Même si cela peut sembler du jargon technologique, la combinaison de l’edge computing et de l’IA offre de réels avantages. En effet, l’edge AI est l’un des principaux domaines d’application de l’IA dans le secteur de la sécurité et est donc à l’avant-garde de la manière dont l’IA est mise en œuvre de manière responsable. Dans cet article, nous examinons l’état actuel de l’edge AI et les avantages qu’elle apporte.
Tout d’abord, qu’entendons-nous par edge AI ?
Avant de considérer l'expression « edge AI » comme légitime, il convient de l'expliquer.
Ces dernières années, le nombre d’appareils connectés à la périphérie des réseaux privés et publics a augmenté chaque année, passant d’un peu moins de 9 milliards en 2019 à environ 29 milliards en 2030.
Beaucoup de ces appareils, y compris les caméras de surveillance, sont également devenus de puissants appareils informatiques. Cela a permis de réaliser davantage de traitements au sein même des appareils périphériques, ce que l'on appelle aujourd'hui l'edge computing.
Conformément à cette puissance de traitement accrue, les avancées en matière d’apprentissage automatique (ML) et d’apprentissage profond (DL), deux sous-ensembles de l’intelligence artificielle (IA), nous ont permis d’intégrer des capacités d’IA dans les caméras elles-mêmes. D’où l'« edge AI ».
Les implications de l’edge AI dans la vidéosurveillance
Pour un réseau de vidéosurveillance, en termes simples, l'edge AI signifie que davantage d'actions peuvent être effectuées sur les caméras elles-mêmes, en grande partie grâce à des analyses plus avancées.
L’IA permet aux caméras de comprendre une scène et de catégoriser en temps réel les détails importants. Cette capacité à détecter, classer, compter et suivre des objets tels que des personnes et des véhicules avec une grande précision et un niveau de détail élevé constitue la base pour obtenir des informations et prendre des mesures sur la base des données capturées.
Ces analyses permettent de réduire la charge des interventions humaines nécessaires pour analyser les données et prendre des décisions. En fin de compte, elle devrait réduire les temps de réponse et fournir des informations précieuses qui peuvent façonner l'avenir de nos bâtiments, de nos villes, de nos systèmes de transport, etc.
Permettre des informations plus exploitables
L’edge AI apporte une amélioration significative des capacités. Auparavant, les analyses basées sur les mouvements détectaient que « quelque chose » avait bougé et déclenchaient une alerte. L’analyse en périphérie du réseau basée sur l’IA permettra d'identifier le mouvement comme un véhicule, classera son type, s’il est entré dans une zone restreinte ou dangereuse, s’il y a des personnes à proximité qui pourraient être en danger, et de nombreux autres éléments.
Ces informations apportent aux opérateurs des informations beaucoup plus exploitables et réduisent considérablement les faux positifs.
Par exemple, l’analyse en périphérie du réseau par l'IA pourrait identifier les objets sur une autoroute (en étant capable de les distinguer rapidement des ombres, ce qui a souvent été un défi) et alerter automatiquement les conducteurs via la signalisation.
Mais la capacité supplémentaire apportée par l'IA de faire la distinction entre un humain et un véhicule peut aider à définir le niveau de sévérité de l'avertissement émis aux conducteurs. Si les caméras constatent qu'une personne est en danger sur la route, elles peuvent automatiquement activer la signalisation pour ralentir, voire arrêter le trafic et alerter les services d'urgence.
Après avoir identifié le véhicule (et/ou d'autres objets), l'analyse serait également en mesure de le suivre, ce qui aiderait les opérateurs à surveiller et à enquêter sur un incident.
Fonctions de recherche avancées
Ceci, ainsi que les données (et métadonnées) créées par l'analyse en périphérie du réseau par l'IA, permet également d'effectuer des recherches beaucoup plus avancées dans les séquences vidéo. Cela permet aux opérateurs de localiser rapidement des objets spécifiques intéressants à partir d’heures de prises de vue sur de nombreuses caméras. Cela accroît considérablement la vitesse et l’efficacité des enquêtes post-incident.
