Analisis pada Edge

Sederhananya, analisis edge adalah proses pengumpulan, analisis, dan pembuatan insight yang dapat ditindaklanjuti secara real-time, langsung dari perangkat IoT yang menghasilkan data. Beberapa orang mungkin berpendapat bahwa ini adalah komputasi edge; faktanya, analisis edge melaksanakan semuanya jauh lebih lengkap; lebih banyak data diambil dan analisis kompleks dilakukan sebelum tindakan cepat diambil. Komputasi edge mirip dengan konstruksi jika/maka dalam pemrograman perangkat lunak, sementara analisis edge mengambil pendekatan bagaimana jika.

Para puritan kecerdasan buatan (AI) akan mengatakan bahwa analisis edge membuat prediksi (inferensi)—yakni, menerapkan pengetahuan dari model jaringan neural terlatih dan menggunakannya untuk menyimpulkan hasil.

Faktanya, pembuatan data bukan hanya berkutat di seputar kapasitas jaringan. Kita harus memahami data mana yang harus dianalisis, data mana yang harus dikirim ke cloud untuk disimpan, dan yang terpenting, di mana data harus dianalisis. Meskipun jawaban termudah untuk pertanyaan-pertanyaan ini adalah, “tergantung”, ada alasan dan rekomendasi bisnis dan teknis.

Ada dua faktor yang menentukan jawaban tersebut: seberapa penting untuk menganalisis data secara real-time dan apakah analisis tambahan perlu dilakukan terhadap data tersebut. Kemudian, ada persyaratan penyimpanan yang harus dipenuhi sesuai dengan bisnis dan yurisdiksi tertentu.

Ada yang mengatakan bahwa cloud bukanlah tempat yang tepat untuk analisis real-time. Jadi, mengirimkan semua penyimpanan data ke cloud kurang bijaksana, karena sebagian besar data yang tersimpan di cloud tidak pernah dianalisis. Data akan berakhir di database atau bit bucket dan mengendap di situ.

Mengambil contoh kamera jarak jauh yang merekam video, beberapa pro dan kontra tentang analisis pada edge vs. analisis di server dapat dilihat pada tabel di bawah ini:

Kesadaran situasional adalah persepsi terhadap elemen dan peristiwa lingkungan sehubungan dengan waktu atau ruang, pemahaman maknanya, dan proyeksi statusnya di masa depan. Definisi tersebut diambil dari Wikipedia, dan tiga tingkat kesadaran situasional tersebut ditunjukkan pada grafik di bawah ini. Mengingat bahwa waktu adalah aspek terpenting dalam kesadaran situasional, dapat dikatakan bahwa waktu adalah daya pendorong untuk analisis, terutama analisis pada edge:

Gambar 1: Tiga tingkat kesadaran situasional.

Peristiwa pada edge memerlukan analisis tentang apa yang dilihat kamera atau apa yang dirasakan sensor secara real-time, sehingga keputusan dapat dibuat dengan cepat, dan tindakan segera dapat diambil. Ketika dua mobil berada di jalur tabrakan, tidak ada waktu untuk mengirim informasi ke cloud atau memberi tahu seseorang; konsekuensi dari tetap berada di jalur saat ini dapat dibayangkan, dan tabrakan dapat dihindari dengan mengambil tindakan segera. Ketika kamera pintar yang mengawasi robot pengecatan di pabrik mobil melihat jumlah cat yang salah diaplikasikan pada bagian bodi mobil, diperlukan tindakan korektif. Semua ini hanya mungkin dilakukan dengan model yang telah dibangun sebelumnya, dan diterapkan pada perangkat atau sistem tersebut.

Namun, bagaimana dengan situasi baru atau yang sampai sekarang belum terbayangkan? Di zona konstruksi, kamera dapat dilatih untuk mendeteksi seseorang yang tidak mengenakan helm keselamatan dan membunyikan alarm atau memberi tahu pengawas lokasi. Sensor masuk dapat mendeteksi apakah orang-orang mengenakan lencana atau membawa senjata, dll. Dalam bencana alam seperti pandemi, kita ingin perangkat yang sama dapat mendeteksi barang-barang yang berhubungan dengan kesehatan, seperti masker, sarung tangan, dll.

Model yang ada harus ditingkatkan, atau model machine learning (ML) baru harus diterapkan, sehingga perangkat edge tersebut dapat mendeteksi dan menganalisis situasi semacam ini dan mengambil tindakan yang diperlukan. Tindakan yang dihasilkan dapat diprogram dan tergantung pada situasi tertentu. Alarm dapat diaktifkan, atau personel yang sesuai dapat diberi tahu, atau orang-orang dapat dilarang masuk. Itulah kekuatan analisis edge.

Cukup mudah untuk mengeluarkan peringatan ketika perangkat mencapai ambang batas tertentu, tetapi nilai sebenarnya terletak pada analisis visual beberapa variabel data secara real-time dan penemuan makna prediktif dalam aliran data. Ini dapat membantu bisnis mengidentifikasi potensi outlier atau masalah yang perlu ditelusuri dan dianalisis lebih lanjut.

Analisis edge tidak selalu bersifat visual. Ada banyak aspek lain yang menghasilkan data, seperti analisis guncangan dan getaran, deteksi kebisingan, pengindraan suhu, pengukur tekanan, pengukur aliran, serta analisis audio dan nada. Sistem penghindaran tabrakan pada mobil melakukannya dengan sensor dan bukan kamera. Sementara aplikasi analisis edge perlu beroperasi pada perangkat edge yang dapat memiliki keterbatasan memori, daya pemrosesan, atau kendala komunikasi, perangkat ini akan terhubung ke server/gateway edge tempat aplikasi dalam kontainer berjalan.

