التحليلات على الحافة

يتمثل تعريف تحليلات الحافة ببساطة في عملية جمع معارف قابلة للتنفيذ وتحليلها وإنشائها في الوقت الفعلي، مباشرةً من أجهزة إنترنت الأشياء التي تنشئ البيانات. قد يجادل البعض بأن هذا هو حوسبة الحافة؛ ولكن في الواقع، ترتقي تحليلات الحافة بالأمور إلى المستوى التالي، حيث يتم جمع المزيد من البيانات وإجراء تحليلات معقدة قبل اتخاذ إجراءات سريعة. تشبه حوسبة الحافة بنية  إذا/إذن في برمجة البرمجيات؛ بينما تتبع تحليلات الحافة نهج  ماذا لو .

سيقول محبو  الذكاء لاصطناعي  إن تحليلات الحافة تتعامل مع التنبؤ (الاستدلال)—أي تطبيق المعرفة من  نموذج الشبكة العصبية المُدرب واستخدامه لاستنتاج نتيجة.

الواقع هو أن وتيرة توليد البيانات تتفوق على قدرة الشبكة. لذا، يجب أن نتحلى بالذكاء بشأن البيانات التي يجب تحليلها، والبيانات التي يتعين إرسالها إلى السحابة لتخزينها، —والأهم من ذلك— أين تجري عملية تحليل البيانات. وعلى الرغم من أن أسهل إجابة عن هذه الأسئلة هي: «يعتمد الأمر»، فإن هناك أسبابًا وتوصيات تجارية وتقنية.

ثمة عاملان يحددان هذه الإجابة: ما مدى حساسية تحليل البيانات في الوقت الفعلي وما إذا كان يجب إجراء تحليل إضافي لتلك البيانات. ثم هناك متطلبات التخزين (أو لا) اللازمة للامتثال لمتطلبات الأعمال والجهات القضائية.

يقول البعض إن السحابة ليست مكانًا رائعًا للتحليلات الفورية. لذا، لا يُعد إرسال جميع البيانات إلى السحابة حلاً مناسبًا لأن معظم البيانات المخزنة في السحابة لا يتم تحليلها أبدًا. وينتهي الأمر بها في قاعدة بيانات ما أو في مستودع بيانات مهمل، وتبقى هناك بلا استخدام.

فيما يلي جدول يوضح بعض مزايا وعيوب التحليلات على الحافة مقارنة بالتحليلات على الخادم، باستخدام مثال كاميرا بعيدة تلتقط مقاطع فيديو:

يتمثل الوعي الظرفي في إدراك العناصر والأحداث البيئية فيما يتعلق بالزمان أو المكان وإدراك معناها وتوقع وضعها المستقبلي. هذا التعريف مقتبس من ويكيبيديا، وتظهر المستويات الثلاثة للوعي الظرفي في الرسم البياني أدناه. نظرًا إلى أن عنصر الوقت هو أهم جانب في الوعي الظرفي، يمكننا القول إن الوقت هو القوة الدافعة للتحليلات، لا سيما التحليلات على الحافة:

الشكل 1: ثلاثة مستويات للوعي الظرفي.

تتطلب الأحداث على الحافة تحليل ما تراه الكاميرا أو ما يستشعره المستشعر في الوقت الفعلي حتى يمكن اتخاذ القرارات بسرعة واتخاذ الإجراءات الفورية. حين تكون سيارتان على مسار تصادم، لا يوجد وقت لإرسال المعلومات إلى السحابة أو إخطار أحد؛ ويمكن توقع عواقب البقاء على المسار الحالي، ويمكن تجنب التصادم باتخاذ إجراء (إجراءات) فوري. وعندما تلاحظ الكاميرا الذكية التي تراقب روبوت الطلاء في مصنع لتصنيع السيارات أن كمية الطلاء المطبقة على جزء من هيكل السيارة غير صحيحة، فإنها تتطلب اتخاذ إجراء تصحيحي. يتحقق كل هذا فقط من خلال النماذج المبنية سلفًا والموزعة على هذه الأجهزة أو الأنظمة.

ولكن ماذا عن المواقف الجديدة أو غير المتوقعة حتى الآن؟ في مناطق البناء، يمكن تدريب الكاميرات على اكتشاف أي شخص لا يرتدي خوذة السلامة، ومن ثَمَّ إما إطلاق إنذار أو إخطار مشرف الموقع. يمكن لأجهزة استشعار الدخول اكتشاف ما إذا كان الأشخاص يرتدون شارة تعريف أو يحملون أسلحة وغيرها من الحالات. وفي حال حدوث كارثة طبيعية مثل جائحة، نرغب في أن تتمكّن هذه الأجهزة نفسها من اكتشاف العناصر المتعلقة بالصحة، مثل الكمامات والقفازات وغيرها.

