Komputasi Edge: Mempercepat Penerapan AI di Tepi Jaringan

Minat terhadap komputasi edge tumbuh, namun banyak orang masih bergelut dengan arsitekturnya. Ketidakpastian yang sama ada di sekitar kecerdasan buatan, dan ide memigrasi AI ke edge terlihat bahkan lebih membingungkan.

Martin Davis, managing partner di DUNELM Associates, mencatat bahwa edge AI sering diabaikan sebagai 'hanya teori yang dikutip dalam artikel.'

Namun, pemimpin industri dan perusahaan tidak lagi dapat mengabaikan edge AI. Tradisionalnya, tugas komputasi intensif seperti deep learning dan computer vision berada di pusat data terpusat. Namun, proliferasi jaringan berkinerja tinggi dan perangkat keras on-premises sekarang memungkinkan pergeseran dari model yang berpusat pada cloud ke edge, kata konsultan Chaitan Sharma. 'Ini tidak akan terjadi secepat kilat, tetapi ini tak terhindarkan,' tambahnya. Gartner memperkirakan bahwa pada tahun 2025, 75 persen data perusahaan akan diproses di edge, sementara Grand View Research memproyeksikan laju pertumbuhan tahunan 54 persen untuk pasar komputasi edge hingga tahun 2025.

Menentukan lokasi tepat komputasi edge dapat ambigu. Open Glossary of Edge Computing menggambarkannya sebagai pengiriman sumber daya komputasi ke ujung logis jaringan. Terletak di luar pusat data konvensional dan cloud, edge berfokus pada 'last mile' jaringan, membawa komputasi secara fisik lebih dekat ke perangkat dan individu yang menghasilkan data.

Pengaturan industri, seperti pabrik dan tambang, menghadapi tantangan saat bergantung sepenuhnya pada komputasi cloud. Pabrik standar memandang keandalan jaringan yang hampir sempurna—uptime 99,9999 persen—dan latensi tingkat milidetik, sambil sering membatasi transmisi data di luar area mereka. Secara historis, fasilitas seperti ini bergantung pada kabeling luas dan protokol kabel spesifik vendor, yang mengarah pada ekosistem teknologi yang terfragmentasi. Komputasi edge menawarkan jalan untuk menyatukan komponen yang beragam ini, seperti yang disoroti oleh Ovum's Market Radar: CSPs' Industrial IoT Strategies and Propositions.

Penerapan edge yang berjalan independen dari cloud berbeda dari model komputasi on-device murni, di mana setiap paket data diproses secara lokal. Sementara komputasi papan dapat memungkinkan pengambilan keputusan kritis segera, Harald Remmert, senior director risiko dan inovasi di Digi International, mencatat bahwa perangkat keras yang diperlukan mahal dan sering kali kurang memadai saat mengeksekusi beban kerja pembelajaran mesin yang kompleks.

Sebaliknya, solusi edge yang ditingkatkan AI di dalam pabrik dapat mengagregasi dan mengkontekstualisasi data dari banyak mesin, mengidentifikasi dan memprediksi masalah yang akan menyebabkan downtime. Gal Ben-Haim, kepala arsitektur di Augury—perusahaan yang mengkhususkan diri dalam pembelajaran mesin industri proses—menekankan bahwa inferensi berbasis edge membuka aplikasi skala besar, bahkan ketika latensi ultra rendah tidak wajib.

Namun, menerapkan pembelajaran mesin di edge tidaklah sederhana; memerlukan model matang dan strategi manajemen penerapan baru, menjelaskan Ben-Haim.

Meskipun beberapa kasus penggunaan edge beroperasi sepenuhnya independen dari infrastruktur cloud pusat, sebagian besar analis melihat komputasi edge sebagai bagian dari spektrum terdistribusi–terpusat. Daripada beralih dari pusat data tradisional, ini menawarkan 'damai,' mengamati analis Gartner Bob Gill selama webinar tahun 2018.

Bill Malik, vice president strategi infrastruktur di Trend Micro, memperingatkan bahwa komputasi edge tidak akan menggantikan cloud.

