Σε μια επίδειξη ανάλυσης βίντεο με τεχνητή νοημοσύνη, η ίδια ερώτηση καταλήγει πάντα να τίθεται, είτε από τον υπεύθυνο πληροφορικής είτε από τον ίδιο τον διευθυντή του καταστήματος: πού πηγαίνουν οι εικόνες; Πολλοί φαντάζονται μια συνεχή αποστολή προς έναν απομακρυσμένο διακομιστή, μέσω της σύνδεσης του καταστήματος. Στην πραγματικότητα, όλα κρίνονται από μια αρχιτεκτονική απόφαση που λαμβάνεται πολύ πριν από την πρώτη ρύθμιση: η τοπική ανάλυση βίντεο, σε GPU μέσα στο κατάστημα, με βάση την κύρια ροή των υπαρχουσών καμερών.

Δεν θα επανέλθουμε εδώ στην ποιότητα της ίδιας της εικόνας. Θα ακολουθήσουμε μάλλον τη διαδρομή των δεδομένων, από τον φακό της κάμερας μέχρι την οθόνη του υπευθύνου: τι μένει στο σημείο, τι φεύγει και τι αλλάζει αυτή η επιλογή, πολύ συγκεκριμένα, για την ταχύτητα των ειδοποιήσεων, για το δίκτυο του καταστήματος και για τον έλεγχο των δεδομένων.

Μια ροή βίντεο είναι βαριά, και ένα μεγάλο κατάστημα έχει δεκάδες

Μια κάμερα IP παράγει συνήθως τουλάχιστον δύο ροές. Η κύρια ροή (mainstream) έχει υψηλή ανάλυση. Η δευτερεύουσα ροή (substream), πιο ελαφριά, χρησιμεύει κυρίως για την εμφάνιση σε μωσαϊκό και την απομακρυσμένη προβολή. Για να εντοπιστεί μια λεπτή χειρονομία, ένα προϊόν που γλιστρά σε μια τσέπη ή μια ανοιγμένη συσκευασία στον διάδρομο, μετράει η κύρια ροή: στη δευτερεύουσα, το χέρι έχει μόλις μερικά pixel. Αναλύσαμε αυτό το σημείο στο άρθρο μας για την ανάλυση της κύριας ροής στο κατάστημα.

Το πρόβλημα γίνεται τότε αριθμητικό. Η συνεχής αποστολή της κύριας ροής είκοσι ή τριάντα καμερών σε έναν απομακρυσμένο διακομιστή απαιτεί υψηλό και μόνιμο εύρος ζώνης ανεβάσματος, κάτι που πολλές συνδέσεις καταστημάτων δεν εγγυώνται. Και αυτή τη γραμμή την μοιράζονται ήδη με τα τερματικά πληρωμής, τα ταμεία, την ανταλλαγή μηνυμάτων και, κάποιες φορές, το wifi των πελατών. Ένα Σάββατο θερινών εκπτώσεων, όταν τα τερματικά πληρωμής δουλεύουν ασταμάτητα, κανείς δεν θέλει να τη δει να κορεστεί.

Αυτό το όριο δεν είναι καινούργιο. Στη μελέτη για τη χρήση των τεχνολογιών βίντεο στο λιανικό εμπόριο, που δημοσιεύτηκε το 2020 και βασίστηκε σε συνεντεύξεις με 22 διανομείς από την Ευρώπη και τις ΗΠΑ, η ομάδα ECR Retail Loss σημείωνε ήδη ότι αρκετοί συμμετέχοντες ανησυχούσαν για την επίδραση του εύρους ζώνης και της υπολογιστικής ισχύος στη χρήση της ανάλυσης βίντεο.

Γιατί ο υπολογισμός γίνεται όσο πιο κοντά στις κάμερες γίνεται

Αντί να μετακινούμε τις εικόνες, μετακινούμε τον υπολογισμό: αυτή είναι η αρχή του edge computing. Η έκθεση EuroShop το συνοψίζει σε ένα αφιέρωμα στο edge computing στο λιανικό εμπόριο: μόνο τα χρήσιμα δεδομένα ανεβαίνουν στο cloud, το δίκτυο αποσυμφορείται και η αντίδραση μπορεί να γίνει σε πραγματικό χρόνο. Για το βίντεο, μία από τις πιθανές μορφές είναι μια αποκλειστική GPU, εγκατεστημένη στο κατάστημα, που διαβάζει τη ροή των καμερών και εκτελεί το μοντέλο επιτόπου. Για τον διαχειριστή, η διαφορά φαίνεται σε τρία σημεία:

