همواره میزان دادهای که جمع‌آوری می‌کنید میتواند سردرگمتان کند، سوال اینجاست که چگونه از دل داده‌های در‌هم‌‌و‌برهم، باارزش‌ترین‌ها را بیرون بکشید؟
مایکل لی شروود می‌خواهد توریست‌ها بدانند هر بار که پایشان را در نوار لاس‌وگاس می‌گذارند یا سر تقاطعی نزدیک هتلی بزرگ می‌ایستند، او به یاد آن‌هاست یا دست‌کم فن‌آوری او به یادشان است.
شروود به عنوان کارمند ارشد نوآوری در پایتخت سرگرمی جهان، ظرف چند سال گذشته مدیر پروژه‌ای در زمینه‌ی رایانش مرزی یا edge computing بوده که هدفش آزمودن امن‌ترین و سریع‌ترین مسیر‌های ممکن برای مسافرت‌های درون‌شهری است. موتور محرک پروژه که بلک‌جک نامیده می‌شود، عبارت است از کاربرد فن‌آوری تجزیه و تحلیل که دادهها را از بیش از ۱۰۰ سنسور در دوربین‌های ترافیکی، چراغ‌های راهنمایی و اتومبیل‌های خودران استخراج و مورد تحقیق قرار می‌دهد.
با اینکه پروژه هنوز در مراحل ابتدا ییش قرار دارد، میتواند امکانی را فراهم کند تا به جای سیگنال‌های زمان‌بندی‌شده که شهروندان بی‌حوصله و عجول را به مرز دیوانگی می‌رساند، سیستم‌های هوشمندی به کار گرفته شوند که دائماً الگو‌های ترافیکی را رصد کرده و ظرف یک‌چشم‌بر‌هم‌زدن، شلوغی آزار‌دهنده را به حداقل می‌رساند.
شروود می‌گوید: «در جستجوییم تا ببینیم چطور می‌توانیم تمامی تقاطع‌هایمان را هوشمند‌تر کنیم، و برای این کار به رایانش مرزی احتیاج داریم. باید توان جمع‌آوری انواع و اقسام دادهها را داشته باشیم، آن‌ها را مورد پردازش قرار دهیم و ظرف هزارم ثانیه نتیجه‌گیری کنیم. این امر با رایانش ابری محقق می‌شود.»
سرگروه‌هایی چون شروود که روز‌به‌روز به تعدادشان اضافه می‌شود، تشخیص داده‌اند که به مجرد اضافه شدن دستگاه‌های متصل به اینترنت اشیاء یا همان IOT به میلیارد‌ها شی‌ء متصل در سرتاسر دنیا، فرصت بسیار بزرگی دست خواهد داد تا اطلاعات حاصل از آن اشیاء جمع‌آوری، ذخیره، ارزیابی و قابل استفاده گردند.
دِیو مک‌کارتی، معاون پژوهشی و کارشناس صنعت در IDC می‌گوید با اینکه شاید بیش از اندازه واضح به نظر بیاید، در دهه‌ی اول گسترش IOT تمرکز سازمانها بیشتر روی توسعه‌ی دستگاه بود تا روی ارزشیابی انبوه داده‌هایی که آن ابزار مدیریت می‌کردند. او اضافه می‌کند بخشی از قضیه به این دلیل بود که تا پیش از ظهور رایانش مرزی، سازمانها نمی‌دانستند چگونه می‌شود به سرعت آن همه بیت و بایت را مورد ارزیابی قرار داد تا کاری موثر با آن‌ها انجام شود. تاخیر، پیوستگی و چالش‌های هزینه‌ای که به جریان انداختن اطلاعات در درون و بیرون مراکز اصلی داده در پی داشت، بسیار قابل توجه بود.
مک‌کارتی می‌گوید: «ستاره‌ی نمایش IOT دادهای بود که از تمامی این اماکن بدست می‌آمد، اما واقعیتش سازمانها نمی‌دانستند مورد استفاده‌ی این دادهها چیست یا چطور باید آن را به کار گیرند. بنابراین دادهها مثل بودجه‌ای بودند که برای روز مبادا کنار گذاشته می‌شد، نظر مدیران فن‌آوری اطلاعات این بود که فعلاً این اطلاعات را جمع و ذخیره می‌کنیم، شاید روزی برگردیم سراغشان تا نگاهی بیاندازیم.»
