Manfaat Edge Computing untuk AI Crystallizing

Minat pada edge computing terus meningkat, begitu pula  kebingungan seputar arsitektur. Situasinya serupa ketika menyangkut kecerdasan buatan. Prospek memindahkan AI ke tepi mungkin terdengar seperti resep untuk lebih banyak kebingungan.

Melakukan kecerdasan buatan di tepi sering "hanya teori yang dikutip dalam artikel," kata Martin Davis, mitra pengelola di DUNELM Associates.

Namun, konsep edge AI semakin sulit untuk diabaikan oleh organisasi industri dan perusahaan. Operasi intensif sumber daya seperti pembelajaran mendalam dan visi komputer secara tradisional dilakukan di lingkungan komputasi terpusat. Tetapi ketersediaan yang berkembang dari jaringan berkinerja tinggi dan perangkat keras komputasi membuka kemungkinan untuk mengubah aktivitas itu menjadi “arsitektur cloud terpusat ke [tepi],” seperti yang ditulis oleh konsultan Chaitan Sharma. "Itu tidak akan terjadi dalam semalam, tetapi itu tidak bisa dihindari." Gartner memperkirakan bahwa tiga perempat data perusahaan akan diproses di edge pada tahun 2025, sementara Grand View Research memperkirakan pasar edge computing akan berkembang pada tingkat tahunan sebesar 54% hingga 2025. 

Di Ujung Industri

Pertanyaan di mana tepatnya edge computing terjadi tidak selalu jelas. Open Glossary of Edge Computing mendefinisikan arsitektur sebagai "pengiriman kemampuan komputasi ke ekstrem logis dari suatu jaringan." Terletak di luar pusat data tradisional dan cloud, keunggulannya terkonsentrasi di "jarak terakhir" jaringan  dan sedekat mungkin dengan hal-hal dan orang-orang yang menghasilkan data atau informasi.

[ Dunia IoT adalah acara IoT terbesar di Amerika Utara di mana para ahli strategi, teknologi, dan pelaksana terhubung, menempatkan IoT, AI, 5G, dan keunggulan dalam tindakan di seluruh vertikal industri. Pesan tiket Anda sekarang. ]

Mengingat sulitnya menggunakan komputasi awan di lingkungan seperti pabrik atau pertambangan, sektor industri adalah kandidat yang baik untuk arsitektur komputasi tepi. Pabrik, misalnya, mungkin memerlukan keandalan jaringan yang tinggi, pada waktu aktif 99,9999%, dan latensi milidetik yang rendah, dan mungkin membatasi pengiriman data di luar lokasi. Mengingat keterbatasan seperti itu, sebagian besar pabrik secara tradisional menggunakan kabel fisik dan protokol kabel berpemilik dari vendor industri. Hasilnya adalah “lingkungan teknologi yang terfragmentasi”, yang dapat disatukan oleh teknologi seperti edge computing, menurut Ovum Market Radar:Strategi dan Proposisi IoT Industri CSP.

Arsitektur komputasi tepi yang beroperasi tanpa awan tidak sama dengan skenario komputasi lokal di mana semua data diproses pada perangkat individual. Sementara komputasi on-board seperti itu dapat mendukung pengambilan keputusan penting secara real time, perangkat keras perangkat mahal, menurut Harald Remmert, direktur senior, penelitian dan inovasi di Digi International. Selain itu, kemampuan konfigurasi komputasi lokal tersebut untuk mendukung operasi seperti pembelajaran mesin seringkali terbatas.

Sebaliknya, sistem komputasi tepi berkemampuan AI di pabrik dapat mengontekstualisasikan data dari beberapa mesin untuk mendeteksi dan pada akhirnya memprediksi masalah yang menyebabkan waktu henti. “Melakukan inferensi pembelajaran mesin di edge adalah pendukung untuk skala aplikasi, bahkan ketika latensi rendah tidak diperlukan,” tutup Gal Ben-Haim, kepala arsitektur Augury, sebuah perusahaan yang menciptakan teknologi pembelajaran mesin untuk industri proses.

Namun, itu tidak berarti bahwa menerapkan pembelajaran mesin di edge selalu mudah. Ini “membutuhkan model pembelajaran mesin yang lebih matang dan cara baru untuk mengelola penerapannya,” kata Ben-Haim.

Dari Cloud ke Edge dan Kembali 

Sementara beberapa skenario komputasi tepi mungkin tidak menggunakan model komputasi terpusat sama sekali, banyak analis melihat komputasi tepi memungkinkan kontinum komputasi yang memiliki aspek terdistribusi dan terpusat. Alih-alih mewakili ayunan pendulum dari pusat data terpusat, komputasi tepi menawarkan "gencatan senjata," kata analis Gartner Bob Gill dalam webinar 2018.

