Edge analytics hjælper smarte og dataorienterede virksomheder med at gå direkte til dataanalyse efter dataindsamling med IoT-enheder.
Traditionelt ville virksomheder indsamle data fra forskellige kilder, gemme dem i en sky eller on-premise storage og analysere dem senere. Denne dataanalysemodel er dog en vital flaskehals for væksten af tingenes internet (IoT) og det industrielle tingenes internet (IIoT).
Edge analytics er svaret!
Denne artikel vil tage dig gennem en kortfattet analyserejse på kanten, så du kan udvikle løsninger eller transformere digitale virksomheder uden besvær.
Indholdsfortegnelse
Introduktion til Edge Analytics
Som navnet antyder, er edge data analytics dataanalysemetoden på kanten. Edge betyder kilden til data. For IoT er disse sensorer, aktuatorer, robotarme, HVAC’er, transportørstyringer, netværkskontakter og smarte enheder.
Edge analytics-applikationer udfører dataanalyse tættere på IoT-enheden, der indsamler realtidsdata fra produktionsenheder, forsyningssystemer osv. Således kan tidskritiske forretningsprocesser køre problemfrit uden at vente på logiske input fra en central server.
Kort fortalt er dataindsamling, -behandling, -analyse og handlinger, der sker inden for en smart-enhed, et resultat af kantdataanalyse. For eksempel kommer Amazon Echo eller Nest Home-enheder med kantanalyse.
Disse enheder lytter til dine kommandoer. Analyserer optaget lyd til maskinsprog, der søger på nettet efter resultater. Enheden præsenterer også forespørgselsresultatet, der er tilgængeligt på internettet.
Behov for Edge Analytics
Brugen af smarte enheder i industrier som energi, detailhandel, fremstilling, sikkerhed, logistik, bil osv. vokser konstant. Men internetbåndbredden vokser ikke med samme hastighed, eller båndbredden er altid begrænset.
Derfor er det tidskrævende at indsamle terabytes af data fra IoT-enheder og overføre dem til skyen. For slet ikke at tale om at analysere dataene og sende handlingsorienteret indsigt tilbage til smartenheden via det samme netværk.
Det vil skabe en trafikprop og deaktivere IoT-systemnetværket!
Her skal virksomheder bruge edge analytics-applikationer og -enheder. De tidskritiske smartenheder vil være i stand til at analysere de indsamlede data på stedet og handle øjeblikkeligt.
For eksempel skal et autonomt køretøj bremse, hvis det opdager en pludselig og uønsket forhindring på sin vej.
Det kan ikke vente med at indsamle de audiovisuelle data om forhindringen, sende det til en cloud-app og vente på input. I stedet træffer køretøjet en beslutning på et splitsekund om at skifte retning eller engagere sig i nødpauser.
Hvordan fungerer Edge Analytics?
Analytics on edge overvåger normalt flere arrays af edge- eller IoT-enheder. Primært sporer en analyseapp sundheden og ydeevnen af alle de tilsluttede smartenheder.
Hvis den opdager problemer med arbejdsgangen, forsøger analyseappen at rette op på problemet lokalt. Hvis problemet fortsætter, stopper edge-applikationen den defekte enhed. Derefter underretter den de menneskelige teknikere.
Under denne orkestrerede vej udfører følgende enheder kritiske roller:
- IoT-sensorer indsamler miljødata som tryk, temperatur, luftfugtighed, RPM osv.
- Edge-enheder kunne være dedikerede edge-apparater som Sony REA-C1000 til dataanalyse på stedet eller smartphones og tablets til at styre IoT-enheder.
- Edge-gateways kan prale af mere kraft og hukommelse end edge-enheder og fungerer som et mellemled mellem cloud-serveren og IoT-enheder.
- Smarte aktuatorer, der udfører opgavekanten dataanalyse foreslår. For eksempel smarte vandventiler, smarte kontakter, smarte robotarme, smarte transportbåndsstyringer og computerkommandoer.
Ovenstående billede viser en skematisk repræsentation af IBM IoT Edge Analytics i hospitality management-sektorer som hoteller.
Fordele
#1. Større sikkerhed
I analytics on edge er der ingen grund til at overføre dataene til skyen. De rå data forbliver på den enhed, hvor de blev genereret. Da der ikke er nogen chance for, at data bliver hacket eller inficeret under transport, forbliver det mere sikkert.
#2. Latency-forebyggelse og næsten realtidsdataanalyse
Visse forretningsprocesser kræver øjeblikkelig dataanalyse for driften. Edge Analytics hjælper dem med autonome beslutninger ved at identificere og indsamle indsigt ved kilden.
Da denne analyse sker i nærheden af dataene, tager det lidt tid. Det involverer ingen dataoverførsel til fjernservere, så du får øjeblikkelige resultater.
