Ви, напевно, чули про «периферійну аналітику» щодо відеоспостереження. Простіше кажучи, це відноситься до все більш потужної відеоаналітики, що відбувається на «периферії» мережі, тобто в самій камері відеоспостереження. Як і у випадку з будь-якою новою технологією, яка пропонує вагомий потенціал, галузь з ентузіазмом вхопилася за цей термін. І це не дивно, якщо взяти до уваги деякі з безпосередніх переваг периферійної відеоаналітики в порівнянні з серверною.

Аналітика, що відбувається всередині відеокамери, на периферії мережі, означає, що оператору необхідно передавати тільки цінні дані. І навпаки, аналітика, виконувана на сервері, вимагає, щоб всі дані з камери відеоспостереження передавалися в центр обробки даних для аналізу, і з цим виникає набагато більша потреба в дорогій смузі пропускання. По-друге, аналіз відео в камері означає, що зображення мають максимально можливу якість: немає ніякого погіршення якості, яке може статися через стиснення зображень перед передачею.

Але з захопленим прийняттям нової технологічної термінології виникає небезпека: модні слівця мають тенденцію до зловживання і, найчастіше, до неправильного використання, що призводить до обмеженого або неточного розуміння. Певною мірою це відноситься до периферійної аналітики. Не обов'язково неточне розуміння, але безумовно обмежене. Модні слівця також можуть швидко стати ажіотажем, що теж небезпечно. Люди насторожено ставляться до всього, що, на їхню думку, надмірно просувається і може вплинути на впровадження цінних нових технологій.

Однак периферійна відеоаналітика буде трансформувальна, але з причин, які виходять за рамки багатьох обговорюваних сьогодні сценаріїв використання. Навіть для тих компаній, які сьогодні не бачать вагомих причин вкладати кошти в IP камери відеоспостереження, оснащені периферійною аналітикою, зробити крок раніше буде необхідно для перспективних інвестицій.

Сьогоднішнє розуміння периферійної аналітики та завтрашній потенціал

Центральним елементом периферійної аналітики на основі Deep learning вважається більш точне розпізнавання об'єктів. Візьмемо приклад з управління дорожнім рухом, де одна з проблем традиційної аналітики — це кількість помилкових спрацювань сигналізації; наприклад, вуличні камери приймають калюжі або тіні за автомобілі, що стоять на шосе, і створюють помилкові попередження. Більш висока точність периферійної аналітики вагомо знижує їх, але йде набагато далі. Дана технологія дає можливість розрізняти різні типи об'єктів. Повернувшись на дорогу, вантажівки, автобуси, автомобілі та мотоцикли можна ідентифікувати індивідуально, що вагомо підвищує продуктивність управління дорожнім рухом та відкриває нові можливості.

Хоча подібні додатки, безумовно, корисні, вони лише поверхово розкривають потенціал периферійної аналітики та інтелектуального ПЗ для відеоспостереження. Нинішні варіанти використання як і раніше вагомою мірою зосереджені на так званій «аналітиці сцени», тобто перегляді конкретної сцени в поточному часі, аналізі того, що відбувається і реагуванні за допомогою попереджень або автоматичних дій (наприклад, попередження про дорожні знаки та управління дорожнім рухом). Однак в майбутньому потенціал проявляється в тому, що периферійна аналітика робить з кадрами відеоспостереження, а також в самих кадрах.

Абстракція даних у відеоспостереженні

Зрештою, це питання даних. Навіть ті, хто не працює в галузі систем безпеки, знайомі з традиційною парадигмою відеоспостереження. Живе і / або записане відео з камер відеоспостереження, переглядається операторами. Іноді вони зупиняють кадр або збільшують масштаб, щоб краще розглянути. Але вони завжди переглядають візуальну інформацію.

У комп'ютерів, звичайно ж, немає очей. Отже, щоб відеоінформація проглядалася й аналізувалася машинами (будь то на периферії камери або на сервері), її необхідно перетворити в дані. Це історія абстракції даних, яка пов'язана зі скороченням обсягу даних до спрощеного уявлення всієї картини. Камера відеоспостереження, оснащена периферійною аналітикою, не розпізнає автомобіль так, як люди, а швидше сприймає основні характеристики автомобіля як дані. І не тільки периферійна аналітика перетворює відеоінформацію в дані (що в основному використовується в аналітиці сцен), але й створює метадані.

Метадані — це, по суті, дані про дані. Наприклад, відкривши зроблену фотографію на мобільному телефоні, ви впізнаєте об'єкти на самому зображенні: будинок, зелену машину, людину. Але зображення також буде містити метадані (ви можете знайти це, клацнувши значок у правому верхньому кутку зображення, але різні телефони можуть відрізнятися). Залежно від ваших налаштувань метадані можуть повідомляти вам час та дату, коли була зроблена фотографія, місце розташування, витримку відеокамери та багато іншого. Завдяки використанню як даних, так і метаданих, продуктивність аналізу вагомих обсягів інформації зростає в геометричній прогресії.

Розкриття того, чого ви не знаєте

Комбінація даних і метаданих, створена периферійною аналітикою, може бути надзвичайно корисна при аналізі величезних обсягів інформації, зібраної з плином часу. Це допоможе організаціям отримати уявлення про області інтересів, які можна назвати «тим, що вони знають, чого не знають». Наприклад, «скільки в середньому людей заходять на станцію метро з 7:00 до 9:00 ранку в будній день?» Вони не знають відповіді, але вони знають, що шукають.

Хоча ця можливість ще раз просуває переваги периферійної аналітики, можливо, найбільшу цінність принесуть «невідомі невідомі», коли аналітика почне давати розуміння того, про що ви не знали.

Машини (особливо все більш розумні машини, які використовують Deep learning) — неймовірно дієві в розпізнаванні закономірностей і виявленні в них аномалій. Чим більше даних їм потрібно проаналізувати, тим точніше стають їх прогнози і ідеї, що призводить до більш швидкого і точного розв'язання проблеми. У цьому полягає справжній потенціал периферійної аналітики та інтелектуального програмного забезпечення в відеоспостереженні; аналіз величезних обсягів даних з плином часу, що веде до виявлення закономірностей і їх аномалій та забезпечує поки що непередбачені поліпшення в сегменті безпеки, захищеності, надання послуг і продуктивності, а також оптимізацію процесів.

Периферійна аналітика тільки зароджується, і є спокуса почекати, щоб побачити, як все буде розвиватися. Але, як зазначено вище, вся цінність периферійної аналітики (або навіть більша її частина) може бути реалізована не відразу, але виразно проявиться згодом. У певному сенсі, потенційні переваги самої периферійної аналітики для будь-якої організації наразі невідомі. Але якщо організація не почне використовувати периферійну аналітику, вона ніколи не усвідомить переваг.

Читайте інші цікаві статті про системи безпеки:

Три кроки до готовності впровадження концепції "розумне місто"

Технології, які роблять мобільний контроль доступу безпечним рішенням