سيتعيّن تعزيز النماذج الحالية أو نشر نماذج جديدة للتعلّم الآلي حتى تتمكن أجهزة الحافة تلك من اكتشاف مثل هذه الحالات وتحليلها واتخاذ الإجراءات اللازمة. الإجراء الناتج قابل للبرمجة ويعتمد على الظرف المحدد. يمكن تفعيل أجهزة الإنذار أو إخطار الموظفين المناسبين أو منع الأشخاص من الدخول. هذه هي قوة تحليلات الحافة.

يُعد إصدار تنبيه عند وصول جهاز معين إلى حد محدد عملية بسيطة، إلا أن القيمة الجوهرية تكمن في إجراء تحليل بصري متعدد المتغيرات للبيانات في الوقت الفعلي، واستنتاج مؤشرات تنبئية من تدفق البيانات. يمكن أن يساعد ذلك الشركات على تحديد القيمة الخارجية المحتملة أو المشكلات التي تحتاج إلى التعمق فيها وإجراء مزيد من التحليل.

لا تكون تحليلات الحافة مرئية دائمًا—فثمة العديد من الأوجه الأخرى المنتجة للبيانات مثل تحليل الصدمات والاهتزازات وكشف الضوضاء واستشعار درجة الحرارة ومقاييس الضغط ومقاييس التدفق وتحليل الصوت والنغمات. تفعل أنظمة تجنب الاصطدام في السيارات ذلك باستخدام مستشعرات وليس كاميرات. في حين أن تطبيقات تحليلات الحافة تحتاج إلى العمل على أجهزة الحافة التي يمكن أن يكون لها ذاكرة أو قوة معالجة أو قيود اتصال، فسيتم توصيل هذه الأجهزة بخادم/بوابة الحافة، حيث تعمل التطبيقات المحفوظة  في حاويات .

تُستخدم بروتوكولات مختلفة لنقل البيانات من الأجهزة إلى الخادم أو البوابة (المعروفة عادة باسم المرحلة الأولى). هذه بعض البروتوكولات الشائعة، ولكنها ليست مجموعة شاملة:

• HTTP/HTTPS: بروتوكول نقل النص التشعبي (HTTP) وبروتوكول نقل النص التشعبي الآمن (HTTPS) هما بروتوكولا اتصال بلا حالة، ويشكّلان أساس الإنترنت.
• MQTT: بروتوكول نقل قائمة انتظار الرسائل عن بُعد هو بروتوكول اتصال خفيف يعتمد على النشر/الاشتراك للتراسل بين الأجهزة.
• RTSP: بروتوكول البث في الوقت الفعلي (RTSP) هو بروتوكول يعتمد على الحالة ويُستخدم لنقل الفيديو.
• التدفقات عبر HTTP: أحد البروتوكولات التكيفية العديدة المستندة إلى HTTP.
• WebRTC: مزيج من المعايير والبروتوكولات وواجهات برمجة التطبيقات الخاصة بـ JavaScript وHTML5، والتي تمكّن من التواصل في الوقت الفعلي.
• Zigbee:  تقنية لاسلكية تستخدم بروتوكول الراديو المستند إلى الحزم، مُصممة للأجهزة منخفضة التكلفة التي تعمل بالبطارية في البيئات الصناعية.

ستختلف حزمة البرمجيات حسب حالة الاستخدام الخاصة بصناعة معينة، لكن بشكل عام، تتضمن الطوبولوجيات الخاصة بتحليلات الحافة عادةً مزيجًا من المنتجات. في الحافة البعيدة، ستكون هناك أجهزة بصرية أو صوتية أو حسّية—بعضها قادر على تشغيل نموذج استدلال في حاويات. سيرسلون البيانات إلى خادم الاستدلال، الذي من المحتمل أن يشغل IBM Visual Insights  و IBM Edge Application Manager. سيتم إرسال البيانات غير المرئية إلى العمود الفقري للحدث باستخدام IBM Event Streams أو Apache Kafka. ويمكن لمنتجات البرمجيات مثل  IBM Watson  التي تُدرب/تُعيد تدريب النماذج، بالإضافة إلى البرامج الوسيطة مثل IBM Cloud Pak for Data والذكاء الاصطناعي، تجميع البيانات وتنظيفها وتحليلها في الطبقة التالية.

