Analytiikka tapahtuu siellä, missä tieto ja data kerätään

Edge-analytiikalla (englanniksi edge analytics) tarkoitetaan lukuisia eri tekniikoita, joilla datan keruu, analyysi, prosessointi ja käsittely tuodaan verkon reunoille. Edgessä laskentateho ja datavarasto löytyvät siis sieltä, missä itse datankeruu tapahtuu. Olet saattanut törmätä tässä yhteydessä myös muihin termeihin, kuten reunalaskenta ja edge computing. Käytännössä näillä kaikilla tarkoitetaan kuitenkin samaa asiaa.

”Verkon reuna” taas riippuu käyttötapauksesta. Sillä voidaan tarkoittaa matkapuhelinta, IoT-laitetta, itseajavaa autoa tai vaikkapa mobiiliverkon tukiasemaa.

Edge-analytiikka liittyy läheisesti IoT-maailmaan, sillä ilman edgeä esineiden internet ei voisi toimia. Edge-laskennan avulla laitteet ja koneet kykenevät tekemään itsenäisiä päätöksiä, eikä tietoa tarvitse aina siirtää palvelimelle ja takaisin verkkojen välityksellä. Laitteessa itsessään on tarpeeksi laskentatehoa suorittaa tarvittava analytiikka.

Siirtymä datakeskuksista pilveen ja pilvestä verkkojen reunalle

Edge ei ole uusi konsepti, mutta pilvilaskenta, koneoppiminen ja teknologioiden kehittyminen ovat vauhdittaneet edgen esiinmarssia ja läpimurtoa. Esimerkiksi 5G-verkon pitäisi entisestään nopeuttaa edgen suosiota. Saamme nähdä, mitä tulevaisuus tuo tullessaan – kaikenlaista huikeaa on ainakin lupailtu. 😉

Mikä sitten ei ole edgeä vaikka niin luulisi? Esimerkiksi Applen tekoälyassistentti Siri ei hyödynnä edgeä, vaan kerätty data ihmisen puheesta lähetetään ensin pilveen, missä analyysi tapahtuu. Tämän jälkeen prosessoitu tieto lähetetään takaisin laitteeseen. Voit havaita ilmiön myös käytännössä: jos nettiyhteytesi on huono, on puheentunnistuksessa selvää viivettä.

Mitä hyötyä edgestä on?

Edge-laskentatekniikoiden avulla päästään lähes reaaliaikaiseen datan analyysiin

Laskennan siirtäminen sinne, missä tieto kerätään, olennaisesti poistaa latenssin. Latenssi tarkoittaa tietoliikennetekniikassa sitä aikaa, mikä datapaketilta kuluu matkaan lähettäjältä vastaanottajalle ja takaisin, eli datapaketin edestakaiseen matkaan kuluvaa aikaa.

Jos ajatellaan 200 kilometrin tuntinopeudella liikkuvaa junaa, jonka tarkka sijainti raiteilla täytyy tietää - täytyy myös analytiikan toimia erittäin nopeasti. Kun junan tarkka sijainti tiedetään koko ajan, nopeutuu ja tehostuu koko junaliikenne. Samalla vähenevät myös vaaratilanteet.

juna-edge-analytiikka-2

Edge tuo monenlaisia hyötyjä verrattuna pilvessä tapahtuvaan analyysiin. Seuraavassa edgen hyödyt tiivistettynä:

1. Mahdollisuus reaaliaikaiseen analytiikkaan ja streaming-datan analysointiin: Analyysi tapahtuu sekunnin murto-osissa – esimerkiksi itseajavissa autoissa vaaratilanteen ilmetessä sekunnin viive jarrutuksessa tai väistössä olisi jo liian pitkä aika.

2. Skaalautuvuus: Dataa ei enää keskitetä yhteen paikkaan, mikä mahdollistaa suuremman datamäärän keräämisen ja analysoinnin.

