Analysen an der Edge

Die Definition von Edge Analytics ist einfach der Prozess des Sammelns, Analysierens und Erstellens umsetzbarer Erkenntnisse in Echtzeit direkt von den IoT-Geräten, die Daten generieren. Manche würden einwenden, dass es sich dabei um Edge Computing handelt; Tatsächlich bringt Edge Analytics die Dinge auf die nächste Ebene, bei der mehr Daten erfasst und komplexe Analysen durchgeführt werden, bevor schnell Maßnahmen ergriffen werden. Edge Computing ist mit dem Wenn/Dann-Konstrukt in der Softwareprogrammierung verwandt; Edge Analytics mit dem  „Was-wäre-wenn“-Ansatz.

Die Puristen der künstlichen Intelligenz würden sagen, dass sich Edge Analytics mit der Vorhersage (Inferenz) befasst, d. h. mit der Anwendung des Wissens aus einem trainierten neuronalen Netzmodell, um daraus ein Ergebnis abzuleiten.

Tatsache ist, dass die Datengenerierung die Netzwerkkapazität übersteigt. Wir müssen also wissen, welche Daten wir analysieren, welche Daten wir zur Speicherung in die Cloud senden und – was am wichtigsten ist – wo die Daten analysiert werden sollen. Während die einfachste Antwort auf diese Fragen lautet: „Es kommt darauf an“, gibt es geschäftliche und technische Gründe und Empfehlungen.

Zwei Faktoren bestimmen diese Antwort: Wie kritisch ist es, die Daten in Echtzeit zu analysieren, und müssen zusätzliche Analysen mit diesen Daten durchgeführt werden? Dann ist da noch die Frage der Speicheranforderung (oder auch nicht), um geschäftliche und gesetzliche Compliance-Anforderungen zu erfüllen.

Manche sagen, dass die Cloud kein guter Ort für Echtzeitanalysen ist. Alle Daten in die Cloud zu senden ist also keine Lösung, da die meisten der in der Cloud gespeicherten Daten nie analysiert werden. Sie landen in einer Datenbank oder einem Bit-Bucket und verbleiben dort.

Am Beispiel einer Fernkamera, die ein Video aufzeichnet, sind in der folgenden Tabelle einige der Vor- und Nachteile der Analysen an der Edge im Vergleich zu den Analysen auf dem Server aufgeführt:

Situationsbewusstsein ist die Wahrnehmung von Umweltelementen und Ereignissen in Bezug auf Zeit oder Raum, das Verständnis ihrer Bedeutung und die Prognose ihres zukünftigen Status. Diese Definition ist aus Wikipedia übernommen und die drei Ebenen des Bewusstseins werden in der folgenden Grafik dargestellt. Angesichts der Tatsache, dass Zeit der wichtigste Aspekt des Situationsbewusstseins ist, können wir auch sagen, dass Zeit eine treibende Kraft für die Analyse ist, insbesondere für die Analyse an der Edge:

Abbildung 1: Drei Ebenen des Bewusstseins

Bei Edge-Ereignissen wird analysiert, was die Kamera sieht oder was der Sensor in Echtzeit erfasst, damit schnell Entscheidungen getroffen und sofortige Maßnahmen ergriffen werden können. Wenn sich zwei Autos auf einem Kollisionsweg befinden, bleibt keine Zeit, um Informationen in die Cloud zu senden oder jemanden zu benachrichtigen; die Konsequenzen des Verfolgens des derzeitigen Pfades sind absehbar und eine Kollision kann durch sofortige Maßnahmen vermieden werden. Wenn die intelligente Kamera, die einen Lackierroboter in einer Automobilfabrik beobachtet, sieht, dass die falsche Menge Farbe auf ein Karosserieteil aufgetragen wird, ist eine Korrekturmaßnahme erforderlich. All dies ist nur mit vorkonfigurierten Modellen möglich, die auf solchen Geräten oder Systemen bereitgestellt werden.

