Inteligência Artificial torna Edge e Internet das Coisas mais eficiente

Um dos principais motivadores para o uso de IA na edge computing é que a grande quantidade de dados produzidos no campo prejudicaria a Internet se tudo tivesse que ser processado por soluções de computação em nuvem centralizadas e centros de dados tradicionais.

Nos dias de hoje já existem todo o tipo de coisas chamadas de “inteligentes” desde de lâmpadas a automóveis. Cada vez mais, há mais inteligência artificial (IA) ou machine learning (ML) nas nossas mãos.

A inteligência artificial deixou de estar limitada aos grandes centros de dados. Ao movê-la para a edge computing, as empresas podem reduzir a latência, melhorar o desempenho, reduzir os requisitos de largura de banda e permitir que os dispositivos continuem a operar mesmo quando não há conectividade de rede.

Um dos principais motivadores para o uso de IA na edge computing é que a grande quantidade de dados produzidos no campo prejudicaria a Internet se tudo tivesse que ser processado por soluções de computação em nuvem centralizadas e centros de dados tradicionais.

Consultores especializados em conversa com CIO afirmam que: “A necessidade de enviar todos estes dados para uma solução cloud centralizada para processamento ultrapassou os limites de largura de banda e latência da rede”.

Batalha de bots

Poucas empresas estão a enfrentar este problema tanto quanto a norte americana, Akamai, que, opera a maior rede de distribuição de conteúdos do mundo, na última contagem, cerca de 325.000 servidores em mais de 135 países, entregando mais de 100 TB de tráfego da web a cada segundo.

A edge computing é a chave para melhorar o desempenho e a segurança, diz Ari Weil, Vice-Presidente Global da Akamai para marketing de produto e indústria.

Veja os bots, por exemplo:

“os bots são um grande problema na Internet”, diz Ari Weil. Porque atacam os clientes da Akamai com preenchimento automático de credenciais e ataques de negação de serviço. Além disso, obstruem os canos com tráfego inútil, com custos financeiros para à Akamai.

Os cibercriminosos também estão a usar bots para tentar entrar nas defesas de empresas e companhias de pesquisa e organizações de saúde. Às vezes, sua maldade não conhece limites. Nos Estados Unidos, por exemplo, os hackers começaram recentemente a usar bots como os equivalentes as dos Covid-19 para roubar senhas – obtendo um melhor horário e vagas os na vacinação.

A Akamai vê 485 milhões de solicitações de bot por hora e 280 milhões de tentativas de login de bot por dia. Na batalha contra eles, a Akamai começou a implantar IA na edge em 2018 para determinar se um utilizador específico é um ser humano real ou um bot.

Em 2019, a Akamai também começou a usar machine learning profundo centralizado para identificar os comportamentos dos bots e desenvolver melhores modelos. Estes modelos são, então, distribuídos para a edge computing.

A IA também é usada para analisar a inteligência de ameaças na Akamai. “É um problema de Big Data”, afirma Weil. “Pegamos numa grande quantidade de dados, e num enorme data lake, e testamos diferentes modelos com os dados para encontrar assinaturas maliciosas. Depois de identificar os padrões, podemos usar isso em toda a plataforma”.

Às vezes, as mensagens são inócuas, mas vêm de uma fonte mal-intencionada – comando e controle do tráfego, por exemplo.

“Nós treinamos o modelo de edge para reconhecer o tráfego que vem desta região específica, ou este endereço IP específico, e aplicamos as técnicas de mitigação diretamente na borda”, diz Weil.

O resultado final é que a Akamai economiza dinheiro porque não precisa transportar o tráfego dos bots ou do malware. Os clientes economizam dinheiro porque não precisam pagar pelo desperdício de largura de banda. E os clientes estão mais seguros porque têm menos bots e amostras de malware para lidar.

No quarto trimestre de 2020, a Akamai foi capaz de interromper 1,86 bilhão de ataques em nível de aplicativo, diz Weil, e impedir mais de 70 bilhões de ataques de abuso de identidade.

Gestão de IoT de Edge computing

A IA na Edge também pode diminuir a carga de dados e de rede das estratégias de internet das coisas. Os dispositivos IoT podem gerar uma grande quantidade de informações, mas geralmente essas informações são rotineiras e repetitivas.

“Há muitas mensagens ‘I’m OK, I’m OK’ sendo geradas [por dispositivos IoT]”, diz Weil. “Então analisa-se tudo isso e procura-se o sinal que diz que o sistema pode estar a falhar. Isto precisa voltar para o fabricante”.

Para fazer isto, a tecnologia de machine learning é implantada na edge para aprender quais são os sinais críticos e para pré-processar os dados antes de serem enviados ao cliente.

Considere, por exemplo, um carro conectado. Este move-se de uma zona de célula e torre para outra, para diferentes estados, até mesmo para diferentes altitudes e climas. Uma leitura apropriada para um local pode não ser apropriada para outro ou o problema pode ser sinalizado por uma mudança rápida nos dados. Aqui, o machine learning está a tornar-se essencial.

“Trazer a inteligência para os dispositivos é uma das áreas de maior crescimento da IoT no momento”, diz Carmen Fontana, membro do IEEE e Líder de Prática de Tecnologia Emergente e Cloud na Centric Consulting.

O problema surge em muitas indústrias, não apenas em automóveis, embora os veículos em movimento tenham alguns dos maiores requisitos de latência. “ Não queremos voltar ao data center principal para tomar uma decisão e trazê-la de volta”, diz. “Não há tempo para isso”.

