La domanda di edge analytics va di pari passo con il successo delle architetture decentralizzate alla periferia della rete aziendale, in ambito Industria 4.0 e IoT. Edge vuole dire, infatti, margine, confine, bordo. E l’edge computing fa la differenza nell’analisi dei dati, permettendo di ridurre i costi di trasmissione senza compromettere l’accuratezza e la qualità dei processi decisionali.
Riguarda soluzioni e servizi che avvengono in locale, alla frontiera della rete aziendale. Ecco cos’è l’edge analytics, dove si usa e quali requisiti richiede.
Cos’è la edge analytics
L’edge analytics è il processo di analisi, raccolta ed elaborazione dei dati ai bordi della rete, in prossimità degli oggetti, secondo il paradigma di edge computing. Laddove la raccolta dei dati avviene via dispositivi smart, componenti e sistemi elettronici small form factor (Sff) e dispositivi IoT, l’edge analytics può avvenire proprio sulla linea di produzione.
Dunque, l’edge analytics permette di usufruire meglio dei dati per superare le criticità di applicazioni in tempo reale, migliorando modelli predittivi e prescrittivi degli analytics adottati nel cloud.
Il termine edge riguarda un’elaborazione fisica in una posizione ai bordi di una rete. Questa topologia di rete porta i componenti base di elaborazione, sia hardware che software, storage e networking in prossimità delle fonti che generano i dati.
Definizione di edge computing
L’edge computing, secondo Idc, rappresenta un modello di calcolo su un’architettura distribuita e decentralizzata composta da una rete mesh di micro data center. Ognuno di essi è in grado di archiviare ed elaborare i dati a livello locale, trasmettendoli a un data center centralizzato o a un repository di cloud storage.
Dove viene utilizzata l’edge analytics
L’analytics ai margini della rete trova impiego in ambito Industria 4.0 e in ambito IoT, laddove serve decentralizzare la nuvola e ridurre la mole di dati da trasmettere nel cloud.
L’edge computing libera alcune applicazioni, sensibili al tempo, dalla dipendenza con i data center remoti. Infatti, l’edge computing permette loro di sfruttare risorse di computing locali, elaborando i dati con l’edge analytics, direttamente sul campo.
L’edge analytics elabora i dati critici ai bordi, time-sensitive e sensibili alla latenza, nel punto di origine, grazie a un dispositivo smart, oppure trasmette tali dati a un server intermedio, già localizzato in prossimità.
I dati meno sensibili al tempo possono invece essere inviati all’infrastruttura di cloud computing o al data center aziendale, per consentire la big data analytics.
Esempi di edge analytics
In ambito industriale occorre elaborare analytics in prossimità dell’oggetto o dell’attività che produce i dati raccolti, anche sulla linea di produzione. L’autoregolazione delle macchine e degli oggetti connessi permette di alzare i livelli di efficienza operativa. Le soluzioni di edge analytics offrono alle imprese data-driven più libertà e flessibilità per diversificare prodotti e servizi.
Esempi di edge analytics sono tratti dalle attività industriali che richiedono coordinamento e scambio di informazioni fra aree geografiche distanti fra loro oppure l’elaborazione di dati in real-time in locale.
Concreti casi d’uso di edge analytics riguardano i droni in raffinerie e industrie chimiche; analisi dei dati generati dagli oggetti connessi in fabbriche e magazzini; impianti industriali che devono ridurre i fermi tecnici e agire tempestivamente, adottando strategie di Zero Defect Manufacturing; industrie 4.0 dove si impiegano dispositivi perimetrali, sistemi embedded a basso consumo integrati in un singolo device.
Tramite l’analisi in tempo reale, l’edge analytics può assicurare il monitoraggio e la gestione smart della fabbrica, mettere a disposizione allarmi e interventi in tempo reale. Ma può anche facilitare il controllo qualità e aumentare la produttività.
Produttività in fabbrica
I sensori in fabbrica raccolgono dati, mentre l’edge analytics permette l’organizzazione dei dati, la loro analisi e la conversioni in “actionable improvement”, per migliorare il processo manifatturiero nel complesso.
Se l’impianto industriale produce circuiti stampati per prodotti di elettronica, i sensori non solo monitorano il processo automatizzato per i componenti saldati. Potrebbero anche raccogliere dati sui codici di colore delle parti elettriche, altezza e ampiezza. Testare i punti di saldatura e controllare il numero dei componenti.
Se i dati avvisano di posizionamenti non corretti o inopportuni, temperature allarmanti, l’edge analytics può fermare il processo di assemblaggio. Oppure rimuovere dal workflow di produzione i prodotti che non rispettano gli standard.
La capacità di raccogliere dati su temperatura e luminosità sono preziosi per migliorare la produzione in real time, la produttività, ottimizzare tempi e costi e il controllo qualità.
Inviare i dati all’esterno potrebbe comportare rischi, per esempio compromettendo segreti industriali e commerciali, violando proprietà intellettuale o causando problemi di cybersecurity. L’edge analytics evita invece tutte queste criticità.
Nel retail e in sanità
L’edge analytics non si usa solo in ambito dell’Industrial IoT (IIoT), ma anche nel retail e nella sanità.
