Husker du "Enterprise Cloud Rush" omkring 2015? Vi behandlede hyperscaler cloud som en uendelig dumpster for vores data. Hver sensor på hospitalet, hver vibrationslæsning fra en femakset CNC-maskine, hver transaktionslog i banken. Vi pipede det hele til AWS S3 buckets eller Azure Blob Storage. Vi kaldte det stolt "Observability".Vi lykønskede os selv med at bygge "Data Lakes." I virkeligheden byggede vi data swamps. dyre, båndbredde-hogging, latency-ridden swamps. Jeg har brugt mere end 22 år på at designe systemer til Industri 4.0-miljøer for virksomheder som , og hvis der er en hård lektion, jeg har lært, er det dette: Den model kunne have fungeret i 2015, men det døde et sted omkring 2024, da AI endelig stabiliserede sig nok til at være troværdig på kanten. Nu, i 2026, fortsætter dumping af rå data i skyen ikke kun ineffektivt. Apple, PayPal, and GE Digital The "Store Everything, Analyze Later" model is dead. Derfor er industrien nødt til at bevæge sig mod , og hvorfor din fabrik (eller hospital) skal stoppe med at sende hver enkelt log til skyen. AI Edge Proxy Problemet med “nanosekunden” For at forstå, hvorfor den gamle model mislykkedes, skal du forstå omfanget af moderne industriel telemetri. Forestil dig en moderne bilfabrik. Tag en enkelt robot svejsearm. Det logger ikke kun "Weld Complete." Hvert eneste millisekund, dens servo-motorer rapporterer drejningsmoment, strømtrækning, fælles vinkel og temperatur. Svejsespidsen rapporterer spænding, wire feed hastighed og gasstrømhastigheder. Nu multiplicere det med 500 robotter på en enkelt produktionslinje. I arkitekturen "Pre-2024 Era" var rørledningen brutalt enkel og brutalt ineffektiv: 
 
 
 
 
 Kilde: Enheder genererer terabyte rå, højfrekvente logs dagligt. Transport: Vi blokerer fabrikkens WAN, der sender 100% af disse data til skyen. Vi betaler for at gemme petabytes af data, hvoraf 99,9% siger "Systemet fungerer normalt." Analyse (Too Late): En cloudbaseret planlagt opgave vågner op 4 timer senere for at scanne for anomalier. På det tidspunkt, hvor det finder en bærefejl, har produktionslinjen allerede været nede i tre timer. Som jeg diskuterer i kapitel 1 (Den nye industrielle revolution) af min kommende bog, The Trusted Machine, er dette latensudfordringen. Kun cloud-baseret AI fejler i fremstillingen, fordi når en højhastighedsfræsemaskine drejer ud af aksen, har du ikke sekunder til at rundrejse data til et datacenter i det nordlige Virginia for at spørge, hvad du skal gøre. Du har millisekunder.Derudover blev de finansielle omkostninger uholdbare. Organisationer indså, at de brugte formuer på at overføre data, som ingen menneske eller maskine nogensinde ville se på igen.* Reality Check: Ifølge forskning citeret af CNCF i 2025, er næsten 70% af de indsamlede observationsdata unødvendige, hvilket fører til overbelastede opbevaringsgebyrer uden at 
 
 Omkostningerne ved forsinkelse: I fremstilling, finansiering eller kritisk sundhedspleje er ventetiden på cloud latency ikke kun irriterende. Omkostningerne ved forsinkelse: I fremstilling, finansiering eller kritisk sundhedspleje er ventetiden på cloud latency ikke kun irriterende. Løsningen: "Bouncer" (AI Edge Proxy) og Moving Intelligence "Upstream" Vi havde brug for intelligens, der boede i røret, lige ved siden af maskinen, ikke i slutningen af en lang netværksforbindelse. Vi begyndte at implementere lokale, lette Neural Networks lige ved kanten, der kører på hardware som NVIDIA Jetson moduler eller robuste industrielle pc'er integreret i OT (Operational Technology) netværk. Jeg kalder det Edge Proxy. Tænk på den som a I gamle dage lod vi alle (hver loglinje) inde og håbede, at sikkerhedsvagterne inde (Cloud AI) ville sortere problemskaberne ud senere. AI Edge Proxy highly trained bouncer at an exclusive nightclub Hvordan det virker: Den Edge Proxy sidder i log pipeline, indtagelse af brandslangen af rå telemetri via protokoller som MQTT eller OPC-UA. 1. det : Edge Proxy indtager brandslangen af rå telemetri lokalt. Det ombordværende neurale net er uddannet på den standard, "sunde" drift baseline af det specifikke anlægs udstyr. Tastes the Data 2. det 99.9% af logfilerne er "System Normal." Proxy afviser disse og sender et simpelt resumé til skyen. "Maskine A: Alle parametre nominelle kl. 10:00", sender den lille pakke til skyen for overensstemmelsesdashboards og afviser gigabytterne af rå logfiler med det samme. Filters the Noise 3 Det Det tillader kun de "VIP'er" (anomalierne) at komme igennem. Elevates the Signal: I Finance & Manufacturing opbevarer virksomheder i øjeblikket petabytes af "Success"-logs. Lagring af hver enkelt "200 OK" debug-meddelelse dræber cloud-lagringsbudgetter. Den dræber funktion: Dynamisk "Debug" injektion Hvis det eneste, Edge Proxy gjorde, var filterstøj, ville det være investeringen værd. . I en traditionel opsætning er debugging af et intermittent problem et mareridtsscenario. En hændelse opstår klokken 3.00. En ingeniør vågner op, SSH'er ind i maskinen, ændrer logningsniveauet fra standard INFO til verbose DEBUG, og derefter ... venter. De håber, at fejlen sker igen, mens disken fylder op med massive debuglogs. Det er reaktivt, langsomt og sjældent indfanger rodårsagen første gang. Vores AI Edge Proxy automatiserer dette helt. Aktiv interaktion Aktiv interaktion En "Trusted Machine" gør dette automatisk. Den lokale Neural Net på Edge Proxy overvåger vibrationssensor logs. 
 
