Ada banyak perusahaan di luar sana yang berjanji untuk memberikan "komputasi tepi" untuk operasi IIoT. Tapi apa arti "edge computing" dan apa nilai dasarnya?
Dengan menerapkan komputasi tepi ke data streaming, produsen dapat memenuhi permintaan real-time industri dan utilitas tinggi tanpa berusaha mendapatkan keuntungan bottom line dengan biaya penyimpanan atau bandwidth yang meningkat, sekaligus meningkatkan data yang dikirim ke awan.
Kami mengidentifikasi dua "must have" teratas untuk organisasi yang ingin menerapkan komputasi tepi guna meningkatkan efisiensi operasional, mengurangi limbah, mengoptimalkan sumber daya dan lainnya.
Sementara komputasi awan berharga dalam menciptakan model armada-lebar terhadap banyak data lokasi, harganya mahal dan tidak efektif untuk aplikasi real-time. Sebagai contoh, menurut perkiraan FogHorn, 180.000 sumur minyak di Texas akan menghabiskan lebih dari $ 1,49 miliar setiap tahun untuk mengirim satu terabyte data ke cloud hosting setiap hari, dengan asumsi biaya penyimpanan di awan adalah $ 0,023.
Selain itu, pengiriman data ke cloud sering kali menyebabkan waktu pemrosesan lebih lambat dan membutuhkan lebih banyak bandwidth untuk ditransfer dan disimpan. Ini berarti lokasi industri harus menghabiskan lebih banyak untuk memproses data yang mereka butuhkan.
Tak satu pun dari pendekatan ini adalah pilihan yang tepat untuk industri yang tidak memiliki bandwidth dan penyimpanan "all-you-can-eat" atau memiliki akses ke koneksi tanpa gangguan.
Contoh termudah adalah lokasi yang sangat terpencil di bidang energi, pertanian atau pertambangan yang tidak memiliki akses ke konektivitas yang terjangkau dan konsisten.
Untuk lokasi industri ini, kecerdasan tepi, artinya analisis, pembelajaran mesin dan pengolahan data yang lebih besar, harus dilakukan di tepi kanan disamping mesin untuk mengurangi jumlah data mentah yang diproses di awan.
Kecerdasan tepi yang benar mengurangi permintaan bandwidth. Banyak yang disebut sistem "komputasi tepi" masih bergantung sepenuhnya pada pemindahan data ke awan untuk analisis. Ini bukan komputasi tepi yang benar.
Pembersihan, pengolahan dan analisis data secara lokal memungkinkan penghitungan real-time dilakukan dan kemudian mengirimkan kumpulan metadata yang diringkas ke awan. Ini mengurangi biaya bandwidth dan penyimpanan, sekaligus memastikan data bersih yang lebih baik untuk analisis lebih lanjut.
Keuntungan menempatkan kecerdasan ini di tepi adalah komputasi dengan latency minimal dan kemampuan untuk bertindak secara native pada data streaming dan time-series. Dengan kata lain, keputusan real-time ini paling tepat dibuat dan diterapkan sedekat mungkin dengan sumber data.
Fungsi ini, yang ditunjukkan oleh analisis tepi streaming dan pembelajaran tepi mesin, harus cukup kecil agar sesuai dan berjalan di gerbang IoT atau perangkat yang lebih kecil, di samping atau bahkan pada mesin yang sebenarnya. Perangkat tepi biasanya terbatas sumber daya, dan harus berukuran lebih dekat ke kotak yang sesuai di saku Anda daripada server yang sesuai di lemari.
Pendekatan kecerdasan tepi yang mencakup analisis tepi dan pembelajaran mesin sangat berdampak pada IIoT. Mereka menyediakan wawasan lebih cepat, bandwidth dan tagihan penyimpanan yang lebih kecil, dan dirancang khusus untuk menangani pengaturan industri yang kompleks.
Cara ini dapat mengubah data OT mentah menjadi hasil yang dapat ditindaklanjuti dan metadata ringkasan yang bersih.
Dengan menerapkan komputasi tepi ke data streaming, produsen dapat memenuhi permintaan real-time industri dan utilitas tinggi tanpa berusaha mendapatkan keuntungan bottom line dengan biaya penyimpanan atau bandwidth yang meningkat, sekaligus meningkatkan data yang dikirim ke awan.
Kami mengidentifikasi dua "must have" teratas untuk organisasi yang ingin menerapkan komputasi tepi guna meningkatkan efisiensi operasional, mengurangi limbah, mengoptimalkan sumber daya dan lainnya.
