Olá pessoal, sejam muito bem-vindos ao nosso curso de Edge Computing. Exemplos de implementação de tipos de Edge Computing. Neste momento aqui, nós vamos comentar um pouquinho sobre alguns exemplos de mercado de alguns tipos de edcomputing. Então nós pegamos aqui um compilado de empresas que utilizam edcomputing, pegamos os tipos e formatos de edcomputing que a gente escutou já falar e vamos aqui dar uma explorada como que elas utilizaram cada estratégia de edcomputing para resolver um problema ali da sua empresa. Então, iremos abordar aqui um exemplo prático de algumas empresas no tipo de Fog Computing. Vamos abordar também sobre Mist Computing. Também vamos falar sobre Mobile Edge Computing, o famoso NEC. e aí vocês lembram que tem outro nome também dessa abordagem. Vamos falar sobre um pouquinho de Cloudlets e vamos falar aqui um conceito mais genérico de Edge Computing, como as empresas vêm adotando. Esse último aqui, não coloquei um tipo específico, mas é uma abordagem de Edge Computing e a gente vai falar aí de algumas empresas que estão fazendo Edge Computing e vêm ganhando alguns ganhos. Então, a ideia aqui dessa parte é a gente entender como as empresas ganham proveito de adcomputing. Então, vamos trazer aqui um exemplo de adcomputing usando fog computing. Então, vou comentar aqui a primeira empresa que utilizou fog computing ou construiu algo em fog computing para acelerar a adoção em adcomputing. Então, a gente vai começar aqui pelo setor de manufatura. Então essa empresa Cisco, ela construiu uma plataforma onde eles conseguem acelerar a adoção de Edge Compute para a indústria de manufatura. A plataforma era chamada de Ciscoatividade. Então, basicamente, esse case aqui é muito voltado para o setor de manufatura, onde eram colocados sensores ali, IoTs, para entender como que estavam as coisas acontecendo ali naquela indústria. E eles fazem uma análise totalmente preditiva dos comportamentos ali. E aí, qual era a grande ideia dessa plataforma? Você ter uma menor inatividade, uma menor redução de tempo de uma manutenção. Então, você conseguia ter uma manutenção preventiva. Você consegue, antes de ocorrer uma falha em alguma coisa, você parar toda a sua máquina, seu maquinário, e não causar um prejuízo maior, diminuir esse tempo de falha, diminuir esse tempo de manutenção. E também um outro ponto que acho que vale comentar é fazer manutenções que realmente fazem sentido. Então, exemplo, você ter todo um overview ali de que aquela peça não precisa ser trocada o óleo, porque o óleo está bom, então através de sensores que o óleo está bom, então você consegue entender melhor o seu contexto. Então, a Cisco construiu essa plataforma para acelerar a Edge Computing. Então, como a gente está falando aqui de uma empresa, o processamento é local ali, a análise é local, tem que ter um tempo de resposta grande, e isso também tem que ser independente de uma internet, de uma cloud ali. Então, eles construíram essa plataforma onde se embarcava dentro do seu device. nessa plataforma onde se embarcava dentro do seu device. Então, vamos falar aqui um pouquinho de uma outra abordagem de fog computing em outra indústria, em outra empresa. Então, vamos lá. Então, aqui é no setor de transportes, que a gente vai comentar aqui um pouquinho. A empresa agora aqui é a Itachi. Então, a Itachi é inserida na questão de transportes. Então, o que a Itachi fez referente à Fog Computing? Ela implementou o Fog Computing para sistemas de transportes inteligentes. Ela permite análise de dados em tempo real, para melhorar a segurança e a eficiência do transporte público. A tecnologia hoje é utilizada para monitorar e analisar o tráfego, ajudando a otimizar rotas e reduzir congestionamentos. Então, a Itachi é uma grande empresa no setor de transportes. Eu acho que vale comentar que a Itachi já vendeu alguns trens de metrô no metrô de São Paulo. Ela é muito forte nessa questão de transportes. O que eles construíram? Até possa parecer um pouco dúbio, eles construíram como se fosse um Waze, um Waze muito mais voltado para a questão de transportes públicos, transportes inteligentes, onde eles conseguem perceber como está aquele trânsito. E aí, quando a gente diz perceber como está aquele trânsito, tem uma grande diferença aqui. Através dos sensores que estão instalados em uma cidade, eles conseguem saber como realmente está aquele trânsito naquele momento. Então, independente de software, independente da interação dos usuários, a Itachi construiu essa plataforma de fog computing, onde eles identificavam se o trânsito está