Is Edge Intelligence uw sleutel tot IoT-succes?

Digitale transformatie raast door elke branche en zet organisaties aan tot het installeren van audio-, video- en trillingssensoren in al hun activiteiten. Aangezien 30% van de IoT-projecten echter mislukt in de proof-of-concept-fase, is het volkomen redelijk om voorzichtig te zijn als het gaat om het investeren van geld in grootschalige IoT-implementaties.

Een van de belangrijkste oorzaken van het falen van IoT is dat organisaties zelden voorbereid zijn op de tsunami aan gegevens die al die apparaten genereren. De hoeveelheid gegevens legt een druk op de latentie en de centrale computerinfrastructuur of cloud, om nog maar te zwijgen van het personeelsbestand. De arbeid die nodig is om het kaf van het koren te scheiden - routine-onderhoudsgegevens uit bruikbare inzichten zoals een dreigende machinestoring - is voor de meeste organisaties ontmoedigend.

Zie ook: De rand is nu het middelpunt van de actie

Voer edge-computing in. Edge computing staat op het punt de status quo te worden, waarbij gegevens lokaal worden verwerkt tot het punt waarop gegevens worden gemaakt. Gartner voorspelt dat tegen 2025 75% van de door de onderneming gegenereerde data buiten de cloud zal worden gecreëerd en verwerkt; vandaag is het ongeveer 10%. Organisaties begonnen edge computing te implementeren om de latentie- en bandbreedtekosten te verhelpen die gepaard gaan met het verzenden van grote hoeveelheden gegevens van gecentraliseerde datacenters naar de cloud.

Er is echter veel variatie in edge computing-oplossingen. Veel oplossingen missen een manier om de verzamelde gegevens te begrijpen. OT-personeel ontvangt deze gegevens en weet vaak niet wat ze ermee moeten doen of hoe ze de gegevens moeten analyseren om de operationele efficiëntie te verhogen. Verdere verwerking is vaak vereist, meestal vanuit de cloud. Intelligente edge computing-platforms voegen echter fundamentele verbeteringen toe die deze uitdagingen aangaan, waardoor robuuste analyses beschikbaar zijn zonder een cloudverbinding.

Rand Intelligentie :Voor een slimmer, flexibeler IoT

Edge-intelligentie bouwt voort op de typische mogelijkheden voor gegevensopname die gebruikelijk zijn bij edge-computingplatforms met lagen van geavanceerde functies zoals machine learning (ML) en kunstmatige intelligentie (AI). ML verlicht de werklast van de cloud en datacenters door analyses en bruikbare inzichten direct op de rand. Intelligente oplossingen halen bruikbare inzichten uit de streaminggegevens en reageren hierop door middel van realtime waarschuwingen aan operators en andere bedrijfssystemen. Gesloten controlemogelijkheden tussen de cloud en de edge worden ook ondersteund om corrigerende acties op activa of processen onmiddellijk te automatiseren.

ML met intelligente edge-mogelijkheden vermindert de rekenbelasting door in actie te leren. Het verwerkt continu hoge frequenties van datastromen en informatiepakketten, en vormt zo een complete oplossing aan de rand waar u deze het meest nodig heeft. Hier is een driepuntsbenadering van gegevensverwerking aan de rand:

• Inname en verrijking: De eerste fase van edge-verwerking is gegevensopname en verrijking. Deze laag reinigt gegevens en bereidt deze voor op verwerking door middel van decodering, filtering, interpolatie en meer. Het combineert en stemt hoge volumes, variëteiten en snelheden van streaming video, digitale sensor en activagegevens af. Het is de hoeksteen die de gegevenskwaliteit garandeert voor alle aanvullende verwerking en computergebruik.
• Complexe gebeurtenisverwerking (CEP): Intelligentie wordt geleverd via het CEP door patroondetectie en realtime analyses te bieden voor de opgeschoonde, gestreamde gegevens. Hier worden bruikbare inzichten verkregen via op regels gebaseerde algoritmen en kunnen acties worden ondernomen.
• Machine-leerengine: Het uitvoeren van machine learning-modellen aan de edge kan een uitdaging zijn, aangezien edge-apparaten minder rekenkracht en geheugen hebben. Een goede CEP biedt gegevens voor- en nabewerking die nodig zijn voor de modellen, dus de modelgrootte, lagen en geheugen die nodig zijn voor uitvoering worden vaak met 10X of meer verminderd nadat ze zijn voorbereid op de edge.

