Empowered edge что это
Облачные, туманные и граничные вычисления: отличия и перспективы развития технологий
Облачными вычислениями уже никого не удивишь — они стабильно развиваются и завоевывают российский рынок. Но туманные и граничные технологии только приходят в нашу страну, и у них есть своя ценность для бизнеса.
Разберемся, чем отличаются виды вычислений, в чём их преимущества и недостатки, а также в каких индустриях они наиболее актуальны.
Облачные вычисления (Cloud computing)
Облачные вычисления — это технология, которая позволяет хранить и обрабатывать данные удаленно в «облаке». Для этого используются центры обработки данных (ЦОДы). Компании, применяющей облачные технологии, не обязательно создавать свою IT-инфраструктуру — все необходимое ей может предоставить провайдер. Нужен только доступ в интернет, чтобы открыть сайт или приложение.
Преимущества и недостатки
Сфера применения
Облачные технологии применяются повсеместно: в госсекторе, производстве, ритейле, IT-компаниях, финансовой сфере и телекоммуникациях. Сложно представить современную жизнь без электронной почты, Google Docs, магазинов приложений и публичных облаков вроде Dropbox, Google Drive или «Яндекс.Диска».
«Cloud Computing наиболее динамично развивается последнее десятилетие, уровень проникновения технологии в развитых странах превышает 90%. Компании-операторы облаков и дата-центров обладают значительной экспертизой в этой области и могут предоставить пользователю наиболее совершенные технологические решения в области IT-инфраструктуры on-demand».
Облака важны для сбора, хранения и обработки больших объемов информации — например, там, где применяются технологии Big Data и искусственный интеллект.
Туманные вычисления (Fog computing)
Туманные вычисления — это технология, благодаря которой хранение и обработка данных происходят в локальной сети между конечным устройством и ЦОД. «Туман», в отличие от «облака», находится ближе к пользователям. Это децентрализованная система, которая фильтрует информацию, поступающую в дата-центр.
Преимущества и недостатки
Расскажи, как цифровая трансформация изменила твой бизнес
Сфера применения
Туманные вычисления применяются для связи устройств интернета вещей (IoT). С помощью «тумана» данные передаются и анализируются почти без задержек, что критично для некоторых IoT-устройств — например, датчиков в беспилотных автомобилях.
«Проще говоря, туманные вычисления заточены под межмашинное взаимодействие и применяться могут в любой отрасли, где оно используется — в производстве, здравоохранении, энергетике, финансовой сфере и других».
Межмашинное взаимодействие (Machine-to-Machine, M2M) — технология, связанная с интернетом вещей. Она позволяет передавать данные с устройства на устройство без взаимодействия с человеком. Для этого используют сотовую связь, поэтому мобильные операторы предлагают свои услуги в сфере M2M.
Технологию применяют для передачи данных из банкоматов и торговых автоматов, мониторинга состояния пациентов, в системах сигнализации и видеонаблюдения, в датчиках топлива, счетчиках электроэнергии и воды, для отслеживания транспорта и грузов. Туманные вычисления позволят машинам общаться быстрее и эффективнее.
Граничные вычисления (Edge computing)
Граничные вычисления — это технология обработки и хранения данных на конечном устройстве. Они находятся еще ближе к пользователю, чем «облако» и «туман».
Преимущества и недостатки
Сфера применения
Сферы применения граничных и туманных технологий во многом пересекаются. Главное их преимущество — скорость передачи и анализа данных. Поэтому эти технологии используются там, где важна обработка информации в реальном времени — например, в сферах IoT и VR/AR.
На производстве граничные вычисления нужны для своевременного обслуживания оборудования, в нефтяной индустрии они помогут обнаружить неисправности и протечки, а в банковской сфере технология позволит быстро принять решение по кредиту или обнаружить мошенничество. Во всех примерах граничные вычисления помогают действовать без задержек.
«Edge нашел широкое применение на промышленных предприятиях. Облачные вычисления демонстрируют гибкость и эффективность, но распространение IIoT и мобильных вычислений привело к ограничению диапазона частот для обработки. Также нюанс заключается в том, что “умное” оборудование на предприятиях не всегда требует подключения к cloud для выполнения расчетов. В таких случаях проектировщики сетей делают ставку на периферию и повышают эффективность обработки данных».