bom, se o trânsito está ruim, então eles começaram a colocar no final do dia aqui dispositivos IoT, dispositivos em vários lugares, onde eles conseguem se uma melhor abordagem para quem está conduzindo, por exemplo, um ônibus. Então, ele sabe onde é a melhor rota para ele ir, ele consegue direcionar os melhores locais, ou até mesmo, um exemplo, entender que ali naquela rua tem uma obra. Só que o grande diferencial da Itachi é a questão do fog computing. Então, tem devices próximos ali dos seus usuários. A análise está sendo feita ali naquela cidade, naqueles ônibus, naqueles transportes públicos, entendendo várias coisas do ambiente e trazendo insights, reduzir rota, otimizar rota. Então, também é utilizado se você parar para pensar na questão de transportes, não somente o transporte público, mas transportes inteligentes de carga, enfim. Então, eles têm esse case muito mais voltado a transporte. Agora vamos falar um pouquinho sobre a Misty Computing. Então a ideia aqui é trazer um case que é aplicado Misty Computing. Então só lembrando, Misty Computing é a nossa camada entre o Edge e o Foggy Computing. Ela vai estar praticamente aqui na nossa rede local, né? E aí é esse conceito aqui de Mist Compute. Pode ser também utilizado muito com gateways, tá? Então, a gente vai falar aqui no setor agrícola sobre Mist Compute. Então, a Z-Tractor, ela tem um case de Mist Compute, onde a Z-Tractor, basicamente o que ela fez? Ela construiu tratores autônomos. Então, imaginem o seguinte, igual os carros da Tesla, onde a gente tem carros autônomos, carros que são guiados pela máquina, eles conseguem andar sem uma pessoa conduzindo. Então, essa empresa usou o Mist Computing para permitir a análise em tempo real e a coleta de dados de diferentes sensores instalados no veículo. E o porquê disso? Como que você deixa o objeto ali, um trator autônomo, sem ter algum ser humano pensando? Então, necessita de você ter um processamento em tempo real, para você entender cada pedacinho do seu contexto, para você ter uma eficiência em uma colheita. Então, tanto para ele entender as suas rotas que ele precisa fazer, quanto monitorar a questão ali do solo, se o solo realmente está adequado para uma coleta ou não. E aí, posteriormente, ele coletar no outro dia. Então, eles construíram toda essa mist-compute aqui para que eles pudessem ter os tratores autônomos, para que eles consigam entender todo um contexto agrícola ali, para melhorar a produtividade, para melhorar a questão da coleta. Então, quais são os momentos reais ali daquele hectare, daquela plantação ali, se realmente pode ser coletado ou não. E não simplesmente passar ali, coletar e depois falar, pô, não, não, tive um prejuízo porque não estava maduro, não estava bom aquilo. Então, ele, além de ser autônomo, ele também tem todo um contexto ali agrícola, para entender realmente se aquilo faz sentido ou não, e fazer a coleta. Então, eles usaram o mist compute para esse case e vamos aqui falar de um outro case sobre mist compute então este case aqui é no setor de saúde. Então, vamos falar da Health Catalyst. A Health Catalyst, ela utilizou o Misty Compute para analisar a telemedicina. Então, basicamente, ele coleta vários dados de vários dispositivos, de vários wearables que as pessoas utilizam. Então, são os dispositivos vestíveis ali, né? Que seja um relógio, que seja um aparelho de pressão, enfim, para ter um maior tempo de resposta no atendimento ali de um paciente, né? Então, qual que é a grande ideia, né? Que eles construíram com a questão da MISC Compute. Então, eles criaram dispositivos onde esses dispositivos a pessoa veste ele, pode ser mais de um dispositivo, eles conseguem processar, entender ali um cenário, então eles conseguem entender se a pessoa está com uma pressão alta, se a pessoa está com uma diabetes alta, enfim, eles se comunicarem entre eles, né? Então, centralizar ali uma comunicação entre esses dispositivos, entender a questão ali de casos que são críticos, né? Então, diminuir ali o risco de uma pessoa, por exemplo, acontecer alguma coisa com essa pessoa por conta de falta de monitoramento, né? E um ponto importante, né? Esse case aqui é em tempo real. O que quer dizer? Então, a pessoa está sendo constantemente monitorada ali pelos seus sinais vitais para saber o que está acontecendo e em qual momento aconteceu. E um ponto que também acho que só vale lembrar que é, a gente está falando de uma telemedicina. Então, exemplo, algum paciente em algum caso um pouquinho mais grave, onde a pessoa vai e volta para o hospital, de UTI, às vezes tem que