Przewaga edge computing w erze cyfryzacji

Edge computing, czyli przetwarzanie brzegowe, to model przetwarzania danych, w którym obliczenia odbywają się jak najbliżej miejsca ich powstania – a nie w odległym centrum danych. Efekt jest prosty: systemy reagują szybciej, a sieć jest mniej obciążona. To ma znaczenie tam, gdzie liczy się szybka reakcja: w przemyśle, transporcie, rolnictwie czy opiece zdrowotnej.

Czym jest edge computing

Edge computing to rozproszony model obliczeniowy. Przetwarzanie i przechowywanie danych odbywa się bliżej ich źródeł, a nie w scentralizowanym centrum danych – tak opisuje go polska Wikipedia. OVHcloud definiuje edge computing podobnie: to umieszczenie mocy obliczeniowej i przechowywania danych blisko źródła, w którym te dane powstają, dzięki czemu do chmury trafia mniej procesów.

Analitycy z Gartnera opisują edge computing jako część topologii rozproszonych obliczeń. Przetwarzanie informacji odbywa się blisko brzegu sieci – tam, gdzie rzeczy i ludzie wytwarzają i wykorzystują informacje. Inaczej niż w tradycyjnym modelu chmurowym, gdzie dane wędrują do odległego centrum danych, edge computing pozwala podejmować decyzje lokalnie i niemal w czasie rzeczywistym.

Near edge i far edge

Wikipedia rozróżnia dwa typy przetwarzania brzegowego. Near edge to niewielkie klastry obliczeniowe umieszczone poza głównym centrum danych. Far edge to małe urządzenie podłączone bezpośrednio do infrastruktury near edge – na przykład czujnik albo kamera. Sam termin edge computing zaczęto stosować już w latach 90. XX wieku, początkowo w odniesieniu do sieci dostarczania treści, które przybliżały dane wideo i internetowe do użytkowników.

Jak działa przetwarzanie brzegowe

W modelu edge dane dzielą się na dwa rodzaje. Pierwszy to dane systemowe, obsługujące operacje biznesowe – trafiają zwykle do mniejszych baz relacyjnych utrzymywanych lokalnie. Drugi to dane użytkownika, generowane najczęściej przez czujniki: to one stanowią większość ruchu przetwarzanego na brzegu. Lokalne przetwarzanie pozwala odfiltrować dane zbędne i przesłać do centrum danych tylko to, co faktycznie istotne, na przykład anomalie albo zagregowane wyniki.

Coraz więcej organizacji musi też zarządzać rosnącą liczbą urządzeń podłączonych do sieci – nie tylko czujnikami, ale też smartfonami czy laptopami. Skala tego zjawiska rośnie szybko: szacuje się, że obecnie do sieci podłączonych jest około 20 miliardów urządzeń, a do 2025 roku liczba ta ma wzrosnąć do 70 miliardów.

Zastosowania edge computing w praktyce

Edge computing sprawdza się tam, gdzie liczy się szybka reakcja na dane z czujników:

• Transport – autonomiczny pojazd musi przetworzyć w czasie rzeczywistym nawet 20 terabajtów danych dziennie (trasa, ruch, warunki pogodowe, prędkość), a przesłanie ich do zdalnego centrum danych spowolniłoby reakcję systemu.
• Produkcja przemysłowa – czujniki na liniach produkcyjnych umożliwiają analizę predykcyjną stanu maszyn i wykrywanie usterek, zanim dojdzie do przestoju.
• Rolnictwo – czujniki wilgotności gleby i drony monitorujące uprawy pomagają precyzyjnie planować nawadnianie i zbiory.
• Opieka zdrowotna – dane z urządzeń medycznych, takich jak aparaty USG czy monitory pracy serca, są analizowane lokalnie, co skraca czas do postawienia diagnozy.
• Inteligentne miasta – czujniki IoT wspierają zarządzanie oświetleniem ulicznym, ruchem drogowym i zużyciem energii.

W przemyśle edge computing sprawdza się też w rozproszonych systemach pomiarowych, na przykład w leśnictwie. Przydaje się również w monitorowaniu bezpieczeństwa pracy – systemy mogą wykrywać, czy pracownicy stosują wymagane środki ochrony.

Edge computing a cloud computing

Edge computing nie zastępuje chmury, lecz ją uzupełnia. Chmura pozostaje lepsza do intensywnego przetwarzania dużych zbiorów danych i skalowania zasobów na żądanie, natomiast brzeg sieci sprawdza się tam, gdzie liczy się czas reakcji.

Jest jeszcze trzecie pojęcie: fog computing. To model łączący oba podejścia – nadrzędny system scentralizowany działa w oparciu o dane dostarczane przez rozproszone systemy podrzędne rozmieszczone bliżej brzegu sieci. Fog computing nie konkuruje więc z chmurą. Splata rozproszone przetwarzanie brzegowe ze scentralizowaną analizą danych o dużej wydajności obliczeniowej, dzięki czemu system zyskuje jednocześnie odporność na zakłócenia środowiskowe i skalowalność.

