Увеличенная вычислительная мощность в последней чиповой технологии ARTPEC открывает новые опции для полностью встроенных приложений Deep learning на периферийных вычислениях. Двумя наиболее значимыми событиями для отрасли безопасности были переход от аналогового к IP-видеонаблюдению между 2008 и 2012 годами, а также переход от серверных вариантов по управлению трафиком к облачным и граничным решениям начиная с 2016 года.

С момента появления облачных сетей, внедрение Интернета вещей быстро возросло. Эксперты прогнозируют, что к 2025 году количество IoT-устройств превысит 75 миллиардов, что означает пятикратный рост за 10 лет. Но эти устройства генерируют так много данных, что даже новые сети 5G не способны управлять ими в одиночку.

Таким образом, идет гонка за децентрализацией вычислений и сервисов из облака в периферию сети, что одновременно увеличивает вычислительную мощность периферийных устройств. Хотя не ожидается, что основанные на граничных вычислениях решения заменят облачные или серверные варианты, специалисты выявили, что 70% новых проектов в 2019 году включали видеоаналитику на основе Edge. И в этом предусмотрены конкретные преимущества.

Более низкое потребление полосы пропускания. Облачные модели обучения и логического вывода требуют, чтобы устройства передавали весомые объемы необработанных данных в облако, что потребляет огромную пропускную способность сети. И наоборот, Deep learning на основе периферийных вычислений передает только проанализированные метаданные и требует небольшой доли доступной полосы пропускания.

Уменьшенная задержка. Для высокоскоростного управления инцидентами дорожного движения, задержки могут иметь значение для выявления первопричины инцидента или его полного отсутствия. Глубокое обучение на основе Edge теперь позволяет предоставлять приложения в режиме текущего времени без центральной связи — например, обнаружение неправильного вождения, для которого время обнаружения считается существенным.

Лучшая надежность. Поскольку облачный или серверный анализ в весомой степени зависит от беспроводных сетей, любое нарушение покрытия может оказать ощутимое влияние на результаты. Однако при глубоком обучении на основе границ все вычисления происходят на самом устройстве (камере видеонаблюдения или видеорегистраторе) и менее подвержены влиянию прерывистых отключений в зоне покрытия сети.

Соблюдение конфиденциальности. Возможно, это не главное, но личная информация, такая как номерные знаки, все чаще защищается законодательством о конфиденциальности. Минимизация объема личных данных, передаваемых в облако, также помогает обеспечить соблюдение конфиденциальности.

Экономия на издержках. Передача проанализированных метаданных, а не больших объемов необработанных данных, устраняет необходимость в дополнительных устройствах хранения или чрезмерной плате за хранение в облаке. Помимо экономии затрат на оборудовании и хранении, система потребляет гораздо меньше энергии, сводя к минимуму расходы и воздействие на окружающую среду.

Deep learning для впечатляющей производительности

Независимо от того, является ли ваше решение для Deep learning серверным, облачным, периферийным или его гибридной версией, важно понимать, в чем истинная ценность глубокого обучения. В конце концов, программное обеспечение с видеоаналитикой использовалось годами, чтобы помочь службам дорожной инспекции контролировать весомое количество уличных камер на дорогах.

Самая большая проблема с простым мониторингом на основе предупреждений — это большое количество сгенерированных ложных срабатываний. Специально для управления трафиком это означает, что производительные решения по управлению инцидентами на основе видеонаблюдения до сих пор были ограничены туннелями с контролируемым освещением.

Однако внедрение глубоких нейронных сетей (DNN) для обнаружения, идентификации и классификации данных теперь позволяет дифференцировать транспортные средства, велосипеды и людей. Кроме того, комплекты видеонаблюдения могут быть “обучены” распознавать тени, отражения и блики в условиях изменяющегося освещения, тем самым снижая частоту ложных тревог и расширяя использование продуктивного управления инцидентами для автомобильных дорог и мостов.