ficar internado, enfim, tem que ficar em observação, aquela observação em casa, aquele monitoramento em casa, para ver se realmente a pessoa melhorou ou não, esse case aqui é ótimo para isso, porque ele coloca vários dispositivos na pessoa, onde ele fica monitorando ali em tempo real o que está acontecendo, dá os insights ali em tempo real, então talvez um alerta, um alarme, alguma coisa que possa soar ali para as pessoas que estão ali próximo daquele paciente. Posteriormente, esses dados podem também ser trafegados para um cloud central, para que o médico entenda ali também aquele alerta, o que aconteceu. E aí diminuir esse tempo, reduzir o tempo de ambientes críticos, de um paciente crítico, é a grande ideia. E eles utilizaram o MistComputing para resolver isso. Então, como a gente precisa de algo em tempo real, algo muito rápido, o MistComputing casa muito bem. Ele está ali, muito próximo do usuário, centralizando várias informações, processando essas diversas informações, tirando alguns insights e já gerando alguns alertas para que possa ser tomada alguma providência necessária naquele contexto ali daquela pessoa, daquele paciente. Vamos agora para um outro case aqui, que a gente vai comentar agora sobre o famoso mobile edge computer nosso famoso Mac e vamos lá galera então aqui lembrando Mac né ele tá muito próximo ali a questão de telecomunicações né então normalmente os Mac né o conceito de Mac a gente consegue levar dispositivos ou poder de processamento próximo ali da das nossas antenas ali de telecomunicação né nosso 3G 5G 4G e assim e assim tá então falando isso a gente vai começar aqui com que ele de telecomunicações tá Só para vocês entenderem um pouco de como algumas empresas do setor de telecomunicação vem também utilizando a questão do Mac ali para acelerar seu poder de processamento, tá? Então, vamos começar aqui com a Verizon. A Verizon, ela utiliza o Mac para oferecer baixa latência em rede 5G. Ela suporta aplicações como carro autônomo, realidade aumentada e virtual. Então, a Verizon disponibiliza para os seus clientes uma infraestrutura onde eles conseguem colocar seu poder de processamento ali, muito voltado à questão dos carros autônomos, realidade virtual, realidade aumentada, e que ela consiga já processar ali naquela rede e devolver. Então, quando a gente fala de carros autônomos, é um grande caso. Você não pode estar muito longe ali do seu seu carro autônomo né é por uma série de fatores que estão entender ali o contexto do farol entendeu o contexto de uma pessoa atravessando né então você tem que cada vez mais aproximar o seu poder ali de processamento para próximo do seu device né do sua fonte geradora, que é o carro dos seus dispositivos. Então, você pode usar estratégias onde ele consiga, um exemplo, ali naquela rede MAC, entender todos os carros que estão próximos ali, um exemplo, e você começar a tirar insights, insights onde tem um buraco, então um carro autônomo identificou um buraco ali naquela via, como que ele consegue avisar todo mundo ali e ter um processamento rápido de todo aquele contexto? Ele envia para uma rede MAC, a rede MAC vai ter ali seu processamento e ela vai distribuir para os carros. Então, a Verizon, no final do dia, eles criaram a SageMech ali para realmente disponibilizar para as necessidades do mundo real, necessidades que a gente precisa diminuir a latência e reduzir o tempo de resposta. a latência e reduzir o tempo de resposta. Então, vamos falar aqui de outro case também que utilizou a tecnologia Mac para resolver algum problema ali no contexto do mundo real. Então, vamos falar aqui do setor de entretenimento. Então, a NTAT, eles implementaram o Mac para melhorar a experiência de streams de vídeo e jogos online. Então, eles utilizaram a infraestrutura Mac para reduzir a questão da latência, melhorar a qualidade dos serviços e proporcionar uma experiência fluida para os usuários. O que isso significa nesse contexto? Então, quando a gente olha, a gente falou aqui muito de questão de dispositivos, IoT, todo esse outro cenário também, que a gente precisa ter um processamento em tempo real, uma análise em tempo real, uma análise até mais refinada, porque você está pegando um contexto ali o nosso mundo real né mas também isso serve para questão por exemplo do que esse aqui né que a gente tá falando de stream de vídeo e jogos online então imagina o seguinte se você consegue aproximar cada vez mais diminuir o tempo de resposta ali de uma carga de um vídeo, de uma carga de um filme que é um lançamento, a experiência do seu usuário é