El valor de los dispositivos de entrenamiento en el borde de la red con IA

Los proveedores de Internet de las cosas (IoT) a menudo promocionan la naturaleza plug-and-play de sus dispositivos: solo conéctelo a la red y comenzará a informar los datos requeridos, dice Yasser Khan, CEO de One Tech, Inc.

Sin embargo, para maximizar su valor, así como el de los datos recopilados, los dispositivos deben estar entrenados para no solo realizar las acciones deseadas, sino también para detectar anomalías y prevenir problemas antes de que ocurran.

La capacitación de dispositivos para garantizar que entreguen los resultados que necesita una organización generalmente se realiza en la nube a través de procesos de inteligencia artificial (IA) y aprendizaje automático (ML). Sin embargo, existen suficientes diferencias en los atributos de un dispositivo en particular en la implementación de IoT de una organización para que esto no sea práctico. Por ejemplo, la tarea de cada dispositivo es diferente, cada entorno físico es diferente, etc.

La capacitación en la nube también puede ser costosa: la red celular utilizada por la mayoría de las compañías para sus implementaciones de IoT cobra por cada byte de datos. Esos bytes se suman, lo que dificulta el escalado sin incurrir en costos exorbitantes.

El entrenamiento en el borde de la red utilizando un modelo de IA es una segunda opción; Sin embargo, el desafío para los dispositivos IoT es que a menudo son pequeños y tienen recursos limitados, lo que dificulta este nivel de procesamiento. Se necesitan soluciones que sean lo suficientemente pequeñas como para funcionar en una amplia gama de dispositivos IoT, pero lo suficientemente potentes como para manejar el volumen y la velocidad de los datos que se recopilan, seleccionan y ejecutan.

Exploremos algunos de los beneficios de la capacitación usando un modelo de IA que vive en el dispositivo, placa o puerta de enlace:

• Ahorro de costos porque los datos se mantienen al límite. Los dispositivos y sensores de IoT a menudo procesan hasta 300 puntos de datos por segundo. Esos datos, más los que se recopilan de otros dispositivos, se envían a través de la red celular a la nube para su procesamiento en tiempo real. Al procesar los datos directamente en el límite y solo enviar datos que necesitan ser procesados ​​en la nube a la nube, las organizaciones pueden lograr ahorros de costos significativos.

Un ejemplo de cómo se pueden lograr ahorros de costos es monitorear las vibraciones en un motor eléctrico. Las lecturas de vibración se pueden tomar a diferentes intervalos en función de lo que muestran los datos, por ejemplo, si las vibraciones son consistentes, las lecturas se pueden tomar una vez por minuto en lugar de una vez por segundo. Si las vibraciones cambian, las lecturas pueden ocurrir con mucha más frecuencia. Al enviar datos con menos frecuencia y al poder seleccionar qué datos se envían, se pueden lograr ahorros de costos.

• Seguridad. Cuando los datos permanecen con el dispositivo en el borde en lugar de viajar a través de la red IoT hacia la nube, hay menos puntos de penetración, lo que conduce a una red más segura. Hay dos prioridades para la seguridad: denegar el acceso al dispositivo a quienes no deberían tenerlo, y si ocurre una violación, asegúrese de que se detenga rápidamente. La capacidad de detectar anomalías mediante la detección inmediata de un cambio en el comportamiento del dispositivo (sin volver a la nube para el procesamiento) muestra el valor del entrenamiento en el borde.
• Actuación. Las aplicaciones industriales de IoT a menudo requieren redes de alto rendimiento, y la latencia puede ser un problema a medida que los datos se trasladan a la nube para su procesamiento. Al entrenar en el borde en lugar de en la nube, los problemas de latencia se resuelven fácilmente. Al procesar los datos en el borde, los sensores pueden determinar signos de falla y enviar una alerta en tiempo real, que podría ser un simple mensaje para tomar medidas, o puede generar una llamada API para apagar la máquina.

Entrenamiento en acción

El valor del entrenamiento en el límite se puede mostrar mejor a través de dos ejemplos:

• Fabricación de automóviles: En este entorno, podría haber 100 brazos robóticos como parte de una sola línea, con una docena o más sensores en cada brazo. En una instalación, puede haber 1,000 o más brazos haciendo lo mismo. Es casi imposible obtener ese volumen de datos reportados por este equipo en un entorno de nube para entrenar. Debe hacerse con un modelo de IA en el borde.

• Ciudad inteligente: En este entorno, se pueden desplegar 10.000 bombillas inteligentes en una sola área. La aplicación IoT monitorea el uso de energía, y cada luz envía datos por segundo, en busca de anomalías, como si los niveles de energía aumentan una cierta cantidad. Poder entrenar usando un modelo de IA en el borde es crítico para implementaciones de este tamaño.

Usar IA para entrenar en el borde de la red es una parte crítica de las implementaciones de IoT, especialmente a medida que se escalan. Pero la nube siempre tendrá un papel debido a su gran potencia. Sin embargo, procesar todos los datos entrantes y almacenar la información recopilada puede volverse costoso rápidamente. Edge ofrece importantes ahorros de costos, seguridad y beneficios de rendimiento, lo que lo convierte en una opción clara para las organizaciones a medida que escalan.

El autor es Yasser Khan, CEO de One Tech, Inc

Sobre el Autor

El autor es Yasser Khan, CEO de One Tech, Inc., una organización global enfocada en redefinir la inteligencia artificial en el borde de la red. Es un veterano ejecutivo de negocios y emprendedor en serie en el espacio de transformación digital con un enfoque en la automatización de procesos de negocios, Internet de las cosas industrial (IIoT) y la inteligencia artificial / aprendizaje automático.

Tiene más de 25 años de experiencia en el lanzamiento de soluciones de tecnología inteligente y nuevos modelos de negocio para organizaciones de nivel medio a empresarial. Ha implementado ecosistemas tecnológicos innovadores en múltiples organizaciones globales de Fortune 100, incluidas AT&T, Nutrien y Cricket Wireless. En 2016, Khan fue nominado para "Empresario del año" por Ernst & Young LLP.