I scenarier som at identificere kriminelle fra live CCTV-feeds eller analysere data fra et fly eller en produktionsfabrik, får du kun splitsekunder til at foretage opkaldet. Der hjælper brugen af denne teknologi dig med at træffe øjeblikkelige beslutninger.
#3. Høj skalerbarhed
Efterhånden som virksomheder skalere op, lægger det voksende antal data større byrder på central dataanalyse. Gennem decentralisering af processen giver edge analytics dig mulighed for at skalere processerne, hvilket giver bedre analysemuligheder.
#4. Mindre båndbreddeforbrug
Dataoverførsel fra kildeenhederne til den centrale server og omvendt bruger en stor mængde båndbredde. Mange fjernplaceringer har ikke den nødvendige databåndbredde eller netværksstyrke til transmission. I sådanne tilfælde sparer edge analytics dig for at bruge båndbredde.
#5. Reducerede omkostninger
Konventionelle big data-analysemetoder vil koste dig mange penge. Mens virksomheder kan behandle data i deres cloud-server eller offentlige cloud-løsninger, er opbevaring, behandling, analyser og båndbreddeforbrug dyre.
Denne teknologi bruger IoT-enheder eller hardware i nærheden til dataanalyse. Som et resultat vil der være færre omkostninger til analyse og internetnetværksbåndbredde.
Begrænsninger
#1. Sikkerhed for fjernenheder
Mens analytics on edge beskytter dine følsomme data mod cybersikkerhedstrusler under datatransmissionen, involverer det eksterne enheder, der er sårbare over for sådanne risici.
Der har været adskillige tilfælde af hacking af sikkerhedskameraer, og også dine kan blive ofre for sådanne angreb. Hvis dine cybersikkerhedsforanstaltninger ikke dækker disse fjernenheder, vil det ikke hjælpe at have stærk sikkerhed for dit kernesystem.
#2. Tabte data
Designet af edge analytics gør det muligt at bruge de mest relevante data til analyse. Resten af dataene fra det store rådatasæt bliver ignoreret.
Da denne teknologi kun gemmer disse relevante forekomster på den centrale server, er det måske ikke den bedste tilgang for de virksomheder, der skal modtage og gemme alle dine rådata.
#3. Enheds- og netværkskompatibilitet
Analytics på kanten er en ny teknologi, så der kan være problemer med kompatibilitet og dataoverførsel, hvis du bruger gamle enheder og netværksteknologi. Så virksomheder skal købe nye enheder for at implementere denne teknologi i deres organisation.
Følgelig vil dette øge omkostningerne ved kantanalyse for den pågældende virksomhed. Derudover kan det kræve en komplet systemopgradering, der kan forstyrre driften.
#4. Behov for udvikling af egen løsning
Der findes forskellige analytiske platforme til denne opgave. Nogle virksomheder kan dog have brug for en personligt udviklet kantanalyseplatform afhængigt af de enheder, de skal analysere.
#5. Valg af den rigtige software
Nogle systemer, der er tilgængelige på markedet, deler kun deres outputdata i skyen. Derfor kan virksomheder ikke se de rå kildedata bag analysen. For at undgå dette skal du bruge den nyeste analysesoftware for at få fat i alle de nødvendige data.
#6. Behøver Usability Assessment
Det er mest velegnet til scenarier med sikkerhed, effektivitet og hurtig beslutningstagning. Så virksomheder bør vurdere, om de har brug for det, før de vælger løsningen.
Brug Cases
Analyse af kundeadfærd
Forhandlere indsamler data fra deres butikskameraer, parkeringssensorer og indkøbskurvmærker gennem en række sensorer. Med edge analytics kan disse virksomheder bruge disse data til at tilbyde skræddersyede løsninger til deres kunder i henhold til deres adfærd.
Fjernovervågning og vedligeholdelse
Fremstillings- og energiindustrien har brug for øjeblikkelige reaktioner eller advarsler, når maskiner holder op med at fungere eller kræver vedligeholdelse. I stedet for centraliseret dataanalyse er det den rigtige teknologi til hurtigere identifikation af fremtidige flaskehalse.
Intelligent overvågning
Det er også nyttigt til indbrudsdetektion i realtid. Virksomheder kan bruge denne service til at øge deres sikkerhed. Denne teknologi bruger rå billeder fra CCTV til at lokalisere og spore enhver mistænkelig aktivitet.
Forudsigelse af fejl
IoT-hardwarefejl kan vise sig at være katastrofal. Edge-analyse af disse IoT-hardwareenheder kan præcist forudsige sådanne problemer. Med dens hjælp kan organisationer træffe proaktive foranstaltninger og øge oppetiden.
