Análises industriais de IoT e empresas de aprendizado de máquina precisam medir seu desempenho quando a quantidade de cálculo é pequena
À medida que os projetos industriais de IoT se afastam gradualmente dos métodos centrados na computação em nuvem, a próxima etapa na evolução da inteligência artificial e da IoT industrial atenderá à necessidade de transformar algoritmos em tarefas de computação de ponta, ocupando um espaço muito menor.
De acordo com a empresa de pesquisas Gartner, nos próximos quatro anos, 75% dos dados gerados pela empresa serão processados no limite (em oposição à computação em nuvem), ante 10% hoje. A mudança para a computação de ponta não depende apenas do grande aumento nos dados, mas também requer uma análise de maior fidelidade, requisitos de latência mais baixos, problemas de segurança e enormes vantagens de custo.
Embora a nuvem seja um bom lugar para armazenar dados e treinar modelos de aprendizado de máquina, ela não pode fornecer análise de dados de streaming em tempo real de alta fidelidade. Em contraste, a tecnologia de computação de ponta pode analisar todos os dados brutos, fornecer a análise de mais alta fidelidade e aumentar a possibilidade de detectar anormalidades, obtendo assim uma resposta imediata. Um teste bem-sucedido será a quantidade de "capacidade" ou poder de computação alcançada no menor intervalo possível.
Endereço de visualização dos detalhes da configuração: https://www.hightopo.com/demos/index.html
Compreenda as soluções de ponta "reais" e "falsas"
Como acontece com todas as novas tecnologias em alta, alguns mercados não usam mais o termo "computação de ponta" e sua composição na implantação de IoT industrial não tem limites claros. As soluções de ponta "falsas" afirmam ser capazes de processar dados na ponta, mas na verdade dependem do envio dos dados de volta para a nuvem para processamento em lote ou em pequenos lotes.
Ao aprender sobre computação de borda, computação de borda "falsa" é considerada dados falsos sem processadores de eventos complexos (CEP), o que significa latência mais alta, e os dados ainda estão "sujos", tornando a análise mais imprecisa. Os modelos de aprendizado de máquina (ML) são gravemente afetados.
A computação de ponta "verdadeira" começa com um processador de eventos complexos (CEP) ultraeficiente que limpa, normaliza, filtra, cenas e / ou dados industriais brutos durante o processo de produção. Além disso, as soluções de ponta "reais" incluem aprendizado de máquina integrado e recursos de inteligência artificial, todos incorporados na menor (e maior) área de cobertura de computação.
A função do processador de eventos complexos (CEP) deve realizar análise operacional e em tempo real na ponta industrial e fornecer uma experiência de usuário otimizada para a correção rápida do pessoal de tecnologia de operação (OT). Ele também prepara dados para desempenho ideal de aprendizado de máquina / inteligência artificial e gera insights preditivos da mais alta qualidade para impulsionar o desempenho de ativos e melhorias de processo.
A verdadeira computação de ponta pode economizar muitos custos, melhorar a eficiência e a percepção de dados e permitir que organizações industriais que desejam embarcar em um verdadeiro caminho de transformação digital.
Modelos de aprendizado de máquina / inteligência artificial estão se tornando frágeis
Mover o aprendizado de máquina (ML) para o limite não é apenas uma questão de alterar onde ocorre o processamento. A maioria dos modelos de aprendizado de máquina (ML) usados atualmente são projetados com base em suposições sobre recursos de computação em nuvem, tempo de execução e cálculos. Como essas suposições não são válidas no limite, os modelos de aprendizado de máquina (ML) devem se adaptar ao novo ambiente.
Em outras palavras, eles precisam ser "marginalizados". Em 2019, as "verdadeiras" soluções de ponta reposicionarão o pré-processamento e o pós-processamento de dados de modelos de aprendizado de máquina (ML) para processadores de eventos complexos, reduzindo-os em 80% e aproximando os modelos da fonte de dados. Esse processo é chamado de marginalização e promoverá a adoção geral de aplicativos de computação de ponta e IoT industriais mais poderosos.