Répartition de la charge : L’edge IA dans une architecture de solution hybride
L’edge IA apporte des analyses puissantes à la périphérie du réseau, mais joue également un rôle précieux dans les architectures de solutions hybrides. Une telle architecture exploite au mieux les environnements de serveurs en périphérie, cloud et sur site.
Lorsque les analyses sont centralisées sur un serveur, l'ajout de caméras supplémentaires augmente le transfert de données et nécessite des serveurs supplémentaires pour traiter les analyses. Le déploiement d’analyses en périphérie du réseau par l'IA signifie que seules les informations les plus pertinentes sont envoyées sur le réseau, ce qui réduit la charge sur la bande passante et le stockage.
Les analyses basées sur le cloud et les serveurs peuvent souvent bénéficier d'un prétraitement à la périphérie, en soutenant les analyses « hors caméra » avec des métadonnées plus faciles à assimiler. D'autres analyses peuvent nécessiter d'être exécutées entièrement dans le nuage ou sur le serveur en raison de leur complexité.
Les solutions hybrides utilisent les métadonnées créées par l’edge AI, les alimentent dans des tableaux de bord de données basés sur le cloud et appliquent de puissantes analyses basées sur serveur pour identifier et répondre aux tendances, aux modèles et aux anomalies.
Travailler intelligemment dans une architecture hybride en utilisant le potentiel, la capacité et la solidité de chaque partie du système permet d’éviter les obstacles, de réduire les coûts et de maintenir les performances à un niveau élevé.
Des analyses en périphérie du réseau par l'IA pour améliorer la précision
Dans ce qui peut sembler être une « méta »-torsion, l’analyse en périphérie du réseau par l'IA est désormais utilisée pour soutenir la précision, car il n'y a pas de dégradation des données.
L’un des principaux avantages de l’analyse en périphérie est que l’analyse a lieu sur des séquences vidéo de la plus haute qualité, aussi près que possible de la source. Dans un modèle traditionnel, lorsque l’analyse a lieu sur un serveur, la vidéo est souvent compressée avant d’être transférée, l’analyse étant donc effectuée sur une vidéo de qualité dégradée.
Cependant, l’edge AI dépend d'images de haute qualité, mais des problèmes tels que des lentilles sales ou bloquées, ou des caméras mal alignées peuvent poser des problèmes.
Comme son nom l'indique, une nouvelle catégorie d'analyse en périphérie du réseau par l'IA - l'analyse de la santé de l'image - contrôlera en permanence la qualité de l'image capturée par les caméras de surveillance et alertera les opérateurs lorsqu'elle tombera en dessous du seuil requis pour que d'autres analyses en périphérie de réseau par l'IA puissent être appliquées à la scène de la manière la plus efficace.
Edge AI : des cas d’utilisation allant au-delà de la sécurité
Il est clair que l’edge AI apporte de la valeur aux cas d'utilisation traditionnels en matière de sûreté et de sécurité, permettant aux premiers intervenants et au personnel de sécurité de réagir plus rapidement et de manière plus appropriée.°En outre, les données détaillées et les métadonnées issues des analyses en périphérie du réseau par l'IA améliorent l'efficacité opérationnelle dans divers secteurs.
- Les urbanistes utilisent les données pour alimenter les « jumeaux numériques » des environnements urbains, pour tester les améliorations en matière de conception, de gestion du trafic et de contrôle du bruit afin d’améliorer la qualité de vie des citoyens.
- Les entreprises utilisent l’analyse pour mieux gérer la consommation d’énergie dans les bâtiments, ce qui a un impact positif sur l’environnement.
- Dans les secteurs de la santé, de l’éducation, de la vente au détail et au-delà, l’edge AI dans les caméras de surveillance améliore la prestation de services et les résultats pour les patients, les étudiants et les clients.
Et même là, nous ne faisons qu'effleurer le potentiel de l'edge AI.
