Az MI-alapú videóelemzés bemutatóin előbb-utóbb mindig felmerül ugyanaz a kérdés, akár az informatikai vezető teszi fel, akár maga az üzletvezető: hová kerülnek a felvételek? Sokan úgy képzelik, hogy a képanyag folyamatosan egy távoli szerverre áramlik az üzlet internetkapcsolatán keresztül. A valóságban minden egy architekturális döntésen múlik, amelyet jóval az első beállítás előtt meghoznak: a helyi videóelemzésen, az üzletben elhelyezett GPU-n, a meglévő kamerák fő streamjéből kiindulva.

A képminőségre itt nem térünk vissza. Inkább az adatok útját követjük végig a kamera objektívjétől a vezető képernyőjéig: mi marad a helyszínen, mi távozik onnan, és mit változtat ez a döntés a gyakorlatban az riasztások gyorsaságán, az üzlet hálózatán és az adatok feletti ellenőrzésen.

Egy videófolyam nagy terhet jelent, egy nagyáruházban pedig több tucat van belőlük

Egy IP-kamera általában legalább két folyamot állít elő. A fő folyam (mainstream) nagy felbontású. A másodlagos folyam (substream) könnyített, és főként a mozaiknézethez és a távoli megtekintéshez szolgál. Egy finom mozdulat, például a zsebbe csúsztatott termék vagy a polcnál kinyitott csomagolás észleléséhez a fő folyam számít: a másodlagoson a kéz már csak néhány pixel. Ezt a kérdést részletesen bemutattuk a következő cikkünkben: a fő folyam elemzése az üzletben.

A probléma ilyenkor számtani jellegűvé válik. Húsz vagy harminc kamera fő folyamának folyamatos küldése egy távoli szerverre magas és állandó feltöltési sávszélességet igényel, amelyet sok üzleti internetkapcsolat nem tud garantálni. Ráadásul ezt a vonalat már most is megosztják a fizetési terminálokkal, a kasszákkal, a levelezéssel, olykor a vásárlói wifivel. Egy nyári leárazás szombatján, amikor a bankkártya-terminálok megállás nélkül dolgoznak, senki sem szeretné, hogy telítődjön.

Ez a korlát nem újkeletű. A videótechnológiák kereskedelmi használatáról szóló tanulmányában, amely 2020-ban jelent meg, és 22 európai és amerikai kereskedővel készített interjúkra épül, az ECR Retail Loss csoport már akkor megállapította, hogy több résztvevő aggódott a sávszélesség és a számítási teljesítmény videóelemzési felhasználásra gyakorolt hatása miatt.

Miért a kamerákhoz a lehető legközelebb történik a számítás

Ahelyett, hogy a képeket utaztatnánk, a számítást helyezzük át: ez az edge computing elve. Az EuroShop szakkiállítás az edge computingról a kereskedelemben szóló összefoglalójában így foglalja össze: csak a hasznos adatok jutnak fel a felhőbe, a hálózat tehermentesül, és a reakció valós időben történhet. Videó esetén az egyik lehetséges forma egy dedikált GPU, amelyet az üzletben telepítenek, és amely beolvassa a kamerák folyamát, a modellt pedig helyben futtatja. Az üzemeltető számára a különbség három ponton látszik:

  • A késleltetés. A riasztás csak akkor hasznos, ha a helyzet a megérkezésekor még tart a részlegben. Mivel a teljes stream nem megy oda-vissza egy adatközpontba, a mozdulat és az értesítés közötti lánc lerövidül: az Oxanianál a videóriasztás kevesebb mint 10 másodperc alatt megérkezik mobilra, táblagépre vagy számítógépre.
  • A felbontás. Mivel a stream nem halad át az interneten, nem kell rontani a minőségén ahhoz, hogy átférjen a kapcsolaton. A modell nagy felbontású képen dolgozik, amely lehetővé teszi, hogy különbséget tegyünk a személyes táska és a bevásárlótáska között, vagy észrevegyük, hogy egy terméket még a kasszához érkezés előtt elfogyasztottak.
  • A hálózat. A GPU-szerver az üzlet számára dedikált, és helyben van telepítve: a kamerák folyamának beolvasása és elemzése nem terheli az internetkapcsolat sávszélességét. Az észlelések megerősítése, a riasztási kivágatok küldése és az értesítések viszont ezen a kapcsolaton keresztül zajlanak, ezért ennek elérhetőnek kell maradnia.

