AIによる映像解析のデモでは、情報システム担当者や店長自身から、必ず同じ質問が出ます。映像はどこを通るのか? 多くの方は、店舗の回線を使って遠隔のサーバーに映像を常時送信する仕組みを想像します。しかし実際には、最初の設定よりずっと前に下される、あるアーキテクチャ上の判断がすべてを決めます。それは、既存カメラのメインストリームを使い、店舗内のGPUでローカルに映像解析を行うという判断です。
ここでは画質そのものには触れません。代わりに、カメラのレンズから責任者の画面まで、データがたどる経路を追います。店内に残るもの、外へ出るもの、そしてこの選択がアラートの速さ、店舗のネットワーク、データの管理にもたらす具体的な違いを見ていきましょう。
1本の映像ストリームは重く、大型店舗には数十本ものストリームがある
IPカメラは通常、少なくとも2つのストリームを生成します。メインストリーム(mainstream)は高解像度です。軽量化されたサブストリーム(substream)は、主にモザイク表示やリモートでの閲覧に使われます。ポケットに滑り込ませた商品や、売り場で開封された包装といった細かい動作を捉えるには、重要になるのはメインストリームです。サブストリームでは、手はわずか数ピクセルにしか映りません。この点については、記事店舗におけるメインストリーム解析で詳しく説明しました。
そうなると、問題は単純な計算になります。20台や30台のカメラのメインストリームを遠隔のサーバーへ常時送信するには、高い上り帯域を常に確保する必要がありますが、多くの店舗の回線ではそれを保証できません。しかもその回線は、決済端末、レジ、メッセージング、場合によっては来店客向けWi-Fiともすでに共有されています。夏のセール中の土曜日、決済端末がひっきりなしに動いているときに、回線が飽和することは誰も望みません。
この制約は今に始まったことではありません。ECR Retail Lossグループは、欧州と米国の小売事業者22社へのインタビューに基づいて2020年に公表した小売における映像技術の活用に関する調査の中で、複数の参加者が、帯域幅や計算能力が映像解析の活用に及ぼす影響を懸念していることをすでに指摘していました。
なぜ演算をカメラのできるだけ近くで行うのか
映像を送るのではなく、計算の場所を移す。これがエッジコンピューティングの考え方です。EuroShopは、小売におけるエッジコンピューティングを特集した記事でこう要約しています。有用なデータだけがクラウドに送られ、ネットワークの負荷が軽くなり、リアルタイムでの対応が可能になるということです。映像の場合、考えられる形態のひとつが、店舗内に設置した専用GPUです。カメラのストリームを読み込み、その場でモデルを実行します。運営者にとっての違いは、次の3点に表れます。
- レイテンシ。アラートが意味を持つのは、届いた時点でまだ売場で状況が続いている場合だけです。フルストリームをデータセンターと往復させる必要がないため、ジェスチャーから通知までの経路が短くなります。Oxaniaでは、映像アラートはスマートフォン、タブレット、パソコンに10秒以内に届きます。
- 解像度。ストリームがインターネットを通らないため、回線に合わせて画質を落とす必要がありません。モデルは高解像度の映像で解析するので、個人のバッグと買い物袋を見分けたり、レジを通す前に商品が消費されたことを確認したりできます。
- ネットワーク。GPUサーバーは店舗専用で、現地に設置されます。カメラのストリームの読み込みと解析で、インターネット接続の帯域幅を消費することはありません。一方、検知の確認、アラートの映像の送信、通知はこの接続を経由するため、接続は常に利用可能な状態に保つ必要があります。
店内に残るもの、店外に出るもの
IT責任者であれば、いずれ必ずこの質問をします。そして、スローガンだけでは答えになりません。Oxaniaが採用しているアーキテクチャでは、カメラの映像は明確に区別された3つの経路をたどります。
- 現地に残るもの:カメラの高解像度の連続映像ストリームです。店舗のGPUがこれを読み込んで解析し、このストリームがそれ以上先へ送られることはありません。既存の映像システムの録画データは、従来どおり運営者の責任のもとで管理されます。
