Empresas olharão para a computação de ponta para ir além dos benefícios do POC

O CTO do FogHorn Sastry Malladi, vice-presidente de gerenciamento de produtos Ramya Ravichandar e vice-presidente de engenharia de software Senthil Kumar revelam suas previsões para estratégias híbridas de computação de borda em nuvem, operações autônomas e soluções sustentáveis ​​habilitadas para IA.

As organizações passarão os projetos de IoT das implantações de prova de conceito para prova de valor

Ramya Ravichandar: A IDC prevê que haverá mais de 41 bilhões de dispositivos conectados à Internet das Coisas (IoT), gerando mais de 79 zettabytes de dados até 2025. Essa tendência será impulsionada pela quantidade crescente e variedade de canais de transmissão de dados, indo além de áudio, imagem e sensores de vídeo para incluir também acústico, aceleração, vibração e outros. Os dados de treinamento para casos de uso de inteligência artificial e criação de modelo de aprendizado de máquina também desempenham um papel significativo aqui.

Durante as implantações de prova de conceito (POC) nos últimos anos, muitas organizações confirmaram os benefícios que a IoT pode trazer para uma ampla variedade de setores – e os gastos com IoT devem atingir US $ 1,1 trilhão em 2025, segundo a IDC. Por exemplo, as iniciativas de cidades inteligentes estão substituindo os equipamentos existentes por sensores incorporados habilitados para IoT que capturam uma ampla variedade de dados. Munidas de dados da IoT, as cidades podem melhorar a segurança pública, a eficiência energética, o gerenciamento de tráfego e responder às constantes mudanças nas condições ambientais e climáticas.

No entanto, um dos principais desafios do setor atualmente é descobrir como capturar, organizar, processar e implantar grandes quantidades de dados complexos com mais eficiência. Embora as organizações possam implementar soluções de IoT e coletar dados, ainda existem alguns obstáculos que afetam a adoção generalizada, incluindo lacunas de habilidades e custos de nuvem. De fato, apenas 26% das organizações que implementaram a IoT consideraram seu projeto bem-sucedido.

Em 2020 e além, veremos as organizações migrarem os projetos de IoT e IIoT da prova de conceito para implantações completas, com o objetivo de aumentar a eficiência operacional geral. Para ir além dos benefícios iniciais do POC, as organizações se concentrarão em novas oportunidades inovadoras, como a computação de ponta, para obter ROI significativo, oferecer produtividade operacional aprimorada e alcançar a fase final de prova de valor.

Além da quantidade de dados, as organizações devem melhorar a qualidade dos dados para gerar insights acionáveis

Ramya Ravichandar: Embora muitos considerem as limitações de conectividade, riscos à segurança e problemas de polarização de dados, incluindo a quantidade de dados, como obstáculos ao sucesso da IoT, a qualidade dos dados também desempenha um papel crítico no fornecimento de projetos de IoT eficazes. As organizações só podem tomar as decisões corretas baseadas em dados se os dados utilizados estiverem corretos e adequados para o caso de uso em questão. A computação em borda desempenha um papel essencial na avaliação e fornecimento de alta qualidade de dados, pois as soluções habilitadas para borda podem executar análises em tempo real de fluxos de dados diferentes e identificar apenas as informações mais valiosas para processamento adicional e treinamento em IA.

No futuro, o processamento e o enriquecimento de dados de ponta contribuirão para o sucesso da IoT, identificando e abordando modelos de aprendizado de máquina falsos e imprecisos que levam a falhas perigosas, queda na produtividade operacional e problemas significativos de custo.

As soluções habilitadas para Edge permitirão um futuro mais sustentável

Ramya Ravichandar: Em 2020, veremos um aumento nas implantações de computação de ponta, impulsionando casos de uso de tecnologia verde para minimizar a pegada de carbono. As organizações de transporte começarão a implantar a computação de ponta para detectar eventos anormais de regeneração e inatividade em tempo real, para economizar bilhões de libras de emissões de CO2 por ano. Além disso, as organizações de petróleo e gás implementarão tecnologias de ponta para monitorar a saúde da pilha de queima e entender as emissões. Por meio da tecnologia de fusão de sensores, as soluções Edge ajudarão a identificar problemas com a saúde do compressor e alertar os operadores sobre possíveis violações regulatórias. Além disso, os fabricantes de aço procurarão aprimorar a computação para economizar milhões de toneladas de emissões de CO2, identificando as peças defeituosas produzidas na fabricação de aço o mais cedo possível no processo para reduzir a sucata e aumentar o rendimento.

Para essas organizações, a Edge Solution implementará dados de medição em tempo real e modelos de aprendizado de máquina para determinar a qualidade do produto e impactar diretamente as iniciativas de sustentabilidade.

O setor refinará a definição de “borda”

Sastry Malladi: Este ano, muitos participantes do setor lideraram conversas sobre a definição exata e os vários locais do limite. As organizações têm se esforçado para entender a localização precisa da borda quando, na realidade, a localização é altamente dinâmica e varia de acordo com o setor e o caso de uso. Por exemplo, as operadoras de telecomunicações consideram a borda da rede de telecomunicações a borda verdadeira (também chamada de borda de serviço), enquanto os desenvolvedores de aplicativos e operadores de plantas industriais a definem como o ponto de produção de dados (ou a localização do ativo que está sendo monitorado). A definição de telco da borda também está alinhada com o MEC (Multi-access Edge Computing).

