Применение искусственного интеллекта сулит много выгод любой сфере, и Edge Computing — не исключение. Несмотря на то, что пока что они в основном носят теоретический характер, предприятия изучают модели применения периферийного ИИ (edge AI), сообщает портал ITPro Today.

Интерес к периферийным вычислениям продолжает расти, но вместе с этим возникает путаница по поводу того, что эта архитектура из себя представляет и зачем она нужна. Схожая ситуация наблюдается и с ИИ — перспектива его применения в связке с Edge Computing может привнести еще больше неразберихи. «Давайте не путать теорию с практикой. А применение ИИ на периферии сети — это именно теория, о чем красноречиво говорят поверхностные публикации в профильной прессе», — говорит управляющий партнер DUNELM Associates Мартин Дэвис. Тем не менее, промышленным и корпоративным организациям все сложнее игнорировать концепцию периферийного ИИ.

Ресурсоемкие операции, такие как глубокое обучение и компьютерное зрение, традиционно выполнялись в централизованных вычислительных средах. По оценкам Chetan Sharma Consulting, растущая доступность высокопроизводительного сетевого и вычислительного оборудования открывает возможность переноса этих операций из централизованной облачной архитектуры на край сети: «Это не произойдет в одночасье, но это неизбежно». Gartner прогнозирует, что к 2025 г. на периферии сети будет обрабатываться около 75% корпоративных данных. Согласно прогнозам Grand View Research, в период до 2025 г. рынок Edge Computing ежегодно будет расти со скоростью 54%.

Edge Computing в промышленности

Требует прояснения вопрос о том, где именно производятся периферийные вычисления. В Open Glossary of Edge Computing эта архитектура описывается как «вычислительные возможности на стыке логических границ сети». Расположенная вне традиционных ЦОДов и облака, она базируется на «последней миле» сети и находится как можно ближе к оборудованию и людям, генерирующим данные или информацию. Архитектура Edge Computing — хороший кандидат для промышленности, потому что применение облачных вычислений на заводах или шахтах сопряжено со сложностями. Например, чтобы обеспечить работоспособность инфраструктуры, заводу требуется высокая надежность сети со временем безотказной работы на уровне 99,9999%, низкая задержка, которая измеряется миллисекундами, а также соблюдение ограничений на отправку данных за пределы предприятия.

Чтобы соответствовать этими требованиям, на большинстве фабрик традиционно прокладывают физические кабели и используют проприетарные проводные протоколы промышленного уровня. Как следствие, согласно отчету Ovum Market Radar: CSPs’ Industrial IoT Strategies and Propositions, предприятия превратились в «фрагментированную технологическую среду», где такие технологии, как периферийные вычисления, могут помочь ее унифицировать. Архитектура Edge Computing работает без привязки к облаку, но ее не следует ассоциировать с локальными вычислительными сценариями, в которых все данные обрабатываются на отдельных устройствах. По словам старшего директора по исследованиям и инновациям Digi International Харальда Реммерта, такие «бортовые» вычисления (on-board computing) могут поддерживать принятие критически важных решений в режиме реального времени. Исходя из этого, локальные вычислительные конфигурации не могут поддерживать такие операции, как машинное обучение.

Тем временем периферийная вычислительная система с поддержкой ИИ, работающая в заводских цехах, могла бы связать данные с нескольких машин, что в конечном итоге позволило бы прогнозировать проблемы, вызывающие простои. «Перенос логики выполнения машинного обучения на периферию сети является фактором, способствующим масштабированию приложений, даже когда не требуются низкие задержки», — утверждает Гал Бен-Хаим, руководитель корпоративной архитектуры компании Augury, создающей технологию машинного обучения для обрабатывающей промышленности. Однако это не означает, что развертывание машинного обучения на границе сети — легкая задача. «Требуются более зрелые модели и новые способы управления их развертыванием», — добавил он.

От облака до Edge Computing и обратно

Некоторые сценарии применения Edge Computing никак не связаны с моделями централизованных вычислений, часть аналитиков считает, что эту технологию можно использовать в диапазоне вычислений, который имеет распределенные и централизованные аспекты. Вместо того, чтобы представлять собой маятниковое отклонение от централизованных ЦОДов, Edge Computing предлагает «компромисс», считает аналитик Gartner Боб Гил. «Некоторые модели периферийных вычислений рассматриваются как замена облаку. Я не думаю, что это произойдет», — сказал вице-президент по инфраструктурным стратегиям Trend Micro Билл Малик. «Автономность Edge Computing можно применять только в нескольких сценариях, не более», — соглашается главный аналитик Futurum Research Даниэль Ньюман.

