Banking on the Edge: 3 Ways Edge Computing عملیات BFSI را افزایش می دهد

Banking on the Edge: 3 Ways Edge Computing عملیات BFSI را افزایش می دهد

تمبر زمان: 15 نوامبر 2023، 4:16 صبح
Banking on the Edge: 3 Ways Edge Computing Supercharges BFSI Operations PlatoBlockchain Data Intelligence. جستجوی عمودی Ai.

جعبه ای را تصور کنید که در مرکز یک میدان باز نشسته است و چیزی در اطراف آن وجود ندارد. وظیفه شما این است که به سمت آن جعبه بروید، بالای آن را لمس کنید و به عقب برگردید. ساده. یک روز، درخت کوچکی را می بینید که بین شما و جعبه رشد می کند. روز بعد، یک بوته. سپس باران می بارد، برکه ای تشکیل می شود، علف های هرز جوانه می زنند، علف ها رشد می کنند. خیلی زود، کار ساده شما دشوارتر، کندتر می شود، و آنچه که یک میدان باز بود، اکنون به جنگلی متراکم و درهم از تاک ها و موانع تبدیل شده است. هنوز هم می توانید به جعبه برسید، اما زمان بیشتری طول می کشد. اگر فقط یک راه ساده تر وجود داشت.

نوآوری یک پارادوکس است که هم پیچیدگی را کاهش می دهد و هم می افزاید. مانند آن جعبه ساده که زمانی به صورت انفرادی در یک میدان قرار داشت، محاسبات با کاربردهای بیشتر و افزایش عملکرد، به تکامل خود ادامه می‌دهد، که منجر به ایجاد یک انبوه متراکم و به هم ریخته می‌شود که توسط مقادیر زیادی داده کند می‌شود. آنجاست
محاسبات لبه فرآیندی برای تمرکززدایی منابع محاسباتی به لبه شبکه که داده ها در آن تولید می شوند، به جای تکیه بر سرورهای متمرکز یا ابری. به عبارت دیگر، این جعبه خیالی را از وسط میدان گرفته و نزدیک‌تر می‌کند و دسترسی به آن را آسان‌تر می‌کند، که همه چیز را سریع‌تر و ساده‌تر می‌کند.

به دست آوردن مزیت در صنایع غنی از داده

مطابق با
ارقام اخیر، جهان تا سال 460 هر روز بیش از 2025 اگزابایت داده تولید خواهد کرد. (یک اگزابایت 1,000 بایت به توان ششم است - و برای زمینه بیشتر، تمام کلماتی که تا به حال توسط انسان ها گفته شده می توانند در پنج اگزابایت قرار گیرند.) صنایع خاص. داده‌های بیشتری نسبت به سایرین تولید می‌کند، اما بانکداری، خدمات مالی و بیمه (BFSI) با توجه به فرکانس کاری که این صنایع در زندگی روزمره ما انجام می‌دهند، از تحقیق و خرید محصولات گرفته تا انجام وظایف معمول بانکی، نزدیک به بالاترین سطح هستند. کارکردهایی را که مؤسسات BFSI خودشان انجام می‌دهند (نظارت، تجزیه و تحلیل، ذخیره‌سازی و غیره) به آن‌ها اضافه کنید، و ما با مجموعه‌ای از داده‌ها باقی می‌مانیم.

در محاسبات سازمانی سنتی، داده ها در منبع خود (یعنی رایانه شما) تولید می شوند، از طریق یک شبکه گسترده (WAN) منتقل می شوند تا در یک شبکه محلی (LAN) پردازش شوند، و سپس به منبع خود بازگردانده می شوند. این سیستمی است که به خوبی کار می‌کرد تا زمانی که از نظر حجمی خفه شد، معادل ساختن یک بزرگراه دو خطه به یک منطقه اصلی مترو که جمعیت آن منفجر شد. سرورهای داده متمرکز نتوانستند سرعت خود را حفظ کنند و ازدحام شبکه منجر به افزایش اختلالات شد. معماران فناوری اطلاعات تصمیم گرفتند که به جای تلاش برای نزدیک‌تر کردن داده‌ها به مرکز داده، مرکز داده را به سمت لبه‌ها، جایی که در حال تولید بود، منتقل کنند و محاسبات لبه متولد شد.