Mas mesmo os dispositivos de movimento lento ou estacionáriostiram benefícios de mais processamento na edge.

“Um exemplo comum são os painéis solares no meio do nada”. “Não têm um ótimo serviço celular ou WiFi. Ser capaz de processar dados e tomar decisões localmente é muito importante”.

A inteligência distribuída também permite que as empresas reduzam o volume de tráfego de mensagens de volta dos dispositivos, o que reduz os custos de rede – e o uso de energia.

“O armazenamento de dados é caro e não economiza energia”. “Se puder eliminar muitos dados que, de outra forma, teria transferido e armazenado, então é uma ótima peça de conservação de energia”.

A IA também está a ser cada vez mais usada na edge para fornecer dispositivos com funcionalidades diferenciadoras.

“No meu pulso, tenho um smartwatch e um dispositivo de recuperação”, diz Fontana. “O dispositivo de recuperação deteta minhas métricas – a minha frequência cardíaca, e padrão de respiração. Ele faz cálculos sobre o quão descansado está meu corpo e o quão duro eu me devia esforçar no próximo treino”.

As vantagens da IA ​​descentralizada

A funcionalidade de IA no limite pode ajudar a criar um ambiente de computação distribuída inteligente em dispositivos de rede – um benefício exclusivo para organizações que sabem como aproveitar isso.

A indústria de serviços públicos está especialmente interessada em inteligência distribuída, diz Tim Driscoll, Diretor de Resultados de Informações da Itron, empresa de tecnologia de gestão de recursos hídricos e energia, americana.

“Os medidores na extremidade da rede de distribuição da concessionária têm uma plataforma de aplicações semelhante ao modelo de smartphone comum”, diz ele. Estes medidores usam machine learning para responder às variações de tensão e condições de carga. “Isto permite que os medidores forneçam recomendações proativas e em tempo real para o controle da rede”.

Mas o mais intrigante é que os medidores podem trabalhar juntos, aprendendo com o comportamento, desempenho e confiabilidade de sua própria rede de comunicação – e então usar isso para eleger líderes entre si que falam à rede em seu nome.

“Isto simplifica uma gestão da rede, eliminando a necessidade de análise centralizada”.

“Este é o principal motivador para uma resposta autônoma, local e em tempo real com base no processamento de borda e no machine learning”, diz Driscoll.

À medida que os sistemas de energia evoluem para incluir geração de energia mais distribuída na rede de distribuição, a edge computing torna-se ainda mais importante. Tradicionalmente, apenas a carga local era uma variável para redes de energia – a geração e o fluxo de energia eram todos controlados centralmente. Hoje, todos os três são variáveis.

Além de melhor latência e custos mais baixos, levar a IA e o machine learning ao limite também pode ajudar a tornar a IA mais rápida, de acordo com Lee, da Booz Allen Hamilton. Isto porque descentralizado, o Edge IA maximiza a frequência com que os modelos são calibrados, “o que não apenas reduz os custos e cronogramas de desenvolvimento do modelo, mas também aumenta o desempenho do modelo”, diz ele.

Riscos e desafios

Mas a IA na edge também apresenta riscos e desafios. Isto inclui a atual falta de padrões.

“Vemos uma grande variedade de dispositivos de hardware de edge, chipsets de processador, sensores, formatos de dados e protocolos que geralmente são incompatíveis”, diz ele, acrescentando que é necessário haver mais foco no desenvolvimento de arquiteturas abertas comuns.

Além disso, muitos players neste espaço estão a concentrar-se em soluções únicas que não são escalonáveis ou interoperáveis – ou são baseadas em modelos tradicionais de entrega de software.

“Ainda vemos aplicações monolíticos que são desenvolvidos para dispositivos específicos”, diz ele. “Do ponto de vista do design, também vimos arquiteturas hub-and-spoke típicas”, que podem falhar quando a conectividade é limitada.

Outro desafio da IA distribuída é a cibersegurança. “Com o número de dispositivos de edge implantados, a superfície de ataque aumenta significativamente”, diz ele.

Já vimos invasores a tirar partido de dispositivos IoT inseguros, como o botnet Mirai que infetou centenas de milhares de dispositivos em 2016. À medida que os dispositivos IoT proliferam – e ficam mais inteligentes – os riscos que estes representam também aumentam.

Uma abordagem é aplicar o machine learning ao problema, usando-o para detetar ameaças. Mas o hardware de edge é normalmente menor e mais restrito em recursos, limitando a quantidade de dados que pode ser processada, disse Lee.

Onde a edge computing com IA pode fazer uma grande diferença na ciberegurança é nos micro-data centers, diz Shamik Mishra, CTO de Conectividade nos Negócios de Engenharia e P&D da Capgemini.

“A detecção de ameaças, a gestão de vulnerabilidades, a segurança de perímetro e a segurança de aplicações podem ser tratados no limite”, diz ele, e os algoritmos de IA podem ser descentralizados para detetar ameaças por meio da deteção de anomalias.

Novas tecnologias, como a edge de serviço de acesso seguro, também estão a surgir, diz Mishra. Estas combinam redes de longa distância com funcionalidade de segurança.

“Quanto mais distribuímos uma funcionalidade, mais o sistema se torna vulnerável à medida que aumenta a área de superfície para ataques”, diz ele. “Portanto, as aplicações de edge computing devem manter a segurança como uma prioridade de design”.

Autores
O seu comentário...

*

Top