Wachsende Hoffnungen auf Edge Computing haben die Branche mit mutigen Ideen erfüllt, wie zum Beispiel „Der Edge wird die Cloud verschlingen“ und Echtzeitautomatisierung wird im Gesundheitswesen, im Einzelhandel und in der Fertigung alltäglich.
Heute gehen immer mehr Experten davon aus, dass Edge Computing bei der Digitalisierung nahezu aller Unternehmen eine Schlüsselrolle spielen wird im Wandel. Aber die Fortschritte waren langsam. Traditionelles Denken hindert Unternehmen daran, die Vorteile der Entscheidungsfindung und Ressourcenzuweisung in Echtzeit voll auszuschöpfen.
Um zu verstehen, wie und warum dies geschah, werfen wir einen Blick zurück auf die erste Welle des Edge Computing und was seitdem passiert ist.
Erste Welle des Edge Computing: Internet der Dinge (IoT)
Für die meisten Branchen ist das Konzept des Edge eng mit der ersten Welle des Internets der Dinge (IoT) verbunden. . Damals lag der Schwerpunkt vor allem auf der Erfassung von Daten von kleinen Sensoren, die überall angebracht waren, und der anschließenden Übertragung dieser Daten an einen zentralen Ort – etwa die Cloud oder ein Hauptrechenzentrum.
Diese Datenströme müssen dann mit der sogenannten Sensorfusion korreliert werden. Zu dieser Zeit führten Sensorökonomie, Batterielebensdauer und Allgegenwärtigkeit oft zu zu begrenzten Datenströmen mit geringer Wiedergabetreue. Darüber hinaus ist die Nachrüstung vorhandener Geräte mit Sensoren oft kostspielig. Während die Sensoren selbst kostengünstig sind, ist die Installation zeitaufwändig und erfordert geschultes Personal. Schließlich ist das für die Analyse von Daten mittels Sensorfusion erforderliche Fachwissen in der Wissensdatenbank der Mitarbeiter im gesamten Unternehmen verankert. Dies hat zu einer Verlangsamung der IoT-Einführung geführt.
Darüber hinaus haben Sicherheitsbedenken auch die großflächige Anwendung des Internets der Dinge beeinträchtigt. Die Rechnung ist einfach: Tausende angeschlossene Geräte an mehreren Standorten bedeuten eine enorme und oft unbekannte Belastung. Da die potenziellen Risiken die unbewiesenen Vorteile überwiegen, halten es viele für ratsam, eine abwartende Haltung einzunehmen.
Jenseits von IoT 1.0
Es wird immer deutlicher, dass es beim Edge nicht um das IoT geht,
sondern um verteilte Standorte und geografisch lokalisierte Abläufe für Echtzeitentscheidungen. In der IT und zunehmend auch im industriellen Umfeld bezeichnen wir diese verteilten Datenquellen als Edge. Wir bezeichnen die Entscheidungsfindung von all diesen Standorten aus als außerhalb des Rechenzentrums oder Cloud-Edge-Computing.
Heutzutage ist der Rand überall
– dort, wo wir leben, wo wir arbeiten und wo menschliche Aktivitäten stattfinden. Die spärliche Sensorabdeckung wurde mit neueren und flexibleren Sensoren behoben. Neue Anlagen und Technologien verfügen über eine breite Palette integrierter Sensoren. Sensoren werden heute häufig durch hochauflösende/hochgenaue Bildgebung (Röntgengeräte, Lidar) ergänzt. Zusätzliche Sensordaten, Bildgebungstechnologie und die Notwendigkeit, alles miteinander zu korrelieren, werden jede Sekunde eine riesige Datenmenge erzeugen. Um aus diesen riesigen Datenströmen Ergebnisse zu erzielen, wird nun Rechenleistung in der Nähe des Ortes eingesetzt, an dem die Daten generiert werden.
Der Grund ist einfach: Es steht nicht genügend Bandbreite und Zeit zwischen dem Edge-Standort und der Cloud zur Verfügung. Daten am Rande sind kurzfristig am wichtigsten. Daten können nun in Echtzeit am Edge analysiert und genutzt werden, anstatt sie später in der Cloud zu verarbeiten und zu analysieren. Um ein neues Maß an Effizienz und überlegenem Betriebsfeedback zu erreichen, muss die Datenverarbeitung am Rande erfolgen.
Das soll nicht heißen, dass die Cloud irrelevant ist. Die Cloud spielt beim Edge Computing nach wie vor eine wichtige Rolle, da sie standortübergreifend bereitgestellt und verwaltet werden kann. Die Cloud bietet beispielsweise Zugriff auf Anwendungen und Daten von anderen Standorten sowie Remote-Experten zur Verwaltung von Systemen, Daten und Anwendungen auf der ganzen Welt. Darüber hinaus kann die Cloud verwendet werden, um große Datensätze über mehrere Standorte hinweg zu analysieren, Trends im Zeitverlauf aufzuzeigen und prädiktive Analysemodelle zu erstellen.
Daher liegt die Edge-Technologie im Umgang mit großen Datenflüssen an einer großen Anzahl geografisch verteilter Standorte. Man muss sich dieses neue Verständnis des Edge zu eigen machen, um wirklich zu verstehen, was mit Edge Computing jetzt möglich ist.
Heute: Echtzeit-Edge-Analyse
Es ist erstaunlich, was heute am Edge getan werden kann, verglichen mit noch vor ein paar Jahren. Jetzt können Daten von einer großen Anzahl von Sensoren und Kameras generiert werden, anstatt sich auf einige wenige zu beschränken. Diese Daten werden dann auf Computern analysiert, die tausendmal leistungsfähiger sind als die von vor 20 Jahren – und das alles zu vertretbaren Kosten.
