, mit Szenarien umzugehen, in denen die Konnektivität nicht zuverlässig, teuer oder regelmäßig ist. Beispiele für sich bewegende Dinge wie Schiffe, entfernte Dinge wie Ölplattformen oder Minen oder sogar Situationen Wenn die Konnektivität gut ist, es sich jedoch nicht lohnt, ein Risiko für Unterbrechungen einzugehen, wie z. B. bei Produktionsanlagensystemen, bei denen Ausfallzeiten extrem teuer sind, möchten Analysten und andere Benutzer im Außendienst, die möglicherweise nicht auf eine vollständige Workstation zugreifen können, immer noch die gleiche Analyseleistung wie sie kennengelernt haben."

Tableau ist nicht der einzige BI-Anbieter, der an oder mit Daten am Rand arbeitet. Microsoft verwies auf Schneider Electric, einen seiner Kunden, als Fallstudie. Schneider Electric verfügt über eine Edge-App, die mithilfe von Azure Machine Learning und Azure IoT Edge vorbeugende Wartungsarbeiten an einer Ölstange durchführt, um die Sicherheit zu verbessern und Vorfälle in abgelegenen Gebieten zu reduzieren, so ein Microsoft-Sprecher. Die Datenverarbeitung erfolgt auf dem Gerät. Dies wird erreicht, indem Cloud-Intelligenz - ML-Modelle, die sie in der Cloud trainiert haben - auf das Edge-Gerät selbst übertragen wird. Dies ermöglicht eine schnellere Erkennung von Anomalien basierend auf dem großen Trainingsdatensatz.

In der Zwischenzeit meldet IBM Watson unzählige Anwendungsfälle, darunter Sprach- und Konversationsanalysen für Umgebungen und Geräte, Bild- und Videoanalysen für Drohnen sowie akustische Wartungs- und Sicherheitsanalysen.

"In all diesen Fällen ermöglicht Edge Analytics eine Verbesserung der Leistung, der Kosten und des Datenschutzes, indem Geräte lokal betrieben werden", sagte Bret Greenstein, Vice President von IBM Watson IoT, Consumer Offerings. "Das Wachstum ist aufregend, da die Rechenleistung am Rande wächst und ML reift und spezialisiertere Anwendungsfälle schafft.

"Geräte können das, was sie sehen und hören, " verstehen "und dieses Verständnis nutzen, um besseren Service zu bieten und bessere Entscheidungen zu treffen. Dies geschieht in Echtzeit. Und da die tatsächlichen Daten in Erkenntnisse im Edge-Gerät konvertiert werden können, ist dies möglicherweise nicht der Fall müssen die Daten in die Cloud senden, was die Kosten senkt und neue Formen des Datenschutzes ermöglicht."

Das Hinzufügen neuer Schichten des Datenschutzes trägt möglicherweise erheblich zur Reduzierung der Unternehmensverbindlichkeiten bei, während sich Datenunternehmen weiterhin das Gedeihen leisten müssen.

Edge Computing-Apps nach Zahlen

Angesichts der Tatsache, dass Edge-Computing noch in den Kinderschuhen steckt, überrascht es nicht, dass laut TECHnalysis Research nur ein Teil der Edge-Computing-Apps neu ist (39 Prozent). Die Mehrheit (61 Prozent) sind migrierte Cloud-Apps. Das heißt, die folgenden sind die Top-Edge-Computing-Apps:

Betriebsanalyse (44 Prozent)

Prozessüberwachung (35 Prozent)

Mitarbeiterüberwachung (32 Prozent)

Remote Asset Monitoring (28 Prozent)

Einhaltung von Arbeitsschutzbestimmungen (24 Prozent)

Vorausschauende Wartung (22 Prozent)

Objektverfolgung vor Ort (20 Prozent)

Die fünf wichtigsten Gründe für die Migration von Cloud-Apps laut demselben TECHnalysis Research-Bericht sind die Verbesserung der Sicherheit, die Reduzierung der Kosten, die Reduzierung der Latenz, die Verbesserung der lokalen Kontrolle und die Reduzierung des Netzwerkverkehrs.

