Blog Infonova

Informação para tomada de decisão

Resultado da pesquisa por: ""

Transforme dados em insights com Edge Computing

Por Juliana Gaidargi em 16/10/2020 em Negócios

Dispositivos conectados pela IoT geram uma vasta quantidade de dados. Portanto, arquiteturas de computação tradicionais e centralizadas precisam ser revistas. É o caso dos designs que priorizam a nuvem, por exemplo. Especialmente se a ideia é transformar dados em insights.

Afinal, é preciso ser capaz de processar e agir sobre os dados onde é importante. Contudo, enquanto ele é importante. Só assim se pode transformar dados em insights. Então, a computação precisa estar mais perto das fontes de dados. Além disso, deve ser distribuída de forma muito mais inteligente. 

dados insights

Agora, inclua a inteligência artificial. Este é outro termo da moda. Entretanto, raramente é compreendido. Principalmente em um contexto edge-core-cloud. Enfim, edge (borda) é um “lugar”.  Já IoT é descreve um conjunto de casos de uso. IA é outro termo guarda-chuva. Contudo, descreve um conjunto específico de recursos para tomada de decisão automatizada. 

Sobre Inteligência Artificial

Para transformar dados em insights é preciso entender a IA. Contudo, a IA em si costuma ser dividida em duas categorias: geral e estreita.

IA geral

Esta se relaciona mais com a provável interpretação do leigo da IA. Ou seja, imaginar robôs antropomorfizados assustadoramente. Em geral, aparecendo antes de algum evento apocalíptico.  Dessa forma, IA significa formas extremamente sofisticadas de inteligência. Estas, podem lidar com um grande conjunto de tarefas em um sistema automatizado. 

AI estreita (Narrow AI)

Entretanto, a Narrow AI, foi projetada para resolver menos tarefas. Contudo, mais específicas. Tudo de uma forma incrivelmente eficiente. Geralmente, melhor ainda que a forma humana. Por exemplo, um braço robótico em uma linha de fábrica.

Thin edge

Em um ambiente e contexto de “thin edge”, as restrições de recursos exigem resolução criativa. Afinal, assim é possível lidar reduzir o tamanho da “pegada” de algoritmos em execução na borda. Em geral, são fatores físicos. Ou seja, tamanho do dispositivo, recursos de computação, limitações de rede / largura de banda, tecnologia de implantação remota, etc. 

Então, pensamos em “IA estreita” quando falamos sobre IA de borda. Ou seja, o que estamos falando com frequência em um ambiente de borda não é o termo genérico “IA”. Mas sim de um subconjunto de recursos em IA chamado aprendizado de máquina ou “ML”. 

Dados em insights com Machine Learning (ML)

ML é exatamente o que parece. Ou seja, um meio de treinar seu sistema para aprender por conta própria. Eventualmente, ele tomará decisões. Assim, é possível transformar dados em insights.

Já aprendizagem profunda (deep learning), ou “DL”, é basicamente um grupo de recursos de ML. Entretanto, ampliados a um grau muito mais alto. Muitas vezes, processando diferentes tipos de aprendizagem. Estes são reunidos e correlacionados em redes neurais extremamente intensivas em recursos. Ou seja, projetadas para imitar um cérebro humano. E, portanto, a maneira como tiramos conclusões.

Onde está o deep learning?

Você pode encontrar DL em alguns ambientes de borda densos. Ou seja, mais próximos do data center ou nuvem. Portanto, quando ouvimos o termo “IA de borda”, na verdade, estamos falando de “ML de borda”. 

Casos de uso do mundo real 

Exemplo 1

Nada disso é novidade para a McLaren Racing. Esta é a divisão do Grupo McLaren focada em vencer corridas de campeonatos mundiais. Afinal, existem mais de 200 sensores em um único carro de corrida de Fórmula 1. E a McLaren coleta cerca de 100 gigabytes de dados em cada carro em um fim de semana de corrida. 