  • Η καθυστέρηση. Μια ειδοποίηση χρησιμεύει μόνο αν η κατάσταση βρίσκεται ακόμη σε εξέλιξη στο διάδρομο όταν φτάσει. Χωρίς μετάβαση και επιστροφή ολόκληρης της ροής προς ένα κέντρο δεδομένων, η αλυσίδα ανάμεσα στην κίνηση και την ειδοποίηση συντομεύει: στην Oxania, η ειδοποίηση βίντεο φτάνει σε λιγότερο από 10 δευτερόλεπτα σε κινητό, tablet ή υπολογιστή.
  • Η ανάλυση εικόνας. Εφόσον η ροή δεν διασχίζει το Internet, δεν χρειάζεται να υποβαθμιστεί για να χωρέσει στη σύνδεση. Το μοντέλο εργάζεται με την εικόνα υψηλής ανάλυσης, εκείνη που επιτρέπει να ξεχωρίσει κανείς μια προσωπική τσάντα από μια τσάντα για ψώνια, ή να δει ότι ένα προϊόν καταναλώθηκε πριν από το πέρασμα από το ταμείο.
  • Το δίκτυο. Ο διακομιστής GPU είναι αποκλειστικός για το κατάστημα και εγκαθίσταται επιτόπου: η ανάγνωση και η ανάλυση της ροής των καμερών δεν καταναλώνει το εύρος ζώνης της σύνδεσης στο Internet. Αντίθετα, η επιβεβαίωση των εντοπισμών, η αποστολή των αποσπασμάτων των ειδοποιήσεων και οι ειδοποιήσεις περνούν από αυτή τη σύνδεση, η οποία πρέπει να παραμένει διαθέσιμη.

Τι μένει στο κατάστημα και τι βγαίνει από αυτό

Κάθε υπεύθυνος πληροφορικής καταλήγει να θέτει το ερώτημα, και ένα σλόγκαν δεν αρκεί για να απαντηθεί. Στην αρχιτεκτονική που έχει επιλέξει η Oxania, οι εικόνες των καμερών ακολουθούν τρεις σαφώς διακριτές διαδρομές:

  • Ό,τι μένει επιτόπου: η συνεχής ροή βίντεο των καμερών, σε υψηλή ανάλυση. Η GPU του καταστήματος τη διαβάζει και την αναλύει, και αυτή η ροή δεν πηγαίνει παραπέρα. Οι εγγραφές του υπάρχοντος συστήματος βίντεο παραμένουν, όπως και πριν, υπό την ευθύνη του διαχειριστή.
  • Τι φεύγει για επιβεβαίωση: όταν εντοπίζεται μια επικίνδυνη κίνηση (geste à risque), στέλνεται μια συμπαγής ψηφιακή περιγραφή της ανίχνευσης για να επιβεβαιωθεί. Δεν είναι βίντεο, και το μέγεθός της δεν έχει καμία σχέση με αυτό των εικόνων.
  • Τι φεύγει και αποθηκεύεται: το απόσπασμα βίντεο που συνδέεται με την ειδοποίηση, και μόνο αυτό. Αποθηκεύεται σε διακομιστές που βρίσκονται όσο πιο κοντά γίνεται στη χώρα του πελάτη, τόσο για την ταχύτητα πρόσβασης όσο και για τη συμμόρφωση με τους τοπικούς κανόνες.

Η διαλογή γίνεται λοιπόν στην πηγή. Από ώρες βίντεο, μόνο τα αποσπάσματα που συνδέονται με ειδοποιήσεις φεύγουν από το κατάστημα: εκείνα που δικαιολογούν να κοιτάξει ένα μέλος της ομάδας. Αυτά ακριβώς τα αποσπάσματα βρίσκει κανείς στην ειδοποίηση, με αυτόματο προοδευτικό ζουμ στο σημείο ενδιαφέροντος. Το άτομο που τη λαμβάνει καταλαβαίνει τη σκηνή με μια ματιά και αποφασίζει για τη συνέχεια.

Τοπικά δεν σημαίνει αποκομμένα από τον κόσμο

Πρέπει ωστόσο να είμαστε σαφείς για το τι καλύπτει η τοπική εκτέλεση του μοντέλου. Η ανίχνευση γίνεται στο κατάστημα, σε αποκλειστική GPU, αλλά ο χώρος παραμένει συνδεδεμένος με το cloud: χρειάζεται σύνδεση για να επιβεβαιώνονται οι ανιχνεύσεις, να αποστέλλονται τα αποσπάσματα των ειδοποιήσεων και να φτάνουν οι ειδοποιήσεις στις συσκευές της ομάδας. Αυτό που αλλάζει είναι τι κυκλοφορεί: λίγα μηνύματα και σύντομα αποσπάσματα, αντί για δεκάδες συνεχείς ροές. Ένας πάροχος που θα ισχυριζόταν το αντίθετο, ενώ στέλνει ειδοποιήσεις στο τηλέφωνό σας, αξίζει μία ακόμη ερώτηση.