fantástica. Então, quando ele começa a assistir o filme, ele não tem aquela sensação de que o filme está parando ali no meio. Então, ele consegue ter algo fluído. E aí, quando a gente vai para os jogos, os jogos são cada vez mais interativos, cada vez mais online. Eles têm uma interação hoje em dia com todo mundo, com várias pessoas. E aí imagina o seguinte, você está jogando um jogo de tiro, onde você atira e tem um delay, um lag de alguns segundos. Isso impacta no seu jogo, na sua experiência. E aí quando você traz essa experiência para a rede Mac, como esse case aqui da Entity, você melhora muito, porque você consegue com que seja em tempo real a sua jogabilidade. Então, você consegue ter algo muito próximo da hora que você apertou o botão e você já tem o resultado ali na sua tela. E aí, é uma empresa aqui que a gente comenta também, é uma empresa de telecomunicações. Porém, ela também distribui, ela deixa com que seus clientes possam utilizar essa sua rede, né, esse seu Zed Computers Mac para ter essa experiência melhor, né, então aqui a gente está focando em questão de vídeos e jogos online ali, né, então ela começa a diminuir, né, e melhorar essas experiências, e aí sempre pensando em reduzir latência e melhorar essas experiências. E aí sempre pensando em reduzir latência e melhorar o tempo de resposta. Então aqui vamos falar dos nossos cases de Cloudlets. Então só para dar uma relembrada para vocês, o que era os Cloudlets? Então os Cloudlets na, são micro data centers, então, são data centers que eles conseguem ser migrados de localização facilmente. Então, eles são data centers onde eles são móveis, então, eles podem estar em um lugar agora e podem estar em outro lugar. Tudo bem? Então, isso é o CloudLabs. E aí, vamos falar aqui de um case que é muito interessante utilizando o CloudLabs. Então, a gente vai falar aqui de um case referente ao setor de saúde. E a gente vai falar aqui do case da Carnegie Mellon University. Então Então, a universidade criou um micro data center, onde esse data center é móvel. E aí, o principal intuito deles eram em cirurgias que utilizavam robôs para fazer a cirurgia. E eles precisavam diminuir a latência, o tempo de resposta ali naquela cirurgia. Então, com diversos sensores, com diversos estímulos, eles recebiam vários estímulos ali naquela cirurgia, de muitos dados e eles precisavam processar aquilo em tempo real. de muitos dados e eles precisavam processar aquilo em tempo real. Então, eles construíram cloudlets, então, um cloudlets ali para que ele pudesse fazer uma cirurgia com uma tranquilidade e também todos os dispositivos ali dando um tempo de resposta para aquela pessoa que está fazendo a cirurgia, para aquele médico ali, para que ele consiga entender também os sinais, que sejam os sinais vitais do paciente, que sejam os sinais ali também da máquina ali, da precisão daquela máquina. Então, esse case aqui é um case de cloudlets. E aí, o porquê também ser Cloudlets? Porque é possível você migrar para determinados locais, então eles não necessariamente precisavam ficar em um único hospital, eles conseguem migrar toda aquela inteligência, todo aquele ferramental de processamento para um local ali onde tem outra necessidade referente à questão de uma cirurgia ali, utilizando robôs. Então, é um pouquinho aí de um case de Cloudlets. Vamos trazer aqui um outro case também de Cloudlets. Então, é no setor militar. Então a DARP, ela utilizou o conceito ali de Cloudlets, aonde eles construíram novamente também um micro ali, data center, que ele é móvel, então ele pode estar por exemplo, num tanque militar ou num caminhão militar, onde eles conseguem capturar todos os insights de um campo de batalha, todos os insights militares para ter uma tomada de decisão rápida. Então, quando a gente está ali, imagina o seguinte, quando a gente fala de militar ali, imagina você estar num lugar onde está acontecendo diversas coisas, é um ambiente muito crítico, muito caótico, existe a questão emocional ali das pessoas, existe todo um contexto não tão fácil, não tão simples ali. E aí a DARP desenvolveu a questão de Cloudlets, para que ele consiga tirar os insights com diversos dispositivos, diversos drones, diversas coisas ali, onde ele tem uma análise em tempo real do contexto militar. do contexto militar. Então, a DARPA usou o CloudLets voltado para esse conceito mais militarizado, para diminuir literalmente o tempo de resposta, diminuir a latência. Então, às vezes você vai estar em um lugar que a internet ali não existe, ou se existia, não existe, por algum fator da questão