Mākslīgā intelekta video analīzes demonstrācijas laikā agri vai vēlu parādās viens un tas pats jautājums, ko uzdod vai nu IT vadītājs, vai pats veikala vadītājs: kur nonāk attēli? Daudzi iedomājas nepārtrauktu straumes sūtīšanu uz tālu serveri pa veikala interneta savienojumu. Patiesībā viss izšķiras ar arhitektūras lēmumu, kas pieņemts ilgi pirms pirmās iestatīšanas: lokāla video analīze, izmantojot GPU veikalā, no esošo kameru pamatstraumes.
Pie paša attēla kvalitātes šeit neatgriezīsimies. Labāk sekosim datu ceļam no kameras objektīva līdz vadītāja ekrānam: kas paliek uz vietas, kas tiek aizsūtīts un ko šī izvēle pavisam konkrēti maina brīdinājumu ātrumam, veikala tīklam un datu kontrolei.
Video straume ir apjomīga, un lielā veikalā to ir desmitiem
IP kamera parasti veido vismaz divas straumes. Pamatstraume (mainstream) ir augstas izšķirtspējas. Vieglākā sekundārā straume (substream) noder, piemēram, attēlošanai mozaīkā un attālinātai skatīšanai. Lai pamanītu smalku žestu, kabatā iebīdītu produktu vai atvērtu iepakojumu veikala ejā, svarīga ir pamatstraume: sekundārajā straumē roka aizņem tikai dažus pikseļus. Šo jautājumu detalizēti aprakstījām rakstā par pamatstraumes analīzi veikalā.
Tad problēma kļūst aritmētiska. Divdesmit vai trīsdesmit kameru pamatstraumju nepārtraukta sūtīšana uz attālu serveri prasa augstu un pastāvīgu augšupielādes ātrumu, ko daudzi veikalu savienojumi nespēj nodrošināt. Turklāt šo līniju tie jau dala ar maksājumu termināļiem, kasēm, e-pastu un dažkārt arī klientu wifi. Vasaras izpārdošanas sestdienā, kad maksājumu termināļi darbojas bez apstājas, neviens nevēlas, lai tā pārslogotos.
Šis ierobežojums nav nekas jauns. Pētījumā par video tehnoloģiju izmantošanu mazumtirdzniecībā, kas publicēts 2020. gadā un balstīts uz intervijām ar 22 Eiropas un ASV mazumtirgotājiem, grupa ECR Retail Loss jau norādīja, ka vairāki dalībnieki bažījas par joslas platuma un skaitļošanas jaudas ietekmi uz video analīzes izmantošanu.
Kāpēc skaitļošana notiek pēc iespējas tuvāk kamerām
Tā vietā, lai pārsūtītu attēlus, tiek pārvietota skaitļošana: tas ir malu skaitļošanas (edge computing) princips. Izstāde EuroShop to apkopo materiālā par malu skaitļošanu mazumtirdzniecībā: uz mākoni nonāk tikai noderīgie dati, tīkls tiek atslogots, un reakcija var notikt reāllaikā. Video gadījumā viens no iespējamiem risinājumiem ir veikalā uzstādīts speciāls GPU, kas nolasa kameru straumi un darbina modeli uz vietas. Operatoram atšķirība redzama trīs jomās:
- Latentums. Brīdinājumam ir jēga tikai tad, ja situācija veikala ejā vēl turpinās, kad tas pienāk. Ja pilnā straume netiek pārsūtīta uz datu centru un atpakaļ, ķēde starp žestu un paziņojumu kļūst īsāka: Oxania video brīdinājums mobilajā tālrunī, planšetdatorā vai datorā pienāk mazāk nekā 10 sekunžu laikā.
- Izšķirtspēja. Tā kā straume nešķērso internetu, to nav nepieciešams pasliktināt, lai tā ietilptu savienojumā. Modelis strādā ar augstas izšķirtspējas attēlu, kas ļauj atšķirt personīgo somu no iepirkumu somas vai redzēt, ka produkts ir patērēts pirms nokļūšanas pie kases.
- Tīkls. GPU serveris ir paredzēts tieši šim veikalam un uzstādīts uz vietas: kameru straumes nolasīšana un analīze nepatērē interneta savienojuma joslas platumu. Savukārt atpazīšanas apstiprināšana, brīdinājumu fragmentu sūtīšana un paziņojumi iet caur šo savienojumu, kam jāpaliek pieejamam.
Kas paliek veikalā un kas no tā iziet
Katrs IT vadītājs agri vai vēlu uzdod šo jautājumu, un ar saukli atbildei nepietiek. Oxania izvēlētajā arhitektūrā kameru attēli iet pa trim skaidri nodalītiem ceļiem:
- Kas paliek uz vietas: nepārtrauktā kameru video straume augstā izšķirtspējā. Veikala GPU to nolasa un analizē, un straume tālāk nenonāk. Jūsu esošās video sistēmas ieraksti, tāpat kā iepriekš, paliek operatora atbildībā.
