Prenota una demo
L’edge computing è un’architettura IT distribuita e aperta con potenza di elaborazione decentralizzata, predisposta per le tecnologie di mobile computing e Internet of Things (IoT). Nell’edge computing, i dati sono elaborati dal dispositivo stesso o da un computer o server locale, invece di essere trasmessi al data center.
L'elaborazione dei dati in prossimità del luogo in cui vengono generati porta considerevoli vantaggi in termini di latenza di elaborazione, riduzione di traffico dati e maggior resilienza in caso di interruzione della connessione dati.
L’edge computing permette di accelerare i flussi di dati, che vengono elaborati in tempo reale senza latenza, e consente alle applicazioni e ai dispositivi intelligenti di rispondere quasi istantaneamente, durante la fase di creazione, eliminando i ritardi. Questo risulta abilitante insieme al 5G per le nuove tecnologie come le automobili a guida autonoma dove è necessaria una grande reattività agli eventi di elementi intelligenti dislocati ed offre vantaggi altrettanto rilevanti per le aziende.
Inoltre l’edge computing consente l’elaborazione efficiente dei dati in grandi volumi in prossimità dell’origine: questo consente di ridurre l’utilizzo della larghezza di banda Internet, eliminare i costi e garantire un uso efficace delle applicazioni in posizioni remote. Inoltre, la possibilità di elaborare i dati senza mai trasferirli nel cloud pubblico aggiunge un livello di sicurezza utile per quelli sensibili.
All’edge computing si contrappone il computo o elaborazione centralizzata tipica del edge gateway centralizzato o del cloud computing, dove il dato viene prima trasmesso al cloud dove verrà elaborato.
L’importanza dell’edge computing è insita nella sua definizione, ossia nel distribuire l’elaborazione dei dati di un sistema; in questo modo si opera ad una parallelizzazione sia dell’elaborazione che della trasmissione dei dati, ottenendo un guadagno in termini di sicurezza del dato, efficienza ed affidabilità del sistema.
Inoltre il sovraccarico del software centrale, che in assenza di edge computing avrebbe dovuto occuparsi dell’elaborazione dei dati, in questo modo viene meno e quindi diminuiscono notevolmente le possibilità di fuori servizio e quindi di perdita dei dati di tutto il sistema.
L’importanza dello sviluppo dell’edge computing è sottolineata non solo dall’affermarsi delle tecnologie IoT ma anche dalla progressiva penetrazione del 5G. Queste due tecnologie necessitano di “oggetti intelligenti” in grado di prendere decisioni il più autonomamente possibile; da ciò nasce l’esigenza di decentralizzare l’elaborazione dei dati.
Lavorando con una piattaforma quale quella Sensoworks (che ha la caratteristica di operare in contesti molto variegati grazie alla sua duttilità e flessibilità nella gestione ed ingestione di grandi moli di dati), abbiamo ben chiari i diversi casi in cui possiamo aumentare il grado di edge computing, come succede nei progetti afferenti alle smart cities, ed altri in cui siamo impossibilitati a utilizzarlo, come sui progetti relativi al monitoraggio strutturale.
I casi d’uso possono essere descritti sinteticamente come l’applicazione di diverse quantità di strumentazione sensoristica (più o meno numerosa) installata in:
Questi tre casi richiedono una progettazione differente nell’ottica di un buon compromesso costi-benefici. Per questo motivo non sempre è conveniente estremizzare il concetto di edge computing considerando le attuali tecnologie a disposizione sul mercato.
Ad esempio, se consideriamo il monitoraggio di una infrastruttura civile, i sensori operano da trasduttori nel senso che rilevano la variazione fisica, la traducono in segnale e lo trasmettono ad una centralina. Questo deve essere filtrato e tradotto in grandezza ingegneristica, dopodiché può essere elaborato dall’EDGE gateway ed inviato a Sensoworks che opera sul cloud. L’architettura descritta tende più al cloud computing piuttosto che all’edge computing. La scelta di questa architettura deriva dal costo della centralina molto maggiore rispetto a quello dei sensori, perciò collegando ad essa un numero sufficientemente elevato di sensori si ammortizza il sua costo.
