Sekarang ini kebutuhan manusia makin kompleks, tapi untungnya teknologi bisa bantu nyederhanain semuanya. Salah satunya IoT, yang sekarang ga cuma bisa ngumpulin data skalar biasa, tapi juga data multimedia. Data skalar sama data multimedia jelas beda banget, dan ini bikin jaringan dan komputasi kerjanya juga beda.
Multimedia IoT (M-IoT) ga cuma soal monitoring doang, tapi juga soal pemrosesan data. Data multimedia perlu diolah supaya bisa kasih pemahaman kontekstual yang berguna secara otomatis.
Masalahnya, kita pengen data diproses cepat biar ga kena latensi tinggi dan ga makan bandwith banyak. Makanya muncul edge computing, yang mindahin proses ke dekat sumber data biar lebih cepat.
Tapi, untuk bisa akurat, pemrosesan data biasanya butuh komputasi berat dan memori besar. Sementara perangkat edge biasanya terbatas soal itu, jadi susah ngejalanin model AI kompleks sendiri.
Ini bikin dilema: kita pengen akurasi tinggi tapi juga latensi rendah. Edge computing: cepat tapi akurasi kurang. Cloud computing: akurat tapi lambat.
Kalau kasusnya ga urgent, ya ga masalah. Tapi kalau misalnya kebakaran atau kekerasan? Nah, banyak pertimbangan yang harus dipikirin.
Solusinya muncul paradigma baru: Edge-Cloud Computing, yaitu kolaborasi antara edge dan cloud buat proses data.
Tapi ada masalah lagi: kapan data diproses di edge, kapan di cloud?
Sekarang ada metode optimize statis, tapi aku pengen kembangkan metode adaptif, yang ga pakai threshold tetap. Dia bakal otomatis nentuin sendiri kapan proses di edge atau di cloud.
Rencananya sih pakai machine learning buat belajar pola sekuensial dari data supaya bisa adaptif. Studi kasusnya? Deteksi api