Kommer du ihåg "Enterprise Cloud Rush" runt 2015? Vi behandlade hyperscaler molnet som en oändlig skräp för våra data. Varje sensor på sjukhuset, varje vibrationsläsning från en femaxlig CNC-maskin, varje transaktionslogg i banken. Vi pipade allt till AWS S3-buckets eller Azure Blob Storage. Vi kallade det stolt "Observability".Vi gratulerade oss själva till att bygga "Data Lakes". I verkligheten byggde vi data swamps. dyra, bandbredd-hogging, latency-ridden swamps. Jag har tillbringat över 22 år med att utforma system för Industry 4.0-miljöer för företag som , och om det finns en svår lektion jag har lärt mig, är det här: Den modellen kunde ha fungerat år 2015, men den dog någonstans runt 2024 när AI äntligen stabiliserades tillräckligt för att lita på vid kanten. Nu, år 2026, fortsätter att kasta rådata i molnet inte bara ineffektivt. Apple, PayPal, and GE Digital The "Store Everything, Analyze Later" model is dead. Detta är anledningen till att industrin måste gå mot , och varför din fabrik (eller sjukhus) behöver sluta skicka varje enskild logg till molnet. AI Edge Proxy Problemet med ”nanosekunden” För att förstå varför den gamla modellen misslyckades måste du förstå omfattningen av modern industriell telemetri.Vi talar inte om en Apache-webbserver som loggar några träffar per sekund. Föreställ dig en modern biltillverkningsanläggning. Ta en enda robot svetsarm. Det loggar inte bara "Weld Complete." Varje enda millisekund rapporterar dess servomotorer vridmoment, strömdragning, vinkel och temperatur. Svetsspetsen rapporterar spänning, trådmatningshastighet och gasflödeshastighet. Nu, multiplicera det med 500 robotar på en enda produktionslinje. I arkitekturen "Pre-2024 Era" var rörledningen brutalt enkel och brutalt ineffektiv: 
 
 
 
 
 Källa: Enheter genererar terabyte råa högfrekventa loggar dagligen. Transport: Vi blockerar fabriken WAN som skickar 100% av denna data till molnet. Lagring: Vi betalar för att lagra petabyte data, varav 99,9% säger "Systemet fungerar normalt." Analys (Too Late): Ett molnbaserat schemalagt jobb vaknar upp 4 timmar senare för att söka efter anomalier. Vid den tidpunkt då det upptäcks ett lagerfel har produktionslinjen redan varit stängd i tre timmar. Som jag diskuterar i kapitel 1 (Den nya industriella revolutionen) av min kommande bok, The Trusted Machine, är detta Latency Challenge. Cloud-only AI misslyckas i tillverkning eftersom när en höghastighetsfräsmaskin flyter utanför axeln, har du inte några sekunder att runda-trip data till ett datacenter i norra Virginia för att fråga vad man ska göra. Du har millisekunder.Dessutom har de finansiella kostnaderna blivit ohållbara. Organisationer insåg att de spenderade förmögenhet överföra data som ingen människa eller maskin skulle någonsin titta på igen.* The Reality Check: Enligt forskning citerad av CNCF år 2025, är nästan 70% av de insamlade observationsdata onödiga, vilket leder till uppblåsta lagringskostnader utan att lägga till värde. 
 
 Kostnaden för fördröjning: I tillverkning, finans eller kritisk hälso- och sjukvård är väntan på moln latency inte bara irriterande. Kostnaden för fördröjning: I tillverkning, finans eller kritisk hälso- och sjukvård är väntan på moln latency inte bara irriterande. Lösningen: "Bouncer" (AI Edge Proxy) Ebay Flytande intelligens "Upstream" Vi behövde intelligens som levde i röret, precis bredvid maskinen, inte i slutet av en lång nätverksanslutning. Vi började distribuera lokala, lätta Neural Networks precis vid kanten, som körs på hårdvara som NVIDIA Jetson-moduler eller robusta industriella datorer integrerade i OT (Operational Technology) nätverk. Jag kallar det AI Edge Proxy. Tänk på den som a I gamla dagar lät vi alla (varje logglinje) inuti och hoppades att säkerhetsvakterna inuti (Cloud AI) skulle sortera ut problemskaparna senare. AI Edge Proxy highly trained bouncer at an exclusive nightclub Hur det fungerar: Den Edge Proxy sitter i logg rörledningen, absorberar brandsläckaren av rå telemetri via protokoll som MQTT eller OPC-UA. 1. det : Edge Proxy sväljer brandslangen av rå telemetri lokalt. Den ombord neural nät är utbildad på standard, "hälsosam" drift baslinje av den specifika anläggningens utrustning. Tastes the Data 2. det Proxy avlägsnar dessa och skickar en enkel sammanfattning till molnet. ”Maskin A: Alla parametrar nominella vid 10:00”, skickar det lilla paketet till molnet för överensstämmelse instrumentpaneler, och avlägsnar gigabyte rå loggar omedelbart. Filters the Noise 3 Det Det tillåter bara "VIPs" (anomalierna) att passera. Elevates the Signal: I Finance & Manufacturing samlar för närvarande företag petabyte av "Success" loggar. Att lagra varje enskild "200 OK" debug-meddelande dödar molnlagringsbudgetar. Killerfunktionen: Dynamisk "Debug" injektion Om det enda som Edge Proxy gjorde var att filtrera buller, skulle det vara värt investeringen. . I en traditionell inställning är debugging av ett intermittent problem ett mardrömsscenario. En incident inträffar klockan 3 på morgonen. En ingenjör vaknar, SSHs in i maskinen, ändrar loggningsnivån från standard INFO till verbose DEBUG, och sedan ... väntar. De hoppas att felet händer igen medan disken fylls med massiva debuggloggar. Det är reaktivt, långsamt och fångar sällan roten orsaken första gången. Aktiv interaktion Aktiv interaktion En ”tillförlitlig maskin” gör detta automatiskt. Låt oss gå tillbaka till den CNC-maskinen. det lokala Neural Net på Edge Proxy övervakar vibrationssensorloggar. 
 
