Under en demonstration af AI-videoanalyse dukker det samme spørgsmål altid op, stillet af IT-chefen eller af butikslederen selv: hvor ender billederne? Mange forestiller sig en kontinuerlig overførsel til en fjern server via butikkens internetforbindelse. I virkeligheden afgøres alt af en arkitekturbeslutning, der træffes længe før den første indstilling: lokal videoanalyse på en GPU i butikken, baseret på hovedstreamen fra de eksisterende kameraer.

Vi vender ikke tilbage til selve billedkvaliteten her. Vi følger i stedet dataenes vej, fra kameraets linse til lederens skærm: hvad der bliver på stedet, hvad der sendes videre, og hvad dette valg helt konkret ændrer for alarmernes hastighed, for butikkens netværk og for kontrollen over data.

En videostream fylder meget, og et stort varehus har dusinvis af dem

Et IP-kamera producerer normalt mindst to streams. Hovedstreamen (mainstream) har høj opløsning. Den sekundære stream (substream) er lettere og bruges blandt andet til mosaikvisning og fjernadgang. Når man skal opdage en fin bevægelse, et produkt der glider ned i en lomme eller en åbnet emballage ved hylden, er det hovedstreamen, der tæller: i den sekundære stream fylder hånden kun nogle få pixels. Vi har gennemgået dette punkt i vores artikel om analyse af hovedstreamen i butikken.

Problemet bliver så aritmetisk. At sende hovedstreamen fra tyve eller tredive kameraer kontinuerligt til en fjernserver kræver en høj og konstant upload-kapacitet, som mange butiksforbindelser ikke kan garantere. Og denne linje deler de allerede med betalingsterminalerne, kasserne, mailsystemet og somme tider kundernes wifi. En lørdag under sommerudsalget, hvor betalingsterminalerne kører uafbrudt, har ingen lyst til at se den blive overbelastet.

Denne begrænsning er ikke ny. I sin undersøgelse af brugen af videoteknologier i detailhandlen, offentliggjort i 2020 og baseret på interviews med 22 europæiske og amerikanske detailhandlere, noterede ECR Retail Loss-gruppen allerede, at flere deltagere var bekymrede over båndbreddens og regnekraftens betydning for deres brug af videoanalyse.

Hvorfor beregningen foregår tættest muligt på kameraerne

I stedet for at lade billederne rejse flytter man beregningen: det er princippet i edge computing. Messen EuroShop opsummerer det i en temaartikel om edge computing i detailhandlen: kun de nyttige data sendes videre til skyen, netværket aflastes, og reaktionen kan ske i realtid. For video er en af de mulige løsninger en dedikeret GPU, installeret i butikken, som læser kameraernes stream og kører modellen på stedet. For driftsansvarlige ses forskellen tre steder:

  • Latenstiden. En alarm er kun nyttig, hvis situationen stadig pågår i rayonet, når den ankommer. Uden en frem og tilbage af den fulde stream til et datacenter bliver kæden mellem gesten og notifikationen kortere: hos Oxania ankommer videoalarmen på under 10 sekunder på mobil, tablet eller computer.
  • Opløsningen. Da streamen ikke passerer gennem internettet, er der ingen grund til at forringe den for at få den igennem forbindelsen. Modellen arbejder på billedet i høj opløsning, den, der gør det muligt at skelne en privat taske fra en indkøbstaske, eller at se, at et produkt er blevet brugt, før det nåede kassen.
  • Netværket. GPU-serveren er dedikeret til butikken og installeret på stedet: læsning og analyse af kameraernes stream bruger ikke internetforbindelsens båndbredde. Bekræftelsen af detektioner, afsendelsen af alarmklip og notifikationerne går derimod via denne forbindelse, som skal forblive tilgængelig.

Hvad der bliver i butikken, og hvad der forlader den

Enhver it-ansvarlig ender med at stille spørgsmålet, og en slogan er ikke nok til at besvare det. I den arkitektur, som Oxania har valgt, følger kameraernes billeder tre tydeligt adskilte veje:

  • Det, der bliver på stedet: kameraernes kontinuerlige videostream i høj opløsning. Butikkens GPU læser og analyserer den, og denne stream går ikke videre. Optagelserne fra jeres eksisterende videosystem forbliver som hidtil under driftsansvarliges ansvar.
  • Det, der sendes til bekræftelse: når en risikofyldt gestus opdages, sendes en kompakt digital beskrivelse af detektionen til bekræftelse. Det er ikke video, og dens størrelse har intet at gøre med billedernes.
  • Det, der sendes og gemmes: videoklippet knyttet til alarmen, og kun det. Det lagres på servere placeret så tæt som muligt på kundens land, både af hensyn til hurtig adgang og af hensyn til de lokale regler.

