Snelheid en interconnectiviteit met AI in de edge

AI heeft praktische implicaties die de manier waarop bedrijven dingen voor elkaar krijgen aan het veranderen is. Ontwikkelaars zijn manieren aan het ontdekken om AI te combineren met de Internet of Things om bedrijven te helpen profiteren van de data die door verbonden apparaten wordt gegenereerd. Het ultieme doel hiervan is om productiemogelijkheden te verbeteren, efficiëntie te behalen en operationele kosten te verminderen door in real-time data van meerdere punten te duiken en bruikbare inzichten te genereren.

Naarmate de hoeveelheid edge apparaten in de markt toeneemt, is het behandelen van de data van al deze apparaten niet langer geschikt voor centrale server architecturen. Wereldwijd zijn er honderden miljoenen CCTV camera’s, en daarnaast nog allerlei andere IoT edge apparaten. Het valt te begrijpen dat het moeilijk begint te worden om deze allemaal door servers te leiden voor verwerking, als dat al niet het geval is. Bij het ontwikkelen van oplossingen is het belangrijk om in overweging te nemen welke infrastructuur de mogelijkheid van AI om deugdelijke, real-time besluitvorming te stimuleren het best ondersteunt. In veel gevallen is cloud computing niet de meest effectieve en efficiënte oplossing wegens het feit dat de IoT industrie groeit en de hoeveelheid edge apparaten zo gigantisch wordt.

Het belang van interconnectiviteit tussen apparaten

Data die van een enkel IoT apparaat verzameld wordt heeft op zichzelf beperkte waarde. Bovendien blijft volgens onderzoek de helft tot driekwart van de data in een organisatie die gebruikt kan worden voor analyse onbenut. Echte waarde wordt afgeleid door het combineren van data van meerdere apparaten om patronen te ontdekken die kunnen worden gebruikt om toekomstige prestaties te voorspellen. In plaats van te kijken naar de data van een enkel apparaat of van ieder apparaat op zich, kan het analyseren van data van alle apparaten tezamen een holistisch beeld geven van wat er gaande is.

AI maakt het mogelijk dat de technologie grote hoeveelheden data verwerkt en patronen erin herkent. Met behulp van krachtige algoritmen past AI zich aan nieuwe inputs aan en maakt beslissingen gebaseerd op wat het met verloop van tijd heeft geleerd. Via deze manier biedt het automatische, nauwkeurige feedback, zodat er gefundeerde beslissingen genomen kunnen worden. Het is de tool die waarde toevoegt aan alle data die verzameld wordt door IoT apparaten. AI doet zijn voordeel met de verzameling en opeenhoping van big data om meer te kunnen doen dan slechts in kaart brengen wat er in het verleden is gebeurd. Wat AI doet is analyses produceren over manieren waarop processen kunnen worden verbeterd en voorspellen wat er op basis van verschillende scenario’s zou kunnen gebeuren.

Het collectieve gebruik van data is hetgeen ervoor zorgt dat AI machine learning kan uitvoeren; een essentieel onderdeel van de technologie. Machine learning maakt gebruik van algoritmen die het vermogen hebben om van data te leren en aan de hand van additionele inputs zich zelfstandig aan te passen. Op die manier produceren AI en machine learning bruikbare inzichten op basis van data analyse om abnormaliteiten te helpen detecteren, voorspellingen te genereren, operationele efficiëntie te verhogen, downtime te verminderen, en risicomanagement te verbeteren. Waar in de infrastructuur die analyse plaatsvindt kan de waarde van de verkregen inzichten en timing van de resulterende handelingen significant beïnvloeden.

Het belang van snelheid

Momenteel wordt de meeste data van verbonden apparaten in het IoT ecosysteem verzameld en overgedragen naar de cloud voor verwerking en analyse. De data wordt samengevoegd bij de computerkracht in de cloud, waar AI-aangedreven beslissingen worden gemaakt. Ondanks dat deze methode betrouwbaar is gebleken, introduceert de hoeveelheid tijd die het neemt om de data overdracht van en naar de cloud te volbrengen latency problemen die real-time besluitvorming kunnen benadelen. Hoe verder weg een cloud datacenter geografisch is gelegen, hoe meer latency er ontstaat. Voor iedere 160 kilometer die data reist, verliest het zo’n 0.82 milliseconde aan snelheid. Hoewel cloud computing vlug is, kan het niet blijven voldoen aan de groeiende eisen van zware workload IoT apparaten voor branches zoals de zorg en transport.

Terwijl cloud oplossingen nog alle krantenkoppen krijgen doet latency ertoe, en is het wachten op datacenters die kilometers verderop staan om ter plekke instant besluitvorming aan te drijven niet haalbaar voor vele applicaties. In veel gevallen is edge computing het antwoord. Opkomende voortgang in de hardware en modules die nodig zijn om progressie van AI in de edge een zetje te geven voeden de mogelijkheden. Edge apparaten en gateways-to-edge apparaten zijn nu krachtiger en maken de lokale verzameling, opslag en analyse van data mogelijk, zonder te hoeven wachten op waarde die verkregen moet worden uit de cloud en vervolgens weer terug naar het apparaat moet worden gestuurd. Door het combineren van AI en edge computing zijn IoT oplossingen krachtiger, omdat de latency problemen met cloud computing worden geëlimineerd.

Ondanks de vele voordelen die edge computing biedt ten opzichte van cloud computing als het gaat om AI en IoT, is edge computing niet per definitie altijd de beste oplossing. Volgende keer behandelen we daarom een checklist voor het maken van een keuze tussen cloud computing en edge computing.