آیا نوآوری در ابر، لبه یا جاهای دیگر ظاهر می شود؟

نوآوری برای سازمان هایی که ارتباط تجاری را حفظ می کنند و از اختلالات تجاری اجتناب می کنند بسیار مهم است، اما این نوآوری ها از کجا می آیند؟

کارشناسان صنعت بر این باورند که نوآوری در فضای ابری اتفاق نمی افتد، بلکه در لبه پرتگاه است. با این حال، محاسبات لبه فقط یک توسعه محاسبات ابری است. پس این به چه معناست؟ زیرا محاسبات ابری و محاسبات لبه ممکن است با هم کار کنند.

علاوه بر این، تلفن همراه آیفون X اپل اخیراً فناوری تشخیص چهره را معرفی کرده است مانند این فناوری به کاربران ریسک اطلاعات شخصی بیشتری می دهد که توجه مردم را به خود جلب کرد.

پیش از این، دستگاه های هوشمند اپل از اثر انگشت استفاده می کردند، در حالی که برخی از دستگاه های هوشمند اندرویدی از تشخیص عنبیه استفاده می کردند. بنابراین، طرح در داستان های علمی تخیلی به زودی به یک واقعیت علمی تبدیل شد.

کسب‌وکارها باید فعال باشند، به‌ویژه با مقررات عمومی حفاظت از داده‌های اتحادیه اروپا (GDPRs)، که پنج ماه بعد اجرایی می‌شود. برای اطمینان از اینکه خرده‌فروشان، سازمان‌های دولتی، خدمات اضطراری و سایر سازمان‌ها استانداردهای نظارتی را نقض نمی‌کنند، باید در نظر داشت که آیا تشخیص چهره، تشخیص پلاک، سنسورهای خودرو و سایر فناوری‌ها می‌توانند الزامات و الزامات GDPR را برآورده کنند.

توانمندسازی شهروندان

جیم مک گان، معاون بازاریابی و توسعه تجارت در Index Engines، تفکر خود را در مورد این الزامات قانونی مطرح می کند: 'GDPR قدرت داده های شخصی را به شهروندان می دهد، بنابراین شرکت هایی که در اتحادیه اروپا تجارت می کنند، از جمله ایالات متحده، باید از این قانون پیروی کنند'.

وی افزود که GDPR یک مسئله کلیدی برای مدیریت داده های سازمان است. در بسیاری از موارد، سازمان ها به سختی می توانند داده های شخصی را در سیستم یا سوابق کاغذی خود پیدا کنند. و معمولاً نمی دانند که آیا داده ها نیاز به ذخیره، حذف، اصلاح یا اصلاح دارند یا خیر. بنابراین، GDPR به دلیل جریمه هنگفتی که ممکن است با آن مواجه شود، مسئولیت سازمان را به اوج جدیدی خواهد رساند.

با این حال، او توصیه‌هایی برای اتخاذ راه‌حل‌های مرتبط ارائه کرد: «ما راه‌حل‌های مدیریت اطلاعات و استراتژی‌های کاربردی را ارائه می‌کنیم تا اطمینان حاصل کنیم که کسب‌وکار سازمان با مقررات حفاظت از داده‌ها مطابقت دارد.» داده‌های سطح PB باید جمع‌آوری شوند، اما سازمان هیچ داده‌ای در مورد درک واقعی ندارد. Index Engines با نگاه کردن به منابع داده‌های مختلف، به منابع داده مختلف اجازه می‌دهد تا ببیند چه چیزی می‌تواند داده‌ها را مدیریت کند، خدمات پاکسازی ارائه می‌کند. هنگامی که سازمان بتواند با مدیریت موثر داده ها، می تواند سیاست ها و اقدامات مناسب را اجرا کند زیرا اکثر شرکت ها می دانند که چه نوع فایل هایی حاوی داده های شخصی هستند. '

پاک کردن داده ها

مک گان ادامه داد: 'بیشتر داده ها بسیار حساس هستند، بنابراین بسیاری از شرکت ها تمایلی به صحبت در مورد آن ندارند، اما ما کارهای زیادی را با شرکت های مشاوره حقوقی انجام می دهیم تا سازمان را مطابق با آن حفظ کنیم.'

