Збільшена обчислювальна потужність в останній чіповій технології ARTPEC відкриває нові опції для повністю вбудованих додатків Deep learning на периферійних обчисленнях. Двома найбільш значущими подіями для галузі безпеки були перехід від аналогового до IP-відеоспостереження між 2008 та 2012 роками, а також перехід від серверних варіантів з управління трафіком до хмарних та граничних рішень починаючи з 2016 року.

З моменту появи хмарних мереж, впровадження Інтернету речей швидко зросло. Експерти прогнозують, що до 2025 року кількість IoT-пристроїв перевищить 75 мільярдів, що означає п'ятикратне зростання за 10 років. Але ці пристрої генерують так багато даних, що навіть нові мережі 5G не здатні управляти ними поодинці.

Таким чином, йде гонитва за децентралізацією обчислень та сервісів з хмари в периферію мережі, що одночасно збільшує обчислювальну потужність периферійних пристроїв. Хоча не очікується, що засновані на граничних обчисленнях рішення замінять хмарні або серверні варіанти, фахівці виявили, що 70% нових проектів у 2019 році включали відеоаналітику на основі Edge. І в цьому передбачені конкретні переваги.

Більш низьке споживання смуги пропускання. Хмарні моделі навчання та логічного висновку вимагають, щоб пристрої передавали вагомі обсяги необроблених даних в хмару, що споживає величезну пропускну здатність мережі. І навпаки, Deep learning на основі периферійних обчислень передає тільки проаналізовані метадані та вимагає невеликої частки доступної смуги пропускання.

Зменшена затримка. Для високошвидкісного управління інцидентами дорожнього руху, затримки можуть мати значення для виявлення першопричини інциденту або його повної відсутності. Глибоке навчання на основі Edge тепер дозволяє надавати додатки в режимі поточного часу без центрального зв'язку — наприклад, виявлення неправильного водіння, для якого час виявлення вважається суттєвим.

Краща надійність. Оскільки хмарний або серверний аналіз вагомою мірою залежить від бездротових мереж, будь-яке порушення покриття може надати відчутний вплив на результати. Однак при глибокому навчанні на основі кордонів всі обчислення відбуваються на самому пристрої (камери відеоспостереження або відеореєстратори) та менш схильні до впливу переривчастих відключень в зоні покриття мережі.

Дотримання конфіденційності. Можливо, це не головне, але особиста інформація, така як номерні знаки, все частіше захищається законодавством про конфіденційність. Мінімізація обсягу особистих даних, переданих в хмару, також допомагає забезпечити дотримання конфіденційності.

Економія на витратах. Передача проаналізованих метаданих, а не великих обсягів необроблених даних, усуває необхідність в додаткових пристроях зберігання або надмірної плати за зберігання в хмарі. Крім економії витрат на обладнанні та зберіганні, система споживає набагато менше енергії, зводячи до мінімуму витрати та вплив на навколишнє середовище.

Deep learning для дивовижної продуктивності

Незалежно від того, чи є ваше рішення для Deep learning серверним, хмарним, периферійним або його гібридною версією, важливо розуміти, в чому справжня цінність глибокого навчання. Зрештою, програмне забезпечення з відеоаналітикою використовувалося роками, щоб допомогти службам дорожньої інспекції контролювати вагому кількість вуличних камер на дорогах.

Найбільша проблема з простим моніторингом на основі попереджень — це велика кількість згенерованих помилкових спрацьовувань. Спеціально для управління трафіком це означає, що продуктивні рішення з управління інцидентами на основі відеоспостереження досі були обмежені тунелями з контрольованим освітленням.

Однак впровадження глибоких нейронних мереж (DNN) для виявлення, ідентифікації та класифікації даних тепер дозволяє диференціювати транспортні засоби, велосипеди та людей. Крім того, комплекти відеоспостереження можуть бути "навчені" розпізнавати тіні, відбивання та відблиски в умовах мінливого освітлення, тим самим знижуючи частоту помилкових тривог та розширюючи використання продуктивного управління інцидентами для автомобільних доріг та мостів.