Korzyści wdrożenia edge computing

Największą zaletą jest krótszy czas odpowiedzi – dane przetwarzane blisko miejsca ich powstania nie muszą czekać na transfer do zdalnego centrum danych. Drugą korzyścią jest mniejsze obciążenie łączy internetowych, bo do chmury trafia tylko część danych, już po lokalnym odfiltrowaniu. Trzecia korzyść to odporność biznesowa: lokalne systemy działają nawet podczas przerw w dostępie do internetu. Ma to znaczenie też dla suwerenności danych. Informacje wrażliwe, na przykład dane pacjentów w placówkach medycznych, można przetwarzać i anonimizować lokalnie, co ułatwia zgodność z RODO.

Wyzwania i ryzyka

Rozproszenie infrastruktury oznacza więcej punktów, które trzeba monitorować, aktualizować i zabezpieczać jednocześnie. Bezpieczeństwo to tu realne ryzyko. Według danych BG Network przywołanych przez Elmark Automatyka, obecnie 80 procent urządzeń IoT trafia na rynek bez zainstalowanego lub aktywowanego systemu uwierzytelniania i szyfrowania. Bez odpowiednich zabezpieczeń dane przesyłane i przechowywane na brzegu sieci są łatwiejszym celem ataku. Wdrożenie edge computing wiąże się też z kosztami sprzętu i oprogramowania oraz z koniecznością przeszkolenia zespołów IT do pracy w modelu zdecentralizowanym.

Sztuczna inteligencja na brzegu sieci

Coraz więcej organizacji łączy infrastrukturę brzegową z uczeniem maszynowym. Dane są przetwarzane, a decyzje oparte na sztucznej inteligencji zapadają bezpośrednio na podłączonych urządzeniach brzegowych, zamiast czekać na transfer do centrum danych. Takie podejście ogranicza zależność od scentralizowanej chmury i sprawdza się w złożonych operacjach branżowych – na przykład w zarządzaniu łańcuchem dostaw oraz w produkcji, gdzie modele sztucznej inteligencji analizują dane lokalnie, w miejscu ich powstania.

Dodatkowa zaleta jest praktyczna: urządzenia łączące edge computing ze sztuczną inteligencją działają nawet bez stałego dostępu do internetu. To sprawdza się w aplikacjach, które nie mogą polegać na ciągłym połączeniu sieciowym. Rozwój sieci 5G dodatkowo przyspiesza to podejście – więcej o tym w sekcji o skali rynku.

Skala rynku i kierunek rozwoju

Firma badawcza IDC prognozowała, że do 2023 roku ponad połowa nowych infrastruktur IT przedsiębiorstw będzie działać na obrzeżach sieci, a nie w centralnym centrum danych. Według tych samych szacunków ilość danych generowanych rocznie miała do 2025 roku osiągnąć 175 bilionów gigabajtów. Edge computing miał odpowiadać za około 90 procent tego wolumenu. Rozwój sieci 5G i Wi-Fi 6 dodatkowo przyspiesza przetwarzanie brzegowe, bo umożliwia analizę danych niemal w czasie rzeczywistym – ma to znaczenie zwłaszcza dla uczenia maszynowego i sztucznej inteligencji działających lokalnie.

Najczęściej zadawane pytania

Czy Netflix wykorzystuje edge computing?

Tak. Netflix rozmieszcza własne urządzenia Open Connect Appliances bezpośrednio w sieciach operatorów internetowych, dzięki czemu materiały wideo są przechowywane blisko użytkowników, a nie tylko w centralnych centrach danych. Operatorzy mogą też łączyć się z infrastrukturą Netfliksa bezpośrednio, bez pośredników, co dodatkowo ogranicza obciążenie sieci tranzytowych i skraca opóźnienia podczas streamingu.

Czy Tesla wykorzystuje edge computing?

Tak. Tesla projektuje własne chipy przeznaczone do sztucznej inteligencji, które przetwarzają dane z kamer i czujników bezpośrednio w pojeździe, aby uruchamiać oprogramowanie Full Self-Driving. Dzięki lokalnemu przetwarzaniu system podejmuje decyzje niemal w czasie rzeczywistym, bez konieczności wysyłania danych do zdalnych serwerów.

Jakie firmy wykorzystują edge computing?

Z edge computing korzystają zarówno firmy technologiczne, takie jak Netflix czy Tesla, jak i przedsiębiorstwa z branży przemysłowej, medycznej i rolniczej, które lokalnie przetwarzają dane z czujników i maszyn. Konkretne przykłady zastosowań – od linii produkcyjnych po urządzenia medyczne – opisano w sekcji o zastosowaniach wyżej.

Źródła:

• OVHcloud – Co to jest edge computing?
• Wikipedia – Edge computing
• Elmark Automatyka – Edge computing, wyzwania na brzegu procesu
• IBM – Edge computing, defined
• Netflix Open Connect
• Tesla – sztuczna inteligencja i robotyka