آماده ارتقا مهارت هستید؟ به لبه نگاه کنید (جایی که همه چیز به هوش مصنوعی نیست)

توسعه‌هایی با ابتکارات مبتنی بر لبه و اینترنت اشیا ممکن است در صدر چرخه‌های خبری امروز قرار نگیرند، اما موج عظیمی از فعالیت‌ها در اطراف محاسبات در لبه‌ها وجود دارد. اینترنت اشیاء و لبه ممکن است حتی در حال تغییر شکل یا ایجاد فرصت‌های فناوری بیشتر از هوش مصنوعی باشند – علیرغم اینکه هوش مصنوعی در حال حاضر از سهم اصلی توجه دارد.

فراگیر بودن محاسبات لبه و اینترنت اشیاء در یک نظرسنجی از 1037 مدیر و متخصص فناوری اطلاعات ثابت شد که نشان داد منطق کنترل یا اتوماسیون تعبیه شده از هوش مصنوعی به عنوان رایج ترین حجم کاری محاسبات لبه (40٪ تا 37٪) پیشی گرفته است.

همچنین: هوش مصنوعی در لبه: 5G و اینترنت اشیا شاهد زمان های سریعی هستند

نویسندگان این نظرسنجی فکر می کنند: “آیا این به معنای تمرکز مجدد بر جنبه های عملی ارائه راه حل های دنیای واقعی است؟ فقط زمان مشخص خواهد کرد.”

نظرسنجی Eclipse نشان داد که توسعه در تمام بخش‌های اینترنت اشیا، از جمله اتوماسیون صنعتی (33 درصد نسبت به 22 درصد در سال قبل)، پس از آن کشاورزی (29 درصد افزایش از 23 درصد)، اتوماسیون ساختمان، مدیریت انرژی، و شهرهای هوشمند در حال افزایش است. همه در 24٪. جاوا به عنوان زبان برتر برای دروازه‌های اینترنت اشیا و گره‌های لبه رتبه‌بندی می‌شود، در حالی که C، C++ و جاوا پرکاربردترین زبان‌ها برای دستگاه‌های محدود هستند.

وقتی صحبت از الزامات مهارت به میان می‌آید، به نظر می‌رسد همه نگران طراحی و توسعه هوش مصنوعی هستند – با این حال، edge و IoT نیازهای مهارتی خود را دارند.

جورج مدالونی، مدیر ارشد فناوری برای عملیات مسترکارت به ZDNET گفت: «مهارت‌های کلیدی در طراحی و ساختن سیستم‌های لبه شامل تغییر تمرکز از رویکردهای سنتی مرکز داده متمرکز به درک و بهینه‌سازی لبه شبکه‌ها و زیرساخت‌ها است. ما باید داده‌ها را در جایی که تولید می‌شوند پردازش کنیم، کارایی جریان داده را بهبود بخشیم و نیاز به ارسال مقادیر زیادی از داده‌های خام برای پردازش مرکزی را کاهش دهیم.»

تونی ماریوتی، مدیر اجرایی RubyHome، به ZDNET گفت: طراحی و ساخت سیستم‌های لبه و اینترنت اشیا به مجموعه‌ای از مهارت‌های منحصربه‌فرد نیاز دارد. برخلاف فناوری اطلاعات سنتی که اغلب بر پردازش متمرکز داده‌ها تمرکز می‌کند، محاسبات لبه نیازمند تخصص در معماری‌های غیرمتمرکز و پردازش بی‌درنگ داده است. رسیدگی در محل جمع آوری، برای برنامه هایی که نیاز به بینش فوری دارند، بسیار مهم است.”

همچنین: هوش مصنوعی چیست؟ همه چیز در مورد هوش مصنوعی

و بله، هوش مصنوعی و یادگیری ماشین نیز در ابتکارات لبه و اینترنت اشیا نقش دارند. هارشول اسنانی، رئیس بخش فناوری، رسانه و سرگرمی Tech Mahindra به ZDNET گفت: این امر ناشی از تقاضا برای “سیستم های هوشمندتر و مستقل تر است که قادر به تصمیم گیری در زمان واقعی، مستقیماً در محل جمع آوری داده ها هستند.” این دستگاه‌های لبه‌ای مجهز به هوش مصنوعی با پردازش داده‌ها بر روی خود دستگاه به‌جای تکیه بر سیستم‌های مبتنی بر ابر، تأخیر را کاهش می‌دهند، استفاده از پهنای باند را کاهش می‌دهند و زمان پاسخگویی را بهبود می‌بخشند. -تحلیل زمان در تولید و فناوری های شهر هوشمند.”

ماریوتی گفت: بینش‌هایی که مدیران و متخصصان فناوری برای پیشبرد لبه‌ها و اینترنت اشیا به آن نیاز دارند، «شامل نیاز به راه‌حل‌های مقیاس‌پذیر برای مدیریت حجم داده‌های بزرگ و اهمیت اقدامات امنیتی پیشرفته است». “حرفه ای ها یاد گرفته اند که شبکه های پیچیده اینترنت اشیا را مستقر کنند که یکپارچگی و محرمانه بودن را در حین مدیریت داده های حساس حفظ کنند، پیشرفتی حیاتی برای همه مشاغل مبتنی بر فناوری.”