برای BFSI، این حرکت یک تغییر دهنده بازی است - تاخیر را کاهش می دهد، تصمیم گیری در زمان واقعی را افزایش می دهد و امنیت داده ها را تضمین می کند که برای تراکنش های مالی سریع و ایمن حیاتی است. اکنون، تمام پردازش‌ها و تحلیل‌هایی که معمولاً در یک مرکز داده متمرکز انجام می‌شوند، می‌توانند نزدیک‌تر به منبع آن مانند پایانه‌های نقطه فروش (POS) یا دستگاه‌های خودپرداز انجام شوند. این یک مفهوم ساده است، اما مفهومی که می تواند فشارهای پهنای باند شبکه را به میزان قابل توجهی کاهش دهد. در اینجا سه ​​روش دیگر وجود دارد که محاسبات لبه بهینه سازی عملیات BFSI را انجام می دهد

1. تجربه بهتر مشتری (CX)

CX بهتر برای افراد مختلف می تواند معانی مختلفی داشته باشد، اما برای مشتریان BFSI معمولاً به سرعت رعد و برق و دقت کامل خلاصه می شود، زیرا این صنایع با امور مالی، زندگی و معیشت مردم سروکار دارند. آخرین باری که به فروشگاه رفتید و از کارت نقدی/اعتباری استفاده کردید فکر کنید. با این حال، بهتر است به این فکر کنید که در طول تعطیلات به سر یک صف طولانی برسید تا زمانی که دستگاه کارت شما را پردازش می کند، انتظاری بی پایان داشته باشید. بیشتر مردم نمی‌خواهند بیش از حد لازم برای تکمیل یک خرید یا تراکنش منتظر بمانند، حتی اگر فقط چند دقیقه کوتاه باشد. با محاسبات لبه، مجوز بلادرنگ منجر به زمان پرداخت سریع‌تر (و مشتریان راضی‌تر) می‌شود. علاوه بر این، اتوماسیون بیش از حد یا فناوری اتوماسیون هوشمند می تواند تعاملات مشتری را با مواردی مانند خودکار کردن سوالات معمول یا ارائه مشاوره مالی شخصی بهینه کند.

علاوه بر سرعت،
Deloitte دریافته است که محاسبات لبه می‌تواند برای کمک به شرکت‌های BFSI مانند بانک‌ها به منظور ایجاد «محتوای شخصی‌شده و مرتبط ارائه شده از طریق کانال‌های دیجیتالی ترجیحی» به شرکت‌های BFSI، مانند بانک‌ها، مورد استفاده قرار گیرد - به مشتریان اعلان‌های جغرافیایی هدفمند و توصیه‌های سفارشی بر اساس رفتارهای قبلی ارائه می‌دهند. و در کشورهای در حال توسعه یا مکان‌هایی با اتصال ضعیف، محاسبات لبه پایانه‌های پرداخت را قادر می‌سازد تا داده‌های تراکنش را ذخیره کرده و آن‌ها را به صورت محلی پردازش کنند تا زمانی که اتصال بازیابی شود، که دسترسی مالی و فراگیری را به طور چشمگیری بهبود می‌بخشد.

2. تشخیص تقلب و امنیت داده بهبود یافته

شرکت‌های BFSI داده‌های بسیار حساس مشتریان و شرکت‌ها را مدیریت می‌کنند و بازیگران بد دائماً در حال بررسی نقاط ضعف برای بهره‌برداری هستند. با جابجایی مراکز داده نزدیک‌تر به منبع داده در لبه، تأخیر به حداقل می‌رسد و نقاط حمله احتمالی را کاهش می‌دهد، دقیقاً مانند نحوه آموزش فرماندهان ارتش به خطوط مقدم خود برای جلوگیری از تهاجم دشمن.

با ایجاد این حلقه محکم تر برای انتقال اطلاعات، شرکت های BFSI می توانند تراکنش ها را در زمان واقعی نظارت کنند، ناهنجاری ها را شناسایی کنند و به فعالیت های جعلی سریعتر پاسخ دهند.

IBM مثال خوبی ارائه می دهد مربوط به دستگاه های خودپرداز، با اشاره به اینکه دوربین های امنیتی فقط کمک کننده هستند
بعد از یک سرقت رخ داده است و هنوز نیاز به بازبینی انسانی دارد. اما با محاسبات لبه، فیدهای ویدئویی را می توان به طور خودکار بدون دخالت انسان تجزیه و تحلیل کرد و دستگاه های خودپردازی که دستکاری شده اند را می توان قبل از وقوع تقلب خاموش کرد.

