COS’È L’EDGE COMPUTING E QUALI SONO LE SFIDE PER REALIZZARLO IN MODO EFFICIENTE?
Il mondo connesso è un passo inevitabile nel futuro in tutti gli ambiti, che si tratti di edifici, fabbriche, trasporti e così via. Lo stesso vale per le automobili. La sfida non si limita a gestire la grande mole di dati generata, ma anche elaborare e fornire i dati in modo efficiente garantendo sicurezza, affidabilità, scalabilità e così via. Qui è dove l’Edge Computing ha un ruolo fondamentale offrendo una molteplicità di approcci per applicazioni innovative che vanno a migliorare l’esperienza della persona all’interno del veicolo.
Il settore automotive si è evoluto da una rete tradizionale autonoma a una continuamente connessa con il mondo esterno. È sufficiente fare una carrellata a ritroso tra le fasi che hanno segnato un cambiamento nel modo in cui conducenti e passeggeri interagiscono: dal primo veicolo con motore a combustione interna (1807), al blocco centrale giri motore (1980-89), per citarne un paio.
Quando si afferma che quasi tutto oggi è connesso si fa riferimento al gigantesco ecosistema di oltre 20 miliardi di connected object, per una stima di circa 6 dispositivi connessi a persona (rif. Gartner).
In ambito Automotive, le connected car raggiungeranno un totale di circa 470 milioni di esemplari, ciascuna – secondo un report di PwC – con una produzione di oltre 280 petabyte di dati.
In questo articolo, una breve introduzione all’affascinante mondo dell’Edge computing e una rapida panoramica dei possibili casi d’uso che portano questa tecnologia nella nostra vita quotidiana.
Prima di tutto: Cos’è l’Edge Computing?
Nel gergo dell’IoT, ‘Edge’ si riferisce al sistema di elaborazione situato vicino alla fonte dei dati, ad esempio un sensore o un dispositivo. Una forma distribuita di computing per cui le operazioni di calcolo (come la raccolta dei dati, l’analisi, ecc.) vengono eseguite su un dispositivo come uno smartwatch, una caldaia industriale o un veicolo. Questo, a sua volta, riduce la necessità di trasferire i dati avanti e indietro dal cloud. Tuttavia, i dispositivi smart non sono così performanti in termini di potenza di calcolo e di memoria come i computer nei data center, almeno non per ora.
Questi vincoli di risorse limitano le applicazioni che possono essere eseguite su questi dispositivi. Per questo motivo, i dispositivi edge e il cloud computing sono tipicamente usati in combinazione: I volumi di dati risultanti sono distribuiti tra vari dispositivi edge e servizi cloud. L’edge computing è usato in misura maggiore quando sono richieste reazioni veloci e capacità in tempo reale. Il cloud agisce come una sorta di punto di raccolta dati centrale per l’analisi, l’apprendimento automatico e il controllo dei processi.
Al momento, ci sono nuove tecnologie in arrivo che permettono all’edge computing di elaborare più dati, eseguire analisi e memorizzare in modo efficiente.
La sfida di questa tecnologia è quella di portare il Machine Learning e l’Intelligenza Artificiale (IA) dal cloud ai dispositivi “at the edge”, ai margini, o anche di portare questo agli attuali sensori che si trovano per l’appunto all’estremità. La sfida è di elaborare i dati in modo accurato e efficiente in ambienti con (molta) meno potenza di calcolo e capacità di immagazzinamento. I dispositivi o i sensori – cioè “l’estremità” – possono variare da semplici sensori (ad esempio la temperatura o la misurazione della velocità) a sensori ad alta intensità di dati come telecamere o LIDAR.
L’edge computing non è una tecnologia nuova, ma sta iniziando a realizzare il suo vero potenziale nel trasferimento di dati in tempo reale dal dispositivo al Cloud e nell’elaborazione dei dati in tempo reale sul dispositivo. Con l’aumento del numero e delle frequenze dei segnali dei sensori, saranno necessari algoritmi più intelligenti per elaborare in modo efficiente questa esplosione di dati dei sensori. Nei casi d’uso in cui la bassa latenza non può essere tollerata o in cui la connettività deve essere garantita al 100%, portare l’elaborazione al bordo o al sensore remoto è la soluzione.