3. Turvallisuus: Edge toimii usein suljetussa verkossa, jolloin tietoa on hankalampi kaapata. Vähemmän dataa pilvessä tarkoittaa vähemmän mahdollisuuksia väärinkäytöksiin. Lisäksi useista eri laitteista koostuvaa verkkoa on vaikeampi kaataa. Ylipäänsä kaikki turvallisuuteen liittyvä on pakko tehdä reunalla – itseajavan auton tapauksessa ei voida riskeerata sitä, että nettiyhteys olisikin yhtäkkiä surkea.

4. Säästää ajan lisäksi kaistaa: Vähentää tiedonsiirron tarvetta.

5. Mahdollistaa automatisoinnin: Itseajavassa autossa on satoja eri sensoreita ja antureita, jotka mittaavat jatkuvasti muun muassa renkaiden pyörimisnopeutta ja ajoneuvon asentoa. Ajotietokone pystyy antureiden keräämän datan avulla tekemään tarvittavat päätökset ohjauksen suhteen täysin automaattisesti.

6. Kustannusten aleneminen: Edge voi tuoda myös huomattavia kustannussäästöjä, johtuen muun muassa kaistan käytön minimoinnista, analytiikan skaalautuvuudesta sekä kriittisten päätösten viiveen lyhenemisestä.

Esimerkkejä edgen käyttökohteista

Itseajava auto on ehkä yleisin tässä yhteydessä esiin nostettu esimerkki, mutta edge-analytiikasta on paljon muuhunkin – et todellakaan tarvitse miljardeja tai edes miljoonia kehitysrahaa hyödyntääksesi sitä.

Edge-laskentatekniikoita hyödynnetään monilla eri osa-alueilla, kuten videoanalytiikassa, konenäössä, sensorifuusiossa ja sijaintianalytiikassa.

💎 Älykäs tehdas mahdollistaa tuotannon suorituskyvyn tehostamisen. Reunalaskennan avulla olemassa olevista prosesseista voidan tehdä älykkäitä ja autonomisempia. Kun laskenta siirretään reunalle, lähelle tuotantolaitteita, laitteet kykenevät tekemään päätöksiä ilman ihmisen väliintuloa sekä sopeutumaan muuttuviin olosuhteisiin.

💎 Videoanalytiikassa liikkuvaa kuvaa analysoidaan koneoppimiseen ja edge-tekniikoihin perustuvalla analytiikalla usein reaaliajassa. Kuvavirta puretaan yksittäisiksi kuviksi, frameiksi, joista pyritään tunnistamaan kiinnostavia asioita. Videoanalytiikalla voidaan hyödyntää muun muassa myymälän sisällä reaaliaikaisessa asiakasanalytiikassa ja hyperkohdennetussa markkinoinnissa. Lue lisää videoanalytiikasta ja sen käyttökohteista täältä.

💎 Miten sijaintitieto liittyy edge-analytiikkaan? Usein GPS-paikannus ei ole riittävän tarkka ja luotettava joka tilanteessa. Sensorifuusioanalytiikkaa tarvitaan esimerkiksi silloin, kun autonomisia, mahdollisesti hyvinkin nopeasti liikkuvia laitteita täytyy paikantaa äärimmäisen tarkasti ja luotettavasti. Kansantajuisesti sanottuna sensorifuusioanalytiikka tarkoittaa sitä, että paikannukseen käytetään useita eri datalähteitä, joista saatavia datavirtoja analysoidaan reaaliajassa. Useita datalähteitä ja menetelmiä yhdistämällä ei koskaan jouduta hukkaan kovassakaan paikassa. Pääset tutustumaan tarkemmin sijaintianalytiikkaan täällä.

💎 Älykäs sähköverkko mahdollistaa uusiutuvan energian hyödyntämisen, kysyntäjouston, hajautetun energiantuotannon ja kulutuksen seurannan ja ennakoinnin. Älykäs verkko vaatii kuitenkin laitteiden keskinäistä viestintää. Tällaisia tietoja ei välttämättä voi tai edes ehdi kierrättää perinteisen pilvipalvelun kautta.

Älyverkon hallinta olisi mahdotonta ilman valtavan data-aineiston lähes reaaliaikaista analysointia, mutta nykyiset GPU-pohjaiset analytiikkaratkaisut vievät ainakin ison harppauksen kohti aidosti älykästä sähköverkkoa.