 
 
 
 Misforståelsen (T-minus 60 sekunder): AI opdager et subtilt skift i harmonisk resonans. Det er ikke en fejl endnu, det har ikke krydset en hård tærskel. Men det er en 0,5% afvigelse fra den uddannede baseline. Det "mistenker" noget er galt. Handlingen (T-minus 59 sekunder): Proxyen fungerer straks som et orkestreringsagent. Den sender en kommando til den lokale maskinkontroller: "Løft loggningsniveauet til TRACE/DEBUG straks i de næste 15 minutter." The Capture (The Incident): To minutter senere griber bearingen øjeblikkeligt.Da systemet allerede var i DEBUG-tilstand, indfanger det høj-fidelitet, millisekund-for-millisekund granulære data, der fører op til og under fejlen. Revert (T-Plus 15 minutter): Når timeret udløber eller undtagelsessignaturen ryddes, dropper proxy automatisk systemet tilbage til standard INFO logging for at spare lokal diskplads. Vi bruger kun AI til at opbygge hækken, når vi ved, at en nål er ved at falde. Dette sikrer, at når vi sender data til skyen til dyb rod-årsagsanalyse, er det de rigtige data. Sikkerhed og den "troværdige maskine" Ud over effektivitet er denne arkitektur en hjørnesten i moderne industriel sikkerhed. Som det er beskrevet i kapitel 9 (Active Defense) af The Trusted Machine, er den triste virkelighed, at jo flere data du sender ud af dit sikre anlæg, jo større bliver dit angrebsoverflade. Ved at behandle logs lokalt fungerer AI Edge Proxy som et halvpermeabelt membran til dine data. Detaljerede operationelle blueprints, præcise produktionstoleranser og patient-identificerbar telemetri forbliver inden for det lokale netværksgrænse. Kun sanitiserede indsigter forlader lokalerne.Derudover implementerer vi nu "Industrial SIEM" lokalt ved at have AI på kanten. Proxy kan ikke kun opdage mekaniske anomalier, men også sikkerhedsanomalier som en PLC, der pludselig forsøger at kommunikere med en ukendt ekstern IP-adresse over en mærkelig port og straks klamrer forbindelsen ned. Den nederste linje Hvis du stadig sender petabytes af "System OK" logs til skyen i 2026, opererer du på en 2015 playbook. Fremtiden for Industri 4.0, Finans og Sundhed er ikke Big Data; det er **Smart Data**. Det handler om at have pålidelige, AI-drevne observatører på kanten, der kender forskellen mellem støj og et signal, og har autonomi til at handle på den viden i millisekunder. Referencer & yderligere læsning De høje omkostninger ved outrages Højimpact nedbrud i sektorer som Finance og Media kan koste virksomheder over $ 2 millioner pr. Time, hvilket fører til behovet for hurtigere, kantbaseret løsning i stedet for at vente på cloud latency. Kilde til: Ny Relic 2025/2026 Observabilitetsprognose Virkeligheden af “Cloud Exit” af , 37signaler rapporterede projekterede besparelser på over $ 10 millioner over fem år, hvilket validerer den finansielle sag for at eje din infrastruktur i stedet for at leje den. Returnering af arbejdsbelastninger fra AWS til deres egen hardware Kilde til: [ 37signaler "At forlade skyen" rapport Problemet med dataaffald Virksomhederne har indset, at virksomheder Dette medfører en stor ineffektivitet i opbevaring og forarbejdning. 70 % af de indsamlede observationsdata er unødvendige Kilde til: CNCF Blog: Observabilitetstrends i 2025 Besparelser ved Edge Filtering & Log Reduction Vedtagelse af "Adaptive Logs" -strategier til filtrering af data med lav værdi ved kilden kan resultere i en , der beviser den finansielle levedygtighed af AI Edge Proxy-modellen. 50 % reduktion i logvolumen Kilde til: Grafana Blog: Hvordan man reducerer omkostninger til metrics og logs Trenden med hjemsendelse (flytning tilbage fra cloud til on-prem/edge) for at kontrollere omkostninger, da organisationer kæmper for at styre spiralende cloud-udgifter. 80% af CIO'erne forventer et vist niveau af repatriering af arbejdsbelastningen Kilde til: Flexera 2025 tilstand af skyen

This story contains new, firsthand information uncovered by the writer.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Denne lyd er produceret på historiens originalsprog!

Cloud-modellen "Store Everything" er ved at bryde under moderne AI-arbejdsbelastninger

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet Sentry: HackerNoon Company of the Week

Meet Brave: HackerNoon Company of the Week

Avoid These Mistakes to Monetize Internet Products Profitably

Meet Bybit: HackerNoon Company of the Week

Meet Sentry: HackerNoon Company of the Week

Meet Brave: HackerNoon Company of the Week

Avoid These Mistakes to Monetize Internet Products Profitably

Meet Bybit: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps