エッジコンピューティングはIoTソリューション全体のスピードアップに役立ちます

この記事の主な内容:

1. エッジ コンピューティングにより、リアルタイムのデータ分析とモデリングの新たな機会が生まれます。
2. ただし、IoT エッジ データ モデルでは、データ レイクとモデリングに対してそれほど総合的なアプローチは必要ありません。
3. データ アナリストには、エッジとクラウドの両方でこのデータを適切に分類/取り込み、管理できる新しいスキルが必要になります。
4. 企業は、コスト、運用、将来の見通しを把握するために IoT データを活用することに熱心です。

[[342150]]

モバイル デバイスやモノのインターネット (IoT) デバイスによって生成されるデータにより、組織はコストを削減し、運用効率を向上させ、革新を実現できます。ただし、適切な場合にデータから意味を引き出せるのは組織だけです。

代わりに、データに意味とコンテキストを提供することで、データ アナリストは意味のあるデータを提供できるデータ モデルを構築する責任を負うことになります。さらに、このデータは量が多く、非常に高速にさまざまな場所から送信されます。

データ アナリストは、データ レイクなどのモノリシック データ ストアに加えて、速度とリアルタイムの洞察を向上させて、あらゆるビジネス ユニットと目的のさまざまな問題を解決するために、エッジ データ ストアも設計する必要があります。

「ドメインから中央管理されたデータ レイクまたはプラットフォームにデータをストリーミングするのではなく、ドメイン データセットを使いやすい方法でホストして提供する必要があります」と、Zhamak Dehghani 氏は、中央管理されたデータ レイクからリアルタイム データを取得する方法に関する記事に書いています。

これは、デバイスの数が増加してもコンピューティング処理リソースが貴重になる可能性があるエッジでは特に当てはまります。エッジ コンピューティングでは、データ アルゴリズムをローカル サーバーやゲートウェイ、さらにはデバイス自体で実行できるため、ビジネスに不可欠なリアルタイム アプリケーションの効率化が実現します。

「エッジは、アクションが起こっているところにコンピューティングパワーを配置します」と、機械学習プラットフォームSplunkのイノベーションおよびデジタルエコシステム担当シニアディレクター、レリー・ウィルソン氏は語った。

インターナショナル・データ・コーポレーション（IDC）の新しい予測によると、2025年までにIoTデバイス、つまり「モノ」は416億個になり、79.4ZBのデータが生成されると推定されています。また、このデータは、無数のデバイスやビジネス ユニットから収集する必要があり、多くの場合、サイロ化され、さまざまな形式で保存されるため、複雑さが増します。

「これらの組織内の複雑さは、単にデバイスを稼働させ続ける能力を超えて増大している」とウィルソン氏は述べた。 「デバイス同士がどのようにやり取りしているかを把握できなければなりません。これはセキュリティの観点からも、運用やビジネスの観点からも極めて重要です。」 ”

データ量と速度

実践者は、迅速なデータ処理のためにエッジ コンピューティングを効果的に使用するには、データのモデリングと取り込みに対する異なるアプローチが必要であることを強調しています。データ アナリストは、データがどのように使用されるか、どの程度の遅延が許容されるか、また、データのセキュリティとストレージの要件を考慮する必要があります。

これには、データ処理に対するハイブリッド アプローチと、包括的なモノリシック データ モデルよりも速度を優先する新しいエッジ データ モデルが必要になります。

「何十万ものセンサーから生データを取得し、最小限の処理を施し、残りを中央の場所に送る。このアプローチはますます普及するだろう」とピーク・テクノロジーズの主任エンジニア、ダン・サリバン氏は語った。

[[342151]]

たとえば、IoT データを使用してビジネスクリティカルな異常を検出できる場合、そのデータはすぐに処理する必要がある可能性があります。ただし、時間が経つにつれて、環境データは重要ではなくなり、クラウドまたはローカル データ センターに送信されてさらに処理される可能性があります。

同時に、意思決定者はこのデータがすぐに利用できることを望んでいますが、迅速なデータの準備とクリーニングは迅速なデータ処理を妨げる可能性があります。

実際、TMMData と Digital Analytics Association が実施した調査によると、データ専門家の約 40% が、実際にデータを分析するのではなく、データへのアクセス、ブレンディング、準備に週 20 時間以上を費やしています。

IoT データには依然としてこの種の準備が必要ですが、アナリストは、多くの論理データ接続を必要とするモノリシック モデルの作成を減らすように努める方がよいと述べています。目標は、データを素早く取り込み、ターゲットを絞った方法でクエリを実行することです。

「複雑なソリューションを考え出す代わりに、私たちは 1 つのモノリシックなソリューションではなく、2 つのシンプルなソリューションを用意しました。質問がまったく異なる場合、1 つのデータ モデルですべてに答えようとはしません。データが大量にあるため、データのサブセットをすばやく見つける必要があります。」

サリバン氏は、一部のデータは機械学習やアルゴリズムのトレーニングのためにクラウドに送信される可能性もあると指摘した。このデータには、それほど低いレイテンシや高速な処理時間は必要ではない可能性があります。

「機械学習の観点から見ると、生のデータは重要です」とサリバン氏は語った。 「異常検出データと同じレイテンシ要件はありません。そのデータを機械学習用に分類し、クラウド オブジェクト ストレージにゆっくりと読み込むことができます。」

この新しいデータ モデリング アプローチは、IoT データ管理に関する論文と一致しており、リアルタイムのデータ管理と大量のデータに対応するには、IoT データ モデルをより柔軟にする必要があると主張しています。

「並列リレーショナル [データベース管理システム (DBMS)] は非構造化 DBMS パラダイムよりも優れていることが証明されていますが、リレーショナル モデルからより柔軟なデータベース構造をサポートするデータベース モデルへの移行がますます普及しつつあります。」

IoTデータ管理スキルが依然として障壁

専門家は、データの保存場所や最適な使用方法に関するこうした決定には独自のスキルが必要であることに同意しています。

「データ サイエンティストは…何でも屋です」と、Rashi Deshai 氏はデータ サイエンティストに必要なトップ スキルに関する記事に書いています。 「彼らは数学、統計、プログラミング、データ管理、視覚化の知識が必要です。仕事の 80% は、業界の環境で処理するためのデータの準備に費やされます。」データ量が爆発的に増加し続けるにつれて、データ管理はデータ サイエンティストのスキルになりました。

しかし、組織内にはこれらのスキルが不足している可能性があります。追加の教育とトレーニングを通じてこれらのスキルを開発するか、サードパーティとのパートナーシップを結ぶ必要があります。

「この動きは人々とともに起こるだろう」とサリバン氏は語った。 「大規模なデータ処理方法を理解している人はごくわずかです。オンプレミスで実行するにはコストがかかりますが、多くのエンジニアリング経験が必要です。データから価値を引き出すには、データ エンジニアリング パイプラインを作成できる人材が必要です。」

別のデータ管理担当者が指摘したように、これには多才なスキルセットが必要です。

このデータは、IT データ管理における長年のスキル不足を反映しています。

IoT World Today の 2020 年 8 月の IoT 導入調査によると、社内のスキル不足が IoT プロジェクトの妨げとなっており、回答者の 27% が専門知識の不足が IoT の導入を妨げていると回答しています。

オペレーションと情報技術の間のサイロ化も障害となっているが、OTはエッジでの自動化と機械学習のメリットを認識し始めているとSplunkのウィルソン氏は述べた。

「リアルタイムの機械学習のためのツールやプロセスを導入し始めている」とウィルソン氏は語った。 「彼らはこのコンセプトと、それを実現するための取り組みを受け入れています。」