El futuro de los datos: aprendizaje de enjambres, la Catapult Blockchain y Edge Computing

Artículo realizado por By Bassem Youssef & Bader Youssef

En 2019, la IA, los automóviles sin conductor y el IoT tomaron el escenario central como las nuevas tecnologías prometedoras que cambiarán el mundo tal como lo conocemos. Sin embargo, la mención de la tecnología blockchain está de pasada. Las discusiones sobre blockchain generalmente se centran en la volatilidad del precio de Bitcoin, y el enorme potencial de blockchain se reduce a hablar sobre el uso de criptomonedas para pagar café, pizza y comestibles.

Los automóviles sin conductor, eléctricos y otros automóviles “inteligentes” han sido otro titular destacado en 2019. Actualmente, cada vehículo puede contener un promedio de 60-100 sensores a bordo. Debido a que los automóviles se están volviendo rápidamente “más inteligentes”, se proyecta que la cantidad de sensores alcance hasta 200 sensores por automóvil. Estas cifras se traducen en aproximadamente 22 mil millones de sensores utilizados en la industria automotriz por año para 2020.

Independientemente del tipo de dispositivo, ya sea de video, audio u otros sensores, todos los dispositivos habilitados para IoT tienen una cosa en común: los datos. La cantidad de datos que envían los dispositivos IoT es casi ridícula, tanto que, de hecho, generalmente se mide en zettabytes a nivel mundial. Para poner esa cantidad en perspectiva, un zettabyte es alrededor de mil millones de terabytes de datos.

Blockchain se puede usar para mucho más que solo pagos: puede ayudar en gran medida a frenar esta creciente cantidad de datos, ya que tiene las capacidades para que los dispositivos IoT almacenen, auditen y aprendan de manera segura de esta gran cantidad de datos en una falla distribuida -plataforma tolerante.

Usando Axon, nuestro dispositivo de computación de borde habilitado para blockchain, AI y la cadena de bloques Catapult, este problema se puede superar para proporcionar un futuro sostenible para las enormes cantidades de datos provenientes de IoT.

Recopile y procese datos de forma inteligente con Axon Edge Computing

Simplemente almacenar flujos de datos sin procesar desde dispositivos IoT simplemente no será suficiente con la cantidad de dispositivos que se conectan, sin mencionar los problemas de ancho de banda que pueden surgir.

La computación perimetral es la noción de que los dispositivos realizan la computación en el “borde” de la red o en la fuente de datos. Es un paradigma de computación distribuida destinado a ahorrar ancho de banda y proporcionar una arquitectura más eficiente para dispositivos en un área grande. En pocas palabras, la informática ayuda a filtrar los datos relevantes.

Axon es un dispositivo de computación de borde multipropósito habilitado para blockchain que utiliza este paradigma. En lugar de enviar datos sin procesar a la cadena de bloques, Axon recoge de manera inteligente el significado de los datos sin procesar del sensor. Es capaz de integrarse con las tecnologías existentes para llevar blockchain a cualquier nivel de negocio debido a su naturaleza eficiente y escalable.

Un ejemplo perfecto de la informática de punta de Axon es el auto autónomo mencionado anteriormente. Estos autos contienen sensores que monitorean todos los aspectos de la funcionalidad del auto. Cada automóvil puede generar datos brutos del sensor en terabytes por día. La mayoría de estos vehículos autónomos contienen computadoras lo suficientemente potentes como para realizar cálculos sobre los datos que recopilan. Con la computación de borde, en lugar de enviar los datos brutos sobre el sensor de la rueda, por ejemplo, el automóvil ahora puede calcular la probabilidad de que la rueda necesite reemplazo por sí misma.

Esta arquitectura distribuida también proporciona un enfoque más tolerante a fallas para IoT, ya que los dispositivos no tienen que depender de un servidor central para el procesamiento de datos. Pueden ser más autosuficientes en el procesamiento de sus datos.

La Big data todavía tiene un lugar, y nunca se debe desechar. Sin embargo, al usar la computación de borde, podemos hacer que IoT sea más eficiente e inteligente delegando los cálculos de datos sin procesar al dispositivo mismo.

La llegada de 5G ha hecho que la informática de punta sea aún más convincente, permitiendo una capacidad de red significativamente mejorada, una latencia más baja, velocidades más altas y una mayor eficiencia. 5G promete velocidades de datos superiores a 20 Gbps y la capacidad de conectar más de un millón de dispositivos por kilómetro cuadrado.

Significado de Garner a partir de datos que utiliza inteligencia artificial y aprendizaje enjambre

Edge computing permite que los dispositivos IoT recopilen datos significativos en la fuente, en lugar de enviarlos a un servidor central de procesamiento de datos. La IA es la capacidad de una máquina para aprender de los datos que se le envían. Permite al usuario especificar un número (generalmente muy grande) de parámetros y ajustar esos parámetros hasta que pueda hacer una predicción sólida utilizando los datos dados. Los modelos de IA también pueden ajustarse a nuevos datos y, posteriormente, ajustar su modelo en función de estos datos.