Aber was ist mit neuen oder bisher unvorhergesehenen Situationen? In Baustellen können Kameras so trainiert werden, dass sie Personen erkennen, die keinen Schutzhelm tragen, und entweder einen Alarm auslösen oder die Bauleiter benachrichtigen. Eingangssensoren können erkennen, ob Personen ein Abzeichen oder Waffen tragen usw. Bei einer Naturkatastrophe wie einer Pandemie sollen dieselben Geräte auch gesundheitsbezogene Artikel wie Gesichtsmasken, Handschuhe usw. erkennen.

Die bestehenden Modelle müssten verbessert oder neue Modelle des maschinellen Lernens (ML) eingesetzt werden, damit diese Edge-Geräte solche Situationen erkennen und analysieren und die notwendigen Maßnahmen ergreifen könnten. Die daraus resultierende Aktion ist programmierbar und hängt von der jeweiligen Situation ab. So können Alarme aktiviert oder das zuständige Personal benachrichtigt werden oder Personen der Zutritt verwehrt werden. Das ist die Power von Edge Analytics.

Es ist relativ einfach, einen Alarm auszulösen, wenn ein Gerät einen bestimmten Schwellenwert erreicht. Aber der wahre Wert liegt darin, eine visuelle Analyse mehrerer Datenvariablen in Echtzeit zu erstellen und eine Vorhersagebedeutung im Datenstrom zu finden. Dies kann Unternehmen dabei helfen, potenzielle Sonderfälle oder Probleme zu identifizieren, die sie genauer untersuchen und weitere analysieren müssen.

Edge Analytics ist nicht immer visuell; es gibt viele andere datenerzeugende Aspekte wie die Analyse von Erschütterungen und Vibrationen, die Geräuscherkennung, Temperaturmessungen, Druckmessgeräte, Durchflussmesser sowie Audio- und Tonanalysen. Kollisionsvermeidungssysteme in Autos arbeiten mit Sensoren, nicht mit Kameras. Edge-Analytics-Anwendungen müssen zwar auf Edge-Geräten laufen, die Speicher-, Verarbeitungsleistungs- oder Kommunikationseinschränkungen haben können, aber diese Geräte werden mit einem Edge-Server/Gateway verbunden, auf dem die containerisierten Anwendungen laufen.

Für die Übertragung der Daten von den Geräten zum Server oder Gateway (in der Regel als erste Meile bezeichnet) werden verschiedene Protokolle verwendet. Die folgenden sind einige der gebräuchlichsten Protokolle, wenn auch nicht vollständig:

• HTTP/HTTPS: Hypertext Transfer Protocol/Secure sind zustandslose Kommunikationsprotokolle, die die Grundlage des Internets bilden.
• MQTT: Message Queuing Telemetry Transport ist ein leichtgewichtiges Publish/Abonnieren-Protokoll für für die maschinelle Nachrichtenübermittlung.
• RTSP: Das Real-Time Streaming Protocol ist ein zustandsabhängiges Protokoll, das für Videobeiträge verwendet wird.
• Streams über HTTP: Eines von vielen HTTP-basierten adaptiven Protokollen.
• WebRTC: Eine Kombination aus Standards, Protokollen sowie JavaScript- und HTML5-APIs, die eine Kommunikation in Echtzeit ermöglicht.
• Zigbee: Eine drahtlose Technologie, die das paketbasierte Funkprotokoll verwendet, das für kostengünstige, batteriebetriebene Geräte in industriellen Umgebungen vorgesehen ist.

Der Software-Stack variiert je nach Anwendungsfall in einer bestimmten Branche, aber im Großen und Ganzen beinhalten die Topologien von Edge Analytics in der Regel eine Kombination von Produkten. An der äußersten Edge gäbe es visuelle, akustische oder sensorische Geräte, von denen einige in der Lage sind, ein containerisiertes Inferenzmodell auszuführen. Sie würden Daten an einen Inferenzserver senden, auf dem möglicherweise IBM Visual Insights und IBM Edge Application Manager ausgeführt werden. Nicht-visuelle Daten würden über IBM Event Streams oder Apache Kafka an ein Ereignis-Backbone gesendet. Und Softwareprodukte wie IBM Watson, die Modelle trainieren und neu trainieren, sowie Middleware wie IBM Cloud Pak for Data und KI könnten Daten in der nächsten Schicht aggregieren, bereinigen und analysieren.