Источник: CB Insights
Перспективы развития облаков
Популярнее всех оказались публичные облака — затраты на них составили 85% расходов. Остальное потратили на частные облака. По прогнозам цифры будут расти: в 2019 году расходы увеличатся на 23,6%, а среднегодовые темпы роста рынка до 2023 года будут составлять 14,6%.
Государство тоже заинтересовано в облачных технологиях. Минкомсвязи вместе с «Ростелекомом» давно разрабатывает идею «Гособлака». А в конце августа 2019 года была утверждена концепция единой государственной облачной платформы. Госструктуры будут выбирать между частными провайдерами облачных услуг.
Развитие edge/fog computing
В мире
Уже сейчас компании начинают применять граничные и туманные вычисления наряду с облаками. Конечно, на Западе эти технологии более развиты — их используют и крупные корпорации, и стартапы.
Большие компании, которые продают облачные услуги, расширяют ассортимент. Microsoft предлагает не только облако, но и решения с граничными технологиями. Например, систему, которая позволяет перенести часть вычислений на IoT-устройства, или пограничный сервер для обработки данных с искусственным интеллектом. Amazon тоже не отстает и предлагает свой сервис для интернета вещей с граничными вычислениями. При этом компании не забывают про основной продукт — данные не только обрабатываются на периферии, но и передаются в облако.
Новые технологические услуги помогают в обработке данных на производстве, где задержки — серьёзная помеха в работе.
«В первую очередь это, конечно же, машиностроение и автомобилестроение, так как в этих отраслях производятся технически сложные изделия, а производственные линии генерируют большой объём данных. Но технологии периферийных и облачных вычислений внедряются в самые разнообразные отрасли промышленности, включая нефтегазовую, пищевую, химическую промышленность, производство батарей, в инфраструктурные объекты, распределение электроэнергии, водоснабжение, аэропорты и железнодорожный транспорт».
Появляются стартапы, которые фокусируются на применении граничных и туманных вычислений. Например, FogHorn и Pixeom предлагают услуги для компаний в энергетике, телекоме, производстве, ритейле, финансах, безопасности и других сферах. SimShine разрабатывает граничные технологии для камер видеонаблюдения. Компаний, которые предоставляют услуги производству и простым пользователям, становится все больше.
«Таких компаний и решений на самом деле много. В качестве актуального наглядного примера можно привести компании, которые сейчас внедряют решения по видеоаналитике. При отсутствии объектов или событий видео не передаётся на центральный сервер и не загружает каналы связи. При этом в ЦОД передаётся только информация о тревожных событиях и инцидентах».
В России
Но и в России туманные и граничные вычисления уже не новые понятия.
Пока государственные организации экспериментируют со связью, стартапы внедряют практические решения. С туманными вычислениями работает SONM — предлагает платформу с технологией блокчейна. Идея состоит в том, чтобы создать децентрализованный суперкомпьютер. Пользователи могут сдать мощность своего компьютера в аренду и присоединиться к распределенной сети. Компании в свою очередь покупают возможности туманной платформы для своих вычислений.
С граничными технологиями также связан стартап Facemetric. Он предоставляет клиентам камеры видеонаблюдения и ЦОД с нейросетями, чтобы искать образы в видео — лица, автомобильные номера, ценники и многое другое. Но хранить и обрабатывать большой видеопоток в облаке тяжело и не всегда целесообразно.
Поэтому компания решила использовать граничные вычисления. «В данном случае мы используем более высокопроизводительные вычислители, которые дублируют в себе функционал распознавания, хранят оперативный слепок базы данных и могут работать автономно при потере связи с облачным сервисом. Такой подход повышает требования к производительности вычислителей, их стоимость, но обеспечивает стабильную работу при потере связи с центральным узлом», — рассказывает Юрий Годына, основатель Facemetric.