ظاهراً روز موعود رسیده است. IDC یا همان شرکت بین‌المللی داده‌پردازی پیش‌بینی می‌کند بیش از نیمی از زیرساخت‌های جدید فن‌آوری اطلاعات تا سال ۲۰۲۳ وارد سیستم رایانش مرزی شده و تا ۲۰۲۴ میزان سرمایه‌گذاری جهانی روی این فن‌آوری به ۲۵۰ میلیارد دلار خواهد رسید.
با وجود این روند فراگیر و بر اساس پژوهش شرکت هیولت پاکارد، هنوز بسیاری از مدیران بازرگانی و IT در مراحل ابتدایی تبیین راهبرد‌های تحلیلی رایانش ابری خود هستند.
کسب و‌کار آن‌ها نیازمند راه‌اندازی رایانش مرزی است تا بهره‌وری عملیاتی ارتقا یافته و حاشیه‌ی سود رقابتی حاصل گردد. اما فن‌آوری‌های کلیدی در رایانش مرزی که پردازش و تحلیل دادهها را کارآمدتر می‌سازند، مثل هوش مصنوعی AIو یادگیری ماشین ML، خود در مراحل ابتدایی تکامل قرار دارند. همچنین بسیاری از سازمان‌های فن‌آوری اطلاعات فاقد آن عمق تکنیکال یا خبرگی لازم هستند تا بتوانند برنامه‌های رایانش مرزی خویش را ارتقا دهند.
تبدیل رویا به واقعیت
گلین بودن، معمار ارشد هوش مصنوعی و داده‌شناسی عملی در سرویس‌های HPE Pointnext، می‌گوید رویای رایانش مرزی زمانی به واقعیت می‌پیوندد که میلیارد‌ها ابزار IOT موجود در طبیعت، دیگر نیاز به اتصال به منابع مرکزی داده نداشته باشند. در عوض مستقل عمل کنند و دستور کار دستگاه‌‌ها یا اشیاء بر اساس مدل رفتاری قابل مشاهده‌شان، توسط مدل‌های ML بومی تعیین گردد.
به عنوان مثال شاید انتظار داشته باشیم که در یک کارخانه‌ی هوشمند، نیمه‌رسانا‌هایی که روی نوار نقاله جا‌به‌جا می‌شوند رنگ و شکل خاصی داشته باشند. اگر تصاویر ثبت شده با دوربین‌های تحت شبکه نشان دهد چیپ‌های سیلیکونی درست سر جای خود قرار نگرفته‌اند و یا شکل، اندازه و رنگ نادرستی دارند، امکان بروز نقص فنی در ماشینآلات وجود خواهد داشت. اینجاست که الگوریتم‌های هوش مصنوعی میتواند بدون دخالت نیروی انسانی، تعمیرات ماشینآلات را توصیه یا به صورت خودکار پیاده‌سازی نماید، یا اگر تشخیص دهد ناهنجاری ایجاده شده مشکل بزرگی تولید نمی‌کند، مدل را تنظیم نماید. به همین صورت می‌توان مدل‌ها را بر اساس مجموعه‌ای از فاکتور‌های متفاوت مانند روشنایی کارگاه، درجات دما، ارتفاع کف، مدل ماشینآلات و از این دست اصلاح نمود.
گلین بودن، کل این فاکتور‌ها را «استنتاج در رایانش مرزی» می‌نامد که اشاره دارد به فرایند به کارگیری منطق ریاضیاتی و در اختیار گرفتن پایگاه‌های علمی بومی برای دستیابی به نتایج عملی، برای مثال تعمیرات یک ماشین یا پایین آوردن دما در محیطی بخصوص. با وجود اینکه AI و ML به همراه راه‌حل‌های برآمده از تحلیل کمک می‌کنند تا رایانش مرزی اتفاق بیفتد، اما بودن معتقد است راه‌اندازی یک سیستم مدیریت مداوم میتواند پیچیده و دشوار باشد. به همین دلیل پیشنهاد می‌دهد چنین عملیاتی به سازمانی محول شود که خدمات حرفه‌ای ارائه می‌دهد.
وی می‌گوید: «ممکن است به لحاظ فنی توانش را داشته باشید که ظرف یک ثانیه ۱۰۰۰۰ تصمیم اتخاذ کنید، اما کسب‌‌و‌کارتان قادر نخواهد بود در زمان مشابه به این تصمیمات واکنش نشان دهد، زیرا برای این کار به درستی سازماندهی نشده‌اید، پس فایده‌ی آنچنانی هم در کار نخواهد بود. با کمک گرفتن از شرکتی دیگر، میتوانید کار را به متخصصانی بسپارید که به درستی سازماندهیتان کنند، کل هزینه‌ها را به شکلی موثر مدیریت و انجام کار را در امن‌ترین حالت ممکن تضمین نمایند.»
