Při ukázce analýzy videa pomocí AI nakonec vždy zazní stejná otázka, kterou položí IT manažer nebo samotný vedoucí prodejny: kam se obraz posílá? Mnozí si představují nepřetržité odesílání na vzdálený server přes internetové připojení prodejny. Ve skutečnosti se vše rozhoduje v architektuře, kterou je nutné zvolit dlouho před prvním nastavením: lokální analýza videa na GPU přímo v prodejně, z hlavního streamu stávajících kamer.

Ke kvalitě samotného obrazu se tu vracet nebudeme. Raději sledujme cestu dat od objektivu kamery až po obrazovku vedoucího: co zůstává na místě, co odchází a co tato volba zcela konkrétně mění z hlediska rychlosti upozornění, zatížení sítě prodejny i kontroly nad daty.

Jeden videostream je velmi náročný na přenos a velký obchod jich má desítky

IP kamera obvykle vytváří alespoň dva streamy. Hlavní stream (mainstream) má vysoké rozlišení. Vedlejší stream (substream) je odlehčený a slouží mimo jiné k zobrazení v mozaice a ke vzdálenému náhledu. K odhalení jemného gesta, například výrobku zasunutého do kapsy nebo otevřeného obalu u regálu, je rozhodující hlavní stream: ve vedlejším streamu zabírá ruka jen pár pixelů. Tomuto bodu jsme se podrobně věnovali v našem článku o analýze hlavního streamu v obchodě.

Problém se pak stává otázkou čisté aritmetiky. Nepřetržité odesílání hlavního streamu z dvaceti nebo třiceti kamer na vzdálený server vyžaduje vysokou a stálou odchozí rychlost, kterou mnoho obchodních připojení nezaručuje. A tuto linku už sdílejí s platebními terminály, pokladnami, e-mailem a někdy i s wifi pro zákazníky. V sobotu během letních výprodejů, kdy platební terminály pracují bez přestávky, nechce nikdo vidět, jak se přetíží.

Toto omezení není nové. Ve své studii o využití video technologií v obchodě, zveřejněné v roce 2020 a založené na rozhovorech s 22 evropskými a americkými distributory, skupina ECR Retail Loss už tehdy uvedla, že několik účastníků se obávalo vlivu přenosové kapacity a výpočetního výkonu na jejich využívání video analýzy.

Proč se výpočty provádějí co nejblíže kamerám

Místo přenášení obrazu se raději přesouvá výpočet: to je princip edge computingu. Veletrh EuroShop ho shrnuje v článku věnovaném edge computingu v obchodě: do cloudu se odesílají jen užitečná data, síť je odlehčena a reakce může probíhat v reálném čase. U videa je jednou z možných podob vyhrazené GPU nainstalované přímo v obchodě, které čte stream z kamer a model spouští na místě. Pro provozovatele je rozdíl vidět ve třech oblastech:

  • Latence. Upozornění má smysl jen tehdy, pokud situace v uličce stále probíhá, když dorazí. Protože se celý stream nemusí posílat tam a zpět do datového centra, řetězec mezi gestem a oznámením se zkracuje: u Oxania dorazí video upozornění na mobil, tablet nebo počítač za méně než 10 sekund.
  • Rozlišení. Stream neprochází internetem, takže ho není nutné zhoršovat, aby se vešel do připojení. Model pracuje s obrazem ve vysokém rozlišení, které umožňuje rozeznat osobní tašku od nákupní tašky nebo zjistit, že byl produkt spotřebován ještě před průchodem pokladnou.
  • Síť. GPU server je vyhrazen pro obchod a nainstalován na místě: čtení a analýza streamu z kamer nespotřebovává přenosovou kapacitu internetového připojení. Potvrzení detekcí, odesílání úryvků k alertům a oznámení však tímto připojením procházejí, a to proto musí zůstat dostupné.