Sorteringen sker altså ved kilden. Ud af timevis af video forlader kun de klip, der er knyttet til alarmer, butikken: dem, der berettiger, at et medlem af teamet kigger efter. Det er de samme klip, man finder i alarmen, med et automatisk, gradvist zoom ind på det relevante punkt. Den, der modtager den, forstår situationen med et enkelt blik og beslutter, hvad der skal ske.

Lokal betyder ikke afskåret fra omverdenen

Det skal dog være klart, hvad lokal inferens dækker over. Detektionen sker i butikken på en dedikeret GPU, men lokationen er stadig forbundet til skyen: den har brug for en forbindelse til at få detektioner bekræftet, sende alarmklip og få notifikationer frem til teamets enheder. Det, der ændrer sig, er, hvad der cirkulerer: nogle få beskeder og korte klip i stedet for dusinvis af kontinuerlige streams. En leverandør, der påstår det modsatte, men samtidig sender alarmer til din telefon, fortjener et ekstra spørgsmål.

Et andet punkt, der ofte glemmes: GPU-serveren er en meget virkelig maskine. Den skal have en plads, strømforsyning, ventilation og en ordentlig forbindelse til kameraerne. Det er integratorens arbejde, og resultatet afhænger ikke kun af modellens kvalitet, som vi forklarede om integratorernes rolle for AI-kameraers effektivitet. Med et netværk af certificerede integratorer tager installationen på eksisterende kameraer generelt under en dag.

Fem spørgsmål at stille, før man skriver under

Uanset om det gælder en enkelt butik eller en hel kæde, gør disse fem punkter det muligt hurtigt at vurdere, hvor solid en videoanalysearkitektur er:

  1. Den analyserede stream: hovedstreamen i høj opløsning eller den sekundære stream.
  2. Hvor modellen kører, og om maskinen virkelig er dedikeret til din butik.
  3. Hvad der præcist forlader lokationen, og på hvilket tidspunkt.
  4. Hvor alarmklippene opbevares: i hvilket land og i hvor lang tid.
  5. Hvad der sker, når butikkens forbindelse er afbrudt eller forringet.

Forvent konkrete svar. En gennemtænkt arkitektur kan beskrives i få sætninger uden jargon. En leverandør, der ikke kan det, har ofte selv ikke et klart overblik over sine datastrømme. Og hvis jeres kameraer er nogle år gamle, hjælper vores guide til at vælge det rigtige kamera i butikken med at kontrollere, at de leverer en anvendelig hovedstream.

En arkitektur, der også skaber tillid

At beholde streamen på stedet handler ikke kun om båndbredde. Det betyder også at begrænse det, der cirkulerer, til det strengt nødvendige og at lade dataene forblive under forhandlerens kontrol. OECD's principper om robusthed, sikkerhed og tryghed i AI anbefaler, at AI-systemer forbliver sikre, trygge og i stand til at fungere korrekt gennem hele deres livscyklus, og at der findes mekanismer til at tilsidesætte, reparere eller tage dem ud af drift på en sikker måde, hvis de risikerer at forvolde uberettiget skade.

I butikken er oversættelsen enkel: teknologien detekterer, teamet beslutter. AI'en analyserer gestus, ikke personer, og følger ingen fra det ene kamera til det andet. Foran klippet er det et menneske, der vælger at gå hen til rayonet, tilbyde sin hjælp eller ikke gøre noget.

Intet opsigtsvækkende i alt dette: blot en beregning udført det rette sted og en video, der kun rejser, når den gør nytte. Det er ikke desto mindre det, der giver hurtige og præcise alarmer og bedre kontrol over den ukendte svind. Før I sammenligner funktioner, så bed om at se kortet over datastrømmene: det siger ofte mere end en salgsbrochure.