Tantangan untuk Komputasi Awan Industri
Untuk kebanyakan setting industri, mengandalkan secara eksklusif pada cloud untuk mengolah data tidak mencukupi. Teknologi awan sangat kuat, namun pada dasarnya memiliki jejak kaki yang berat dan tidak dirancang untuk memproses data secara real-time.Sementara komputasi awan berharga dalam menciptakan model armada-lebar terhadap banyak data lokasi, harganya mahal dan tidak efektif untuk aplikasi real-time. Sebagai contoh, menurut perkiraan FogHorn, 180.000 sumur minyak di Texas akan menghabiskan lebih dari $ 1,49 miliar setiap tahun untuk mengirim satu terabyte data ke cloud hosting setiap hari, dengan asumsi biaya penyimpanan di awan adalah $ 0,023.
Selain itu, pengiriman data ke cloud sering kali menyebabkan waktu pemrosesan lebih lambat dan membutuhkan lebih banyak bandwidth untuk ditransfer dan disimpan. Ini berarti lokasi industri harus menghabiskan lebih banyak untuk memproses data yang mereka butuhkan.
Tak satu pun dari pendekatan ini adalah pilihan yang tepat untuk industri yang tidak memiliki bandwidth dan penyimpanan "all-you-can-eat" atau memiliki akses ke koneksi tanpa gangguan.
Proses data di pinggir untuk meminimalkan transfer data dan menghemat uang
Bagi banyak perusahaan industri, ekonomi dan ketersediaan bandwidth untuk melakukan arus besar (berpikir terabyte, jika tidak petabyte) titik data individual tidak aktif untuk analisis tidak praktis, berkelanjutan atau, dalam beberapa kasus, mungkin terjadi.Contoh termudah adalah lokasi yang sangat terpencil di bidang energi, pertanian atau pertambangan yang tidak memiliki akses ke konektivitas yang terjangkau dan konsisten.
Untuk lokasi industri ini, kecerdasan tepi, artinya analisis, pembelajaran mesin dan pengolahan data yang lebih besar, harus dilakukan di tepi kanan disamping mesin untuk mengurangi jumlah data mentah yang diproses di awan.
Kecerdasan tepi yang benar mengurangi permintaan bandwidth. Banyak yang disebut sistem "komputasi tepi" masih bergantung sepenuhnya pada pemindahan data ke awan untuk analisis. Ini bukan komputasi tepi yang benar.
Pembersihan, pengolahan dan analisis data secara lokal memungkinkan penghitungan real-time dilakukan dan kemudian mengirimkan kumpulan metadata yang diringkas ke awan. Ini mengurangi biaya bandwidth dan penyimpanan, sekaligus memastikan data bersih yang lebih baik untuk analisis lebih lanjut.
Keputusan real-time dengan tapak minimal
Intelijen tepi sejati harus dapat melakukan perhitungan real-time pada kumpulan data OT (Operational Technology) mentah yang luas dan kotor. Hasilnya harus segera tersedia bagi operator untuk mengurangi downtime yang tidak direncanakan dan meningkatkan hasil produksi.Keuntungan menempatkan kecerdasan ini di tepi adalah komputasi dengan latency minimal dan kemampuan untuk bertindak secara native pada data streaming dan time-series. Dengan kata lain, keputusan real-time ini paling tepat dibuat dan diterapkan sedekat mungkin dengan sumber data.
Fungsi ini, yang ditunjukkan oleh analisis tepi streaming dan pembelajaran tepi mesin, harus cukup kecil agar sesuai dan berjalan di gerbang IoT atau perangkat yang lebih kecil, di samping atau bahkan pada mesin yang sebenarnya. Perangkat tepi biasanya terbatas sumber daya, dan harus berukuran lebih dekat ke kotak yang sesuai di saku Anda daripada server yang sesuai di lemari.
Mengapa prinsip kunci ini sesuai dengan nilai komputasi tepi untuk Industrial IoT?
Tanpa mereka, Edge Computing hanyalah lapisan bodoh yang memberi perusahaan awan item baris lain untuk dijual. Sebagai contoh, berdasarkan penelitian, keputusan real-time mengenai optimasi hasil dapat menghemat pabrik $ 14 juta per tahun, dan peternakan angin dapat menghemat lebih dari $ 33 juta untuk biaya hosting dan seluler dengan tidak mengirimkan data yang tidak perlu ke cloud. Pengambilan data cerdas dan keputusan real-time yang berada di tepi mewakili triliunan dolar dalam nilai industri potensial.Pendekatan kecerdasan tepi yang mencakup analisis tepi dan pembelajaran mesin sangat berdampak pada IIoT. Mereka menyediakan wawasan lebih cepat, bandwidth dan tagihan penyimpanan yang lebih kecil, dan dirancang khusus untuk menangani pengaturan industri yang kompleks.
Cara ini dapat mengubah data OT mentah menjadi hasil yang dapat ditindaklanjuti dan metadata ringkasan yang bersih.
Komentar
Posting Komentar