AI e IoT a menudo se promocionan como una buena combinación, ya que la IA puede ayudar a los dispositivos IoT a realizar una multitud de tareas cuando se trata de computación de vanguardia. Un ejemplo sería aprender cuando se sabe que falla un tipo particular de sensor de aeronave, o proporcionar asesoramiento personalizado para un paciente del hospital que interactuó con un dispositivo IoT dentro de una clínica.

Sin embargo, solo un dispositivo IoT de baja especificación no tendrá la potencia suficiente para calcular adecuadamente las conclusiones de los datos utilizando AI. El aprendizaje de enjambre es el concepto de que múltiples dispositivos, o un “enjambre”, pueden comunicarse y compartir datos entre sí. Esencialmente, un “enjambre” de dispositivos que están grabando el mismo tipo de datos son capaces de formar colectivamente un modelo preciso y predictivo basado en las entradas de cada uno.

Un ejemplo de dónde el aprendizaje de enjambres será particularmente útil es en las entregas de drones. Los aviones no tripulados en el aire pueden advertir a otros aviones no tripulados de las consecuencias de volar en ciertas condiciones: juntos, pueden aprender unos de otros para diferentes escenarios que algunos aviones no tripulados en otra ciudad pueden no haber encontrado antes.

En este contexto, los dispositivos informáticos perimetrales como Axon pueden comunicarse con otros dispositivos informáticos perimetrales Axon en una red segura y compartida para compartir sus propios cálculos sobre los datos. Estos cálculos de dispositivos de borde individuales se pueden combinar para formar un modelo predictivo colectivo basado en miles de sensores en el campo sin el uso del servidor de procesamiento central.

Use Blockchain para racionalizar, compartir modelos de IA y vender datos

La pieza final del rompecabezas es blockchain: es literalmente el “pegamento” que permite que todas estas tecnologías funcionen juntas sin problemas. Específicamente, utilizaremos la cadena de bloques NEM Catapult, ya que proporciona la interfaz más práctica para IoT. Al usar su interfaz API REST, los dispositivos IoT como Axon pueden utilizar fácilmente la funcionalidad de Catapult para compartir datos desde el borde.

Blockchain, como la computación perimetral, se distribuye: sincroniza el mismo libro mayor entre todos sus nodos para proporcionar un método redundante y tolerante a fallas para registrar información.

Los dispositivos de borde, como Axon, pueden grabar sus aprendizajes parciales de IA directamente en la cadena de bloques. A partir de aquí, otros dispositivos de borde pueden ver los datos ordenados en cadena y aprender más de ellos. El enjambre esencialmente vive en la cadena de bloques, usándolo como una plataforma compartida de datos. Después de un intervalo de tiempo específico en el que los dispositivos están aprendiendo unos de otros, se puede calcular una conclusión completa sobre los datos de borde y almacenarlos en la cadena. Blockchain permite que los datos se muevan de manera mucho más eficiente, siempre que solo se graben datos relevantes en la cadena según sea necesario. Esto ayuda a evitar los zettabytes de datos por año que registran los dispositivos IoT y proporciona un futuro más sostenible.

Catapult en Acción 

Catapult expone muchas formas de enviar nueva información a blockchain a través de transacciones. Usando los tipos de transacción incorporados de Catapult, esto puede convertirse rápidamente en una realidad.

Categorización de datos con espacios de nombres de catapulta

Los espacios de nombres en Catapult proporcionan una forma fácil y legible para clasificar los datos de IoT. Al asignar ciertas cuentas con etiquetas específicas, los dispositivos que registran, por ejemplo, los datos de las ruedas de un vehículo Tesla específico saben dónde registrar sus resultados.

Catapult expone muchas formas de enviar nueva información a blockchain a través de transacciones. Usando los tipos de transacción incorporados de Catapult, esto puede convertirse rápidamente en una realidad.

Categorización de datos con namespaces de Catapult

Los espacios de nombres en Catapult proporcionan una forma fácil y legible para clasificar los datos de IoT. Al asignar ciertas cuentas con etiquetas específicas, los dispositivos que registran, por ejemplo, los datos de las ruedas de un vehículo Tesla específico saben dónde registrar sus resultados.

Finalizar datos perimetrales con metadatos

Los metadatos en Catapult se pueden usar para actualizar una categoría de datos con la información más reciente acordada por el enjambre. Para echar un vistazo a la última conclusión de Axon Swarm, todo lo que se necesita es una simple consulta API.