Daniel Newman, principal analyst di Futurum Research, setuju: hanya beberapa skenario yang membenarkan edge yang sepenuhnya mandiri.

Biasanya, data mengalir dua arah antara edge dan cloud. Cloud unggul dalam menangkap tren makro—seperti perubahan dalam penggunaan energi atau kualitas udara—sedangkan komputasi edge memberikan wawasan yang spesifik kontekstual dan segera, kata Malik.

Accenture memandang komputasi edge sebagai perluasan alami dari cloud. 'Edge digunakan oleh banyak kami bersama dengan analitik cloud dan pembelajaran mesin untuk membuka layanan bisnis inovatif,' kata Charles Nebolsky, managing director dan pemimpin praktik jaringan di Accenture Technology. Contohnya adalah program Connected Mine Accenture, yang mengoptimalkan operasi di dalam lubang tambang untuk perusahaan pertambangan. Nebolsky menjelaskan bahwa mereka telah mengintegrasikan komputasi edge ke dalam alur kerja klien tambang, menggunakan video resolusi tinggi dari rig bor untuk menilai densitas batuan secara real-time. Data ini memungkinkan bor untuk menyesuaikan sudut dan kecepatan secara otomatis, sambil juga memfasilitasi pemeliharaan prediktif. 'Bandwidth yang diperlukan untuk aliran video kepadatan tinggi tidak dapat secara layak ditransmisikan ke cloud dengan frame rate yang diperlukan tanpa biaya yang melampaui batas,' tambah Nebolsky.

Volvo Trucks menggambarkan model dua arah ini melalui telematik dan diagnostik jarak jauh pada model terbaru. Komputer papan menandai parameter yang tidak normal dan menghasilkan kode masalah, yang kemudian ditransmisikan sistem telematik ke Uptime Center Volvo. Pusat ini menyelidiki tanggapan antara bengkel perbaikan, dealer, dan tim pelanggan. Sementara diagnostik papan membantu pemecahan masalah real-time, komponen cloud terpusat memberdayakan pemangku kepentingan eksternal untuk bersiap untuk kunjungan pemeliharaan.

Bill Roberts, IoT director di SAS, mengamati bahwa Volvo bergerak menuju model kematangan yang memadukan analitik edge, AI, dan pembelajaran mesin. 'Langkah logis berikutnya adalah memberdayakan edge pada truk untuk menyaring data kerusakan yang dapat ditindaklanjuti,' saran Roberts. 'Ini akan membebaskan bandwidth, memungkinkan lebih banyak telematik dikumpulkan untuk analitik cloud yang lebih kaya. Wawasan tersebut kemudian dapat diterapkan baik di edge atau di cloud, tergantung pada skenario.'

Test bed Integrasi Sumber Daya Energi Terdistribusi mengilustrasikan komputasi terdistribusi-cloud hibrid. Ini menawarkan alternatif terhadap jaringan AC terpusat konvensional yang kesulitan memanfaatkan sumber DC terdistribusi seperti surya atau angin secara optimal. Test bed menerapkan analitik edge real-time di seluruh perangkat yang ditempatkan secara strategis, menyatukan peralatan legacy dengan pengawasan terpusat sambil memungkinkan operasi otonom dan responsif. 'Platform mendukung operasi otonom dan analitik edge sambil menyumbangkan data dan sinyal kontrol ke satu atau lebih pusat kontrol,' menjelaskan Erik Felt, direktur pengembangan pasar jaringan masa depan di RTI, dan Neil Puthuff, insinyur integrasi perangkat lunak di RTI.

Munculnya 5G telah merangsang minat terhadap arsitektur edge yang beroperasi di luar pusat data konvensional. Meskipun hanya sedikit perusahaan yang telah mencoba proyek edge yang didukung 5G, lanskap ini siap berkembang seiring matangnya jaringan. Harald Remmert menyoroti bahwa manfaatnya mencerminkan komputasi cloud—hanya dengan latensi yang lebih rendah—dan arsitektur ini semakin diminati untuk beban kerja pembelajaran mesin.