Se invece consideriamo il caso di waste management, abbiamo la necessità di dislocare su un’area estesa molti device che monitorano ad esempio i cassoni della spazzatura. Qui il concetto di edge computing deve essere messo in pratica per lo più dal punto di vista software, perciò si demanda al singolo device installato sul cassonetto il compito di rilevazione, elaborazione e trasmissione dei dati a Sensoworks. All’aumentare dei compiti richiesti dal cassonetto intelligente aumenta anche la potenza di calcolo richiesta alla MCU la quale è limitata date le dimensioni compatte che richiede l’applicazione.
L’intelligenza artificiale è ormai considerata la tecnologia computazionale abilitante per l’innovazione tecnologica dei prossimi anni. L’IoT fa già ampio utilizzo di paradigmi computazionali Deep Learning per offrire servizi di ricerca di informazioni in rete o per il riconoscimento di informazioni audio-visuali, mentre la ormai imminente Internet of Everything (IoE) si sta preparando per gestire e fornire servizi che trattano i dati di miliardi di sensori connessi in rete.
I paradigmi computazionali tradizionali – Deep Learning/Machine Learning e – le Reti Neurali Artificiali (ANN) sono più semplici da progettare, ma computazionalmente sono più intensivi e richiedono un’enorme quantità di dati per essere configurati; ciò rappresenta il limite al loro impiego.
Tale limite al presente viene superato in termini di sovradimensionamento computazionale, basato sull’uso spropositato della potenza di calcolo fornita dalla rete (cloud computing), in evidente contraddizione della tendenza verso l’embedded computing che tende a spostare verso la periferia della rete il processo di elaborazione (Edge Computing) allo scopo di ridurre la complessità e i costi (infrastrutturali) delle applicazioni.
La tecnologia abilitante dell’Edge Computing è quella delle MicroControl Units (MCUs) che, negli ultimi anni, sono diventate sempre più potenti dal punto di vista dell’elaborazione dati, a bassissimo consumo energetico, di piccolissime dimensioni e bassissimo costo (cioè ultra-embedded), ma i paradigmi Deep Learning non sono concepiti per essere eseguiti dalle MCU, data la complessità computazionale e gli elevati requisiti di memoria richiesti.
In definitiva, l’edge computing porta molti benefici ma sottintende un evoluzione software che deve andare di pari passo con quella hardware.
Non è sufficiente essere in grado in loco di elaborare, aggregare e trasmettere il dato al cloud che raccoglie i dati permettendo una visione d’insieme del sistema. L’estremizzazione dell’IoT presuppone che gli “oggetti intelligenti” debbano essere in grado imparare dai dati acquisiti i quali permetteranno di crearsi un bagaglio di esperienza sulla base della quale possano prendere decisioni e svolgere azioni.
Oggigiorno per addestrare modelli matematici si ricorre al Deep Learning con reti neurali profonde alle quali vengono dati in pasto enormi quantità di dati. Il processo di training della rete neurali risulta essere molto dispendioso in termini computazionali di potenza di calcolo ed economici. Questo è uno dei motivi principali per cui non si può abbandonare completamente il cloud computing.
L’ingresso sul mercato di nuove tecnologie di MCUs ci permetteranno di procedere ad una atomizzazione del concetto di monitoraggio: ogni sensore sarà un sistema di monitoraggio che dovrà essere integrato con gli altri. La scalabilità e modularità del sistema sarà pressoché infinita. In questo modo Sensoworks diverrà un system integrator su cloud e si occuperà di cucire relazioni tra i vari sistemi di monitoraggio atomizzati.
La discussione prosegue qui.
Scrivimi la tua opinione sull’argomento, o per suggerire uno dei prossimi approfondimenti!
AUTORE: ANDREA CANFORA
Senior Data Scientist in Sensoworks. Le sue competenze ingegneristiche trasversali su più settori gli permettono di essere l’anello di congiunzione tra i team che disegnano le soluzioni Sensoworks e il team tecnico che si occupa di realizzarle.