O aprendizado de máquina de computação de ponta a nuvem em loop fechado se tornará uma verdadeira solução operacional
Conforme os algoritmos de aprendizado de máquina (ML) e inteligência artificial se tornam "marginalizados" e podem ser usados perto de sensores ou dentro de gateways de IoT ou outras opções de computação industrial, as melhores práticas sobre como treinar e iterar ainda mais esses modelos surgirão.
Organizações industriais descobrirão que dispositivos de ponta que geram resultados de análise em dados de streaming em tempo real (incluindo áudio e vídeo) devem enviar regularmente insights para a nuvem, mas apenas os dispositivos que representam atividades anormais podem garantir a transformação de algoritmos centrais.
Esses insights de ponta aprimoram o modelo e melhoram significativamente seus recursos preditivos. O modelo ajustado é então empurrado de volta para um ciclo fechado constante, reagindo rapidamente às mudanças nas condições e especificações e gerando insights preditivos de alta qualidade para melhorar o desempenho do ativo e melhorias de processo.
A produção de aplicativos IoT industriais só será implementada por meio de soluções de computação de ponta que suportam implantação de nuvem híbrida e multi-nuvem
Nuvem híbrida e soluções de várias nuvens dominarão a implantação da IoT industrial. Um relatório de pesquisa recente descobriu que o mercado de nuvem híbrida alcançará 9,764 bilhões de dólares americanos em 2023. Como as organizações industriais esperam combinar ambientes com várias nuvens para fornecer uma abordagem mais econômica e flexibilidade, é importante que as soluções de ponta não tenham nada a ver com a computação em nuvem.
À medida que as empresas buscam maior flexibilidade e liberdade de escolha ao criar ambientes de computação de ponta a nuvem, as soluções específicas do fornecedor podem começar a falhar. Google, AWS, Microsoft, C3IoT, Uptake e outros provedores líderes de computação em nuvem estabelecerão mais parcerias com empresas de computação de ponta para ajudar as empresas a continuar a melhorar e expandir seus produtos.
O rápido desenvolvimento de sensores de vídeo e áudio IoT leva à necessidade de aprendizado profundo no limite
A indústria está muito preocupada com as funções que os sensores de áudio e vídeo podem trazer para a Internet das Coisas Industrial. A tecnologia de computação de ponta pode desempenhar um papel importante na implantação adicional de dados de áudio e vídeo em sistemas IoT comerciais e industriais.
A integração de dados de ativos e análise de áudio e vídeo permitirá uma manutenção mais rápida e precisa de equipamentos e máquinas (incluindo atualizações de integridade do sistema, etc.), bem como uma série de novos aplicativos inovadores. Um exemplo de análise é o uso de monitoramento de flare em instalações de produção de petróleo e gás para rastrear remotamente a conformidade ambiental e o status do flare de um grande número de torres de flare.
A manutenção preventiva dá lugar à manutenção normativa
Uma grande promessa fornecida pelas soluções de ponta de IoT industrial é a manutenção preditiva, que fornece uma visão sobre o que pode acontecer aos ativos conectados, como equipamentos de fabricação ou plataformas de petróleo no futuro. Embora muitas organizações ainda fiquem para trás na manutenção preditiva, os primeiros usuários receberão tecnologias mais avançadas em 2019.
Por exemplo, os fabricantes de elevadores querem entender os problemas comuns, como o atrito nas portas do elevador. Como parte desse trabalho, a Foghorn colaborou para criar soluções de manutenção preditiva. Ao analisar os dados do sensor na fonte, eles agora podem determinar as necessidades de manutenção com bastante antecedência, sem ter que considerar custo, atraso, segurança e outras questões relacionadas à transmissão de grandes quantidades de dados fora do edifício. Portanto, ele pode agendar serviços com eficiência antes que anormalidades afetem o desempenho.
Quando a manutenção prescritiva estiver disponível, antes que o fabricante faça a manutenção do elevador, eles obterão os dados disponíveis para ajudá-los a encontrar as áreas com maior probabilidade de precisar de reparos e verificar o conhecimento profissional, ferramentas e componentes que podem ser usados para reparos pelo pessoal de manutenção.
A manutenção prescritiva é um passo à frente para uma empresa, pois ela pode não apenas prever problemas, mas também usar a análise de dados para fornecer recomendações orientadas a resultados para suas operações e manutenção.