Muchos casos de uso de análisis y aprendizaje de máquinas se conectan a datos almacenados en almacenes de datos o lagos de datos, ejecutan algoritmos en conjuntos de datos completos o en un subconjunto de los mismos, y calculan los resultados en arquitecturas de nubes. Este enfoque funciona bien cuando los datos no cambian con frecuencia. ¿Pero qué pasa si los datos cambian con frecuencia?

Hoy en día, cada vez son más las empresas que necesitan procesar datos y calcular análisis en tiempo real. El IOT impulsa gran parte de este cambio de paradigma, ya que la transmisión de datos desde los sensores requiere de un procesamiento y análisis inmediato para controlar los sistemas posteriores. El análisis en tiempo real también es importante en muchas industrias, incluyendo la salud, los servicios financieros, la fabricación y la publicidad, donde pequeños cambios en los datos pueden tener importantes impactos financieros, de salud, seguridad y otros negocios.

Para poder permitir la analítica en tiempo real es importante comprender las consideraciones de diseño para la analítica de punta. Los casos de uso de la computación de borde, como los aviones no tripulados autónomos, las ciudades inteligentes, la gestión de cadenas de tiendas y las redes de juegos de realidad aumentada, tienen como objetivo el despliegue de una analítica de borde a gran escala y altamente fiable.

Edge analytics, streaming analytics, y edge computing

Varios paradigmas diferentes de análisis, de aprendizaje automático y de computación de punta están relacionados con la analítica de punta:

• El edge analytics se refiere a los algoritmos de análisis y aprendizaje automático desplegados en la infraestructura fuera de la infraestructura de la nube y “en el borde” en la infraestructura localizada geográficamente.
• El streaming analytics se refiere a la analítica de computación en tiempo real a medida que los datos son procesados. El análisis de flujo se puede hacer en la nube o en el borde, dependiendo del caso de uso.
• El procesamiento de eventos es una forma de procesar datos y tomar decisiones en tiempo real. 
• El edge computing se refiere a la implementación de la computación en los dispositivos de borde y en la infraestructura de la red.
• La fog computación computing es una arquitectura más generalizada que divide la computación entre entornos de computación de borde, de borde cercano y de nube.

Al diseñar soluciones que requieren edge analytics, los arquitectos deben tener en cuenta las limitaciones físicas y energéticas, los costes y la fiabilidad de la red, las consideraciones de seguridad y los requisitos de procesamiento.

Razones para desplegar analytics 

Las aplicaciones que impactan la seguridad humana y requieren resistencia en la arquitectura de la computación son un caso de uso para el edge analytics. Las aplicaciones que requieren baja latencia entre las fuentes de datos como los sensores de IOT y la infraestructura de computación analítica son un segundo caso de uso que a menudo requiere el análisis de borde. Algunos ejemplos de estos casos de uso incluyen:

• Automóviles autónomos, máquinas automatizadas, o cualquier transporte donde los sistemas de control están automatizando toda o partes de la navegación.
• Edificios inteligentes que tienen controles de seguridad en tiempo real y quieren evitar tener dependencias de la infraestructura de redes y nubes para permitir que las personas entren y salgan del edificio con seguridad.
• Ciudades inteligentes que rastrean el transporte público, despliegan medidores inteligentes para la facturación de servicios públicos y soluciones inteligentes de manejo de desechos.

Según Achal Prabhakar, vicepresidente de ingeniería de Landing AI, una empresa industrial de inteligencia artificial con soluciones centradas en la visión por computadora. “Las plantas de fabricación son muy diferentes de las aplicaciones analíticas convencionales y por lo tanto requieren repensar la IA incluyendo el despliegue. Una gran área de enfoque para nosotros es el despliegue de complejos modelos de visión de aprendizaje profundo con aprendizaje continuo directamente en las líneas de producción utilizando dispositivos capaces pero de vanguardia”.

La próxima frontera en analytics

Los casos de uso más comunes para el edge analytics hoy en día son las funciones de procesamiento de datos, incluyendo el filtrado y la agregación de datos. Pero a medida que más compañías despliegan sensores de IOT a escala, la necesidad de aplicar algoritmos analíticos, de aprendizaje automático y de inteligencia artificial en tiempo real requerirá más despliegues en el borde. 

Las posibilidades en el edge hacen que el futuro de la computación inteligente sea muy emocionante, ya que los sensores se vuelven más baratos, las aplicaciones requieren más análisis en tiempo real, y el desarrollo de algoritmos optimizados y rentables para el borde se vuelve más fácil. 

-IDG.es