“Beberapa model komputasi tepi menegaskan itu akan menggantikan cloud; Saya tidak percaya itu akan terjadi,” kata Bill Malik, wakil presiden strategi infrastruktur di Trend Micro.

“Ada beberapa kasus penggunaan di mana edge yang mandiri masuk akal,” kata Daniel Newman, analis utama di Futurum Research.

Sebagian besar waktu, aliran data akan dua arah antara edge dan cloud. Sementara cloud dapat mendorong pelacakan tren luas dan efek urutan kedua seperti perubahan konsumsi energi atau kualitas udara, “komputasi tepi memberikan jawaban lokal untuk pertanyaan lokal,” kata Malik.

Accenture melihat komputasi tepi sebagai ekstensi cloud. “Edge digunakan oleh banyak klien kami bersama-sama dengan analitik cloud dan teknologi pembelajaran mesin untuk memungkinkan layanan bisnis baru dan berharga,” kata Charles Nebolsky, direktur pelaksana dan pemimpin praktik jaringan untuk Accenture Technology. Salah satu contohnya adalah inisiatif Connected Mine dari Accenture untuk menyederhanakan cara perusahaan pertambangan mengelola operasi in-pit mereka. “Kami telah memperluas solusi Tambang Terhubung dengan komputasi tepi pada klien pertambangan industri di mana mereka menggunakan video resolusi tinggi dari peralatan pengeboran untuk menentukan kepadatan batuan,” tambah Nebolsky. Kemampuan itu memungkinkan bor untuk menyesuaikan sudut dan kecepatan secara real-time, dan juga mendukung pemeliharaan prediktif peralatan. “Bandwidth dari streaming video berdensitas tinggi yang diperlukan tidak dapat diangkut kembali ke cloud dengan frame per detik yang diperlukan dengan cara yang hemat biaya untuk pemrosesan cloud langsung,” kata Nebolsky.

Contoh lain dari aliran data melingkar ini datang melalui Volvo Trucks, yang menerapkan sistem telematika dan diagnostik jarak jauh di kendaraan terbaru. Sistem bekerja, sebagian, dengan menggunakan komputer terpasang yang mendeteksi parameter abnormal dan memicu kode masalah. Dari sana, sistem telematikanya mengalirkan data operasional yang mengganggu ke Pusat Waktu Kerja Volvo, yang dapat mengoordinasikan tanggapan dengan pihak terkait seperti bengkel, dealer, dan agen layanan pelanggan. Sementara komputasi on-board pada truk membantu mendiagnosis masalah, aspek penyebaran yang terpusat memungkinkan bengkel dan dealer mempersiapkan truk yang datang untuk pemeliharaan.

“Volvo mengalami kemajuan dalam apa yang dengan cepat menjadi model kedewasaan umum yang terkait dengan analitik tepi dan kecerdasan buatan serta pembelajaran mesin,” kata Bill Roberts, direktur IoT di SAS. Langkah selanjutnya yang masuk akal adalah mengaktifkan kemampuan komputasi tepi pada truk untuk menentukan data kesalahan mana yang dapat ditindaklanjuti. Pergeseran seperti itu akan membebaskan “bandwidth untuk mengumpulkan data telematika tambahan yang mengarah ke lebih banyak wawasan analitik yang dikembangkan di cloud,” kata Roberts. “Insight tersebut dapat dioperasionalkan di mana saja dari edge atau cloud tergantung pada apa yang ditentukan oleh use case.”

Test bed Integrasi Sumber Daya Energi Terdistribusi memberikan contoh lain dari komputasi terdistribusi dan komputasi awan gabungan. Proyek ini memberikan alternatif untuk jaringan listrik arus bolak-balik terpusat tradisional, yang berjuang untuk menggunakan daya secara efisien dari sumber arus searah yang didistribusikan seperti panel surya atau turbin angin. Test bed memanfaatkan analitik berbasis tepi waktu nyata yang diterapkan pada perangkat keras yang tersebar di seluruh jaringan untuk menjembatani peralatan warisan yang heterogen dan kontrol terpusat dengan kemampuan penuh respons waktu nyata dan operasi otonom, menurut Erik Felt, direktur pengembangan pasar jaringan masa depan di RTI, dan Neil Puthuff, insinyur integrasi perangkat lunak di RTI. Platform ini dilengkapi untuk operasi otonom dan analisis berbasis edge, sekaligus menyediakan data dan kontrol ke satu atau beberapa pusat kontrol.

Konektivitas 5G juga telah memicu minat pada arsitektur edge untuk memungkinkan komputasi di luar pusat data tradisional. Meskipun ada beberapa contoh organisasi dengan proyek komputasi tepi berkemampuan 5G , itu dapat berubah seiring dengan matangnya jaringan 5G. Manfaat dari pendekatan ini mirip dengan cloud, meskipun dengan latensi yang lebih rendah, catat Remmert. “Arsitektur ini sangat populer untuk aplikasi machine learning,” pungkasnya.