Dlaczego przeniesienie obliczeń bliżej źródła danych zmienia architekturę systemów czasu rzeczywistego w przemyśle i telekomunikacji.
Edge computing to paradygmat przetwarzania danych, w którym operacje obliczeniowe wykonywane są w pobliżu źródła danych — na urządzeniu końcowym, bramce (gateway) lub węźle sieci — zamiast przesyłać surowe dane do centralnego centrum danych lub chmury publicznej.
Motywacją dla edge computing jest przede wszystkim opóźnienie (latency). Aplikacje wymagające odpowiedzi w ciągu milisekund — sterowanie robotem, detekcja awarii w czasie rzeczywistym, analityka wideo — nie mogą pozwolić sobie na opóźnienie wynikające z przesyłu danych do oddalonego centrum danych. Dodatkowym argumentem jest ograniczenie kosztów transmisji danych w scenariuszach z bardzo dużą liczbą urządzeń.
Decyzja między przetwarzaniem w edge a cloud zależy od kilku czynników:
W praktyce większość wdrożeń stosuje podejście hybrydowe: edge przetwarza dane w czasie rzeczywistym i wysyła zagregowane wskaźniki do chmury, gdzie wykonywane są bardziej złożone analizy i uczenie maszynowe.
Typowa hierarchia edge computing obejmuje trzy poziomy. Najniżej są urządzenia końcowe — czujniki, kamery, sterowniki PLC — z ograniczoną mocą obliczeniową. Następnie bramki edge (industrial gateways) agregują dane, filtrują je i wykonują lokalne reguły analityczne. Na górze hierarchii mogą znajdować się węzły fog (np. serwery w hali produkcyjnej lub stacji telekomunikacyjnej) o większej mocy obliczeniowej.
Konteneryzacja (Docker, Kubernetes) ułatwia wdrażanie i aktualizację oprogramowania na węzłach edge. Platformy zarządzania edge (edge management platforms) umożliwiają zdalną aktualizację oprogramowania, monitoring i orkiestrację aplikacji rozproszonych na tysiącach urządzeń.
Konserwacja predykcyjna (predictive maintenance) to jedno z najczęstszych zastosowań edge computing w przemyśle. Dane z czujników drgań i temperatury silników analizowane są lokalnie przez modele anomalii, co umożliwia wykrycie awarii nawet na kilka tygodni przed jej wystąpieniem.
Automatyczne linie produkcyjne z inspekcją wizualną wymagają analizy obrazu z kamer w czasie rzeczywistym — edge serwer z GPU przetwarza obraz i odrzuca wadliwe produkty bezpośrednio na linii, bez przesyłania gigabajtów wideo do chmury.
Pojazdy autonomiczne i systemy zarządzania ruchem wymagają podejmowania decyzji w ciągu dziesiątek milisekund — dane z sensorów LiDAR i kamer muszą być przetwarzane lokalnie lub w pobliskiej infrastrukturze V2X (Vehicle-to-Everything).
MEC (wcześniej Mobile Edge Computing) to standard ETSI umieszczający zasoby obliczeniowe w bezpośrednim sąsiedztwie stacji bazowych sieci mobilnych. Operatorzy telekomunikacyjni mogą udostępniać zasoby MEC aplikacjom zewnętrznym (np. operatorom dronów, dostawcom aplikacji AR), zmniejszając latency do wartości poniżej 10 ms.
W połączeniu z sieciami 5G, MEC jest kluczowym komponentem architektury dla zastosowań ultra-low latency (URLLC), takich jak zdalne sterowanie maszynerią, szybka inspekcja wideo czy aplikacje rozszerzonej rzeczywistości dla techników.