با محاسبات لبه ای هوش را غیر متمرکز کنیم!

در دهه‌ی ۱۹۸۰ و ۱۹۹۰ چندین تکنیک برای بهبود فرآیند مانند Six Sigma، JIT و غیره وجود داشت. بسیاری از کمپانی‌ها خود را با این تکنیک ها تطبیق داده و سود حاصل از این تکنیک‌ها را به‌دست آوردند. اکنون نوآوری‌های تکنولوژی ما را به سطوح جدیدی از کارآمدی، عملکرد و بهره‌وری هدایت می‌کنند. محاسبه‌ی ابری، موبایل، اینترنت اشیاء، هوش مصنوعی و دیگر تکنولوژی‌های نوظهور، تبدیل به شتاب‌دهنده‌ای برای تحول دیجیتال در کمپانی‌ها شده‌اند.

با دوقلوی‌ دیجیتالی (Digital Twin) دنیا را متحول خواهیم کرد و در اینکه افراد، اشیا و فرآیندهای متصل چگونه می‌توانند به کارآمدی، عملکرد و بهره‌وری کمک کنند انقلابی به‌ پا خواهیم کرد. قرار است داده مهم‌ترین پارامتر در تصمیم‌گیری‌های هوشمندانه و مهم شود. بر اساس نوع اینترنت اشیا، سرعت و دقت بسیار مهم خواهد بود و اینجا پای “محاسبات لبه ای” به میان خواهد آمد. محاسبات لبه ای (غیرمتمرکز)، پردازش و تحلیل داده در لبه‌ی شبکه است، نزدیک‌ترین جا به نقطه‌ی جمع‌آوری داده، بنابراین به جای پردازش در ابر، داده بدون هیچ تاخیری بلادرنگ قابل استفاده می‌شود. محاسبه‌ی لبه‌ای مفهوم جدیدی نیست اما با محاسبه‌ی ابری و یادگیری ماشین بیش از پیش تبدیل به جریان اصلی می‌شود.

با محاسبه‌ی لبه‌ای، سیستم محاسبه، هوش و ذخیره‌سازی تا بیشترین حد ممکن به دستگاه، اپلیکیشن یا فردی که داده‌ی در حال پردازش را تولید می‌کند نزدیک می‌شود. دلیل اصلی این نزدیکی، حذف تاخیر پردازش است چراکه دیگر نیازی به ارسال داده های لبه‌ی شبکه به سیستم پردازشی مرکزی و سپس باز گرداندن آن نیست. این امر پردازش کارآمد را ممکن می‌کند و مقدار زیادی داده در نزدیکی منبع پردازش می‌شود، از این رو پهنای باند اینترنت و همچنین هزینه‌ها کاهش پیدا می‌کنند و اپلیکیشن‌ها از راه دور قابل استفاده هستند. این امر به امنیت نیز کمک می‌کند چراکه هیج تعاملی با ابر عمومی وجود ندارد. دستگاه‌های لبه‌ای می‌توانند لپ‌تاپ، سنسور، تلفن‌های هوشمند، گیت‌ها و غیر باشند.

کجا می‌توان از محاسبه‌ی لبه‌ای استفاده کرد؟

در موقعیت‌های مختلفی می‌توان از محاسبه‌ی لبه‌ای استفاده کرد. خودروهای خودران، انتقال با کیفیت محتوای وب، اینترنت اشیا، نرم‌افزار به‌عنوان سرویس (اجاره‌ی نرم‌افزار)، دستیار صوتی، تعمیر و نگهداری پیشگویانه‌ی ماشین‌ها یا خدمات، مدیریت ترافیک و غیره  برخی از مواردی هستند که نیازمند پردازش داده‌ی بلادرنگ و تاخیر کم اند. در هر اپلیکیشنی که با پردازش اطلاعات حساس به تاخیر سروکار دارد، پردازش لبه‌ای می‌تواند بهترین راه‌حل‌ باشد چراکه نیازی نیست داده از سراسر شبکه عبور کند تا برای پردازش به مرکز یا ابر برسد.

شرایط ابر در محاسبات لبه ای چیست؟

این به آن معنا نیست که ابر منسوخ شده است. محاسبات ابری همچنان نقش بزرگی در تحول دیجیتال ایفا می‌کند. زمانیکه کارها به توان محاسباتی قابل ملاحظه‌، مدیریت حجم داده‌ درمیان دستگاه‌ها، کنترل سلامت دارایی، یادگیری ماشین و غیره نیاز دارند، محاسبه‌ی ابری در جایگاه بالاتری قرار دارد. نتیجه اینکه ابر و لبه هر دو برای دستیابی به بیشترین ارزش از حجم داده‌ی متنوع و پیچیده که در سراسر ابر و لبه توزیع شده است، بسیار ضروری هستند. هر دو در جایی استفاده می‌شوند که خروجی مطلوب به دست آید. با تحول اینترنت اشیا، ترقی محاسبه‌ی لبه‌ای اجتناب‌ناپذیر است. ما بایستی به این فکر کنیم که محاسبه‌ی لبه‌ای تا چه اندازه با استراتژی دیجیتال ما سازگار است و نقشه‌ی راه را مبتنی بر آن طرح‌ریزی کنیم. زمان مشورت استراتژیک فرا رسیده است!