Edge AI Industri: Kapan AI Dijalankan di Dekat Mesin

Model AI yang lolos uji coba di cloud belum tentu siap dipakai di lini produksi. Begitu dipasang, muncul pertanyaan yang tidak terlihat di laptop: apakah jawabannya datang sebelum produk lewat, apa yang terjadi saat internet di lokasi putus, dan berapa biaya mengirim video kamera 24 jam ke server?

Edge AI industri menjawab sebagian kasus itu dengan menjalankan model di perangkat dekat mesin, bukan di server jauh. Namun, edge AI tidak selalu pilihan terbaik. Artikel ini membahas kapan AI sebaiknya berjalan di lokasi pabrik, kapan cukup di cloud, dan biaya perawatan yang sering terlupa.

Apa itu edge AI industri

Ada dua tahap dalam memakai machine learning. Pelatihan adalah proses model belajar dari data historis; tahap ini butuh banyak data dan daya komputasi, tapi hanya dilakukan sesekali. Inferensi adalah saat model yang sudah jadi menilai data baru, misalnya memberi skor risiko setiap menit atau memeriksa setiap gambar produk.

Edge AI berarti inferensi berjalan dekat sumber data. Pilihan lokasi inferensi, dari yang paling dekat sampai paling jauh:

• Di perangkat atau mesin itu sendiri, misalnya kamera pintar atau modul komputasi di panel mesin.
• Di komputer industri pada lini produksi, yang melayani beberapa mesin atau kamera sekaligus.
• Di server on-premise, di jaringan lokal pabrik tapi terpisah dari mesin.
• Di cloud, yaitu server di pusat data yang diakses lewat internet.

Pelatihan hampir selalu tetap dilakukan terpusat, karena di sanalah data historis dari banyak mesin terkumpul. Yang dipindah ke edge biasanya hanya inferensinya.

Empat pertanyaan penentu

1. Seberapa cepat keputusan harus diambil?

Jika jawaban model harus menggerakkan sesuatu dalam satu siklus mesin, misalnya membuang produk cacat dari konveyor, perjalanan data ke cloud dan kembali menjadi masalah. Sebagai ilustrasi, konveyor yang bergerak 1 meter per detik dengan jarak 0,5 meter dari kamera ke pembuang hanya memberi waktu setengah detik untuk mengambil gambar, menjalankan model, dan menggerakkan aktuator, sementara waktu tempuh internet tidak bisa dijamin konsisten. Sebaliknya, keputusan dalam hitungan jam atau hari, seperti menjadwalkan servis atau merencanakan energi besok, tidak butuh edge.

2. Apakah koneksi lokasi bisa diandalkan?

Pabrik di kawasan industri biasanya punya koneksi stabil. Stasiun pompa, perkebunan, tambang, atau gardu jauh sering hanya mengandalkan sinyal seluler yang kadang hilang. Tanyakan: apa akibatnya bila model tidak bisa dihubungi saat koneksi putus? Jika hanya laporan yang tertunda, cloud masih cukup. Jika keputusan di lokasi harus tetap berjalan, inferensi perlu ada di lokasi. Perbandingan jalur koneksinya dibahas di memilih konektivitas IoT.

3. Berapa besar datanya?

Sensor suhu yang mengirim satu nilai per menit menghasilkan 1.440 nilai sehari, murah dikirim ke cloud. Sinyal getaran mentah yang dicuplik 10.000 kali per detik (ilustrasi) menghasilkan 864 juta nilai sehari per sumbu, dan video kamera jauh lebih besar lagi. Untuk data seperti ini, edge mengolah data mentah di lokasi dan hanya mengirim hasilnya: skor, kejadian, atau ringkasan seperti nilai RMS getaran.

4. Siapa yang merawat perangkatnya?

Model di cloud ada di satu tempat: diperbarui sekali, dipantau dari satu dashboard. Model di edge tersebar di banyak perangkat yang masing-masing perlu diperbarui, diamankan, dan diganti saat rusak, sering di ruangan panas dan berdebu. Biaya ini jarang muncul di proposal awal, padahal menentukan apakah sistem masih berjalan dua tahun kemudian.

Satu pertimbangan tambahan adalah kebijakan data. Sebagian perusahaan tidak mengizinkan video area kerja atau data proses tertentu keluar dari lokasi. Dalam kasus itu, inferensi on-premise menjadi syarat, bukan pilihan.

Contoh: di mana model sebaiknya berjalan

Tabel berikut gambaran umum, bukan aturan. Setiap lokasi tetap perlu dinilai dengan empat pertanyaan di atas.