Como blockchain es inherentemente seguro, existe una posibilidad muy poco probable de que esta plataforma sea pirateada o comprometida de alguna manera. Esto significa que los dispositivos pueden estar constantemente aprendiendo y compartiendo información 24/7 sin ninguna intervención humana.

Ejemplo práctico: comunicaciones hospitalarias P2P

Para vincular los conceptos anteriores en un ejemplo coherente y práctico, el cómputo de borde, la cadena de bloques y el aprendizaje de IA / enjambre pueden ser muy útiles en un entorno hospitalario. En este ejemplo, habrá dos hospitales: el Hospital A y el Hospital B. El intercambio de datos entre los dos hospitales puede ser muy valioso. Sin embargo, el mayor desafío es hacer que los datos compartidos cumplan con las regulaciones HIPAA y GDPR.

Cada hospital está situado en dos ciudades vecinas, y ambas usan una cadena de bloques Catapult como medio de comunicación. En Catapult, existe la posibilidad de integrar el control de acceso para datos confidenciales. Utilizando una combinación de un mecanismo de intercambio secreto criptográfico y los mosaicos inteligentes (tokens) de Catapult, a ciertas personas dentro de un hospital se les puede asignar un nivel apropiado de acceso a la información confidencial de los pacientes.

Por ejemplo, un médico puede tener permiso en la cadena para ver todos los aspectos de la salud de un paciente. Sin embargo, un trabajador administrativo solo puede ver el nombre del paciente y el proveedor de atención médica.

Con este mecanismo, se puede asignar un nivel de acceso al Hospital B para compartir datos del paciente. Solo los datos relevantes que se hayan desidentificado según los estándares reglamentarios se compartirán con el Hospital B, y esto se reflejará en la cadena.

Solo los datos relevantes se compartirían con el Hospital B. Este nivel de acceso se refleja en la cadena de bloques, donde el Hospital B tiene un token de acceso que indica qué datos se compartirán.

Dado que Axon admite sensores médicos y, finalmente, se integra con el equipo médico existente, Axon puede utilizarse con los sistemas de monitoreo y medición de pacientes existentes para registrar información en la cadena de bloques.

Aquí es donde entra en juego la IA: si el Hospital A recibe muchos casos de tuberculosis, los dispositivos médicos con Axon pronto aprenden (a través del aprendizaje de enjambres) cómo se ve exactamente una exploración de la infección de tuberculosis en el pecho.

Del mismo modo, si el Hospital B recibe casos excesivos de neumonía, los dispositivos de exploración en el Hospital B también pueden aprender cómo se ve un paciente con neumonía. Como ambos hospitales tienen miles de casos de los cuales aprender, las predicciones sobre cómo transpiran y se presentan estas enfermedades pueden ser bastante precisas (dado que hay una muestra lo suficientemente grande). Ambos hospitales también pueden registrar qué tratamientos se usan, qué tan efectivos son y cuál es el mejor tratamiento para estas enfermedades específicas.

Sin embargo, ¿qué pasa si el Hospital A recibe un caso de neumonía que coincide con el del Hospital B?

El Hospital A puede consultar hospitales cercanos en la misma red Catapult para ver si hay una coincidencia para este caso inusual. Como el Hospital B ya contiene información extensa sobre la neumonía en varias etapas, tipos de pacientes, métodos de tratamiento y síntomas, puede compartir con el Hospital A las conclusiones de miles de casos de neumonía ¡sin que el Hospital A tenga que procesarla! El Hospital A ahora puede ofrecer rápidamente un método de tratamiento que ha demostrado que funciona con el Hospital B, mejorando el diagnóstico y el tratamiento del paciente a un ritmo mucho más rápido y permitiendo que el hospital trabaje a un ritmo muy eficiente.

El enjambre de aprendizaje de cada hospital se puede compartir para proporcionar información sobre información desconocida.

Estas tecnologías no solo ahorran dinero: tienen el potencial de tener usos que cambian la vida, como promover la investigación médica y proporcionar a los pacientes un tratamiento mucho mejor, más específico y más rápido.

Conclusión

Edge computing, AI y blockchain son una combinación poderosa y que cambia el mundo. La capacidad de calcular datos significativos y relevantes en el borde optimiza la infraestructura actual de IoT y permite un futuro escalable para IoT.

El aprendizaje enjambre y la IA son los conceptos que hacen esto posible, ya que una red de millones de dispositivos pueden aprender los datos relevantes desde el borde para formar modelos aún más precisos y predecibles.

Blockchain es el puente que permite que el aprendizaje de enjambres se produzca desde el borde, ya que actúa como un depósito seguro y confiable para todo tipo de datos. En los próximos años, deberíamos esperar ver implementaciones que utilicen estas tres tecnologías para formar una red física a digital global, escalable y segura.

Fuente: IoDLT Blog