Na krawędzi: Umieszczenie mocy obliczeniowej blisko procesu zmniejsza opóźnienia systemu sterowania, tworzy architekturę rozproszoną i może integrować rozwiązania uczenia maszynowego (ML) i sztuczną inteligencję (AI). Poznaj cztery kroki w kierunku przetwarzania brzegowego.

Architektury przetwarzania brzegowego rozwinęły się dzięki usługom przetwarzania w chmurze, które od dawna pomagają firmom uprościć i zabezpieczyć czynności zbierania i przetwarzania danych. Wraz z upływem czasu postęp technologiczny, taki jak mobilność i zróżnicowane podejście do interfejsów i doświadczeń użytkownika (UI/UX), doprowadził do powstania bardziej połączonych i rozproszonych procesów, urządzeń i maszyn. Firmy zdały sobie sprawę, że istnieje potrzeba bardziej bezpośredniej analizy danych znajdujących się bliżej źródła. To zwiększyło zapotrzebowanie na obliczenia brzegowe. 

Przetwarzanie brzegowe:

Cztery etapy rozwoju

Cztery kroki w kierunku szerszego zastosowania przetwarzania brzegowego (patrz grafika).

1. Chmura obliczeniowa rewolucjonizuje biznes.

2. Architektury przetwarzania brzegowego odpowiadają na pojawiające się wyzwania. 

3. Rodzą się obawy o koszty cyfrowej transformacji.

4. Korzyści związane z optymalizacją i wykorzystaniem zasobów sprawiają, że przetwarzanie brzegowe staje się bardziej osiągalne.

Przetwarzanie brzegowe może być kluczowe dla niektórych gałęzi przemysłu i aplikacji przemysłu wytwórczego i służyć do rozwiązywania różnych problemów. Dotyczy to między innymi awarii sprzętu i nieplanowanych przestojów. Inteligentne czujniki monitorujące temperaturę mogą być na przykład zautomatyzowane, aby rejestrować zmiany temperatury w bezpośrednim otoczeniu. W sytuacji awaryjnej urządzenia te mogą aktywować zraszacze, zaalarmować straż pożarną i wyłączyć wszystkie systemy zasilania w fabryce. Taki scenariusz będzie wymagał przetwarzania M2M (machine-to-machine) na krawędzi, aby zmniejszyć opóźnienia w sieci i zapewnić kontrolę i monitorowanie w czasie rzeczywistym. Wcześniej urządzenia na krawędzi były zaprogramowane tylko do lokalnego zbierania danych i przesyłania ich do zdalnego serwera (chmury). Z pomocą sztucznej inteligencji, urządzenia brzegowe mogą być obecnie wyposażone w funkcje uczenia maszynowego (ML) w celu samouczenia się i wykonywania działań bez oczekiwania na odpowiedź z centralnego komputera. Programowalne sterowniki logiczne (PLC) mogą uczyć się wykrywania problemów, analizowania ich i wykonywania procedur naprawczych, jak twierdzą niektórzy producenci PLC. Sterowniki PLC mogą działać jako węzły brzegowe z możliwościami ML, aby aktywować konserwację normatywną i predykcyjną bez interwencji ze strony systemów informatycznych lub ludzi. Każdy zakład produkcyjny chce tego, co może zapewnić ta najnowocześniejsza innowacja. Pytanie brzmi: jakim kosztem?

Uzasadnienie inwestycji w przetwarzanie brzegowe

Organizacje wzbraniają się przed dużymi inwestycjami w nowe technologie bez zapewnionego wymiernego zwrotu z inwestycji (ROI). Technologie szybko ewoluują. Niezależnie od tego, jak przyjęliśmy pojawienie się technologii chmury obliczeniowej, teraz ponownie rozważamy jej wykorzystanie dla zapewnienia wysokiej dostępności i natychmiastowych możliwości obliczeniowych. Być może moglibyśmy postawić to samo pytanie w odniesieniu do przetwarzania brzegowego. Szybkie korzyści mogą nie dorównać kosztom implementacji, ale rozwijające się technologie zawsze stanowią ryzyko w zakresie inwestycji. Inteligentne czujniki z możliwością integracji rozwiązań nauczania maszynowego i sztucznej inteligencji są na razie dalekie od bycia opłacalnymi. Jeśli organizacja wdrożyła już strategię chmury, to czy ma sens natychmiastowe przeniesienie jej do strategii przetwarzania brzegowego? To zależy od wymagań. Dodatkowe koszty związane z czujnikami, lokalną mocą obliczeniową i innymi funkcjami zwiększą ogólny narzut i podniosą koszty. Jako strategia wydaje się to udaremniać cel wdrażania nowej technologii. 