Co zůstává v prodejně a co z ní odchází

Každý IT manažer se nakonec zeptá a samotné heslo na odpověď nestačí. V architektuře, kterou používá Oxania, obraz z kamer prochází třemi zcela odlišnými cestami:

  • Co zůstává na místě: nepřetržitý videostream z kamer ve vysokém rozlišení. GPU v obchodě ho čte a analyzuje a dál tento stream nepokračuje. Záznamy vašeho stávajícího videosystému zůstávají jako dříve v odpovědnosti provozovatele.
  • Co odchází k potvrzení: když je rozpoznáno rizikové gesto, odešle se k potvrzení kompaktní digitální popis detekce. Nejde o video a jeho velikost se s velikostí obrazu nedá srovnávat.
  • Co odchází a uchovává se: video výstřižek související s upozorněním, a pouze ten. Ukládá se na serverech nacházejících se co nejblíže zemi zákazníka, kvůli rychlosti přístupu i dodržování místních předpisů.

Výběr se tedy provádí u zdroje. Z hodin videa opouštějí obchod pouze úryvky spojené s alerty: ty, kvůli kterým má smysl, aby se na ně člen týmu podíval. Právě tyto úryvky najdete v alertu, s automatickým postupným přiblížením na sledované místo. Ten, kdo alert dostane, pochopí scénu na první pohled a rozhodne o dalším postupu.

Lokální neznamená odříznuté od světa

Je třeba být jasný v tom, co lokální inference znamená. Detekce probíhá v prodejně na vyhrazeném GPU, ale místo zůstává připojeno k cloudu: potřebuje připojení, aby si nechalo potvrdit detekce, odeslalo výstřižky k upozorněním a doručilo notifikace na zařízení týmu. Mění se to, co po síti proudí: několik zpráv a krátké výstřižky místo desítek nepřetržitých streamů. Dodavatel, který by tvrdil opak a přitom posílal upozornění na váš telefon, si zaslouží další otázku.

Další často opomíjený bod: GPU server je velmi skutečný stroj. Je třeba pro něj najít místo, napájet ho, chladit a řádně propojit s kamerami. To je práce integrátora a výsledek nezávisí jen na kvalitě modelu, jak jsme vysvětlovali v článku o úloze integrátorů v účinnosti AI kamer. Se sítí certifikovaných integrátorů zabere instalace na stávající kamery obvykle méně než jeden den.

Pět otázek, které položit před podpisem

Pro jedinou prodejnu i pro celou síť vám těchto pět bodů umožní rychle posoudit solidnost architektury pro analýzu videa:

  1. Analyzovaný stream: hlavní ve vysokém rozlišení, nebo vedlejší.
  2. Kde model běží a zda je stroj skutečně vyhrazen pro vaši prodejnu.
  3. Co přesně opouští prodejnu a v jaký okamžik.
  4. Kde se uchovávají výstřižky k upozorněním: v jaké zemi a na jak dlouho.
  5. Co se stane, když je připojení prodejny přerušeno nebo zhoršeno.

Očekávejte konkrétní odpovědi. Dobře promyšlenou architekturu lze popsat několika větami, bez žargonu. Dodavatel, který to nedokáže, často sám nemá jasnou mapu svých datových toků. A pokud je váš park kamer o několik let starší, náš průvodce výběrem kamery do prodejny vám pomůže ověřit, zda poskytují použitelný hlavní stream.

Architektura, která posiluje i důvěru

Ponechání streamu na místě se neomezuje na otázku přenosové kapacity. Znamená to také omezit přenášená data na nezbytné minimum a nechat data pod kontrolou obchodníka. Zásady OECD o robustnosti, bezpečnosti a zabezpečení AI doporučují, aby systémy AI zůstávaly bezpečné, zabezpečené a schopné řádně fungovat po celou dobu svého životního cyklu a aby existovaly mechanismy umožňující jejich bezpečné vyřazení z provozu, opravu nebo vypnutí, pokud hrozí, že způsobí neodůvodněnou újmu.

V prodejně je překlad jednoduchý: technologie detekuje, tým rozhoduje. AI analyzuje gesta, ne osoby, a nesleduje nikoho z jedné kamery na druhou. Před výstřižkem je to člověk, kdo se rozhodne jít do uličky, nabídnout pomoc, nebo neudělat nic.

Nic na tom není okázalé: jen výpočet provedený na správném místě a video, které se přenáší pouze tehdy, když je k užitku. Právě to však přináší rychlé a přesné alerty a lépe zvládnutou neznámou ztrátu zásob (démarque inconnue). Než začnete porovnávat funkce, požádejte o ukázku mapy datových toků: často prozradí víc než obchodní brožura.