EDGE PER AUTOMOTIVE
Nel settore Automotive Edge è funzionale a far fronte alla crescita esponenziale dei dati che vengono generati giornalmente nei veicoli (parzialmente) autonomi. Elaborarli tutti in modo efficiente sta diventando una grande sfida, soprattutto se si realizza che parte di questi dati vanno poi trasferiti al Cloud. Inoltre, è necessario mantenere sempre attive le funzioni relative alla sicurezza che non possono contare per il loro funzionamento sulla connettività wireless. In tutti questi contesti questa tecnologia ricopre un ruolo fondamentale.
1. Dati del sensore – Less is more
In generale, ci sono numerosi sensori integrati nei dispositivi smart che usiamo quotidianamente, quello di prossimità negli smartphone, a quelli di fumo negli edifici/case intelligenti. C’è una vasta gamma di tipologie, forme e modelli. Tutti, però, hanno un elemento in comune: di solito generano una grande quantità di dati.
Lo stesso vale per i veicoli. Anche se la maggior parte dei dati può essere elaborata nell’auto, alcune applicazioni, come l’allerta in caso di problematiche (segnalate come deviazioni dalla norma), richiedono che i dati siano “spostati” nel Cloud. Edge aiuta a limitarne in maniera intelligente la quantità trasmessa all’esterno. Si possono elaborare e analizzare la maggior parte dei dati a bordo e poi trasferire al Cloud solo alcuni dati selezionati, il che ne riduce i costi di trasmissione e anche la quantità di quelli sensibili che lasciano il veicolo.
2. Veicoli elettrici
a. Monitoraggio della batteria e Manutenzione predittiva
La batteria dei veicoli elettrici deve assicurare il miglior rendimento possibile. Per questo bisogna ricorrere al monitoraggio continuo e alla manutenzione predittiva. La salute della batteria dipende da vari fattori come le abitudini del conducente, l’accelerazione, le condizioni del traffico, i cicli di ricarica e così via. Edge computing può aggregare tutti questi dati e eseguire un controllo in tempo reale dei parametri chiave della batteria avvisando di conseguenza il proprietario del veicolo in caso di qualsiasi variazione.
in sintesi è possibile aggregare i dati e monitorare in tempo reale i parametri chiave della batteria e i dati dei sensori, consentendo agli OEM auto e ai fornitori di rete la possibilità di contribuire direttamente all’esperienza del conducente, soprattutto nel segmento dei veicoli elettrici.
b. Stazioni di ricarica – Prevedere e pianificare
Un ruolo chiave Edge lo gioca nella pianificazione generale e nell’ottimizzazione dei processi di ricarica, compreso il tempo di attesa in coda, tariffa, etc. Un miglioramento che a sua volta aiuta a raggiungere una maggiore efficienza per le stazioni di ricarica e quindi per la mobilità complessiva.
3. Gestione intelligente del traffico
Per spiegare questo punto uso come esempio una situazione reale: un incrocio complesso, cinque o sei strade molto frequentate. Allo stop del semáforo i tempi di attesa sono piuttosto lunghi. Il solo veicolo (anche se è “Autonomo”) deve attenersi alle norme di circolazione. Prendiamo in considerazione uno scenario futuristico in cui all’incrocio venga installato un dispositivo al quale le macchine potrebbero collegarsi mentre si vi si avvicinano. Questo “nodo” sarebbe in grado di orchestrare contemporaneamente tutti i veicoli nelle vicinanze, invece di fare un calcolo separato di ogni veicolo, notificando al tempo stesso le vetture con largo anticipo sulla situazione all’incrocio.
Se così fosse, sarebbe possibile, grazie a Edge, aumentare l’efficienza e il flusso di traffico agli incroci stradali complessi.