Durch den Einsatz von BI werden Effizienz und Chancen durch Edge-Computing verbessert. Daher ist es sinnvoll, zunächst Cloud-Apps zu migrieren oder Analysen in vorhandene IoT-Apps einzubetten, um Sie am schnellsten an die beste Position zu bringen. Anstatt beispielsweise alle Daten einer Robotik-Einheit in der Fabrikhalle zu streamen und zu analysieren, können Sie das Treibgut entsorgen. Dies ist die scheinbar endlose Menge sich wiederholender Informationen, die vom Sensor generiert werden.

Stattdessen kann Edge-Computing verwendet werden, um nur die "Änderungsdaten" zu notieren und zu analysieren, dh die Daten, die sich in irgendeiner Weise von den anderen Daten unterscheiden, die von derselben Quelle stammen. Stellen Sie sich zum Beispiel eine Windmühle im Polarkreis vor, die meldet: "Mir geht es gut. Mir geht es gut. Die Klinge steckt zwei Sekunden fest. Mir geht es gut. Mir geht es gut. Mir geht es gut." Das bisschen über das Klingenstechen wären die Änderungsdaten. Dies würde eine "Windverschiebung" zur Folge haben, die die Maschine dazu veranlassen könnte, sich zu drehen und mehr Energie zu sammeln. Änderungsdaten sind die Datenpunkte mit der größten Bedeutung, gerade weil sie eine Änderung feststellen.

In solchen Fällen funktionieren Apps am Rand nur mit relevanten Daten. Einige würden es "Smart Data" nennen. Warum das Meer kochen, wenn wichtige Details sofort erkennbar sind? Intelligente Daten-Apps machen Daten am Erfassungspunkt nutzbar und können auch entscheiden, welche Daten zur weiteren Überblendung und Analyse in herkömmlichen BI-Apps an die Cloud gesendet werden sollen. Auf diese Weise wird das Data Mining für maximale Geschäftseffekte optimiert.

4 Tipps für Ihre BI- und Edge-Computing-Strategie

Es ist relativ einfach, in den Edge-Computing-Trend einzusteigen und sich für die Migration von Apps aus der Cloud zu entscheiden. Aber ohne Strategie in die Tat umzusetzen, wäre ein schwerwiegender Fehler. Erinnern Sie sich an die Anfänge des IoT, als zufällige Dinge wie Toaster schnell mit dem Internet verbunden und auf der nächsten CES stolz gezeigt wurden?

Selbst intelligente Daten können Ihnen nicht helfen, wenn Ihre Strategie unsinnig ist oder fehlt. Im Folgenden sind vier Überlegungen aufgeführt, die Sie bei der Gestaltung Ihrer BI- und Edge-Strategie berücksichtigen sollten.

1. Bewerten Sie Ihr aktuelles IoT-Spiel erneut, um zusätzliche Data Mining-Möglichkeiten zu erhalten. Ein Lebensmittelhändler oder Hersteller möchte möglicherweise Daten aus seiner Lieferkette verwenden, z. B. Kühl- und LKW-Sensoren, um die Quelle der Rohstoffe zu ermitteln oder zu validieren. Solche Informationen, die zu einer Nachhaltigkeitskette hinzugefügt werden, können im Marketing verwendet werden, um umweltbewusste Verbraucher anzulocken.

Ein Einzelhändler verwendet möglicherweise Computer Vision und Edge Computing in seinem Geschäft, um die Verbraucher zu scannen und eine 3D-Darstellung vor Ort zu erhalten, in der dargestellt wird, wie die vom Käufer betrachtete Kleidung tatsächlich zu ihnen passt. Dies könnte den Umsatz verbessern sowie die Notwendigkeit von Umkleidekabinen und die damit verbundenen Sicherheits- und Datenschutzprobleme beseitigen. Die Daten können jedoch auch in die Cloud gesendet werden, um mit anderen Verbraucherdaten gemischt zu werden, um die umfassendere Strategie des Unternehmens zu unterstützen.

