Hay aplicaciones, como el vehículo autónomo, que originan ingentes cantidades de datos los cuales deben ser procesados “sobre la marcha”, sin poder esperar a recorrer el camino de ida y vuelta a la nube, pues ese tiempo de espera, la latencia, puede ser clave para tomar decisiones que marcan la diferencia entre la vida y la muerte.
El vehículo autónomo es un caso extremo de la necesidad de procesar los datos junto a la fuente que los genera, paradigma de computación conocido como “Edge Computing”. La fuente puede ser cualquier sensor/dispositivo conectado a la Red. Smartphone, Cámara IP, Robot Industrial, etc. En definitiva, el IoT que explotará en los próximos años. Gartner predice que en 2025 el 75 % de los datos generados se crearán y procesarán fuera de la nube. Actualmente, no superan el 10 %. Por tanto, Edge Computing será un vector de crecimiento importante.
Además de estas aplicaciones donde es crítica la velocidad en el proceso de datos para disparar la acción de respuesta pertinente, Edge Computing ofrece otras ventajas.
Por ejemplo, mejora la seguridad y disponibilidad de datos y aplicaciones. En caso de verse comprometidos los datos centralizados, su versión distribuida mantendrá su integridad.
Edge Computing proporciona, además, un considerable ahorro de ancho de banda. Permite, por ejemplo, discriminar los datos que sí deben ser compartidos en tiempo real en el Cloud, y cuáles pueden actualizarse en lapsos de tiempo mayores.
Actualmente Edge Computing es la arquitectura más apropiada cuando es esencial tratar los datos localmente, o preservar el ancho de banda disponible y accesible para datos que sí deban consolidarse de manera centralizada y agregada con otros procedentes de otras fuentes.
Algunas de estas aplicaciones son:
- Monitorización y gestión de infraestructuras críticas, como oleoductos, centrales eléctricas, u operadoras de telecomunicaciones, donde diferentes tipos de sensores facilitan valiosa información para anticipar fallos de equipos, mediante el análisis y proceso de los datos que proporcionan.
- Dispositivos para la gestión de la salud, analizando localmente una parte importante de los datos recogidos en el paciente, para facilitar la toma de decisiones y actuación pertinente de los órganos centralizados. Por ejemplo, una combinación de determinadas constantes físicas puede predecir un episodio de riesgo, y desde el propio dispositivo de monitorización puede lanzarse la alarma necesaria al centro de gestión de emergencias.
- IoT para Smart Cities, filtrando localmente la información no esencial para la gestión de los diferentes dispositivos.
- Aplicaciones de gestión en tiempo real, como el referido vehículo autónomo, o los más clásicos sistemas de control de tráfico ferroviario.
- Fabricación robotizada. Muchas de las decisiones que deben tomar los actuadores, no es preciso que se gestionen de manera centralizada, convirtiendo la red OT en un posible cuello de botella.
Los desafíos que debe enfrentar el Edge Computing antes de la adopción masiva, que irá paralela a los despliegues de 5G (muy baja latencia, gran ancho de banda) ya en marcha, son aún muchos.
El principal, blindarse contra las amenazas extendidas de ataque cibernético. Su desarrollo paralelo a la IA y el Machine Learning, permitirá detectar patrones de ataque y actuar contra ellos desde el Edge.
Será preciso extender también las capacidades actuales de los sistemas de gestión remota de redes a la escala planetaria que estos dispositivos Edge deben alcanzar. Surgirán soluciones de Cloud Híbrida específicas para ello. GitOps, gestionando millones de Kubernetes puede ser un inicio.
Por último, encapsular la capacidad de computación en dispositivos “rugerizados”, resistentes a cualquier entorno y paso del tiempo.
