Nelle infrastrutture Internet of Things (IoT) la componente edge sta assumendo un ruolo via via più rilevante. Soprattutto, quando l’obiettivo è implementare applicazioni in cui, per ragioni di latenza e costi di trasmissione, non risulta conveniente spedire grandi moli di dati nel cloud, per le successive operazioni di elaborazione. Più aumentano le applicazioni con requisiti real-time d’interazione e trasmissione dati, più le organizzazioni che avevano inizialmente affrontato la sfida della trasformazione digitale adottando un approccio “cloud-first”, stanno rendendosi conto delle potenzialità dell’infrastruttura edge, e dell’importanza dell’edge computing.
Definendo le soluzioni di edge computing come infrastrutture in grado di facilitare l’elaborazione dati a livello, o in prossimità, della fonte che li ha generati, la società di consulenza e ricerca Gartner, ha previsto, già nel 2018, che, entro il 2025, il 75% dei dati generati dalle imprese saranno creati al di fuori di un tradizionale data center centralizzato, o di un cloud.
Globalmente, secondo uno studio della società di ricerca Global Market Insights (GMI), nel 2021 il mercato edge computing ha superato i 7 miliardi di dollari, ed è previsto espandersi con un CAGR (tasso annuo di crescita composto) di oltre il 25% tra il 2022 e il 2030, in ragione della crescente domanda di dispositivi IoT di monitoraggio in tempo reale, per avvicinare le applicazioni aziendali alle origini dei dati da cui traggono informazioni.
Indice degli argomenti
Industrial IoT verso l’approccio ibrido edge-to-cloud
Sempre Gartner definisce le piattaforme industrial Internet of Things (IIoT) come un insieme di funzionalità software integrate che permettono di migliorare i processi decisionali di gestione degli asset, fornendo visibilità operativa e controllo su impianti, infrastrutture e attrezzature industriali. Il futuro della IIoT, scrive Gartner, verso fine 2021, nel “Magic Quadrant for Industrial IoT Platforms”, richiede un approccio ibrido edge-to-cloud. In effetti, ultimamente, nel mondo industriale, svariati vendor di tecnologia del settore parlano di “industrial edge computing”, e del ruolo delle soluzioni IIoT edge-to-cloud. Si tratta, in sostanza, di piattaforme di connettività indirizzate a gestire in maniera unificata i flussi di dati, dagli ambienti di fabbrica fino ai sistemi cloud aziendali, elaborando direttamente nella rete periferica i workload applicativi con requisiti real-time, e inviando nella nuvola solo i dati che richiedono più elevati livelli di calcolo. Tali piattaforme hanno quindi la capacità, da un lato, d’integrarsi, dialogare, raccogliere dati, da un insieme molto eterogeneo di dispositivi legacy (sensori, PLC – programmable logic controller; SCADA – supervisory control and data acquisition; MES – Manufacturing Execution System; ecc.), esistenti negli impianti industriali, e, dall’altro, di connettersi e integrarsi con i sistemi enterprise di gestione e analisi dei dati, che sono basati nel cloud.
Riuscire a implementare soluzioni di questo genere in ambiti come il manufacturing, dove la convergenza tra tecnologia operativa (OT) e tecnologia dell’informazione (IT) sta diventando sempre più profonda, può fornire vantaggi chiave: ad esempio, l’implementazione di un’infrastruttura di industrial edge computing e di una piattaforma edge-to-cloud, può permettere di eseguire localmente in real-time, direttamente nell’edge, alcuni workload d’intelligenza artificiale (edge AI), come i processi inferenziali, demandando al cloud le più onerose attività di training dei modelli di machine learning (ML) e deep learning (DL).
Manufacturing e applicazioni IoT “time-critical”
Rispetto alle più ordinarie reti IoT, che interconnettono dispositivi elettronici embedded, sensori smart, oggetti ‘intelligenti’, in grado di comunicare tra loro, acquisire dati dai vari ambienti, condividerli e inviarli nel cloud senza particolari vincoli di timing, le infrastrutture IIoT, nei sistemi di gestione e automazione industriale, interconnettono, dispositivi, macchinari, attrezzature di fabbrica dove la latenza può rappresentare un fattore critico.
Nel primo caso, si parla di applicazioni, note come “massive IoT”, in grado di tollerare un certo livello di latenza nella trasmissione dati. Esempi possono essere i sistemi medicali IoT per il monitoraggio sanitario a distanza, i dispositivi di monitoraggio e regolazione degli edifici nelle applicazioni di smart building, i contatori intelligenti (smart meters) per la misurazione dei consumi di energia elettrica o, ancora, i sistemi IoT implementati nell’agricoltura intelligente (smart agriculture).
Nelle applicazioni del settore manifatturiero vi sono, invece, casi d’uso (critical IoT) in cui occorre soddisfare ineludibili requisiti di alta disponibilità del sistema e latenza ultraridotta nella trasmissione dati.
Sistemi evoluti di ispezione industriale, un caso d’uso di IoT critica
Un esempio di “critical IoT” possono essere i sistemi evoluti di visione industriale, che, nell’ispezione automatica della qualità di un prodotto (verifica dell’assemblaggio, identificazione di eventuali difetti, imperfezioni) sulla linea di produzione, non utilizzano algoritmi basati su regole, ma tecniche di deep learning. In questi ambienti di produzione, con processi automatizzati ad alta velocità, il processo inferenziale di classificazione immagini richiede di essere eseguito in un tempo decisionale breve e prevedibile, e, per ragioni di latenza, non può essere elaborato nel cloud.
Per risolvere il problema della latenza, oggi sono implementabili soluzioni in grado di eseguire i workload di classificazione immagine direttamente a livello di infrastruttura edge, all’interno della telecamera embedded installata localmente sulla linea di produzione. Non serve quindi un’ulteriore connessione al cloud, che viene utilizzato solo per attuare la fase di training del modello di deep learning.
Partecipa alla community