به عنوان مثال، Index Engine، یک شرکت Fortune 500، پاکسازی داده ها را تکمیل کرد و متوجه شد که 40٪ از داده های آن دیگر حاوی هیچ ارزش تجاری نیست. بنابراین شرکت تصمیم گرفت تا آن را پاکسازی کند.

وی گفت: 'این باعث صرفه جویی در هزینه های مدیریت مرکز داده می شود: آنها با پاک کردن داده ها نتایج مثبتی به دست می آورند، اما اگر یک شرکت عمومی است، به دلیل مسائل مربوط به انطباق با مقررات آزاد نیستید که داده ها را حذف کنید.' در برخی موارد، باید فایل را تا 30 سال ذخیره کنید. او پیشنهاد کرد که 'کسب و کارها باید بپرسند که آیا این فایل ها دارای ارزش تجاری یا الزامات انطباق هستند.' برای مثال، داده ها را می توان بدون دلیل معتبری برای ذخیره آنها حذف کرد. برخی از شرکت ها نیز در حال انتقال داده های خود به فضای ابری هستند تا داده ها را از مرکز داده حذف کنند.

در این فرآیند، بسیاری از شرکت‌ها باید بررسی کنند که آیا داده‌ها دارای ارزش تجاری هستند یا خیر تا تصمیمات انتقال داده خود را بگیرند. سازمان‌ها باید به آنچه در فایل‌هایشان است فکر کنند - چه محاسبات لبه‌ای یا رایانش ابری برای مدیریت داده، پشتیبان‌گیری و ذخیره‌سازی.

اطمینان حاصل کنید که اطلاعات مطابقت دارند

بنابراین، مهم است که سازمان‌ها راه‌هایی را برای جلوگیری از استفاده از فناوری‌های جدید توسط مصرف‌کنندگان و شهروندان بررسی کنند و نحوه استفاده از آن داده‌ها را برای ایجاد ارزش برای سازمان‌ها و مصرف‌کنندگان در نظر بگیرند. سازمان هایی که از این داده ها استفاده می کنند باید از امنیت اطلاعات در ارائه، استفاده، حفاظت و بهبود خدمات دیجیتال آگاه باشند.

به عنوان مثال، فناوری تشخیص چهره دارای برنامه های کاربردی بسیاری است که نه تنها به کاربران اجازه می دهد قفل برنامه ها را در تلفن هوشمند خود باز کنند، بلکه برای آنها نیز هزینه پرداخت می کنند. تصاویر با استفاده از فناوری تشخیص چهره گوشی هوشمند در مرکز داده مستقر در محلی ذخیره می شوند. با وجود این، مردم هنوز باید مقدار مشخصی از داده ها را در پایگاه داده نگه دارند، که همچنین باید محافظت شود تا از سوء استفاده هکرها از داده های شخصی برای حملات مخرب جلوگیری شود.

نوآوری در محاسبات لبه

از آنجایی که سازمان ها به طور فزاینده ای در شهرهای خودمختار و هوشمند و همچنین فناوری های خودرویی مانند شبکه ترمز اضطراری خودکار (AEB) سرمایه گذاری می کنند، همچنین نیاز به بررسی سایت های نوآوری 2018 و نیاز به دستیابی به انطباق و تعادل نوآوری وجود دارد.

علاوه بر این، افراد بیشتری فکر می‌کنند که نوآوری در محاسبات حاشیه‌ای به جای فضای ابری ظاهر می‌شود، و محاسبات لبه‌ای فقط گسترش محاسبات ابری است. حتی اگر داده‌ها باید نزدیک‌تر به منبع منبع شوند، مقادیر زیادی از داده‌ها هنوز باید در جای دیگری تجزیه و تحلیل شوند. تأخیرهای داده و شبکه یک مانع تاریخی است و فرد امیدوار است که بتوان تأثیر تأخیرها را کاهش داد یا از بین برد.

محاسبات لبه ظرفیت مرکز داده را با اجازه دادن به تعداد زیادی از مراکز داده کوچکتر برای ذخیره، مدیریت و تجزیه و تحلیل داده ها افزایش می دهد و در عین حال اجازه می دهد برخی از داده ها توسط یک دستگاه یا حسگر قطع شده (مانند وسایل نقلیه مستقل متصل) مدیریت و به صورت محلی تجزیه و تحلیل شوند. پس از اتصال به شبکه، می توان از داده های آن برای اقدامات بیشتر در فضای ابری نسخه پشتیبان تهیه کرد.

