En el mundo de la videovigilancia, uno de los principales beneficios del Edge computing será la capacidad de realizar analíticas avanzadas utilizando inteligencia artificial (IA) y deep learning o aprendizaje profundo dentro de las propias cámaras.
En primer lugar, ¿qué queremos decir con ‘on the edge’?
La cantidad de dispositivos en el extremo de nuestras redes de seguridad está creciendo y están desempeñando un papel cada vez más crítico en nuestra seguridad y protección. Edge computing significa desarrollar más capacidad en el dispositivo conectado, por lo que la potencia de procesamiento de información se encuentra lo más cerca posible de la fuente.
Para una red de videovigilancia, esto significa que se pueden realizar más acciones en las propias cámaras. El papel de la inteligencia artificial (IA), del machine learning o aprendizaje automático y del deep learning en la videovigilancia está creciendo, por lo que podemos "enseñar" a nuestras cámaras a ser mucho más intuitivas sobre lo que graban y analizan en tiempo real. Por ejemplo, ¿el vehículo en la escena es un automóvil, un autobús o un camión? ¿Es un humano o un animal junto al edificio? ¿Son sombras o un objeto en el camino?
Estos conocimientos reducirán la carga de la participación humana necesaria para analizar datos y tomar decisiones. En última instancia, eso debería acelerar los tiempos de respuesta, lo que podría salvar vidas, y proporcionar información valiosa que pueda dar forma al futuro de nuestros edificios, ciudades y sistemas de transporte.
¿Cómo podemos transformar la videovigilancia on the edge?
Actualmente, la mayoría de los análisis en local de las grabaciones de las cámaras de vigilancia simplemente muestran que algo o alguien se está moviendo. Después de este análisis mediante sistemas de gestión de vídeo (VMS) en servidores centralizados, se necesita un ser humano para interpretar exactamente qué es y si presentan alguna amenaza o riesgo de seguridad.
Para comprender si un objeto es un vehículo, un ser humano, un animal o prácticamente cualquier cosa, podemos "entrenar" a un sistema de cámaras para que detecte y clasifique el objeto. Esto podría llevarnos a comprender un número casi ilimitado de clases de objetos y contextos.
Las analíticas estándar detectarían que un vehículo ha activado una alerta. Con una capa de deep learning inteligente encima, puede entrar en más detalles: ¿Qué tipo de vehículo es? ¿Está en un área que causará problemas potenciales, o está en el arcén y fuera de peligro inmediato? ¿Es un autobús averiado y que puede poner en peligro a las personas al desembarcar?
Los beneficios de la analítica embebida
La mayor precisión de la analítica en local, y la capacidad de distinguir entre varias clases de objetos, reduce inmediatamente la tasa de falsos positivos. Con eso viene la correspondiente reducción en tiempo y recursos para investigar estos falsos positivos. De manera más proactiva, la analítica embebida puede crear una respuesta más apropiada y oportuna.
Por ejemplo, ejecutar analíticas embebidas de Inteligencia Artificial podría identificar objetos en una autopista y alertar a los conductores. Pero la capacidad que aporta el deep learning para distinguir entre un ser humano y un vehículo puede ayudar a definir el nivel de gravedad de las advertencias emitidas a los conductores. Si las cámaras ven que hay alguien en peligro en la carretera, pueden activar automáticamente la señalización para reducir la velocidad del tráfico y alertar a los servicios de emergencia.
Con el tiempo, los desarrolladores detrás de las analíticas pudieron ver tendencias que serían útiles no solo para la gestión y planificación del tráfico, sino también para otras agencias interesadas en el comportamiento y la conservación de la naturaleza. Ser capaz de diferenciar el tipo de tráfico (peatones, ciclistas, automovilistas, vehículos comerciales) proporciona información valiosa sobre tendencias que ayuda a los ingenieros civiles a planificar las ciudades inteligentes del futuro.
Convertir datos sin procesar en información analítica procesable
Otro beneficio clave de la analítica embebida es que el análisis se realiza en secuencias de vídeo de la más alta calidad, tan cerca como sea posible de la fuente. En un modelo tradicional, cuando las analíticas tienen lugar en un servidor, el vídeo a menudo se comprime antes de ser transferido, por lo que el análisis se realiza sobre un vídeo de calidad degradada.
Además, cuando las analíticas estás centralizadas, que tienen lugar en un servidor, cuando se agregan más cámaras a la solución, se transfieren más datos y esto crea la necesidad de agregar más servidores para manejar la analítica. La implementación de una potente analítica embebida significa que solo se envía la información más relevante a través de la red, lo que reduce la carga de ancho de banda y almacenamiento.