da parte militar mesmo, de uma guerra ou alguma coisa assim, e aí eles desenvolveram esses Cloudlets para resolver esses problemas em campo de batalha mesmo, no uso militar. Agora vamos para os nossos cases um pouquinho mais genéricos sem abordar ali como cada empresa fez ou utilizou alguns conceitos de Edge Computing muito mais específicos para cada tipo e aqui a gente vai falar algo um pouquinho mais genérico algo um pouquinho mais sobre Edge Computing e alguns setores que as empresas utilizaram para resolver aí tá então vamos começar aqui no setor do varejo tá então a Walmart eles utilizaram é de Compute na questão ali dos seus inventários tá então que que é o Walmart fez no quesito ali de Edge Compute tá E aí é só um ponto também que vale comentar é que aqui pode estar inserido tanto em fog compute pode estar inserido em mist compute em cloudlet e assim por diante. Aqui é mais para vocês entenderem um pouco do que o Walmart fez sobre o Edge Compute. Então, eles utilizaram o Edge Compute para gerenciar os seus inventários em tempo real. Então, eles desenvolveram ali algumas antenas físicas, onde basicamente uma pessoa com um pequeno aparelho ali, a pessoa conseguia levantar esse aparelho, essa antena, e a partir do momento que a pessoa fazia essa ação, o dispositivo de Edge Compute conseguia entender todo o seu estoque, todo o seu inventário ali, né? E trazer uma resposta de quantidade, né? Então, ele consegue entender o estoque, né? O que tem ali dentro daquele estoque em tempo real. Isso daí, eles conseguiram otimizar a logística e melhorar a experiência dos clientes, né? a experiência dos clientes, através de entender que nessa loja em específico tem uma quantidade abundante de algum produto e esse produto, dependendo, pode ser até distribuído em outras lojas. Saber para um cliente, um exemplo, que às vezes vem buscando um produto e entender se realmente aquele produto tem naquela loja ou não. Então, eles utilizaram a questão de Edge Comput compute para melhorar a questão dos inventários. Isso tem, eu acho, dois pontos aqui interessantes. Melhorar a experiência do usuário. Então, eles focaram muito na questão da experiência do usuário, dos seus clientes, enfim. E focaram também em umaiência ali de produtividade, né? Então, imagina uma pessoa que antes precisava contar uma quantidade ali de produtos e agora não precisa mais fazer isso. E aí, literalmente, com o Edge Computing, eles conseguiram resolver essa problemática e os seus dispositivos ali, ali conseguem ter inteligência de contabilizar, capturar uma série de dados, contabilizar e fazer uma atualização ali em tempo real. Então, isso é fantástico. Então, você tem ali algo em tempo real, com uma latência super baixa e uma experiência, olhando para o cliente final, fantástica também. A gente que está olhando muito para uma experiência do cliente, uma experiência onde você consiga atender toda a sua demanda. Então, vamos para um outro case aqui de Edge Computing também, e agora a gente vai falar aqui do setor energético. Então, a General Electronics, a famosa GE, eles utilizaram o Edge Computing nos seus parques eólicos, onde eles construíram dispositivos, onde eles conseguem monitorar toda a questão ali das turbinas eólicas, a saúde da turbina eólica, tanto as questões climáticas. Para quê? Para melhorar a sua eficiência energética, a sua eficiência de produção. Então, eles utilizaram o Edge Compute para conseguir produzir mais energia, utilizando energia eólica, então entendendo as melhores condições do tempo, qual que é a melhor posição das suas turbinas. E um outro ponto interessante também desse case é, além deles olharem muito para a produtividade, eles também olharam para a questão de manutenção dessas turbinas. Então eles entenderam também como que essas turbinas precisavam de manutenção. Isso diminui um tempo absurdo de inatividade e até evitar problemas em alguma turbina, que essas turbinas são muito caras. Imagina se você tem algum problema naquela turbina por uma falta de óleo, um exemplo, e eles conseguiam identificar, então, quando esse óleo, quando alguma necessidade ali de manutenção precisa ser feita, e eles vão lá, atuam ali rapidamente, ali naquele ponto específico, e a turbina continua produzindo, tá? Então, a GE utilizou a Edge Compute para resolver algum desses problemas referentes ao seu parque eólico. E aí, de novo, sempre com o princípio de ter a resposta em tempo real, com uma baixa latência e um tempo de resposta rápido, para que possa ter uma atuação rápida, entender os insights e já resolver o problema.