I øjeblikket bruger analytics on edge for det meste tilpassede enheder og apps til specifikke industrielle brugssager. Find nogle værktøjer og enheder nedenfor for at kende tendensen:
Sony Edge Analytics Appliance
REA-C1000 fra Sony er en fuld-funktionel kantanalyse-enhed, der eksisterer indtil videre. Du kan tilslutte Sony-netværkskameraer til den for at optage og analysere live-præsentationer for fjernseere.
Den har højteknologiske funktioner som håndskriftsudtrækning, indholdsoverlejring, autonomt indhold, sporing af præsentationsværter, billedopdeling, sporing af publikumsbevægelser og mere.
AWS IoT GreenGrass
AWS IoT GreenGrass er en open source cloud-tjeneste og edge runtime til at udvikle, implementere og kontrollere IoT-enhedssoftware.
Det bringer logik og cloud-databehandling til de lokale IoT-enheder. Derfor kan enheder fungere i lave eller intermitterende netværksbåndbredder.
HPE Edgeline
HPE Edgeline er velegnet til den robuste brug af smarte enheder i produktionsanlæg, olieplatforme osv. Det bringer edge software og operationel teknologi (OT) hardware direkte til produktionsgulvet.
Derfor kan smarte enheder hurtigt få input fra et databehandlingssystem på stedet i stedet for cloud-servere.
Intel IoT Developer Kit
Du kan bruge software og hardware fra Intel til at udvikle kantanalysebaserede smartenheder til erhvervsbrug. Værktøjssættet indeholder følgende produkter:
- Softwarestak med drivere, SDK’er, OS, prøver og biblioteker
- Intel Distribution af OpenVINO
- Intel Movidius VPU
- Intel Arria 10 FPGA
Azure IoT Edge
Azure IoT Edge bringer analyser og AI-arbejdsbelastninger til smartenheder, der fungerer på kanten. Denne edge analytics-udviklingsplatform inkluderer følgende funktioner:
- IoT-kanthardware fra pålidelige leverandører
- Fri kant-kørselstid
- Forretningslogikmodul til at køre software på kanten
- Azure cloud-grænseflade
Edge vs. Traditional Analytics
Den primære forskel mellem kantanalyse og traditionel/serveranalyse er stedet for dataanalyse.
På kantsystemer finder dataanalyse sted i nærheden af eller på IoT-enheden, der indsamler data og udfører kommandoer. Modsat foregår serveranalyse langt fra den smarte enhed, der indsamler data.
Du kan finde andre bemærkelsesværdige forskelle i følgende tabel:
Feature/Functionality Edge AnalyticsTraditionel analyseEjerskabsomkostningerHøjLavLatencyStort set nulSædvanligvis lav til moderat
Høj, hvis serveren oplever mere arbejdsbelastning end dens kapacitet. Enhedskompatibilitet Ingen
Du har brug for specifikke løsninger, når du skifter enheder. De fleste cloud- og serverbaserede analyseapplikationer er yderst kompatible på tværs af enheder. DataanalysehastighedHurtigere end serveranalyseLangsommere end kantanalyseSystemkonfigurationKonfigurer hver gang, når du ændrer enhedsmærke og modelKonfigurer én gang og brug applikationen i årevis. Sikkerhedssårbarhed Stort set uhackbarTilbøjelig til hacking og phishing-angreb konnektivitetIoT-systemer vil fortsætte med at arbejdeIoT-systemer vil stoppeAnalytikapplikationer Begrænsede muligheder på markedetDer er mange serverbaserede dataanalyseapps på markedetServerprisLav eller ingenHøj
Ofte stillede spørgsmål
Hvad er Edge Video Analytics?
Edge-videoanalyse betyder at analysere billederne af en video på et sted tæt på inputmaskinen i stedet for at flytte videodataene ind i skyserveren.
Et kamera eller encoder behandler billedet for at generere metadata i Edge-analyse. Virksomheden får således hurtigere responstid og skal bruge mindre båndbredde til dataoverførsel.
I hvilken situation foretrækkes Edge Analytics?
Det bedste scenarie for kantanalyse er, når du skal overvåge enheder. Disse analyser er også nyttige, når du har dårlige netværksforbindelser i et område.
Finansielle tjenesteydelser og fremstilling er latensfølsomme sektorer, hvor denne teknologi er egnet. Desuden bør virksomheder, der kigger efter en opskalering, også vælge kantanalyse.
Afsluttende ord
Så nu ved du, hvad edge analytics er, hvordan det fungerer, dets fordele, værktøjer, use cases og mere.
Du kan nu trygt træffe forretningsbeslutninger om at eftermontere dine IIoT-systemer med edge-analyseapparater til hurtigt at kontrollere fjerntliggende enheder.
Alternativt vil artiklen hjælpe dig med at designe eller udvikle nye IoT- og IIoT-løsninger, hvis du er IoT-ingeniør eller -udvikler.
Dernæst kan du tjekke de populære IoT-enheder.