A legújabb ARTPEC chip technológia megnövekedett számítási kapacitása új lehetőségeket nyújt a teljesen beágyazott mélytanulási alkalmazásoknak az edge-en. A Citilog CEO-ja, Eric Toffin megvizsgálja az intelligens forgalomkezelési megoldások evolúcióját és bemutatja az edge-alapú mélytanulási technológia előnyeit.
Az edge-alapú mélytanulás előnyei
Mint az intelligens forgalmi rendszerek úttörői és több mint 20 éves tapasztalatunkkal, a Citilognál számtalan technológiát tapasztaltunk meg először. A két legjelentőségteljesebb az iparágunkban az analógról IP videóra való átállás volt 2008 és 2012 között és az átmenet a szerveralapú forgalomkezelési megoldásokról a felhő- és edge-alapú megoldásokra 2016-tól kezdve.
A felhőalapú hálózatok bemutatása óta az IoT használat rohamosan nőtt. És a szakértők azt jelzik előre, hogy több mint 75 milliárd IoT eszköz lesz 2025-re – ez ötszörös növekedést jelent 10 év alatt. De ezek az eszközök annyi adatot generálnak, hogy még az új 5G hálózatok sem bírják el egyedül.
Szóval a verseny folyik, hogy decentralizáljuk a számításokat és szolgáltatásokat a felhőből az edge-re, miközben az edge eszközök teljesítményét növeljük. Habár az edge-alapú megoldásoknak nem jósoljuk, hogy kiváltják a felhő- vagy szerveralapú számítást, azt találtuk, hogy az új projektek 70% 2019-ben edge-alapú analitikákat tartalmazott. És ennek vannak határozott előnyei.
Kisebb sávszélesség-használat
Ez talán a legnyilvánvalóbb. A felhőalapú betanítási és következtetési modellek azt igénylik, hogy az eszközök nagy mennyiségű nyers adatot küldjenek a felhőbe, hatalmas hálózati sávszélességet felemésztve. Ezzel ellentétesen az edge-alapú mélytanulás csak az analizált metaadatokat küldi át és a sávszélesség kis töredékét használja.
Lecsökkent válaszidő
A nagysebességű forgalmi incidenskezeléshez a késleltetés jelentheti egy incidens okának a rögzítése vagy az arról való lemaradás közötti különbséget. Az edge-alapú mélytanulás most már lehetővé teszi a valós idejű alkalmazásokat központi kommunikáció nélkül – mint például rossz irányban való haladás detektálását, ahol a detektálás ideje kulcsfontosságú.
Jobb megbízhatóság
Mivel a felhő- vagy szerveralapú analízis erősen a vezeték nélküli hálózatokon múlik, bármilyen megszakadása annak jelentős hatással van az eredményekre. Azonban, az edge-alapú mélytanulással, minden számítás magán az eszközön történik és nincs annyira kitéve a hálózat megszakadásának.
Adatvédelemnek való megfelelés
Talán nem annyira egyértelmű, de a személyes információk, mint például a rendszámok egyre inkább védettek adatvédelmi törvények által. A felhőbe küldött személyes adatok minimalizálásával megfelelhetünk az adatvédelemnek.
Megspórolt költségek
Az analizált metaadatok tovább küldése a nagymennyiségű nyers adat helyett, kiküszöböli a további tárhelyeket vagy a magas felhőalapú tárolási költségeket. A hardveren és a tárhelyen való spórolás mellett, a rendszer kevesebb energiát is fogyaszt – csökkentve a költségeket és a környezeti lábnyomot egyaránt.
Mélytanulás a jobb teljesítményért
Attól függetlenül, hogy a mélytanulási megoldása szerver-, felhő- vagy edge-alapú – vagy akár egy hibrid megoldás – fontos megérteni, hol van a mélytanulás igazi értéke. Hiszen a videoanalitikákat már évek óta használták a forgalmi hatalmak.
Az egyszerű riasztásalapú megfigyelés legnagyobb kihívása a fals riasztások magas száma. Különösen a forgalomkezelésben, ez azt jelenti, hogy a hatékony videoalapú incidenskezelés megoldások eddig limitálva voltak az alagutakra kontrollált fényviszonyokkal.
Azonban a mély neurális hálózatok (DNN) bemutatásával a detektálása, beazonosítása és osztályozása az adatoknak most már lehetővé teszi a járművek, biciklik és emberek megkülönböztetését. Továbbá a videomegoldások betaníthatók, hogy felismerjék az árnyékokat, tükröződéseket és ragyogást a változó fényviszonyok között, csökkentve a fals riasztásokat és hatékony videoalapú incidenskezelés lehetővé téve autópályákon és hidakon.
További információkat az Axis blogjában talál.