- Kas tiek nosūtīts apstiprināšanai: kad tiek pamanīts riska žests, apstiprināšanai tiek nosūtīts kompakts atpazīšanas digitālais apraksts. Tas nav video, un tā apjoms nav salīdzināms ar attēlu apjomu.
- Kas tiek nosūtīts un saglabāts: ar brīdinājumu saistītais video fragments, un tikai tas. Tas tiek glabāts serveros, kas atrodas pēc iespējas tuvāk klienta valstij, gan lai nodrošinātu ātru piekļuvi, gan lai ievērotu vietējos noteikumus.
Tādējādi atlase notiek jau pie avota. No vairāku stundu video veikalu atstāj tikai ar brīdinājumiem saistītie fragmenti: tie, kuru dēļ komandas loceklim ir vērts paskatīties. Tieši šos pašus fragmentus var redzēt brīdinājumā, ar automātisku pakāpenisku tuvinājumu uz svarīgo vietu. Tas, kas to saņem, ar vienu skatienu saprot situāciju un izlemj, ko darīt tālāk.
Lokāli nenozīmē atrauti no pasaules
Tomēr jābūt skaidrībai par to, ko nozīmē lokālā inference. Atpazīšana notiek veikalā, uz speciāla GPU, taču objekts joprojām ir savienots ar mākoni: tam nepieciešams savienojums, lai apstiprinātu atpazīšanu, nosūtītu brīdinājumu fragmentus un piegādātu paziņojumus komandas ierīcēm. Mainās tas, kas tiek pārsūtīts: daži ziņojumi un īsi fragmenti desmitiem nepārtrauktu straumju vietā. Pakalpojumu sniedzējam, kas apgalvo pretējo, bet sūta brīdinājumus uz jūsu tālruni, der uzdot vēl vienu jautājumu.
Vēl kāds bieži aizmirsts aspekts: GPU serveris ir pavisam reāla iekārta. Tai jāatrod vieta, jānodrošina barošana, dzesēšana un pareizs savienojums ar kamerām. Tas ir integratora darbs, un rezultāts nav atkarīgs tikai no modeļa kvalitātes, kā skaidrojām rakstā par integratoru lomu mākslīgā intelekta kameru efektivitātē. Ar sertificētu integratoru tīklu uzstādīšana uz esošajām kamerām parasti aizņem mazāk par vienu dienu.
Pieci jautājumi, kas jāuzdod pirms līguma parakstīšanas
Gan vienam tirdzniecības punktam, gan veselam tīklam šie pieci punkti ļauj ātri novērtēt video analīzes arhitektūras uzticamību:
- Analizējamā straume: pamatstraume augstā izšķirtspējā vai sekundārā straume.
- Vieta, kur darbojas modelis, un tas, vai iekārta ir paredzēta tieši jūsu veikalam.
- Kas precīzi atstāj objektu un kurā brīdī.
- Brīdinājumu fragmentu glabāšanas vieta: kurā valstī un cik ilgi.
- Kas notiek, kad veikala savienojums ir pārtraukts vai pasliktināts.
Gaidiet konkrētas atbildes. Pārdomātu arhitektūru var aprakstīt dažos teikumos, bez žargona. Pakalpojumu sniedzējam, kuram tas neizdodas, bieži pašam nav skaidras savu datu plūsmu kartes. Un, ja jūsu kameru parks ir dažus gadus vecs, mūsu ceļvedis, kā izvēlēties kameru veikalam, palīdz pārbaudīt, vai tās nodrošina izmantojamu pamatstraumi.
Arhitektūra, kas stiprina arī uzticēšanos
Straumes paturēšana uz vietas nav tikai joslas platuma jautājums. Tas nozīmē arī to, ka pārsūtāmais tiek ierobežots līdz absolūti nepieciešamajam un dati paliek tirgotāja kontrolē. OECD principi par mākslīgā intelekta noturību, drošumu un drošību iesaka, lai mākslīgā intelekta sistēmas visā dzīves ciklā paliktu drošas, aizsargātas un spētu darboties pienācīgi, kā arī lai pastāvētu mehānismi, kas ļauj tās atslēgt, labot vai droši izņemt no ekspluatācijas, ja pastāv risks radīt nepamatotu kaitējumu.
Veikalā tulkojums ir vienkāršs: tehnoloģija atpazīst, komanda izlemj. Mākslīgais intelekts analizē žestus, nevis cilvēkus, un neseko nevienam no vienas kameras uz otru. Skatoties fragmentu, cilvēks izlemj, vai doties uz attiecīgo veikala nodaļu, piedāvāt palīdzību vai nedarīt neko.
Tajā visā nav nekā iespaidīga: tikai skaitļošana, kas veikta īstajā vietā, un video, kas pārvietojas tikai tad, kad tas ir vajadzīgs. Tomēr tieši tas nodrošina ātrus un precīzus brīdinājumus un labāk kontrolējamus nezināmos krājumu zudumus. Pirms salīdzināt funkcijas, pieprasiet parādīt datu plūsmu karti: tā bieži pastāsta vairāk nekā komerciāla brošūra.