اسنانی تأیید کرد که این مستلزم “درک تفاوت های ظریف حاکمیت داده و تجزیه و تحلیل بلادرنگ” است. با نزدیک‌تر شدن پردازش داده‌ها به لبه، مدیریت حجم، تنوع و سرعت داده‌های تولید شده توسط دستگاه‌های IoT به یک کار پیچیده تبدیل می‌شود. این امر نیازمند چارچوب‌های قوی حاکمیت داده برای اطمینان از کیفیت، حریم خصوصی و انطباق با استانداردهای نظارتی است.»

همچنین: مدیر بانک: ما نیازی به هوش مصنوعی نداریم، ما به متفکران انتقادی نیاز داریم تا هوش مصنوعی را به چالش بکشند.

اسانی افزود: از آنجایی که edge و IoT بیشتر به قابلیت‌های بلادرنگ نیاز دارند، «تحلیل داده‌های بی‌درنگ یا نزدیک به زمان واقعی برای استخراج فوری بینش‌های عملی ضروری می‌شود و ابزارها و تکنیک‌های تحلیلی پیچیده‌تری را می‌طلبد». “پذیرفتن تجزیه و تحلیل لبه ها مستلزم انطباق فناوری و تغییر در طرز فکر، اولویت بندی چابکی و توانایی تصمیم گیری غیرمتمرکز است. درک این جنبه ها برای مدیران داده و تحلیلگران برای استفاده از پتانسیل کامل محاسبات لبه و اینترنت اشیاء حیاتی خواهد بود.”

ثابت شده است که استفاده از لبه و اینترنت اشیا برای MasterCard که مراکز پردازش داده های دوردست را حفظ می کند، حیاتی است. مدالونی گفت: ردپای لبه “به چیزی تغییر کرده است که اکنون می تواند از ابر خصوصی و عمومی استفاده کند.” “در ابر عمومی، اکنون یک سری از مناطق “ابر لبه” وجود دارد که می‌توانیم از آنها برای کانتینرها یا برای یک رویکرد ساده در ابر خصوصی خود استفاده کنیم. از منظر انعطاف‌پذیری، اکنون می‌توانیم هر دو یک پشته ادغام شده را با توان اضافه کنیم. واحد توزیع برای پشتیبان گیری انرژی در صورت خرابی و همچنین پلت فرم پشتیبان ابری در صورت نیاز.”

مدالونی افزود، سیستم‌های لبه مسترکارت شامل حسگرهایی برای نظارت بر عملکرد موتورها، پمپ‌ها و ژنراتورهای برق اضطراری است. توانایی این حسگرها برای خودکارسازی پاسخ‌ها به شرایط خاص، مانند تنظیم سیستم‌های خنک‌کننده یا توزیع نیرو، نیاز به مداخله انسان را به حداقل می‌رساند. این اتوماسیون نه تنها کارایی را افزایش می‌دهد، بلکه به پرسنل اجازه می‌دهد تا روی کارهای استراتژیک‌تر تمرکز کنند.»
مدالونی گفت که توانایی های پایداری نیز وجود دارد. “IoT بینش هایی را ارائه می دهد که منجر به صرفه جویی در انرژی، صرفه جویی در آب و پایداری کلی در عملیات می شود. IoT با بهینه سازی استفاده از منابع، به دستیابی به مراکز داده سبزتر کمک می کند.”

همچنین: 5G و محاسبات لبه: چیست و چرا باید اهمیت دهید

Mariotti از RubyHome گفت: حرکت به سمت پردازش غیرمتمرکز داده “به این معنی است که متخصصان باید بدانند چگونه از محاسبات لبه برای افزایش کارایی عملیاتی و فرآیندهای تصمیم گیری استفاده کنند.” این امر به ویژه در بخش‌هایی که به تحلیل‌های بی‌درنگ متکی هستند، مانند مراقبت‌های بهداشتی، مالی و عملیات هوشمند املاک و مستغلات بسیار مهم است.

این ما را به این سوال می رساند که آیا “لبه” آینده ای است که متخصصان فناوری و تجارت باید برای آن آماده شوند؟ مدالونی گفت: «با رشد تصاعدی داده‌ها در لبه و در محیط‌های اینترنت اشیا، قابلیت‌های محاسباتی لبه یک شرکت می‌تواند به یک مزیت تعیین‌کننده تبدیل شود. افزایش حجم داده های خام نیاز به تغییر از پردازش متمرکز به پردازش لبه ای برای کاهش محدودیت های پهنای باند، کاهش هزینه ها و رسیدگی به مسائلی مانند تأخیر شبکه و تراکم دارد.