بودن خاطرنشان می‌کند که عدم استقرار درست رایانش مرزی ممکن است ریسک امنیتی در پی داشته باشد. مثلاً اگر شرکتی از فن‌آوری تشخیص چهره استفاده می‌کند تا کارمندان رسمی را از دیگر مردمی تمیز دهد که قصد ورود به ساختمان را دارند، نیازمند سیستم تحلیل و استنتاجی است که در کسری از ثانیه تصمیم بگیرد فرد برای ورود مجاز است یا خیر . بروز هر گونه تاخیر ممکن است سبب شود تا نیروی امنیتی عجله به خرج دهد و فرد اشتباهی را راه بدهد داخل، یا اینکه سیستم دچار اختلال شده و کار مفید کارمندان تحت تاثیر قرار بگیرد. بودن همچنین اشاره می‌کند که در چنین وضعیت‌هایی‌ست که باید تصمیم بگیرید آیا AI روش کارآمدی‌ست یا بهتر است کار را به فرآیند خودکار ساده‌تری بسپارید، یا فقط کافی‌ست آموزش‌های بهتری برای نیرو‌های امنیتی در نظر بگیرید
و البته وقتی استفاده از اتومبیل‌های خودران رایج‌تر شود، آن‌ها نیز به توانایی رایانش مرزی تکیه خواهند کرد تا داده‌های سیستم LiDAR را پردازش نمایند و تخمین بزنند فاصله‌ی اشیاء اطراف با اتومبیل چقدر است. حتی کوچک‌ترین خطا یا تاخیر میتواند فاجعه به بار‌آورد و نظارت محلی را به چالش بکشد.
بودن می‌گوید: «به همین دلایل است که در رایانش مرزی استنتاج‌های بسیار بیشتری صورت می‌پذیرد تا در مراکز اصلی داده. این دقیقاً مقصدی که به سمتش در حرکتیم.»
رایانش مرزی یک فرایند یادگیری است
شروود هم‌اکنون در لاس‌وگاس در حال پیشبرد پروژه‌ی بلک‌جک شهر است. برای نمونه سال‌هاست که شهر در حال آزمایش وسایل حمل‌و‌نقل خودران در امتداد نوار لاس‌وگاس است. اما حالا با رایانش مرزی و بر اساس تحلیل شرایط محلی، این وسایل نقلیه قادرند که به صورت خودکار دستورات را دریافت کنند تا امنیت عملیات خود را ارتقا بخشند. شروود می‌گوید: «می‌توانیم دستور سرعت‌های جدید را مستقیماً به وسیله‌ی نقلیه صادر کنیم.»
وی اضافه می‌کند پروژه‌ی بلک‌جک چالش‌هایی پیش‌بینی‌نشده را آشکار کرده است، چالش‌هایی مثل دشواری طرح پرسش‌های صحیح از مدل‌های آموزشی و به کارگیری پاسخ‌‌های مناسب. برای حل چنین مشکلاتی، مدیران شهر با فروشندگان و شرکت‌های خدماتی که متخصص امرند وارد مشورت شده و همچنین در حال راه‌اندازی واحد عملیاتی شخصی خود برای تحلیل داده نیز می‌باشند.
وی می‌گوید: «تازه وارد این حوزه شده‌ایم و همچنان در حال یادگیری هستیم. اما ارزشش را دارد، همچنین بیشتر سازمانها، مخصوصاً شهرداری‌ها، باید نوعی از برنامه‌ی رایانش مرزی را راه‌اندازی کنند. بدون شک آینده بستگی به این پروژه دارد. در سازمان‌هایی که از قبل داده‌های بسیاری جمع‌آوری نموده‌اند، تنها مسئله هماهنگی در انجام برنامه‌هایشان است.»
درس‌هایی برای مدیران
– دریافت تحلیل‌ها از رایانش مرزی برای بهره‌برداری است، نه برای بایگانی.
– احتمالاً شما از قبل داده‌های با‌ارزشی را که نیاز دارید، جمع‌آوری نموده‌اید.
– از کمک گرفتن نترسید، این پروژه حوزه‌ای بسیار ویژه از تخصص را می‌طلبد.
– بهره‌برداری از تحلیل‌های رایانش مرزی ماموریتی دائمی است. از فرایند کار درس بگیرید.
بدون دیدگاه