Recentemente, eu estava lendo as informações da Amazon sobre a AWS IoT Platform e me deparei com um exemplo de caso de uso interessante:

Embora eles não descrevam exatamente como os dados de condição da estrada são detectados, se o sensor pode detectar uma estrada molhada, por que a Amazon sugere o envio dos dados para a nuvem? Não seria mais simples apenas para processar diretamente os dados de sensores no veículo e alertar o condutor, ao invés de detecção, o envio de dados para a nuvem, esperando que ele seja processado, recebendo dados e , em seguida, alertando o motorista? Na verdade, não vejo muitas vantagens além dos possíveis dados analíticos que você obteria.

O exemplo de caso de uso da Amazon é benéfico apenas quando você deseja obter dados analíticos ou há outros motivos pelos quais eles sugerem o uso da nuvem?

^{Suspeito que uma das razões seja simplesmente fazer as pessoas usarem o serviço que estão tentando vender, mas estou interessado em razões técnicas , se houver.}

Há muitos fatores na escolha de processar dados no dispositivo ou na nuvem.

Benefícios do processamento na nuvem

1. Se o algoritmo usa ponto flutuante ou é executado em uma GPU, talvez não seja possível executar no processador incorporado no sensor.

2. Mesmo se não, se o algoritmo foi desenvolvido em uma linguagem de alto nível, pode ser muito caro (em tempo de desenvolvedor) portá-lo para ser executado no sensor.

3. O descarregamento da computação do sensor pode aumentar a vida útil da bateria (dependendo de como isso afeta o uso da rede / rádio).

4. A execução do algoritmo na nuvem permite combinar os dados de muitos sensores e tomar uma decisão no nível do sistema. Neste exemplo, isso pode significar filtrar os sensores de carros diferentes, para que lavar um carro não cause um aviso de chuva em todos os carros.

5. O processamento na nuvem permite distribuir as informações para vários locais sem a necessidade de uma rede mesh, que é uma arquitetura complicada.

6. Você pode registrar mais dados, o que permite melhores análises, auditoria e desenvolvimento de melhores algoritmos.

Benefícios do processamento a bordo

1. Se os dados brutos do sensor tiverem largura de banda alta, ele poderá usar menos bateria para resumir os dados e enviar o resumo (dependendo do processamento necessário para resumi- los). Isso pode significar que, em vez de enviar uma leitura de umidade de 8 bits 100 vezes por segundo, você a filtra e envia uma bandeira de umidade / seca de 1 bit a cada 10 segundos.

2. Você pode ir além e ativar a rede apenas quando o sensor tiver algo interessante para relatar (por exemplo, o estado de umidade / umidade muda)

3. Reduzir a largura de banda da rede na extremidade do sensor também a reduz na extremidade do servidor, para que você possa dimensionar o serviço para mais usuários (mais sensores) por um preço muito baixo.

4. Pode ser possível executar o serviço com a mesma funcionalidade ou funcionalidade reduzida, mesmo quando a rede não está disponível. Neste exemplo, seu carro poderá avisá-lo sobre estradas escorregadias que ele mesmo vê, mas não avisar com antecedência de outros carros.

No geral

Geralmente, alguma combinação dos dois é ideal. Você pode processar o máximo possível no dispositivo, reduzir a necessidade de rede o máximo que puder e, em seguida, executar algoritmos mais sofisticados na nuvem que combinem mais entradas ou usem mais energia de computação.

Você pode começar executando todo o seu processamento na nuvem (porque foi prototipado no Matlab ou Python) e portar peças gradualmente para o Rust para habilitar a funcionalidade offline, quando tiver tempo de desenvolvedor para gastá-lo.

Você pode processar pesadamente os dados no dispositivo em uso normal, mas também experimentar e registrar os dados brutos às vezes, para que você possa carregá-los na nuvem mais tarde (quando a rede estiver mais disponível) para suas análises.

O que pode não ser óbvio a partir do gráfico é que o valor agregado proposto parece estar passando informações de um conjunto de veículos para outro. As informações do sensor dos carros em um local podem ser processadas (rejeição de ruído, reconhecimento de padrões) e passadas para outros veículos que deverão encontrar essas condições em um futuro próximo.

Talvez você possa transmitir as informações ponto a ponto em áreas ocupadas, mas perde a capacidade de extrair dados de confiança da previsão do sensor e combinar facilmente várias fontes de dados

Quanto ao valor dos dados do sensor, acho que os veículos autônomos são os que mais se beneficiarão, pois podem ajustar suas margens de segurança e interromper as distâncias antes de (por exemplo) uma curva que tenha mais água residual algum tempo depois de uma chuva já passou.

Parece possível que um modelo possa ser treinado em dados de sensores fornecidos por carro e, em seguida, executado de maneira preditiva com base em um feed do tempo em tempo real.