Большую часть времени поток данных между периферией и облаком будет двунаправленным. В то время как облако позволяет отслеживать широкие тенденции и эффекты второго порядка, такие как изменения в потреблении энергии или качестве воздуха, «Edge Computing дает локальные ответы на локальные вопросы», — считает Малик. Accenture рассматривает Edge Computing как расширение облака. «Периферийные вычисления применяются многими нашими клиентами в тандеме с облачной аналитикой и технологиями машинного обучения для создания новых и ценных бизнес-услуг», — сказал управляющий директор и руководитель сетевой практики Accenture Technology Чарльз Небольски.

Одним из примеров является инициатива Accenture Connected Mine, направленная на оптимизацию работы горнодобывающих компаний в карьере. «По заказу одного из наших клиентов, который занимается промышленной добычей ископаемых, мы связали решение Connected Mine с Edge Computing. Оно применяется для управления камерами высокого разрешения, установленных на буровом оборудовании, чтобы определить плотность породы», — говорит Небольски. Connected Mine позволяет в режиме реального времени регулировать угол наклона и скорость бурения, а также отвечает за профилактическое обслуживание оборудования. «Ширина полосы пропускания видеопотоков высокой плотности исключает их передачу в облако без потери качества. В этом случае прямая облачная обработка видео-данных является экономически неэффективной», — добавил он.

Еще одним примером кругооборота данных является практика Volvo Trucks, которая внедряет в последние марки автомобилей телематические и дистанционные диагностические системы. Они работают в связке с бортовым компьютером, который обнаруживает аномальные параметры и, когда требуется, запускает коды неисправностей. Затем телематическая система передает собранные оперативные данные в Volvo Trucks Uptime Center, который координирует действия ремонтных служб, дилеров и агентов по обслуживанию клиентов. В то время как бортовые вычисления помогают диагностировать проблемы на грузовиках, централизованный аспект развертывания позволяет ремонтным службам и дилерам подготовиться к их ремонту еще до прибытия автомобиля. «Volvo прогрессирует, привнося в свою работу операционную модель, связанную с аналитикой, ИИ и машинным обучением. Эта модель быстро становится рыночным стандартом», — говорит директор направления IoT SAS Билл Робертс.

Следующим разумным шагом было бы дать возможность периферийным вычислительным возможностям на грузовиках определить, какие данные о неисправностях имеют наибольший практический смысл. «Такой сдвиг высвободит полосу пропускания для сбора дополнительных телематических данных, что приведет к более глубоким выводам, полученным в облаке, — добавил он. — В зависимости от ситуации эта информация может принести пользу в любом месте периферийной сети или облака».

Наконец, третьим примером комбинированных распределенных и облачных вычислений является стенд для тестирования интеграции распределенных энергетических ресурсов консорциума промышленного Интернета (Industrial internet consortium, IIC). Проект представляет альтернативу традиционным централизованным сетям переменного тока и направлен на эффективное использование энергии от распределенных источников постоянного тока, таких как солнечные панели или ветряные турбины.

По словам Эрика Фелта, директора по развитию рынка сетей будущего RTI и инженера той же компании Нила Путафа, тестовый стенд задействует аналитику реального времени на базе Edge Computing на всем спектре оборудования, чтобы наладить централизованное управление разнотипным устаревшим оборудованием без ограничений в плане оперативности реагирования в реальном времени и автономности работы. Платформа может работать автономно с задействованием периферийной аналитики, предоставляя данные и управление одному или нескольким центрам управления.

Интерес к Edge Computing не в последнюю очередь связан с возможностями подключения, которыми обладает 5G, в том числе такими, которые позволяют выполнять вычисления вне традиционных ЦОДов. На рынке имеется несколько компаний, которые развернули свои Edge-проекты с поддержкой 5G, по мере достижения технологией зрелости они могут измениться. Реммерт отметил, что такой подход дает те же преимущества, что и облако, к тому же с меньшими задержками. «Эта архитектура очень популярна для приложений машинного обучения», — заключил он.