Ένα άλλο σημείο που συχνά ξεχνιέται: ο διακομιστής GPU είναι ένα απολύτως υπαρκτό μηχάνημα. Πρέπει να βρεθεί χώρος για αυτόν, να τροφοδοτηθεί, να αερίζεται και να συνδεθεί σωστά με τις κάμερες. Αυτή είναι η δουλειά του ολοκληρωτή συστημάτων, και το αποτέλεσμα δεν εξαρτάται μόνο από την ποιότητα του μοντέλου, όπως εξηγούσαμε σχετικά με τον ρόλο των ολοκληρωτών συστημάτων στην αποτελεσματικότητα των καμερών AI. Με ένα δίκτυο πιστοποιημένων ολοκληρωτών συστημάτων, η εγκατάσταση σε υπάρχουσες κάμερες ολοκληρώνεται συνήθως σε λιγότερο από μία ημέρα.

Πέντε ερωτήσεις πριν υπογράψετε

Είτε για ένα μόνο σημείο πώλησης είτε για ολόκληρο δίκτυο, αυτά τα πέντε σημεία επιτρέπουν να κριθεί γρήγορα η στιβαρότητα μιας αρχιτεκτονικής ανάλυσης βίντεο:

  1. Η ροή που αναλύεται: η κύρια, σε υψηλή ανάλυση, ή η δευτερεύουσα.
  2. Το σημείο όπου εκτελείται το μοντέλο, και αν το μηχάνημα είναι πράγματι αποκλειστικό για το κατάστημά σας.
  3. Τι ακριβώς εγκαταλείπει τον χώρο, και πότε.
  4. Ο τόπος αποθήκευσης των αποσπασμάτων των ειδοποιήσεων: σε ποια χώρα και για πόσο διάστημα.
  5. Τι συμβαίνει όταν η σύνδεση του καταστήματος διακόπτεται ή υποβαθμίζεται.

Περιμένετε συγκεκριμένες απαντήσεις. Μια καλά σχεδιασμένη αρχιτεκτονική περιγράφεται σε λίγες προτάσεις, χωρίς ορολογία. Ένας πάροχος που δεν τα καταφέρνει συχνά δεν έχει ο ίδιος έναν σαφή χάρτη των ροών του. Και αν ο στόλος καμερών σας έχει μερικά χρόνια, ο οδηγός μας για τη σωστή επιλογή κάμερας στο κατάστημα βοηθά να επαληθεύσετε ότι παρέχουν αξιοποιήσιμη κύρια ροή.

Μια αρχιτεκτονική που εξυπηρετεί και την εμπιστοσύνη

Το να κρατάμε τη ροή επιτόπου δεν περιορίζεται σε ζήτημα εύρους ζώνης. Σημαίνει επίσης ότι περιορίζουμε ό,τι κυκλοφορεί στο απολύτως αναγκαίο και ότι αφήνουμε τα δεδομένα υπό τον έλεγχο του εμπόρου. Οι αρχές του ΟΟΣΑ για την ανθεκτικότητα, την ασφάλεια και την προστασία της τεχνητής νοημοσύνης συνιστούν τα συστήματα τεχνητής νοημοσύνης να παραμένουν ασφαλή, προστατευμένα και ικανά να λειτουργούν σωστά καθ' όλη τη διάρκεια του κύκλου ζωής τους, και να υπάρχουν μηχανισμοί που επιτρέπουν την απενεργοποίησή τους, την επισκευή τους ή την ασφαλή θέση τους εκτός λειτουργίας, αν κινδυνεύουν να προκαλέσουν αδικαιολόγητη βλάβη.

Στο κατάστημα, η μετάφραση είναι απλή: η τεχνολογία ανιχνεύει, η ομάδα αποφασίζει. Η τεχνητή νοημοσύνη αναλύει κινήσεις, όχι ανθρώπους, και δεν παρακολουθεί κανέναν από κάμερα σε κάμερα. Μπροστά στο απόσπασμα, είναι ένας άνθρωπος που επιλέγει να πάει στο διάδρομο, να προσφέρει βοήθεια ή να μην κάνει τίποτα.

Τίποτα εντυπωσιακό σε όλα αυτά: απλώς ένας υπολογισμός που γίνεται στο σωστό σημείο και ένα βίντεο που ταξιδεύει μόνο όταν χρειάζεται. Και όμως, αυτό είναι που δίνει γρήγορες και ακριβείς ειδοποιήσεις, και καλύτερα ελεγχόμενες άγνωστες απώλειες αποθεμάτων. Πριν συγκρίνετε λειτουργίες, ζητήστε να δείτε τον χάρτη των ροών: συχνά λέει περισσότερα από ένα εμπορικό φυλλάδιο.