ضع في حسبانك الرسم البياني الخاص بالوعي الظرفي الموضح أعلاه؛ فمن مرحلة الإدراك إلى مرحلة اتخاذ القرار، يجب أن تعمل تحليلات الحافة في الوقت الفعلي. يوضح مخطط بنية الكتلة العناصر المختلفة المشاركة، مع عرض زمن الانتقال بالمللي ثانية بين الطبقات المختلفة:

الشكل 2: بنية عنصر تحليلات الحافة.

يتبيّن أن البشر لديهم استجابة عالية الدقة، وعلى المستوى الإدراكي، نعمل في نطاق المللي ثانية (وأحيانًا في نطاق الميكروثانية). لذا، يجب أن تأتي استجابات وقرارات الآلات والأجهزة قريبة من هذا النطاق، وألا تستغرق 100 أو 500 مللي ثانية نتيجة إرسال البيانات إلى السحابة.

يتمثل أحد المتطلبات الرئيسية لتحليلات الحافة في تحسين التجربة عن طريق خفض زمن الانتقال. والجانب الآخر هو قابلية التوسع. سيؤدي العدد المتزايد باستمرار من المستشعرات وأجهزة الشبكة إلى توليد كميات أكبر وأكبر من البيانات. وسيؤدي ذلك إلى زيادة الضغط على موارد التحليلات المركزية للبيانات. تُمكِّن تحليلات الحافة المؤسسات من توسيع نطاق قدرات المعالجة والتحليلات الخاصة بها من خلال تحقيق اللامركزية في المواقع التي يتم فيها جمع البيانات بالفعل.

وأخيرًا، لا تُعد تحليلات الحافة بديلاً لتحليلات البيانات المركزية. يمكن لكلا الخيارين أن يدعما بعضهما بعضًا في تقديم رؤى البيانات، وسيحدث ذلك بالفعل. في وقت سابق، أشرنا إلى وجود سيناريوهات معينة يُفضل فيها استخدام تحليلات الحافة، وثمة سيناريوهات أخرى تُعد فيها النمذجة والتحليلات المركزية للبيانات الخيار الأفضل، نظرًا إلى قبول زمن الانتقال بسبب الحاجة إلى تحليلات مفصّلة. يتمثل الهدف الرئيسي لتحليلات الحافة في توفير رؤى الأعمال في الوقت الفعلي (أو أقرب ما يكون إلى الوقت الفعلي) قدر الإمكان.

يوفر مركز بنية IBM Cloud العديد من البنيات المرجعية الهجينة ومتعددة السحابة، بما في ذلك البنية المرجعية لحوسبة الحافة. يمكنك أيضًا عرض البنية المرجعية للسيارات  المتعلقة بالحافة المنشورة حديثًا.

يرجى التأكد من الاطلاع على جميع أجزاء هذه السلسلة من منشورات المدونة حول حوسبة الحافة والموارد الإضافية:

• الجزء 1: “تصميم البنية على الحافة“
• الجزء 2: “عمليات التطوير على الحافة“
• الجزء 3: “5G على الحافة“
• الجزء 4: “المجموعات على الحافة“
• الجزء 5: “الأتمتة على الحافة“
• الجزء 6: “تقطيع الشبكة على الحافة“
• الجزء 7: “البيانات على الحافة“
• الجزء 8: “القرارات المتعلقة بالبنية على الحافة“
• الجزء 9: “GitOps على الحافة“
• الجزء 10: “خدمات التخزين على الحافة“
• الجزء 11: “خدمات السحابة على الحافة“
• الجزء 12: “سيادة البيانات على الحافة“
• الجزء 13: “المنتجات المتصلة على الحافة“
• الجزء 14: “النماذج الأساسية على الحافة“
• ™IBM Garage
• IBM Edge Application Manager
• منظور Red Hat
• حوسبة الحافة وتحليلات الحافة
• إندسلي، ميكا؛ جونز، ديبرا (2016-04-19). تصميم الوعي الظرفي (الطبعة الثانية). دار نشر CRC. ص. 13. الرقم الدولي الموحد للكتاب 978-1-4200-6358-5.
• تحليلات الحافة في عام 2020: دليل تطبيقات إنترنت الأشياء (IOT) الذكية
• تحليلات الحافة – الماهية والسبب والوقت والأطراف والمكان والطريقة

شكرًا لـ David Booz من أجل تقييمه المقال، وAndy Gibbs من أجل توفيره الإلهام لمخطط بنية الكتلة.