CPUs und GPUs mit hoher Kernanzahl sowie Netzwerke mit hohem Durchsatz und hochauflösende Kameras sind jetzt verfügbar und machen Echtzeit-Edge-Analysen zur Realität. Der Einsatz von Echtzeitanalysen am Edge (dort, wo Geschäftsaktivitäten stattfinden) hilft Unternehmen, ihre Abläufe zu verstehen und sofort zu reagieren. Mit diesem Wissen können viele Vorgänge weiter automatisiert werden, wodurch die Produktivität gesteigert und Verluste reduziert werden.
Hier sind einige der heutigen Anwendungsfälle für Echtzeit-Edge-Analysen:
Supermarkt-Betrugsprävention
Viele Supermärkte nutzen mittlerweile eine Form des Self-Checkouts und leider kommt es auch immer häufiger zu Betrugsfällen. Einige skrupellose Käufer können teurere Artikel durch billigere Barcodes ersetzen und dafür weniger bezahlen. Um diese Art von Betrug aufzudecken, verwenden Geschäfte heute hochauflösende Kameras, die die Scans und das Gewicht eines Produkts mit dem tatsächlichen Wert des Produkts vergleichen. Diese Kameras sind relativ günstig, erzeugen aber riesige Datenmengen. Durch die Verlagerung der Datenverarbeitung an den Rand können Daten sofort analysiert werden. Dies bedeutet, dass Geschäfte Betrug in Echtzeit erkennen können, und nicht erst, nachdem der „Kunde“ den Parkplatz verlassen hat.
Überwachung der Lebensmittelproduktion
Heutzutage kann eine Produktionsanlage in jedem Schritt des Herstellungsprozesses mit Dutzenden von Kameras und Sensoren ausgestattet werden. Echtzeitanalysen und KI-gestütztes Denken können in Millisekunden oder sogar Mikrosekunden aufdecken, ob ein Fehler vorliegt. Beispielsweise zeigt die Kamera möglicherweise an, dass zu viel Zucker hinzugefügt wurde oder dass zu viele Zutaten vorhanden sind. Mit Kameras und Echtzeitanalysen können Produktionslinien Anpassungen vornehmen, um Probleme zu beheben und sogar Abschaltungen berechnen, wenn Reparaturen erforderlich sind – ohne katastrophale Schäden zu verursachen.
KI-gestütztes Edge Computing für das Gesundheitswesen
Im Gesundheitssektor haben Infrarot- und Röntgenkameras die Spielregeln verändert, da sie eine hohe Auflösung bieten und Bilder schnell an Techniker und Ärzte liefern. Dank dieser hohen Auflösung kann die KI nun Anomalien filtern, bewerten und diagnostizieren, bevor ein Arzt sie bestätigt. Durch den Einsatz von KI-gestütztem Edge Computing können Ärzte Zeit sparen, da sie keine Daten an die Cloud senden müssen, um eine Diagnose zu erhalten. Wenn Onkologen also feststellen, ob ein Patient an Lungenkrebs leidet, können sie eine Echtzeit-KI-Filterung auf die Lungenbilder des Patienten anwenden, um eine schnelle und genaue Diagnose zu erhalten und die Angst des Patienten, auf eine Antwort zu warten, erheblich verringern.
Autonome Autos mit Analytics-Unterstützung
Heutzutage sind selbstfahrende Autos dank relativ günstiger und verfügbarer Kameras möglich, die eine stereoskopische visuelle 360-Grad-Wahrnehmung ermöglichen. Die Analyse ermöglicht außerdem eine präzise Bilderkennung, sodass ein Computer den Unterschied zwischen einem Steppenläufer und der Katze eines Nachbarn erkennen und entscheiden kann, ob er aus Sicherheitsgründen bremsen oder um ein Hindernis herum manövrieren muss.
Die Erschwinglichkeit, Verfügbarkeit und Miniaturisierung von Hochleistungs-GPUs und -CPUs ermöglichen Echtzeit-Mustererkennung und Vektorplanung für autonome Fahrintelligenz. Damit selbstfahrende Autos erfolgreich sind, müssen sie über genügend Daten und Rechenleistung verfügen, um intelligente Entscheidungen zu treffen und schnell genug Korrekturmaßnahmen zu ergreifen. Dies ist nur mit den heutigen Spitzentechnologien möglich.
Verteilte Architektur in der Praxis
Wenn extrem leistungsstarkes Computing am Edge bereitgestellt wird, können Unternehmen ihre Abläufe besser optimieren, ohne sich Gedanken über Latenz oder den Verlust der Konnektivität zur Cloud machen zu müssen. Jetzt ist alles an der Edge verteilt, sodass Probleme in Echtzeit gelöst werden und nur sporadische Konnektivität besteht.
Wir haben seit der ersten Welle der Edge-Technologien einen langen Weg zurückgelegt. Dank der Fortschritte in der Spitzentechnologie erhalten Unternehmen jetzt einen umfassenderen Überblick über ihre Abläufe. Die heutigen Spitzentechnologien helfen Unternehmen nicht nur dabei, ihre Gewinne zu steigern, sondern sie helfen ihnen auch dabei, Risiken zu reduzieren und Produkte, Dienstleistungen und Kundenerlebnisse zu verbessern.
Das obige ist der detaillierte Inhalt vonWie Edge Computing Unternehmen hilft, Kosten zu senken und die Effizienz zu steigern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