Als het gaat om edge intelligence, kan machine learning zeer complexe problemen oplossen en zelfs voorspellingen doen over de gezondheid en prestaties van bewerkingen. In bepaalde omgevingen is het niet overdreven om te zeggen dat geavanceerde analyses en ML op siteniveau levens kunnen redden.

Edge IntelligenceOff-Line

Er zijn veel gevallen waarin een organisatie het verzenden van de gegevens van een apparaat naar de cloud of internet misschien niet wil vertrouwen, en edgeintelligence maakt het mogelijk om de verwerkingskracht en ML te behouden, terwijl de behoefte aan connectiviteit met de cloud verloren gaat. Uw organisatie kan profiteren van geavanceerde, diepgaande gegevensverwerking zonder de beveiligingsrisico's en kosten voor bandbreedte, verwerking en opslag.

Welke voordelen kan uw organisatie verwachten na de overstap naar edge intelligence?

• Massivering van gegevens. Wanneer analyses naar de rand gaan, is er een enorme afname van de hoeveelheid data die over het netwerk wordt gepusht. Dit verlaagt de kosten voor gegevensopslag en gegevensverwerking, en maakt tegelijkertijd IT- en OT-personeel vrij om aan complexere problemen te werken.
• Betere realtime inzichten. Door het computergebruik dicht bij de gegevensbron te houden, kan geavanceerde machine learning opkomende patronen detecteren en onmiddellijke reacties mogelijk maken voordat een storing een volledige crisis wordt.
• Voorspellend onderhoud voor iedereen. Omdat een edge-gebaseerd systeem alle binnenkomende machinegegevens kan verwerken, kan het onderhoudsbehoeften voor alle apparatuur in de operatie voorspellen, niet alleen de tijd die nodig is om onderhoudsactiviteiten te plannen aanzienlijk verkorten, maar ook ongelukken voorkomen die worden veroorzaakt door vertraagd onderhoud.
• Verbeterde opbrengst. Gebruikers kunnen de productiviteit verhogen en downtime verminderen door suboptimale prestaties snel te detecteren en aan te pakken, waardoor betere prestaties worden geleverd met een 360-graden beeld van de activiteiten.

Door de IoT-markt te transformeren, maakt edge intelligence real-time analyse eenvoudiger, waardoor de operationele efficiëntie wordt verhoogd en de kosten voor het verwerken en opslaan van gegevens worden verlaagd.

Een intelligente edge-oplossing kan vele functies vervullen die de handmatige belasting van operators en dataconsumenten wegnemen. Idealiter hebt u een oplossing nodig die niet alleen slim is in het aggregeren en sorteren van gegevens, maar ook in staat is om te detecteren wanneer een asset of proces niet goed functioneert.

Zoals je hebt gezien, biedt intelligent edge computing, naast machine learning-mogelijkheden, essentiële, bruikbare inzichten in realtime, waardoor organisaties een aantal fundamentele uitdagingen het hoofd bieden en de deur openen naar geavanceerde analyses. Fundamenteel zorgen ze ervoor dat al uw apparaten communiceren in het IoT-netwerkprotocol van uw keuze (ModBus, OPCUA, enz.), terwijl ze ook geavanceerde gegevens aan de rand verwerken, zonder vertragingen door latentieproblemen. En ze kunnen uw besluitvorming verbeteren, omdat u altijd over de meest actuele gegevens beschikt.

Van eenvoudig tot ongelooflijk complex, edge intelligence is een bondgenoot voor het succes van uw IoT-project.