Berbagai protokol digunakan untuk mengirimkan data dari perangkat ke server atau gateway (biasanya dikenal sebagai mil pertama). Berikut adalah beberapa protokol umum, tetapi belum semuanya tercantum di sini:

• HTTP/HTTPS: Hypertext Transfer Protocol/Secure adalah protokol komunikasi stateless yang merupakan dasar Internet.
• MQTT: Message Queuing Telemetry Transport adalah protokol konektivitas pesan mesin-ke-mesin yang ringan untuk penerbitan/berlangganan.
• RTSP: Real-Time Streaming Protocol adalah protokol stateful yang digunakan untuk kontribusi video.
• Streaming melalui HTTP: Salah satu dari banyak protokol adaptif berbasis HTTP.
• WebRTC: Kombinasi standar, protokol, serta JavaScript dan HTML5 API yang memungkinkan komunikasi real-time.
• Zigbee: Teknologi nirkabel yang menggunakan protokol radio berbasis paket yang ditujukan untuk perangkat berbaterai dan berbiaya rendah di lingkungan industri.

Tumpukan perangkat lunak akan bervariasi, bergantung pada contoh penggunaan untuk industri tertentu. Namun, umumnya topologi analisis edge melibatkan kombinasi dari beberapa produk. Pada edge yang jauh, terdapat perangkat visual, audio, atau sensorik. Beberapa di antaranya mampu menjalankan model inferensi yang terkontainerisasi. Perangkat ini mengirimkan data ke server inferensi, dan mungkin menjalankan IBM Visual Insights dan IBM Edge Application Manager. Data non-visual akan dikirim ke backbone peristiwa menggunakan IBM Event Streams atau Apache Kafka. Produk perangkat lunak seperti IBM Watson yang melatih/melatih ulang model, ditambah middleware seperti IBM Cloud Pak for Data dan AI dapat mengumpulkan, membersihkan, serta menganalisis data di lapisan berikutnya.

Ingatlah grafik kesadaran situasional yang ditampilkan di atas; dari persepsi hingga tindakan, analisis edge harus beroperasi secara real-time. Diagram arsitektur blok menunjukkan berbagai komponen yang berperan, dengan waktu latensi yang ditunjukkan dalam milidetik di antara berbagai lapisan:

Gambar 2: Arsitektur komponen analisis edge.

Ternyata manusia sangat selaras, dan pada tingkat kognitif, kita beroperasi dalam kisaran milidetik (bahkan terkadang dalam mikrodetik). Jadi, respons dan keputusan oleh mesin dan perangkat harus mendekati hal tersebut dan tidak memerlukan waktu 100 atau 500 milidetik dengan mengirimkan data ke cloud.

Salah satu persyaratan utama dari analisis edge adalah meningkatkan pengalaman komputasi dengan menurunkan latensi respons. Aspek lainnya adalah skalabilitas. Jumlah sensor dan perangkat jaringan yang terus bertambah akan menghasilkan lebih banyak data. Itu akan meningkatkan beban pada sumber daya analisis data pusat. Analisis edge memungkinkan organisasi untuk meningkatkan kemampuan pemrosesan dan analisis dengan melakukan desentralisasi ke lokasi tempat data benar-benar dikumpulkan.

Terakhir, analisis edge bukanlah pengganti analisis data pusat. Kedua opsi ini dapat dan akan saling melengkapi dalam memberikan insight data. Sebelumnya, kami telah menyinggung bahwa ada beberapa skenario tertentu di mana analisis edge lebih disukai, dan beberapa skenario lain di mana pemodelan dan analisis data pusat merupakan solusi yang lebih baik karena latensi dapat ditoleransi dalam analisis yang lebih mendetail. Tujuan utama analisis edge adalah untuk memberikan insight bisnis real-time (atau hampir real-time).

Pusat arsitektur IBM Cloud menawarkan banyak arsitektur referensi hybrid dan multicloud, termasuk arsitektur referensi komputasi edge. Anda juga dapat melihat arsitektur referensi otomotif terkait edge yang baru diterbitkan.

Pastikan Anda membaca semua artikel dalam seri postingan blog tentang komputasi edge ini serta referensi lainnya:

• Bagian 1: “Arsitektur pada edge”
• Bagian 2: “DevOps pada edge”
• Bagian 3: “5G pada edge”
• Bagian 4: “Klaster pada edge”
• Bagian 5: “Otomatisasi pada edge”
• Bagian 6: “Pemotongan jaringan pada edge”
• Bagian 7: “Data pada edge”
• Bagian 8: “Keputusan arsitektur pada edge”
• Bagian 9: “GitOps pada edge”
• Bagian 10: “Layanan penyimpanan pada edge”
• Bagian 11: “Layanan cloud pada edge”
• Bagian 12: “Kedaulatan data pada edge”
• Bagian 13: “Produk terhubung pada edge”
• Bagian 14: “Model dasar pada edge”
• IBM Garage
• IBM Edge Application Manager
• Perspektif Red Hat
• Komputasi edge dan analisis edge
• Endsley, Micah; Jones, Debra (19-04-2016). Designing for Situation Awareness (Second ed.). CRC Press. hal. 13. ISBN 978-1-4200-6358-5.
• Analisis Edge pada tahun 2020: Panduan aplikasi IoT cerdas
• Edge Analytics – What, Why, When, Who, Where, How?

Terima kasih kepada David Booz yang telah meninjau artikel ini dan Andy Gibbs yang telah memberikan inspirasi untuk diagram arsitektur blok.