Aunque suene a jerga tecnológica, combinar la computación avanzada y la IA ofrece ventajas reales. De hecho, la IA en el extremo es una de las principales áreas en las que se aplica la IA en el sector de la seguridad y, por lo tanto, lidera el pensamiento sobre cómo se debe implementar la IA de forma responsable. En este artículo, analizamos el estado actual de la IA en el extremo y los beneficios que aporta.
En primer lugar, ¿qué queremos decir con IA en el extremo?
Antes considerar la «IA en el extremo» como un término legítimo, merece la pena explicarlo.
En los últimos años, el número de dispositivos conectados en el extremo de las redes privadas y públicas ha crecido anualmente, pasando de poco menos de 9000 millones en 2019 a unos 29 000 millones estimados para el año 2030.
Muchos de estos dispositivos, incluidas las cámaras de vigilancia, también se han convertido en potentes dispositivos informáticos. Esto ha dado como resultado la capacidad de llevar a cabo un mayor nivel de procesamiento dentro de los propios dispositivos periféricos, algo que se ha establecido como computación en el extremo.
En línea con este aumento de la potencia de procesamiento, los avances en materia de aprendizaje automático (ML) y aprendizaje profundo (DL), ambos subconjuntos de la inteligencia artificial (IA), nos han permitido incorporar capacidades de IA dentro de las propias cámaras. De ahí lo de «IA en el extremo».
Las implicaciones de la IA en el extremo para la videovigilancia
Para una red de videovigilancia, en pocas palabras, la IA en el extremo significa que se puede llevar a cabo más acciones en las propias cámaras, en gran medida a través de analíticas más avanzadas.
La IA habilita a las cámaras para comprender una escena y categorizar detalles importantes en tiempo real. Esta capacidad para detectar, clasificar, contar y realizar un seguimiento de objetos como personas y vehículos con gran precisión y detalle constituye la base para obtener información y tomar acciones basadas en los datos capturados.
Estos conocimientos reducirán la carga de la entrada humana necesaria para analizar los datos y tomar decisiones. En última instancia, debería acelerar los tiempos de respuesta y proporcionar información valiosa que pueda dar forma al futuro de nuestros edificios, ciudades, sistemas de transporte y mucho más.
Habilitar más información procesable
La IA en el extremo aporta una mejora significativa en las capacidades. Anteriormente, las analíticas basadas en movimiento detectaban que «algo» se había movido y activaban un aviso. La analítica en el extremo basada en IA identificará el movimiento como un vehículo, clasificará su tipo, si ha entrado en una zona restringida o peligrosa, si hay personas cercanas en situación de peligro y muchos otros elementos.
Esta información ofrece a los operadores datos mucho más procesables y reduce en gran medida los falsos positivos.
Por ejemplo, las analíticas de IA en el extremo podrían identificar objetos en una autopista (podría distinguir rápidamente estos objetos de las sombras, lo que a menudo ha supuesto un reto) y alertar automáticamente a los controladores mediante avisos.
Pero la capacidad adicional aportada por la IA para distinguir entre un ser humano y un vehículo puede ayudar a definir el nivel de gravedad de la advertencia emitida a los controladores. Si las cámaras detectaban que había alguien en peligro en la carretera, podían activar automáticamente la señalización para ralentizar o incluso detener el tráfico y avisar a los servicios de emergencia.
Una vez identificado el vehículo (y/u otros objetos), las analíticas también serían capaces de rastrearlo, ayudando a los operadores en la supervisión e investigación de un incidente.
Funciones de búsqueda mejoradas
Esto, junto con los datos (y los metadatos) creados por la analítica de IA en el extremo, también admite búsquedas mucho más avanzadas en las grabaciones de vídeo. Esto permite a los operadores localizar rápidamente objetos específicos de interés a partir de horas de grabaciones en numerosas cámaras. Esto aumenta significativamente la velocidad y la eficacia de las investigaciones posteriores al incidente.
Distribución de la carga: IA en el borde en una arquitectura de solución híbrida
La IA en el extremo lleva potentes analíticas al extremo de la red, pero también desempeña un papel valioso en las arquitecturas de soluciones híbridas. Dicha arquitectura hace el mejor uso posible de los entornos de servidores en el extremo, en la nube y locales.
Cuando las analíticas se centralizan en un servidor, agregar más cámaras aumenta la transferencia de datos y requiere servidores adicionales para gestionar las analíticas. La implementación de analíticas de IA en el extremo significa que solo se envía la información más relevante a través de la red, lo que reduce la carga sobre el ancho de banda y la capacidad de almacenamiento.
Las analíticas basadas en la nube y en servidores a menudo pueden beneficiarse del preprocesamiento en el extremo, lo que respalda la analítica «fuera de la cámara», con metadatos más fáciles de digerir. Es posible que otras analíticas deban ejecutarse completamente en la nube o en el servidor debido a su complejidad.
Las soluciones híbridas reciben metadatos creados por la IA en el extremo, aportándolos a paneles de datos basados en la nube y aplicando potentes analíticas basadas en servidores para identificar y responder a tendencias, patrones y anomalías.
Trabajar de forma inteligente en una arquitectura híbrida utilizando las cualidades, la capacidad y la fortaleza de cada parte del sistema ayuda a evitar cuellos de botella, mantiene los costes bajos y el rendimiento alto.
Analítica de IA en el extremo para aumentar la precisión
En lo que puede parecer algo parecido a un giro «meta», las analíticas de IA en el extremo se están utilizando ahora para respaldar la precisión, ya que no hay degradación de los datos.
Una ventaja clave de la analítica en el extremo es que el análisis se realiza en las grabaciones de vídeo de la más alta calidad, lo más cerca posible de la fuente. En un modelo tradicional, cuando las analíticas se realizan en un servidor, el vídeo suele comprimirse antes de transferirse, por lo que el análisis se lleva a cabo en vídeo con una calidad menor.
Sin embargo, la IA en el extremo depende de tener acceso a imágenes de alta calidad, pero problemas como objetivos sucios o bloqueados, o cámaras desalineadas, pueden causar problemas.
Como su nombre indica, una nueva categoría de analítica de IA en el extremo -análisis del estado de la imagen- supervisará continuamente la calidad de la imagen capturada por las cámaras de vigilancia y avisará a los operadores cuando caiga por debajo del umbral requerido para que otras analíticas de IA en el extremo se puedan aplicar de un modo más eficaz a la escena.
IA en el extremo: fomentando casos de uso que van más allá de la seguridad
Está claro que la IA en el extremo está aportando valor a los casos de uso tradicionales para seguridad y protección, permitiendo a los equipos de intervención rápida y al personal de seguridad reaccionar de una forma más rápida y adecuada. Además, los datos detallados y los metadatos de las analíticas de IA en el extremo están mejorando la eficiencia operativa en varios sectores.
- Los planificadores urbanos utilizan datos para impulsar «gemelos digitales» de entornos urbanos, para probar mejoras en los diseños, la gestión del tráfico y el control del ruido con el fin de mejorar la calidad de vida de los ciudadanos.
- Las empresas están utilizando analíticas para gestionar mejor el uso de la energía dentro de los edificios, lo que genera un impacto medioambiental positivo.
- En campos como la sanidad, la educación, el comercio minorista y más allá, la IA en el extremo en las cámaras de vigilancia está mejorando la prestación de servicios y los resultados para pacientes, estudiantes y clientes.
Incluso en estos casos, solo estamos rascando la superficie del potencial de la IA en el extremo.