Mi marad az üzletben, és mi hagyja el

Minden informatikai vezető előbb-utóbb felteszi a kérdést, és egy szlogen nem elég a megválaszolásához. Az Oxania által választott architektúrában a kamerák képei három jól elkülönülő útvonalat követnek:

  • Ami helyben marad: a kamerák folyamatos, nagy felbontású videófolyama. Az üzlet GPU-ja beolvassa és elemzi, és ez a folyam nem megy tovább. A meglévő videórendszer felvételei a korábbiakhoz hasonlóan az üzemeltető felelőssége alatt maradnak.
  • Ami megerősítésre elmegy: amikor kockázatos mozdulatot észlel a rendszer, az észlelés tömör digitális leírását küldi el megerősítésre. Ez nem videó, és a mérete össze sem hasonlítható a képekével.
  • Ami elmegy és megőrzésre kerül: a riasztáshoz kapcsolódó videórészlet, és kizárólag az. Az ügyfél országához lehető legközelebbi szervereken tárolják, a gyors hozzáférés és a helyi szabályok betartása érdekében.

A válogatás tehát a forrásnál történik. Több órányi videóból csak a riasztásokhoz kapcsolódó kivágatok hagyják el az üzletet: azok, amelyek indokolttá teszik, hogy a csapat egyik tagja ránézzen. Ugyanezeket a kivágatokat találjuk meg a riasztásban is, az érdekes pontra automatikusan, fokozatosan ráközelítve. Aki megkapja, első pillantásra megérti a jelenetet, és dönt a továbbiakról.

A helyi nem jelent elszigeteltséget

Világosan kell látni, mit takar a helyi inferencia. Az észlelés az üzletben, dedikált GPU-n történik, de a telephely továbbra is kapcsolódik a felhőhöz: kapcsolatra van szüksége az észlelések megerősítéséhez, a riasztási részletek elküldéséhez és az értesítések csapattagok eszközeire juttatásához. Az változik, hogy mi kering a hálózaton: néhány üzenet és rövid részletek a több tucat folyamatos stream helyett. Az a szolgáltató, aki az ellenkezőjét állítja, miközben riasztásokat küld a telefonjára, megérdemel még egy kérdést.

Egy másik, gyakran elfelejtett szempont: a GPU-szerver egy nagyon is valóságos gép. Helyet kell neki találni, áramot kell biztosítani hozzá, hűteni kell, és rendesen össze kell kötni a kamerákkal. Ez az integrátor feladata, és az eredmény nem csak a modell minőségén múlik, ahogy azt a integrátorok szerepéről az AI-kamerák hatékonyságában szóló írásunkban kifejtettük. Tanúsított integrátorok hálózatával a meglévő kamerákra történő telepítés általában egy napnál rövidebb idő alatt megvalósul.

Öt kérdés az aláírás előtt

Egyetlen értékesítési pont esetében és egy egész hálózatnál is ez az öt szempont segít gyorsan megítélni egy videóelemzési architektúra megbízhatóságát:

  1. Az elemzett stream: a fő, nagy felbontású, vagy a másodlagos.
  2. Hol fut a modell, és valóban az Ön üzletének dedikált gépen fut-e.
  3. Pontosan mi hagyja el a telephelyet, és mikor.
  4. A riasztási részletek tárolásának helye: melyik országban, és mennyi ideig.
  5. Mi történik, ha az üzlet kapcsolata megszakad vagy romlik.

Konkrét válaszokat várjon. Egy jól átgondolt architektúra néhány mondatban, szakzsargon nélkül leírható. Az a szolgáltató, aki erre nem képes, gyakran maga sem rendelkezik világos térképpel az adatfolyamairól. Ha pedig a kamerái néhány évesek, a kamera kiválasztásáról szóló útmutatónk az üzletben segít ellenőrizni, hogy használható fő streamet szolgáltatnak-e.

Egy architektúra, amely a bizalmat is szolgálja

A folyam helyben tartása nem merül ki a sávszélesség kérdésében. Azt is jelenti, hogy a forgalmat a feltétlenül szükséges mértékre korlátozzuk, az adatokat pedig a kereskedő felügyelete alatt hagyjuk. Az OECD az AI robusztusságáról, védettségéről és biztonságáról szóló alapelvei azt ajánlják, hogy az AI-rendszerek a teljes életciklusuk során maradjanak biztonságosak, védettek, és megfelelően működjenek, továbbá hogy legyenek olyan mechanizmusok, amelyek lehetővé teszik a rendszerek biztonságos letiltását, javítását vagy üzemen kívül helyezését, ha indokolatlan kárt okozhatnak.

Az üzletben a lényeg egyszerű: a technológia észlel, a csapat dönt. Az MI mozdulatokat elemez, nem személyeket, és senkit nem követ az egyik kamerától a másikig. A részlet láttán egy ember választja azt, hogy a részlegbe megy, felajánlja a segítségét, vagy nem tesz semmit.

Mindebben nincs semmi látványos: csak a megfelelő helyen elvégzett számítás és egy videó, amely csak akkor utazik, ha szükség van rá. Mégis ez adja a gyors és pontos riasztásokat, valamint a jobban kézben tartott ismeretlen eredetű készletveszteséget. Mielőtt funkciókat hasonlítana össze, kérje el az adatfolyamok térképét: gyakran többet elárul, mint egy reklámprospektus.