Além disso, algumas soluções adotaram uma terminologia de ponta sem considerar suas características exatas, introduzindo mais confusão no mercado. As soluções de borda fracas (ou falsas) não têm a capacidade de executar de maneira ideal modelos de análise e aprendizado de máquina nos dados de transmissão ao vivo em um ambiente de computação restrito, um requisito crucial para obter informações acionáveis ​​em tempo real. Essas soluções não são “verdadeiras”, pois confiam na nuvem para processamento de dados, em vez de processar dados na borda.

Por fim, confusão quanto ao relacionamento borda-nuvem. O Edge certamente é complementar à nuvem, embora no setor industrial, o Edge aprimore bastante a adoção e o valor da nuvem. De fato, durante o próximo ano, os líderes em computação de ponta trabalharão continuamente para evoluir e refinar respostas a perguntas como: Onde está a borda localizada, o que é computação de borda; e porque é a borda importante.

Os fabricantes automotivos buscarão a computação de ponta para melhorar as funcionalidades em tempo real e acelerar as operações autônomas

Sastry Malladi: Hoje, os carros geram muito mais dados do que nunca, e é um grande desafio reunir, mesclar, processar e implantar todos esses dados de sensores com eficiência. O futuro do transporte com veículos autônomos (AV) depende da criação da inteligência e do processamento necessários para construir e operar sistemas autônomos e sofisticados. Por exemplo, espera-se que muitos AVs sejam carros elétricos, e estes exigirão substancialmente mais inteligência no veículo e gerenciamento do ciclo de vida do sistema. São necessários para maximizar a eficiência e a vida útil dos sistemas de bateria e carregamento, além de outros sistemas que suportam frenagem, desempenho do motor, segurança, ambiente dos passageiros e manutenção preditiva.

Embora os controles de veículos totalmente autônomos estejam a anos de distância, existem muitos aplicativos de computação de ponta já disponíveis para aprimorar a eficiência, a confiabilidade e a segurança do transporte comercial e público. Isso inclui sistemas de controle e segurança de veículos, como câmeras, assistência ao motorista e funções de prevenção de colisões, que são adicionados aos novos veículos todos os anos.

No próximo ano, em vez de depender de data centers remotos para decisões críticas de comando e controle, os fabricantes de automóveis podem eliminar as preocupações de segurança e acelerar o caminho para a condução autônoma, implantando sistemas habilitados para borda.

As organizações experimentarão uma mudança da nuvem apenas para estratégias híbridas na borda da nuvem para permitir a Edge AI e modelagem iterativa de ML e melhoria contínua dos resultados

Senthil Kumar: A capacidade de analisar dados brutos de alta fidelidade e alta resolução de máquinas na nuvem costuma ser cara e não ocorre em tempo real devido a considerações de transporte e ecossistema. As organizações geralmente dependem de dados com amostragem reduzida ou adiada pelo tempo para evitar restrições de custo significativas e, como resultado, as organizações perdem insights críticos, pois estão apenas analisando conjuntos de dados incompletos.

Em vez disso, implementando soluções pioneiras, as organizações podem sintetizar dados localmente, identificar inferências de aprendizado de máquina nos principais conjuntos de dados brutos e fornecer recursos preditivos aprimorados (versus insights retroativos pesados ​​na nuvem, caros e). Ao executar versões ‘edificadas’ dos modelos de ML em tempo real, as organizações permitem respostas mais rápidas a eventos em tempo real e a capacidade de agir, reagir, agir de forma pró-ativa a eventos de interesse na fonte. Isso garante uma interação harmoniosa de borda e nuvem, aproveitando os pontos fortes de cada ecossistema.

De fato, nos próximos anos, mais de 40% das implantações na nuvem das organizações incluirão computação de ponta para solucionar gargalos na largura de banda, reduzir a latência e processar dados para suporte a decisões críticas em tempo real. Esses projetos IIoT, com tecnologia de ponta, extraem uma visão realista das operações diárias da máquina e trabalham em direção a um novo nível de previsibilidade que alterará drasticamente o cenário da indústria como o conhecemos. Em resumo, em 2020, as soluções dominadas na nuvem adotarão uma abordagem mais inovadora ou híbrida, para gerar um valor comercial significativo.

As organizações vão além da computação de ponta para soluções de IA de ponta para oferecer um ROI ideal

Senthil Kumar: Quando as organizações criam modelos de ML, é assumido que o modelo será preciso por um certo período de tempo, pois o modelo foi treinado em um conjunto específico de dados. Se novos padrões de dados surgirem ou se o modelo não tiver sido treinado em todos os conjuntos de dados ou fluxos de trabalho possíveis, o modelo poderá não continuar a fornecer resultados precisos. Empregando IA de ponta, os modelos podem ser atualizados continuamente com dados novos e significativos e os conjuntos de aprendizado atualizados.

Por exemplo, em uma fábrica, um modelo pode ser implantado para detectar defeitos em uma linha de montagem de inspeção de peças ou identificar proativamente padrões que podem levar a defeitos após um período de tempo. Muitas vezes, após alguns meses, a precisão do modelo pode diminuir devido a novos padrões de dados. Isso pode ser enganoso, e o custo de oportunidade pode ser significativo se o software usar exclusivamente a análise tradicional.

Usando o poder da inteligência artificial (IA) nos modelos de ponta e de autoaprendizagem, em 2020, os modelos de ML podem ir além dos recursos analíticos tradicionais e melhorar significativamente a funcionalidade preditiva e o ROI geral. Com o AI de ponta, o software pode interagir de maneira proativa com fluxos de dados ao vivo e atender à inteligência na ou perto da fonte, levando a maior produtividade geral, eficiência e economia de custos.

Artigos Relacionados

Back to top button