Wykorzystuj zoptymalizowane rozwiązania

Niedawno producent niezawodnych serwerów komputerowych i oprogramowania wprowadził na rynek wirtualną, wyposażoną w zabezpieczenia platformę przetwarzania brzegowego, zaprojektowaną specjalnie dla środowisk przemysłowych systemów sterowania, o czym już wcześniej informowaliśmy. Platforma jest wyposażona w funkcję „zero-touch computing” i oczekuje się, że uprości szereg działań związanych ze zdalnym zarządzaniem, takich jak monitorowanie stanu technicznego w chmurze, automatyzacje obiektu i odzyskiwanie danych. Platformy te mogą być sposobem na pośrednią optymalizację kosztów poprzez uwzględnienie nakładów kapitałowych (capex) i wydatków operacyjnych (opex). Takie scenariusze powinny uwzględniać korzyści z efektu skali. Pytanie, które należy zadać, to: Jak blisko krawędzi to już blisko? Czy powinno to być całkowicie na sprzęcie, czy może być na obiekcie? Przetwarzanie danych na urządzeniach, zamiast korzystania z kolokacyjnych centrów danych i istniejącej infrastruktury chmurowej, wymaga badań i czasu. W zależności od tej odpowiedzi wskaźniki optymalizacji i wykorzystania infrastruktury i kosztów mogą wzrosnąć lub spaść.

Chmura i przetwarzanie brzegowe 

Trendy technologiczne mogą być niejednoznaczne, z niekończącymi się dyskusjami na temat wad i zalet każdego z nich. Większość organizacji skłania się ku ostrożności i zastanawia się przed podjęciem decyzji o przyjęciu lub odrzuceniu nadchodzącej technologii. Na podstawie dowodów empirycznych widać wyraźnie, że przedsiębiorstwa, które nie przyjęły nowych technologii, pozostają w tyle za tymi, które przyjęły. W 2008 roku wielu liderów branży odrzuciło trend chmury obliczeniowej, traktując go jako przejściowy, a mimo to, prawie dekadę później, chmura obliczeniowa zmieniła się w przetwarzanie brzegowe. Chmura obliczeniowa szybko się przyjęła, ponieważ zapewniła organizacjom łatwy dostęp do ogromnej pamięci masowej z niemal zerowymi opóźnieniami w korzystaniu z aplikacji i modelami pay-as-you-go. Organizacje miały wszelkie powody, aby się na to zdecydować. Jednak po upływie dekady, gdy aplikacje są rozproszone w różnych regionach geograficznych, a główne wyzwania nadal dotyczą dostawców usług w chmurze, opóźnień, spójności doświadczeń i bezpieczeństwa, organizacje ponownie rozważają stosowanie strategii związanej z wykorzystaniem chmury. 

Zdaniem eksperta 

Zarządzanie dużymi ilościami danych jest wyzwaniem dla niejednego przedsiębiorstwa. Stopień skomplikowania analizy definiuje, jakiego typu infrastruktura jest niezbędna do wstępnego przetworzenia oraz reagowania na zdarzenia. Edge Computing jest niezbędne w przypadku, gdy priorytetem jest procesowanie w czasie zbliżonym do rzeczywistego oraz podejmowanie natychmiastowych decyzji. 

Z tym problemem na co dzień styka się CERN. Wielki Zderzacz Hadronów, który jest głównym narzędziem pracy naukowców ze szwajcarskiego ośrodka, zajmuje się pomiarem 600 000 000 kolizji protonów na sekundę. Każda z nich to 1MB danych, które muszą zostać zbadane. Przetwarzanie brzegowe pozwala na wstępną filtrację danych. Ta zmniejsza ich wolumen 2500 razy oraz reaguje na krytyczne zdarzenia w czasie nanosekund. Dopiero tak odsiane dane trafiają do rozproszonych systemów, zajmujących się ich dalszą analizą, na którą brakłoby mocy w przypadku pracy na lokalnych serwerach. 

Edge Computing oraz Cloud Computing muszą żyć w symbiozie oraz oferować to, co mają najlepsze. Oczywiście nie ma idealnego rozwiązania każdego problemu, dlatego najważniejszym zadaniem jest priorytetyzacja założeń i zdefiniowanie, co jest kluczowe do rozwoju oraz osiągania lepszych wyników.

Adam Macierzyński – IoT Solution Architect w Transition Technologies PSC

Posiadanie przetwarzania brzegowego w roku 2020 i później 

Gartner szacuje, że 91% dzisiejszych danych jest tworzonych i przetwarzanych w scentralizowanych centrach danych. Do 2022 roku około 75% wszystkich danych będzie wymagało analizy i obróbki na krawędzi. Przetwarzanie brzegowe stanie się główną metodą, za pomocą której przedsiębiorstwa będą wdrażać cyfrową transformację. Przetwarzanie brzegowe oferuje wiele korzyści w stosunku do starszych systemów architektury sieciowej. W miarę dalszego rozwoju i zdobywania coraz większej popularności wśród organizacji, pojawią się również kwestie, które będą wymagały szeroko zakrojonych badań przed dokonaniem inwestycji. Organizacje muszą postrzegać możliwość transformacji w przemyślany, celowy sposób, aby zatwierdzenie inwestycji miało sens. 

Dr Keshab Panda jest dyrektorem generalnym i zarządzającym L&T Technology Services, partnera Control Engineering. Redagował Mark T. Hoske, redaktor naczelny, Control Engineering