Beachten Sie die oben gezeigte Grafik zum Bewusstsein; von der Wahrnehmung bis zur Reaktion muss Edge Analytics in Echtzeit erfolgen. Das Blockarchitekturdiagramm zeigt verschiedene beteiligte Komponenten, wobei die Latenzzeiten zwischen den verschiedenen Schichten in Millisekunden angegeben werden:

Abbildung 2: Komponentenarchitektur von Edge Analytics

Es stellt sich heraus, dass der Mensch hochgradig abgestimmt ist, und auf kognitiver Ebene arbeiten wir im Millisekundenbereich (manchmal in Mikrosekunden). Die Antworten und Entscheidungen von Maschinen und Geräten müssen also annähernd so hoch sein und dürfen nicht 100 oder 500 Millisekunden dauern, bis Daten in die Cloud gesendet werden.

Eine der wichtigsten Anforderungen an die Edge Analytics ist die Verbesserung der Erfahrung durch die Verringerung der Latenz von Antworten. Der andere Aspekt ist die Skalierbarkeit. Die stetig wachsende Zahl von Sensoren und Netzwerkgeräten wird immer mehr Daten erzeugen. Dies wird die Belastung der zentralen Datenanalyseressourcen erhöhen. Edge Analytics ermöglicht es Unternehmen, ihre Verarbeitungs- und Analysefunktionen zu skalieren, indem sie auf die Orte dezentralisieren, an denen die Daten tatsächlich erfasst werden.

Letztendlich ist Edge Analytics kein Ersatz für eine zentrale Datenanalyse. Beide Optionen können und werden sich bei der Bereitstellung von Datenerkenntnissen ergänzen. Wir haben bereits darauf hingewiesen, dass es bestimmte Szenarien gibt, in denen Edge Analytics bevorzugt wird, und es bestimmte Szenarien gibt, in denen zentrale Datenmodellierung und Analysen die bessere Lösung sind, weil die Latenz akzeptiert wird, da detaillierte Analysen erforderlich sind. Das Hauptziel von Edge Analytics besteht darin, Erkenntnisse in Echtzeit (oder so nahezu in Echtzeit) wie möglich zu liefern.

Das IBM Cloud Architecture Center bietet viele Hybrid- und Multicloud-Referenzarchitekturen, einschließlich der Referenzarchitektur für Edge Computing. Sie können auch die neu veröffentlichte, auf die Edge bezogene Referenzarchitektur für die Automobilindustrie anzeigen.

Bitte sehen Sie sich alle Folgen dieser Reihe von Blogbeiträgen zum Thema Edge Computing sowie die zusätzlichen Ressourcen an:

• Teil 1: „Architektur an der Edge“
• Teil 2: „DevOps an der Edge“
• Teil 3: „5G an der Edge“
• Teil 4: „ Cluster an der Edge“
• Teil 5: „ Automatisierung an der Edge“
• Teil 6: „Netzwerk-Slicing an der Edge“
• Teil 7: „Daten an der Edge“
• Teil 8: „Architektonische Entscheidungen an der Edge“
• Teil 9: „GitOps an der Edge“
• Teil 10: „Speicherdienste an der Edge“
• Teil 11: „Cloud-Services an der Edge“
• Teil 12: „Datensouveränität an der Edge“
• Teil 13: „Vernetzte Produkte an der Edge“
• Teil 14: „Foundational Models an der Edge“
• IBM Garage
• IBM Edge Application Manager
• Red Hat PoV
• Edge Computing und Edge Analytics
• Endsley, Micah; Jones, Debra (2016-04-19). Designing for Situation Awareness (Second ed.). CRC Press. Seite 13. ISBN 978-1-4200-6358-5.
• Edge Analytics im Jahr 2020: Leitfaden für intelligente IoT-Anwendungen
• Edge Analytics – Was, Warum, Wann, Wer, Wo, Wie?

Vielen Dank an David Booz für die Durchsicht des Artikels und an Andy Gibbs für die Inspiration für das Blockarchitekturdiagramm.