Suchen Sie nach Möglichkeiten, um mehr aus dem IoT herauszuholen. Was können Sie mit den generierten Daten noch tun? Welche weiteren Daten können Sie zur Erhebung und Verarbeitung verwenden?

2. Entscheiden Sie, welche Apps Sie am Rand benötigen. Möglicherweise müssen Sie eine App migrieren, einige Analysen einbetten oder sogar eine benutzerdefinierte App schreiben. es hängt alles davon ab, was du versuchst zu tun. Lassen Sie sich bei der Auswahl von Apps von Ihren Geschäftszielen leiten.

Ein guter Ort, um mehr über die Entwicklung von Apps für den Edge zu erfahren, ist eine OpenDev-Konferenz, die von der OpenStack Foundation organisiert wird. OpenStack ist das Open-Source-Cloud-Computing-Projekt, und es kommt vor, dass Edge-Computing dort ein heißes Thema ist. Es kommt auch vor, dass Open Source im Edge-Computing heiß ist, wie es bei fast allen Computing-Anwendungen der Fall ist. Sie können auch Apps von Edge-Computing-Anbietern und eingebettete Analysen von BI-App-Anbietern berücksichtigen.

3. Wählen Sie die neue Technologie aus, die Sie verwenden möchten. Sie können Anbieter um eine Demo bitten, damit Sie ein Gefühl dafür bekommen, welche Technologie Sie verwenden möchten, welche Apps verfügbar sind und eine Anleitung zum Entwickeln von Apps für diese. Beispielsweise bieten Amazon Web Service (AWS) und AWS Greengrass, Microsoft Azure IoT Edge sowie Cisco und IBM Watson IoT eine Mischung aus Technologien sowie Analysen und Apps für IoT Edge Computing.

Sie können auch eine Vielzahl von Blockchain-, CDN-, Peer-to-Peer- und anderen Pure-Play-Anbietern ausprobieren. Lassen Sie sich jedoch nicht die Technologiegiganten wie Dell Inc., IBM Corp. und Hewlett Packard Enterprise (HPE) entgehen, die ihre Hardware um zusätzliche Speicher-, Computer- und Analysefunktionen erweitert haben, um sie in Edge-Geräte zu verwandeln.

Machen Sie sich ein Bild von Ihren Möglichkeiten, bevor Sie ernsthaft mit der Bewertung von Anbietern beginnen. Machen Sie außerdem eine Bestandsaufnahme der Arten von IoT-Technologien, die Ihr Unternehmen derzeit verwendet, und der Arten, die es hinzufügen möchte, bevor Sie mit Anbietern sprechen. Auf diese Weise bleiben Sie eher auf dem richtigen Weg.

4. Planen Sie die Evolution. Es gibt ein Muster auf dem Weg zur Reife, dem alle unreifen Technologien und Trends folgen. Erwarten Sie, dass die gleiche Entwicklung auch bei BI und Edge auftritt. Also, ja, es wird wahrscheinlich irgendwann eine Konsolidierung der Anbieter geben; Denken Sie daran.

Achten Sie auch auf die Entkopplung der Cloud-Technologie von der eigentlichen Cloud, damit sie auch am Rande eingesetzt werden kann. Sie möchten eine solche Entkopplung sehen, dass Sie die maximale Flexibilität bei der Verwendung von Cloud oder Edge erhalten. Es wird wahrscheinlich die Kosten senken und die Effizienz steigern, indem intelligentere Apps aus einem vielfältigen Ökosystem und nicht von einem einzigen Anbieter bereitgestellt werden. Stellen Sie Ihren Plan sowohl kurzfristig als auch langfristig auf, um sicherzustellen, dass Sie sich an vorhersehbare Änderungen anpassen können, ohne große Verluste bei früheren Investitionen zu erleiden.