Essa é uma enorme quantidade de dados. Entretanto, a necessidade de captura, processamento, análise e automação de dados em tempo real fica mais difícil. Especialmente quando você pesa o volume de dados. Afinal, existem mais de 100.000 pontos de dados fluindo de um único carro de corrida por segundo.

Acesso a dados

Portanto, para tomar decisões cruciais sobre os carros, os engenheiros precisam acessar esses dados em tempo real. Ou seja, tanto na pista quanto no controle da missão. Então, podem determinar quando fazer uma troca de pneus. O mesmo vale para avaliar a segurança da pista e ver as coisas. É o caso de uma mudança de marcha, por exemplo, vista nos dados antes de realmente serem ouvidos na pista. 

Isso é computação de ponta e ML / IA na execução no mundo real. A equipe da McLaren têm acesso rápido às informações que precisam em tempo real. Tudo graças ao processamento e análise de dados na borda.  Portanto, não precisam esperar que os dados sejam:

  • Processados ​​centralmente em uma nuvem;
  • Enviados de volta para a equipe de corrida na pista. 

Vale lembrar que esses carros vão para pistas de corrida diferentes. Ou seja, a equipe é capaz de “definir sua própria vantagem”. Tudo enquanto move seu data center portátil e robusto de uma pista para outra.

Estratégia de nuvem

Além da borda, a McLaren também aperfeiçoou sua estratégia de nuvem de núcleo avançado. Esta tem dados históricos e análises profundas acontecendo no centro de tecnologia da McLaren. 

Existem mais de 20.000 peças em cada veículo e quase 70% delas são:

  • Atualizadas;
  • Melhoradas;
  • Aprimoradas;
  • Reimplantadas anualmente. 

Além disso, os dados coletados também alimentam o simulador de corrida Dell da McLaren. Este executa mais de 300.000 simulações por segundo. Como Paul Brimacombe, do McLaren Technology Group, observou:

“Os dados são a base para fazer os carros andarem mais rápido.” 

Exemplo 2

Outro exemplo de inovação de ML / AI de ponta é o Zenuity. Esta é uma joint venture entre a Volvo e a Veoneer focada no desenvolvimento de software para:

  • ADAS (Advanced Driver Assistance Systems);
  • AD (Automated Driving)

O Zenuity gera mais de 4,4 petabytes por mês na borda. Esta está nos próprios carros. Vale lembrar que essa quantidade ainda está crescendo. Contudo, o Zenuity também é um ótimo exemplo de arquitetura e estratégia de nuvem de núcleo de borda bem gerenciada. 

Afinal, os 4,4 PB são necessários dentro dos carros. Pelo menos para tomar decisões baseadas em IA / ML em tempo real. Afinal, assim podem evitar acidentes e salvar vidas. Eles são captados via câmeras e sensores implantados em cada carro. Isso também permite transformar dados em insights.

Isso é feito salvando cerca de metade dos dados (ou 2.2 PB) para:

  • Análise posterior;
  • Arquivamento de dados históricos;
  • Aprendizado profundo baseado em HPC.

Este último sendo mais avançado a fim de refinar e aperfeiçoar ainda mais seus algoritmos. 

Principais conclusões 

Com a combinação de Organizações podem transformar dados em insights instantâneos. Basta combinar:

  • Dados coletados por dispositivos de IoT;
  • Computação de borda;
  • Tecnologias de IA.

Dessa forma, ganham uma boa vantagem competitiva. 

Na prática, trata-se de trazer sistemas inteligentes ao ponto de captura de dados. Em seguida, obter valor imediato dos dados. Ou seja, não mandá-los para nuvem remota ou centros de dados corporativos para processamento. 

Portanto, a borda é um “lugar” tornado real quando usado para aproveitar valor por meio da computação de borda. A IoT é realisticamente um termo usado para descrever um conjunto de casos de uso. E a IA é outro termo abrangente. Contudo, usado para descrever um conjunto específico de recursos para tomada de decisão automatizada.