این جریان داده کارآمد به شرکت‌های BFSI قدرت می‌دهد تا پایش تراکنش‌های بلادرنگ و شناسایی ناهنجاری‌ها را انجام دهند و پاسخ‌های سریع به فعالیت‌های متقلبانه را فعال کنند.

3. اینترنت اشیاء مستقل

مک کینزی اینترنت اشیا (IoT) را تعریف می کند به عنوان اشیاء فیزیکی تعبیه شده با حسگرهایی که با سیستم‌های محاسباتی ارتباط برقرار می‌کنند و اجازه می‌دهند دنیای فیزیکی به صورت دیجیتالی نظارت یا کنترل شود، مانند ترموستات هوشمند یا Apple Watch. برای شرکت‌های BFSI، اینترنت اشیا با محاسبات لبه‌ای، فرصت‌های فوق‌العاده‌ای برای بهبود فرآیندهای بی‌شمار، به‌ویژه در بیمه، ارائه می‌دهد. بر اساس داده های اخیر از
Statistaپیش‌بینی می‌شود که تعداد جهانی کاربران در بازار خانه‌های هوشمند (یعنی دستگاه‌های IoT در خانه) طی چهار سال آینده ۸۶ درصد افزایش یابد و تا سال ۲۰۲۷ به بیش از ۶۷۰ میلیون خانوار برسد.

صاحبان خانه‌ها از دستگاه‌های اینترنت اشیا برای نظارت بر خانه‌های خود به روش‌های مختلف، از دوربین‌های امنیتی گرفته تا آشکارسازهای آب، استفاده می‌کنند و محاسبات لبه را می‌توان برای پردازش این داده‌ها به صورت محلی ادغام کرد. به عنوان مثال، اگر یک حسگر هوشمند متوجه فعالیت غیرمعمول سطح آب شود، می‌تواند داده‌ها را در لبه تجزیه و تحلیل کند و هشداری را به صاحب خانه یا شرکت بیمه در زمان واقعی ارسال کند، و از سناریویی که ممکن است نشتی برای هفته‌ها یا ماه‌ها به منطقه آسیب برساند اجتناب کند. قبل از تشخیص شرکت های بیمه می توانند به صاحبان خانه هایی که

داده های این دستگاه های اینترنت اشیا را به اشتراک بگذاریدکمک به ارزیابی ریسک و مقرون‌به‌صرفه‌تر کردن سیاست‌ها.

محاسبات لبه گرد: 3 چیز دیگر که باید به خاطر بسپارید

برای شرکت های BFSI که علاقه مند به استفاده از محاسبات لبه هستند، موارد زیر را در نظر داشته باشید:

▪ محاسبات لبه یک افزودنی است، نه یک جایگزین - انتخابی و عمدی در مورد قدرت لبه ها باشید. اولین قدم خوب، تجزیه و تحلیل داده‌های مشتری موجود برای تعیین رفتار تکراری است که ممکن است از کاهش تأخیر سود ببرند. 

▪ الف را بپذیرید
روش اعتماد صفر برای امنیت بهتر - اطمینان از اینکه هر کاربر قبل از دسترسی به داده‌های حساس باید احراز هویت، مجاز و به طور مداوم تأیید شود.

▪ اعمال یک «هاب و صحبترویکردی برای سازماندهی زیرساخت لبه خود به صورت سلسله مراتبی – به این معنی که قدرتمندترین سرورهای لبه باید در دورترین فاصله از سیستم مرکزی قرار گیرند تا سرور مرکزی فقط با داده های شناخته شده و با اولویت بالا سروکار داشته باشد.

▪ استفاده از اتوماسیون فوق‌العاده و اتوماسیون هوشمند در لبه - پیاده‌سازی اتوماسیون هوشمند می‌تواند کارایی محاسبات لبه را با مدیریت مستقل وظایف معمول، بهینه‌سازی پردازش داده‌ها و افزایش قابلیت‌های تصمیم‌گیری با سرعتی سریع افزایش دهد.

نزدیک شدن به محاسبات لبه با این دستورالعمل‌ها می‌تواند باعث شود که آن جعبه در یک میدان باز نزدیک‌تر از همیشه به نظر برسد، و به شرکت‌های BFSI مسیری برای تجربه‌های بهتر مشتری، بهبود تشخیص و پیشگیری از کلاهبرداری، پرداخت‌های ایمن اینترنت اشیا و سایر موارد استفاده جدید و هیجان‌انگیز بدهد.

تمبر زمان:

بیشتر از فینسترا