L'Edge Computing Per Elaborare I Dati On-Device E Inviare Meno Informazioni Al Cloud Risparmiando Tempo E Banda

Lo sviluppo dei sistemi IoT ha evidenziato alcune problematiche importanti relative alle architetture cloud. Queste possono essere riassunte in tre termini:

• • Privacy/Security
• • Tempo
• • Spazio

Per risolverle, in termini di servizi e costi l'edge-computing è diventato una delle soluzioni più efficaci e performanti da prendere in considerazione.

Con l'implementazione dell'Edge Computing i problemi relativi alla privacy diminuiscono drasticamente, perché la sicurezza è gestita in maniera centralizzata e tutti i sistemi vengono resi il meno penetrabili possibile in modo tale da rendere i trasferimenti dei dati sicuri e affidabili.

Per quanto riguarda il tempo, è evidente che avere grosse quantità di dati che viaggiano sulla rete internet per raggiungere il cloud ed essere processati e inviati di nuovo indietro necessita di tempo e banda. Elaborare i dati in locale invece che a chilometri di distanza è molto diverso e più veloce. In più la possibilità di trasferire meno dati rende più semplice le operazioni anche in caso di una connettività ridotta o assente alla rete internet.

Un altro problema riguarda il volume dei dati che devono essere salvati sul cloud e come questi devono essere filtrati ed elaborati al fine di generare il risultato richiesto. Grazie all'edge-computing è possibile dare ad ogni device la capacità di identificare quali dati salvare e cose inviare. Questo permette di inviare meno dati al cloud.

Quindi risulta evidente che l'edge-computing sia vantaggioso sia nel settore consumer che Industrial IoT. La sua applicazione consente di diminuire i costi relativi alla connettività, perché la possibilità di inviare soltanto ciò che serve e non tutti i dati prelevati dai diversi sensori risulta di fondamentale importanza in tutti i casi in cui sono implicati dei dispositivi che usano la rete mobile.

Per di più evitare i clcli di trasferimento dati da e verso il cloud è di vitale importanza per le applicazioni che usano algoritmi di computer-vision o machine learning come ad esempio il tracking di un drone e l'analisi delle immagini da esso inviate. Poter elaborare questi algoritmi direttamente sui dispositivi migliora anche l'interfaccia per il linguaggio naturale, perché permette agli speaker intelligenti di reagire più velocemente interpretando i comandi vocali in locale ed inviare i comandi di base, che non necessitano del cloud per essere elaborati, come accensione e spegnimento di luci, regolazione del termostato anche se non dovesse essere disponibile la connettività alla rete internet. Per questa ragione l'utilizzo sempre maggiore del machine learning per l'IoT sta diventando un motivo di progresso per il settore. I dispositivi necessitano di elaborare velocemente algoritmi di deep learning sempre più complessi consumando meno energia possibile, specialmente se si considera che molti dispositivi vengono alimentati mediante batterie. Quindi si fa sempre più essenziale l'adozione di architetture diverse, che integrino diverse unità di elaborazione CPU, GPU e DSP perché diventa impossibile utilizzare un'unica tipologia di unità per tipologia di elaborazione da svolgere al fine di raggiungere una velocità accettabile. Da considerare che per quest'ultimo motivo l'industria dei DSP sta avendo una grande crescita in termini di dimensione del mercato.