Kasus	Lokasi inferensi yang umumnya cocok	Alasan utama
Memisahkan produk cacat di konveyor cepat	Edge, di lini	Latensi dan volume gambar
Deteksi anomali dari getaran frekuensi tinggi	Hybrid: ringkasan dihitung di edge, model tren di cloud	Volume data mentah
Prediksi kebutuhan servis dari tren harian	Cloud	Keputusan dalam hitungan hari
Forecasting energi atau produksi	Cloud	Butuh data historis dan data lintas lokasi
Analitik CCTV untuk keselamatan area	Edge atau on-premise	Volume video dan kebijakan privasi
Membandingkan kinerja antarpabrik	Cloud	Data harus terkumpul di satu tempat

Pola yang paling sering dipakai: latih terpusat, jalankan di edge

Dalam praktik, pilihannya jarang hitam-putih. Pola yang paling umum:

1. Data historis dikumpulkan ke platform pusat, dan model dilatih di sana.
2. Model yang sudah diuji dikemas dan dikirim ke perangkat edge, sering dalam versi lebih ringan agar muat di perangkat yang lebih kecil.
3. Perangkat edge menjalankan inferensi dan mengirim hasilnya (skor, kejadian, beberapa contoh data) ke platform pusat.
4. Kinerja model dipantau terpusat. Jika akurasinya turun karena bahan baku, produk, atau mesin berubah, model dilatih ulang dan versi barunya dikirim lagi.

Dengan pola ini, keputusan cepat tetap di lokasi, sementara pengetahuan tentang semua mesin terkumpul di satu tempat. Contoh model yang sering diterapkan dengan cara ini dibahas di deteksi anomali mesin dengan machine learning.

Biaya dan perawatan yang sering terlupa

• Perangkat keras yang tahan lingkungan pabrik. Komputer kantor biasa sering tidak tahan panas, debu, dan getaran di lantai produksi.
• Pembaruan jarak jauh. Harus ada cara mengirim model dan perangkat lunak baru ke semua perangkat, dan kembali ke versi lama bila versi baru bermasalah.
• Pemantauan kesehatan perangkat. Perangkat edge yang mati diam-diam berarti keputusan berhenti diambil tanpa ada yang tahu.
• Keamanan. Setiap perangkat tambahan di jaringan OT adalah pintu masuk baru. Lihat keamanan siber OT dan IoT industri.
• Penanggung jawab yang jelas. Tentukan sejak awal siapa yang menangani perangkat edge yang rusak: tim IT, tim maintenance, atau penyedia.

Yang perlu diperhatikan

• Edge tidak memperbaiki data yang buruk. Model yang lemah di cloud tetap lemah di edge.
• Model edge sering diperkecil agar muat di perangkat, sehingga akurasinya perlu diuji ulang, bukan diasumsikan sama.
• Fungsi keselamatan tetap di sistem proteksi dan PLC. AI sebaiknya memberi saran atau memicu tindakan yang tidak kritis, bukan menggantikan interlock keselamatan.
• Buktikan nilainya dulu. Kecuali latensi memang syarat utama, uji model di cloud lebih dulu dan beli perangkat edge setelah model terbukti berguna.

Pertanyaan yang sering diajukan

Apakah edge AI selalu lebih cepat?

Tidak selalu. Edge menghilangkan waktu tempuh jaringan, tapi perangkat edge biasanya lebih lemah dari server. Untuk model besar, total waktunya bisa saja lebih lama. Keunggulan edge yang paling konsisten adalah waktunya bisa diprediksi.

Apakah edge AI membutuhkan GPU?

Bergantung modelnya. Model untuk data sensor seperti suhu dan getaran sering cukup berjalan di prosesor biasa. Model untuk gambar dan video umumnya butuh akselerator AI agar cukup cepat.

Bisakah mulai di cloud lalu pindah ke edge?

Bisa, dan sering lebih aman. Model yang sudah terbukti di cloud bisa dikemas untuk edge, asalkan sejak awal kebutuhan latensi dan ukuran modelnya ikut dicatat.

Kalau inferensi di edge, apakah data tetap dikirim ke cloud?

Biasanya ya, tapi jauh lebih sedikit: hasil inferensi, ringkasan, dan contoh data untuk melatih ulang model. Tanpa data ini, kinerja model tidak bisa dipantau.

Edge AI industri bersama INCLUDE

Lewat jasa predictive analytics dan machine learning, tim INCLUDE mulai dari keputusan yang ingin diperbaiki dan kajian data, lalu melatih dan menguji model terhadap data historis Anda. Model bisa berjalan di cloud, atau langsung di perangkat edge bila keputusan harus cepat atau koneksi terbatas. Pilihannya ditentukan dari kebutuhan latensi, kondisi jaringan, dan volume data di lokasi Anda.

Di mana pun model berjalan, hasilnya tampil di platform INCLUDE sebagai skor, prediksi, dan alarm, berdampingan dengan data sensor. Akurasinya dipantau, dan model dilatih ulang saat kondisi operasi berubah. Untuk organisasi yang datanya tidak boleh keluar dari lokasi, paket Enterprise menyediakan opsi on-premise atau hybrid dan model AI khusus; rinciannya ada di halaman harga.