В России новые технологии будут развиваться и дальше. Как отмечает Юрий Годына, они уже вошли в нашу жизнь:
«В настоящее время появилось множество вариантов реализации проектов в области интернета вещей и граничных вычислений — сбор показаний счетчиков, умные автобусные остановки, системы контроля за водителями общественного транспорта и так далее. Еще пару лет назад на конференциях и круглых столах можно было услышать мнения о раздутости пузыря интернета вещей, умного дома, неподъемной стоимости решений. А сейчас мы видим реализацию этих технологий, они постепенно приходят в нашу жизнь и делают ее комфортнее».
Конечно, туманные и граничные вычисления не вытеснят облако. Технологии будут развиваться вместе и дополнять друг друга. Там, где нужны надежные мощные ЦОДы и экономия IT-ресурсов, облако останется в приоритете. А там, где важна скорость принятия решений, будут развиваться edge и fog computing — при этом облако будет хранить важные данные.
Татьяна Бочарникова, глава представительства NetApp в России и СНГ:
«Бытует мнение, что Edge и Fog computing в конечном итоге полностью заменят собой уже ставшие привычными облачные решения. Но это вовсе не так. Да, бывает, что периферийные технологии обеспечивают более серьезные преимущества, чем полностью централизованные облачные платформы, особенно с точки зрения хранения данных. Но всегда ядром корпоративной ИТ-инфраструктуры остается гибридная и мультиоблачная концепция. Иначе говоря, периферийные и туманные вычисления не заменят облачные, так как, по сути, и являются не чем иным, как “расширением” и “продолжением” облака».
Граничные вычисления «Edge computing» — будущее индустрии
Граничные вычисления «Edge computing» — одна из самых важных технологических тенденций, которая, по мнению института Gartner, будет доминировать на рынке Интернета вещей (IoT) в этом году. С ростом популярности интеллектуальных устройств, подключенных к сети, а также развитием IoT, различные отрасли включая: производство, торговлю и автотранспорт начинают генерировать огромные объемы данных, целевым местом хранения которых являются серверы в «Облаке».
Согласно прогнозам глобальной исследовательской компании Markets & Markets, стоимость рынка Граничных вычислений «Edge computing» будет иметь годовой темп роста более 35% и возрастёт с 1,47 млрд. в 2017 году до 6,72 млрд. в 2022 году. В свою очередь, согласно отчету IDC FutureScape: Worldwide IoT 2017 Predictions, к 2019 году не менее 40% данных IoT будут храниться, обрабатываться и анализироваться с помощью граничных вычислений. Более того, количество интеллектуальных устройств будет расти из года в год, а использование искусственного интеллекта и машинного обучения позволит им непрерывно развиваться. Что такое Граничные вычисления «Edge computing»? — это одна из 10 стратегических технологических тенденций этого года
*Применительно к мобильной связи, чаще применяется термин Mobile Edge Computing (MEC). МЕС это своего рода аппаратурные (Hardware) решения для программных решений (Software) NFV (Network Functions Virtualization, виртуализация сетевых функций). Можно сказать, что МЕС является инфраструктурой для NFV. В данной статье мы созредоточимся на граничных вычислениях «Edge computing», но не стоит забывать что их работа не возможна без NFV.
Концепция граничной аналитики «Edge Analytics»
Концепция граничной аналитики «Edge Analytics» основана на сборе, обработке и анализе данных на периферийных устройствах сети, рядом с датчиками, сетевым коммутаторами или другими подключенным устройствами, т. е. рядом с источником информации и исполняемыми элементами, например на производстве. Сам термин «Edge Сomputing» означает, что часть работы происходит на самом конце сети, в том месте где в системах IoT мир физических объектов связывается с Интернетом. Однако граничные вычисления Edge Computing — это гораздо больше, чем просто расчет и обработка данных. Его основная функция — плавная интеграция периферийных устройств и облачных вычислений, а также двусторонний обмен информацией.
Решение подразумевающее граничные вычисления дают возможность анализировать ключевые данные в режиме реального времени «на месте», не отправляя их на центральный сервер. «Граница сети» («Edge») разделена, и включает в себя модули принятие решений и модули временного хранения тех данных, которые настолько незначительны, что нужны только сейчас и нет смысла их хранить и использовать их в будущем.
Согласно прогнозу Института Gartnera, 90% собранных данных на первых порах будут бесполезны, потому что компании не знают, как их правильно анализировать и использовать. Но эти данные могут очень пригодится в будещем для различных отраслей, в которых получение данных и реагирование на них в режиме реального времени имеет решающее значение для правильного функционирования. Эта будет критично для промышленных предприятий, для которых каждый час простоя может быть связан с потерями от нескольких сотен до даже нескольких миллионов евро, поэтому так важно, чтобы аналитики могли использовать потенциал данных, полученных с помощью устройств IoT.
Основные преимущества граничных вычислений «Edge computing»
Основными преимуществами решения «Edge computing», упоминаемыми экспертами, являются конфиденциальность, уменьшение задержек и минимизация проблем со связью. Для первого преимущества конфиденциальная информация предварительно обрабатывается на месте, и только данные, соответствующие политике конфиденциальности, передаются в облако для дальнейшего анализа. Второе преимущество, заключается в ограничении задержек и является наиболее часто упоминаемым преимуществом, связанным с использованием решений граничных вычислений Edge Computing. В настоящее время из-за огромного количества данных, отправляемых в облако, обрабатываемых там и передаваемых обратно на периферийные устройства, могут возникать задержки в получении выводов из анализа, что может иметь серьезные последствия для функционирования предприятия. В третьих, в случае Edge Computing, часть вычислений выполняется на периферийных устройствах, что не только снижает риск задержек, но и дает «потенциальную» гарантию того, что работа не будет прервана в случае ограниченного или прерывистого сетевого подключения. Это особенно важно, когда решения внедряются в труднодоступных местах, где охват сетями связи весьма ограничен.
Применение граничных вычислений «Edge computing» в промышленности
Концепция граничных вычислений Edge Computing играет значительную роль, среди прочего и в современной промышленности.
Реализация диагностических алгоритмов на периферийных устройствах позволяет осуществлять постоянный мониторинг и обнаружение отклонений от «нормальной» работы промышленных машин на основе автоматически запоминаемого рабочего профиля. Например, если данные от датчиков, подключенных к системе, укажут на риск потенциального отказа, благодаря их быстрой интерпретации с помощью аналитического алгоритма, эта информация будет передана тем, кто отвечает за поддержание движения на заводе. в форме сообщения о необходимости замены определенной детали
Благодаря использованию данных, полученных от датчиков, мы можем контролировать работу машин в режиме реального времени. Пограничные «Edge» устройства постоянно анализируют временные графики выбранных параметров и предупреждают о нарушениях. Поэтому мы можем реагировать на событие до того, как произойдет сбой или остановка всей производственной линии, что дает огромную экономию для промышленных предприятий.
Важным преимуществом граничных вычислений является масштабируемость. Передача аналитических алгоритмов интеллектуальным датчикам и сетевым устройствам снижает нагрузку сети на обрабатываемые данные. Благодаря этому, когда количество подключенных устройств, внедряемых организацией увеличивается, объем генерируемых данных растёт, вычислительное «облако» нагружается меньше, чем в случае сбора данных только в вычислительном «облаке».
Граничные вычисления «Edge computing» не являются альтернативой ЦОД
Хотя «Edge Computing» обладает огромным потенциалом, его не следует рассматривать как альтернативу централизованному анализу данных. Это подход, который должен дополнять или расширять аналитические возможности в конкретных ситуациях, особенно когда быстрая реакция на нарушения может быть чрезвычайно важна для функционирования и экономии бюджета компании. Хотя это не идеальное решение, потому что, собирая часть объема данных локально, мы можем опустить некоторую информацию в самом «облаке». С другой стороны, граничные вычисления «Edge Analytics» позволяют нам справляться с потоком огромных объемов данных, соответствующим образом анализировать их и быстро делать самые полезные выводы для бизнеса.
Интересуетесь Умным городом, Умными домами, IoT, 5G и технологиями будущего? Почитайте наши статьи:
Edge AI: будущее искусственного интеллекта и периферийных вычислений
Портал IT Business Edge обсуждает феномен объединения технологий искусственного интеллекта и периферийных вычислений и влияние, которое оно оказывает на современные цифровые предприятия.
Периферийные вычисления (Edge computing) вызывают значительный интерес благодаря новым сценариям использования, особенно после появления 5G. Согласно прогнозам Linux Foundation, опубликованным в отчете «2021 State of the Edge», капитализация мирового рынка инфраструктуры периферийных вычислений к 2028 г. превысит 800 млрд. долл. В то же время предприятия также активно инвестируют в искусственный интеллект. По данным исследования McKinsey «The state of AI in 2020», 50% респондентов внедрили ИИ как минимум в одну бизнес-функцию.
Хотя большинство компаний делают эти технологические инвестиции в рамках своей цифровой трансформации, дальновидные организации и облачные компании видят новые возможности в объединении периферийных вычислений и ИИ.
Что такое Edge AI
ИИ в значительной степени зависит от передачи данных и выполнения сложных алгоритмов машинного обучения. Периферийные вычисления — вычислительная парадигма нового поколения, которая переносит ИИ и машинное обучение туда, где происходят генерация данных и вычисления: на границу сети. Их объединение привело к появлению нового направления — периферийного ИИ (Edge AI).
Edge AI обеспечивает более быстрые вычисления и извлечение инсайтов, лучшую безопасность данных и эффективный контроль над непрерывностью операций. В результате он может повысить производительность приложений с поддержкой ИИ и снизить эксплуатационные расходы. Edge AI также может помочь в преодолении связанных с ИИ технологических проблем.
Периферийный ИИ облегчает машинное обучение, автономное применение моделей глубокого обучения и передовых алгоритмов на самих устройствах Интернета вещей (IoT), вне облачных сервисов.
Как Edge AI преобразит предприятия
Эффективная модель Edge AI включает оптимизированную инфраструктуру вычислений, которая может обрабатывать более объемные рабочие нагрузки ИИ на периферии. Edge AI в сочетании с решениями для хранения данных может обеспечить лучшую в отрасли производительность и безграничную масштабируемость, что позволит предприятиям эффективно использовать свои данные.
Многие мировые компании уже пользуются преимуществами Edge AI. Периферийный ИИ может принести пользу различным отраслям: от улучшения контроля производства на сборочной линии до управления автономными транспортными средствами. Более того, начавшееся во многих странах внедрение технологии 5G дает Edge AI дополнительный импульс, поскольку появляется все больше промышленных приложений для этой технологии.
К числу преимуществ сочетания периферийных вычислений и ИИ для предприятий относятся:
Внедрение Edge AI является мудрым бизнес-решением: средний возврат инвестиций (ROI) в 5,7% от развертывания промышленного Edge AI происходит в течение трех лет.
Преимущества машинного обучения на периферии
Машинное обучение — это искусственное моделирование процесса человеческого обучения с использованием данных и алгоритмов. С помощью Edge AI оно может протянуть руку помощи предприятиям, особенно тем, которые в значительной степени полагаются на устройства IoT.
Ниже перечислены некоторые из преимуществ машинного обучения на периферии.
Конфиденциальность. Сегодня, когда информация и данные являются наиболее ценными активами, потребители с осторожностью относятся к местонахождению своих данных. Компании, которые внедрят в свои приложения персонализированные функции с поддержкой ИИ, смогут предоставить своим пользователям понимание того, как собираются и хранятся их данные. Это повысит лояльность клиентов к бренду.
Сокращение задержки. Большинство процессов обработки данных происходит как на уровне сети, так и на уровне устройства. Edge AI устраняет необходимость пересылки огромных объемов данных через сети и на устройства; таким образом, улучшается пользовательский опыт.
Минимизация полосы пропускания. Каждый день предприятию с тысячами IoT-устройств приходится передавать огромные объемы данных в облако. Затем проводить аналитику в облаке и возвращать результаты анализа обратно на устройство. Без достаточно большой пропускной способности сети и облачного хранилища этот сложный процесс превратился бы в невыполнимую задачу. Не говоря уже о возможности раскрытия конфиденциальной информации во время процесса передачи.
Однако в Edge AI реализована технология клаудлетов (cloudlet), которая представляет собой небольшое облачное хранилище, расположенное на периферии. Эта технология повышает мобильность и снижает нагрузку на передачу данных. Следовательно, она может снизить стоимость услуг передачи данных и повысить скорость и надежность потока данных.
Недорогая цифровая инфраструктура. По данным Amazon, 90% затрат на цифровую инфраструктуру приходится на Inference — жизненно важный процесс генерации данных в машинном обучении. 60% респондентов недавнего исследования RightScale согласны с тем, что Святой Грааль экономии затрат скрывается в инициативах облачных вычислений. Edge AI, в свою очередь, устраняет непомерные расходы на процессы ИИ или машинного обучения, выполняемые в облачных дата-центрах.
Технологии, влияющие на развитие Edge AI
Наиболее значительную роль в сфере Edge AI играет развитие знаний в сферах науки о данных, машинного обучения и IoT. Однако главное здесь — строго следовать траектории развития информатики. В частности, это касается приложений и устройств нового поколения с поддержкой ИИ, которые могут идеально вписаться в экосистему ИИ и машинного обучения.
К счастью, на арене периферийных вычислений появляются многообещающие аппаратные разработки, которые смягчат нынешние ограничения Edge AI. Так, стартапы Sima.ai, Esperanto Technologies и AIStorm — одни из немногих организаций, разрабатывающих микрочипы, способные справиться с тяжелыми нагрузками ИИ.
В 2017 г. Intel приобрела за 15,3 млрд. долл. израильскую компанию Mobileye, занимающуюся развитыми системами помощи водителю (ADAS) [ для снижения опасности столкновения. Недавно китайский технологический гигант Baidu начал массовое производство второго поколения Kunlun AI — сверхбыстрых микрочипов для периферийных вычислений на границе.
Сюда следует добавить ускорители Google Edge TPU и Nvidia Jetson Nano, а также разработку компаниями Amazon, Microsoft, Intel и Asus материнских плат для расширения возможностей периферийных вычислений. И упомянуть AWS DeepLens — первую в мире видеокамеру с поддержкой глубокого обучения.
Проблемы Edge AI
Низкое качество данных, предоставляемых ведущими интернет-провайдерами по всему миру является основным препятствием для исследований и разработок в области Edge AI. Недавний отчет Alation показывает, что 87% респондентов — в основном сотрудники ИТ-компаний — приводят низкое качество данных в качестве причины, из-за которой их организации не могут внедрить инфраструктуру Edge AI.
Уязвимая функция безопасности. Некоторые эксперты в области цифровых технологий утверждают, что децентрализованный характер периферийных вычислений повышает их безопасность. Но в действительности распределенные данные требуют обеспечения безопасности в большем количестве точек. Это делает инфраструктуру Edge AI уязвимой для различных кибератак.
Ограниченные возможности машинного обучения. МО требует больших вычислительных мощностей на аппаратных платформах периферийных вычислений. В инфраструктуре Edge AI производительность вычислений ограничена производительностью периферийного или IoT-устройства. В большинстве случаев сложные модели Edge AI приходится упрощать перед развертыванием, чтобы повысить их точность и эффективность.
Сценарии использования Edge AI
Виртуальные помощники, такие как Amazon Alexa или Apple Siri, являются большими бенефициарами разработок Edge AI, которые позволяют их алгоритмам машинного обучения быстро обучаться на основе данных, хранящихся на устройстве, и не зависеть от данных, хранящихся в облаке.
Автоматизированный оптический контроль играет важную роль на производственных линиях. Он позволяет обнаруживать неисправные детали собранных компонентов продуктов с помощью автоматизированного визуального анализа. Edge AI дает возможность проводить высокоточный сверхбыстрый анализ данных, не полагаясь на огромные объемы передачи данных через облако.
Автономные транспортные средства. Способность автономных транспортных средств с поддержкой Edge AI принимать быстрые и точные решения позволяет лучше распознавать объекты дорожного движения и легче ориентироваться в маршрутах движения по сравнению с человеком. Это приводит к более быстрому и безопасному потоку транспорта без ручного вмешательства.
Помимо всех рассмотренных выше сценариев использования, Edge AI может сыграть решающую роль в технологиях распознавания лиц, повышении безопасности промышленного IoT и оказании неотложной медицинской помощи. Список вариантов использования Edge AI растет с каждым днем. В ближайшем будущем, удовлетворяя личные и деловые потребности каждого, Edge AI станет традиционной повседневной технологией.