- 確認のために送られるもの:at-riskなジェスチャー(リスクのある動作)が検知されると、検知内容を表すコンパクトな数値データが確認用に送信されます。これは映像ではなく、データ量も映像とは比べものになりません。
- 送信されて保存されるもの:アラートに紐づく映像クリップのみです。アクセス速度と現地の規則の遵守のため、お客様の国にできるだけ近いサーバーに保存されます。
つまり、選別は発生源で行われます。何時間もの映像のうち、店舗の外に出るのはアラートに関連する映像のみです。チームの誰かが確認する価値のある映像だけです。アラートに含まれるのも、まさにこの映像で、注目すべき箇所へ自動的に段階的にズームします。受け取った人は状況をひと目で把握し、次の対応を判断できます。
ローカルとは、外部と切り離されているという意味ではない
ローカル推論が何を意味するのかも、明確にしておく必要があります。検知は店舗内の専用GPUで行われますが、拠点はクラウドと接続されたままです。検知の確認、アラートのクリップの送信、チームの端末への通知配信には、接続が必要だからです。変わるのは流れるデータの中身で、数十本の連続ストリームではなく、少数のメッセージと短いクリップになります。それとは逆のことを主張しながら、あなたのスマートフォンにアラートを送ってくるベンダーには、もう一つ質問してみる価値があります。
見落とされがちな点がもうひとつあります。GPUサーバーは、実際に存在する機器だということです。設置場所を確保し、電源を供給し、冷却し、カメラと適切に接続する必要があります。これはインテグレーターの仕事であり、結果はモデルの品質だけでは決まりません。この点は、AIカメラの効果におけるインテグレーターの役割についての記事でも説明したとおりです。認定インテグレーターのネットワークを活用すれば、既存のカメラへの設置は通常1日以内で完了します。
契約前に確認したい5つの質問
1店舗でもチェーン全体でも、次の5点を確認すれば、映像解析アーキテクチャの堅牢性をすばやく判断できます。
- 解析されるストリーム:高解像度のメインストリームか、サブストリームか。
- モデルが動作する場所と、そのマシンが本当にお客様の店舗専用であるかどうか。
- 拠点から出るデータは具体的に何で、いつ送られるのか。
- アラートのクリップの保存場所:どの国で、どれくらいの期間か。
- 店舗の接続が切断された場合や不安定な場合に何が起こるのか。
具体的な回答を求めてください。よく考えられたアーキテクチャは、専門用語を使わず数文で説明できます。それができないベンダーは、自社のデータフローの全体像を把握していないことが少なくありません。また、カメラを導入して数年が経っている場合は、店舗用カメラの選び方ガイドを参考にすると、活用可能なメインストリームが得られるかどうかを確認できます。
信頼にもつながるアーキテクチャ
ストリームを現地に留めることは、帯域幅だけの問題ではありません。やり取りされるものを必要最小限に抑え、データを店舗の管理下に置くことにもつながります。AIの堅牢性、安全性、セキュリティに関するOECDの原則は、AIシステムがライフサイクル全体を通じて安全かつ確実で、適切に機能し続けること、そして不当な損害を引き起こすおそれがある場合には、安全に停止、修復、または運用停止できる仕組みを備えることを推奨しています。
店舗に置き換えると、答えはシンプルです。テクノロジーが検知し、チームが判断する。AIが解析するのは人ではなくジェスチャーであり、カメラをまたいで誰かを追跡することはありません。クリップを見て、売場へ向かうか、声をかけるか、何もしないかを選ぶのは人間です。
特別なことは何もありません。適切な場所で計算を行い、映像は必要なときにだけ送る。ただそれだけです。それでも、これが迅速で正確なアラートと、より適切に管理された démarque inconnue につながります。機能を比較する前に、ストリームの流れを示した図を見せてもらってください。営業用のパンフレットよりも、多くのことを語ってくれることがよくあります。