شتاب داده ها

کاهش تأخیر شبکه و تأخیر داده ها می تواند تجربه مشتری را بهبود بخشد. با این حال، به دلیل پتانسیل بیشتر برای انتقال داده به ابر، تأخیر شبکه و از دست دادن بسته‌ها می‌تواند تأثیر منفی قابل‌توجهی بر توان عملیاتی داده داشته باشد. بدون راه حل های هوشمند ماشین مانند PORTRock IT، اثرات تاخیر و از دست دادن بسته ها ممکن است عملکرد داده ها و پشتیبان گیری را مهار کند.

اگر پایگاه داده فناوری تشخیص چهره قادر به انتقال سریع اطلاعات شهروندی و مهاجرت نباشد، ممکن است منجر به تاخیر در فرودگاه ها و تصادفات احتمالی یا مشکلات فنی در وسایل نقلیه خودران شود.

با ظهور فناوری خودروهای خودمختار، داده های تولید شده توسط خودروها به صورت پیوسته بین خودروها حرکت می کند. برخی از این داده‌ها، مانند داده‌های بحرانی و ایمنی، نیاز به چرخش سریع دارند، در حالی که سایر داده‌ها معمولاً اطلاعات جاده‌ای مانند جریان ترافیک و سرعت هستند. خودروهای رانندگی خودکار تمام داده‌های حیاتی ایمنی خود را از طریق شبکه‌های 4G یا 5G به ابر مرکزی ارسال می‌کنند و به طور بالقوه تاخیر داده قابل‌توجهی را قبل از شروع دریافت داده‌ها به دلیل تأخیر شبکه، به چرخش‌ها اضافه می‌کنند. در حال حاضر هیچ راه ساده و اقتصادی برای کاهش تأخیر بین شبکه ها وجود ندارد. سرعت نور عامل اصلی است که افراد نمی توانند آن را تغییر دهند. بنابراین، نحوه مدیریت شبکه و تاخیر داده به طور موثر و کارآمد بسیار مهم است.

چالش داده های بزرگ

هیتاچی گفت خودروهای رانندگی خودکار روزانه حدود 2PB داده تولید می کنند. تخمین زده می شود که یک خودروی تحت شبکه حدود 25 ترابایت بایت داده در ساعت ایجاد کند. با توجه به اینکه بیش از 800 میلیون خودرو در آمریکا، چین و اروپا وجود دارد. در نتیجه، در آینده نزدیک از یک میلیارد واحد فراتر خواهد رفت و اگر نیمی از خودروها به طور کامل به شبکه متصل شوند، با فرض استفاده متوسط ​​3 ساعت در روز، 37.5 میلیارد گیگابایت داده در روز وجود خواهد داشت.

اگر همانطور که انتظار می‌رفت، بیشتر خودروهای جدید در اواسط دهه 1920 خودروهای خودران بودند، این تعداد ناچیز بود. بدیهی است که نمی‌توان همه داده‌ها را بلافاصله بدون اعتبارسنجی و کاهش داده‌ها فوراً به فضای ابری بازگرداند. باید یک راه حل مصالحه وجود داشته باشد، و محاسبات لبه می تواند از این تکنیک پشتیبانی کند و می تواند در وسایل نقلیه خودران اعمال شود.

از نقطه نظر فیزیکی، ذخیره مقادیر روزافزون داده یک چالش خواهد بود. اندازه و اندازه داده ها گاهی اوقات بسیار مهم است. این باعث ایجاد مشکلات مالی و اقتصادی به ازای هر گیگابایت هزینه می شود. به عنوان مثال، در حالی که وسایل نقلیه الکتریکی به عنوان جریان اصلی آینده در نظر گرفته می شوند، مصرف برق به طور قطع افزایش می یابد.

علاوه بر این، همچنین لازم است اطمینان حاصل شود که حجم زیادی از داده های ایجاد شده توسط افراد یا دستگاه ها، قوانین حفاظت از داده ها را نقض نمی کند.