4. Infotainment personalizzato
Nell’ultimo decennio i sistemi di infotainment a bordo dei veicoli hanno trasformato l’esperienza delle persone in molti modi attraverso interfacce eleganti, realtà aumentata, app per la mobilità, personalizzazioni e così via.
Sfruttando questo sistema periferico, invece, si può portare la user experience al livello successivo, arrivando a capire dove e come ottimizzare interazione e interfaccia, che si tratti di un touch o di un riconoscimento vocale, e così via.
Gli algoritmi di Machine Learning possono continuamente raccogliere, elaborare e ottenere insight dai dati disponibili e “ospitare” i modelli sul dispositivo Edge per analizzare i dati del sensore e del comportamento dell’utente. I dati possono essere utilizzati per migliorare l’esperienza complessiva a bordo del veicolo.
5. Sicurezza del veicolo – Autenticazione multilivello
L’autenticazione multi-livello potrebbe avere sensori multipli come telecamere, sensori di prossimità. I dati aggregati dai dispositivi di bordo possono quindi essere usati per abilitare l’autenticazione multilivello: la telecamera per il riconoscimento del volto, il sensore Bluetooth per rilevare la vicinanza del telefono del conducente, la telecamera a infrarossi per il rilevamento di violazioni.
6. Gestione della flotta
Il Fleet manager conserva tutti i dati relativi stato di salute del veicolo e all’assistenza/manutenzione necessarie prima di consegnarlo per un viaggio. Grazie al suo funzionamento Edge può prevedere una rosa di situazioni sia attraverso la misurazione dei valori dei sensori, che grazie all’analisi dei modelli di apprendimento automatico all’interno del veicolo; in questo modo si possono allenare/rifinire in locale e spingere nel Cloud con aggiornamenti over-the-air.
7. Manutenzione predittiva
Alimentato da modelli di Analisi Predittiva, con la gestione circoscritta si riescono a monitorare continuamente vari parametri del veicolo, come la temperatura dell’abitacolo, il chilometraggio, il livello di pressione degli pneumatici, la frenata, l’accelerazione e la velocità/forza. Il modello analitico può prevedere se qualche componente/parte rischia di danneggiarsi e avvertire il proprietario del veicolo. Ad esempio nel caso pressione/condizione degli pneumatici fossero al di sotto del livello di sicurezza, il dispositivo di bordo può avvisare il proprietario di sostituire la gomma.
VANTAGGI DI EDGE COMPUTING
Velocità di elaborazione
L’elaborazione dei dati più vicina alla fonte riduce la latenza della rete e quindi aumenta le prestazioni della rete e la velocità per l’utente finale.
Maggiore sicurezza
Elaborazione dei dati sul dispositivo in locale riduce la possibilità di attacchi che avvengono durante il trasferimento dei dati al Cloud. Inoltre, essendo l’elaborazione e l’archiviazione distribuite su una serie di dispositivi si aumenta la sicurezza.
Risparmi sui costi
Si conservano la maggior parte dei dati nel dispositivo stesso, riducendo la latenza di rete che si traduce direttamente in risparmio di soldi.
Maggiore affidabilità
L’archiviazione e le operazioni effettuate in locale consentono di risolvere un problema comune come quello della perdita di connettività al Cloud.
Scalabilità
Unendo le capacità di calcolo, archiviazione e analisi nei dispositivi, si consente alle aziende di scalare la portata delle loro soluzioni e le loro competenze in modo rapido ed efficiente.
CONCLUSIONE
Edge giocherà un ruolo significativo nei prossimi anni sia per le diverse possibilità di adozione, che sono enormi nel settore Automotive, che per i vantaggi che potrebbe apportare alle componenti interne al veicolo. Con l’aumento dei veicoli connessi e autonomi, l’elaborazione e l’analisi dei dati sarà cruciale nel prendere decisioni critiche per renderlo più sicuro e efficiente.
TI È PIACIUTO QUESTO ARTICOLO? LEGGI ANCHE:
Come cambia il settore Automotive: i 7 trend del 2021
Auto elettrica, la mobilità si fa green
Auto a guida autonoma: la tecnologia la servizio dello sviluppo