L’elaborazione delle informazioni in real-time sui clienti consente di rafforzare le strategie di marketing direttamente nel punto vendita, producendo un aumento dello scontrino medio.
L’analisi apre le porte al monitoraggio a distanza dei pazienti cronici e abilita le applicazioni di telemedicina. Dunque permette di tagliare i tempi di degenza in ospedale e contribuisce a decongestionare i centri di pronto soccorso.
In ambito sanitario, migliora l’assistenza dei pazienti. Queste strategie si focalizzano sul supporto delle decisioni cliniche (CDS), offrendo ai medici informazioni tempestive, filtrate e specifiche del paziente, in modo tale da migliorare l’assistenza. Un server locale di un ospedale o un dispositivo mobile in casa di un paziente permette ai decision maker di decidere dove posizionare i carichi di lavoro lungo lo spettro di elaborazione.
Requisiti di edge analytics
La possibilità di eseguire codice vicino agli utenti presenta notevoli vantaggi: in termini di velocità e prestazioni, utilizzo inferiore di Cpu e memoria del dispositivo e consumo minore di larghezza di banda. Lo scopo è ridurre i problemi di latenza, erogando contenuti personalizzati e più ricchi. Poiché riduce la superficie d’attacco, ridimensiona inoltre i potenziali vettori di attacco.
Gli edge analytics permettono alle aziende ed organizzazioni di avere accesso a un grado di dettaglio maggiore sui dati che producono informazioni utili e semplificano un approccio a livello di sistema per ottimizzare le operazioni e realizzare nuovi servizi. Gli analytics al bordo, secondo ABI Research, devono considerarsi complementari a quelli generati nel cloud. Permettono di creare valore per tutta l’azienda e l’intera supply chain, spaziando dalle operations alla R&D.
I requisiti sono: rispetto della privacy; l’ampiezza di banda; riduzione della latenza; veloce campionamento dei dati o calcolo dei risultati con un ritardo minimo; superamento dei limiti associati alla connettività, in caso di assenza o intermittenza di connettività. Dunque, nel caso in cui la connessione non sia sufficientemente solida stabile da risultare affidabile.
Privacy
I device IoT catturano dati che potrebbero contenere informazioni private o sensibili: per esempio, geo-localizzazioni / posizionamenti GPS, immagini di individui o conversazioni audio. Il trasferimento dei dati nel cloud potrebbe compromettere la privacy. Invece un approccio di edge analytics, preventivamente, permette di processare i dati sensibili on site. Dunque trasmetterà al cloud, per effettuare le analisi più complesse, soltanto i dati conformi alle normative sulla privacy (GDPR in testa), opportunamente aggregati e anonimizzati.
Grazie all’edge analytics, le aziende possono applicare gli algoritmi di machine learning (ML) direttamente nei dispositivi IoT, coinvolgendo il cloud solo nei processi più critici. Per esempio relativamente alle attività di training continuo delle applicazioni di auto apprendimento.
Altri requisiti
Secondo Gartner, esistono requisiti generali da prendere sempre in esame quando si sceglie una piattaforma di analytics: interoperabilità tecnologica, supporto tecnico e servizi disponibili, lo stato di salute del fornitore del prodotto / servizio; prezzi e condizioni commerciali.
La piattaforma deve saper applicare tecniche di apprendimento automatico per generare approfondimenti automatizzati. Al fine di imprimere un senso a un set di dati in evoluzione e in continua crescita.
Inoltre, deve poter definire i dati da usare, permettendo agli utenti di integrare gli insiemi di dati provenienti da fonti diverse ed approvate. Ma deve anche consentire di personalizzare i modelli analitici, sulla base agli input (set, misure, gruppi o gerarchie).
La piattaforma deve offrire supporto a dashboard interattive. Meglio se permette di esplorare i dati tramite grafici lineari, heat map, grafici ad albero o a dispersione, le mappe geografiche ed altre opzioni di visualizzazione.
In generale i requisiti, secondo Gartner, devono riguardare la semplicità d’uso e le interfacce amichevoli o user-friendly. Ma anche l’usabilità del prodotto per generare e migliorare flussi di lavoro self-service. Infine occorre che una piattaforma fornisca approfondimenti automatizzati grazie all’apprendimento automatico.
Edge analytics e IoT a confronto
I dispositivi edge si riferiscono ai dispositivi IoT. Ma c’è una differenza fra i dispositivi IoT e quelli edge: questi ultimi, tramite l’edge computing, possono offrire risorse di elaborazione superiori rispetto a una rete IoT.
Grazie alla inferiore latenza di comunicazione, l’edge analytics è in grado di analizzare direttamente i dati nell’ambito delle applicazioni. Prima ancora della loro trasmissione (invio o ricezione).
L’intelligenza dei sistemi IoT richiede un’implementazione su tre livelli. Primo livello: i dispositivi/oggetti che rappresentano gli end-point. Sono in grado di elaborare le informazioni che generano e raccolgono.
Secondo livello: dispositivi che agiscono da gateway tra i differenti oggetti mediante aggregazione del traffico e invio comandi agli end-point. Il terzo livello si riferisce infine al cloud o all’infrastruttura aziendale. Essa raccoglie le informazioni che provengono dagli end-point e dai gateway via connessioni di backhauling.