 
 
 
 Misstankarna (T-minus 60 sekunder): AI upptäcker en subtil förändring i harmonisk resonans. Det är inte ett fel ännu, det har inte passerat en hård tröskel. Men det är en avvikelse på 0,5% från den utbildade baslinjen. Det "misstänker" att något är fel. Handlingen (T-minus 59 sekunder): Proxyn fungerar omedelbart som en orkestreringsagent. Den skickar ett kommando till den lokala maskinkontrollern: "Öka loggningsnivån till TRACE/DEBUG omedelbart under de kommande 15 minuterna." The Capture (The Incident): Två minuter senare fångas bäraren tillfälligt.Eftersom systemet redan var i DEBUG-läge, fångar det hög tillförlitlighet, millisekunder-för-millisekunder granulära data som leder fram till och under felet. Revert (T-Plus 15 minuter): När tidtagaren löper ut eller signaturen för anomali rensas släpper proxy automatiskt systemet tillbaka till standard INFO-loggning för att spara lokal diskutrymme. Vi söker inte längre efter nålar i haystacks.Vi använder AI för att bygga haystack bara när vi vet att en nål är på väg att falla.Detta säkerställer att när vi skickar data till molnet för djup root-cause-analys, det är rätt data. Säkerhet och den ”tillförlitliga maskinen” Utöver effektivitet är denna arkitektur en hörnsten i modern industriell säkerhet. Som det beskrivs i kapitel 9 (Aktivt försvar) i The Trusted Machine, är den sorgliga verkligheten att ju mer data du skickar ut ur din säkra anläggning, desto större blir din attackyta. Genom att bearbeta loggar lokalt fungerar AI Edge Proxy som en halvpermeabel membran för dina data. Detaljerade operativa blueprints, exakta tillverkningstoleranser och patientidentifierbar telemetri stannar inom den lokala nätverksgränsen. Endast sanerade insikter lämnar lokalerna.Dessutom genom att ha AI vid kanten implementerar vi nu "Industrial SIEM" lokalt. Proxy kan upptäcka inte bara mekaniska anomalier, men säkerhetsanomalier som en PLC plötsligt försöker kommunicera med en okänd extern IP-adress över en konstig port och klämma ner anslutningen omedelbart. Den nedre linjen Om du fortfarande skickar petabyte av "System OK" loggar till molnet 2026, du arbetar på en 2015 spellogg. Framtiden för Industri 4.0, finans och hälso- och sjukvård är inte Big Data, det är **Smart Data**. Det handlar om att ha pålitliga, AI-driven observatörer på kanten som vet skillnaden mellan buller och en signal, och har autonomi att agera på den kunskapen i millisekunder. Referenser & vidare läsning Den höga kostnaden för outrages Högeffektiva avbrott i sektorer som finans och media kan kosta företag över 2 miljoner dollar per timme, vilket leder till behovet av snabbare, kantbaserad upplösning i stället för att vänta på moln latency. Källa : Ny Relic 2025/2026 Observabilitetsprognos Verkligheten i ”Cloud Exit” av , 37signaler rapporterade projekterade besparingar på över $ 10 miljoner över fem år, vilket validerar det finansiella fallet för att äga din infrastruktur snarare än att hyra den. Repatriera arbetsbelastningar från AWS till egen hårdvara Källa : [ 37signaler "Lämna molnet" rapport Problemet med dataavfall Företagen har insett att företag som leder till stora ineffektiviteter i lagring och bearbetning. 70 % av de insamlade observationsdata är onödiga Källa : CNCF Blogg: Observabilitetstrender år 2025 Spara pengar från Edge Filtering & Log Reduction Antagandet av "Adaptive Logs" -strategier för att filtrera lågvärdesdata vid källan kan resultera i en , bevisar den ekonomiska livskraften för AI Edge Proxy-modellen. 50% minskning av loggvolymer Källa : Grafana Blog: Hur man minskar kostnaderna för mätningar och loggar Trenden med repatriering (flyttar tillbaka från molnet till on-prem/edge) för att kontrollera kostnader, eftersom organisationer kämpar för att hantera spiraliga molnutgifter. 80% av CIO: er förväntar sig viss arbetsbelastningsrepatriering Källa : Flexera 2025 State of the Cloud-rapporten

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

Det här ljudet är producerat på berättelsens originalspråk!

"Store Everything" molnmodellen bryter under moderna AI-arbetsbelastningar

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps