Il post è di Eric Toffin, CEO di Citilog. Maggiori informazioni su Eric alla fine del post.

 

La più recente tecnologia del chip ARTPEC, con una maggiore potenza di elaborazione, offre nuove possibilità per le applicazioni di deep learning “edge-based”, ovvero all’interno dei dispositivi stessi. Il CEO di Citilog, Eric Toffin, esamina come si sono evolute le soluzioni intelligenti per la gestione del flusso di traffico e indica i benefici della tecnologia deep learning edge-based.

 

I vantaggi della tecnologia deep learning edge-based

Come pioniere nei sistemi per i trasporti intelligenti e in oltre vent’anni di esperienza, Citilog ha sperimentato per prima un gran numero di tecnologie. Fra le più significative per il nostro comparto citiamo la migrazione dai sistemi video analogici a quelli IP, tra il 2008 e il 2012, nonché la transizione dalle soluzioni di gestione del traffico affidata ai server alle soluzioni basate su cloud ed edge, agli inizi del 2016.

L’adozione dell’IoT è aumentata rapidamente dall’introduzione delle reti cloud. Gli esperti prevedono la comparsa di oltre 75 miliardi di dispositivi IoT entro il 2025 – ovvero un aumento del 500% nei prossimi dieci anni. Questi dispositivi, tuttavia, creano una quantità tale di dati, che neanche le nuove reti 5G saranno in grado di gestire.

Pertanto, è in corso una sfida per decentralizzare l’elaborazione di dati e servizi dal cloud al “margine” della rete, aumentando la potenza di elaborazione dei dispositivi. Sebbene si preveda che le soluzioni edge-based non sostituiranno del tutto l’elaborazione su cloud o server, abbiamo appurato che il 70% dei nuovi progetti nel 2019 includeva analitica all’interno dei dispositivi. I vantaggi di tutto questo sono innegabili.

• Consumo ridotto della banda
  Partiamo dal più ovvio. I modelli di training e inferenza basati su cloud richiedono dispositivi in grado di trasferire un’enorme quantità di dati grezzi e ciò comporta il consumo di grosse porzioni di banda. Al contrario, con la tecnologia deep learning all’interno dei dispositivi, si trasmettono solo i metadati analizzati, con un utilizzo sensibilmente minore della banda a disposizione.
• Minore latenza
  Nella gestione delle problematiche legate al traffico ad alta velocità, i ritardi dovuti alla latenza del segnale possono fare la differenza tra rilevare le cause di un incidente o perderle in toto. La tecnologia deep learning edge-based mette ora a disposizione applicazioni in tempo reale, senza alcuna comunicazione con il centro della rete. Ad esempio, il caso di un veicolo che marcia in senso opposto rappresenta una circostanza per la quale il tempo di rilevazione è cruciale.
• Migliore affidabilità
  Dal momento che l’analisi su cloud o server si affida pesantemente alle reti wireless, qualsiasi interruzione nella copertura può comportare un impatto importante sui risultati. Con la tecnologia deep learning edge-based invece, tutti i calcoli avvengono all’interno del dispositivo e sono quindi meno suscettibili alle interruzioni nella copertura.
• Conformità Privacy
  Forse non ci poniamo il problema, ma i dati personali, come le targhe, rappresentano informazioni sempre più protette dalle normative sulla privacy. La riduzione al minimo del trasferimento di dati personali sul cloud può contribuire al rispetto di tali norme.
• Risparmio nei costi
  Trasferire metadati analizzati in luogo di grandi quantità di dati grezzi, elimina la necessità di ulteriori unità di memoria, o il pagamento di tariffe onerose per l’archiviazione su cloud. Oltre a risparmiare sui costi di hardware e storage, il sistema consuma decisamente meno energia, riducendo sia le spese sia l’impatto sull’ambiente.

 

Deep learning per una migliore prestazione

Che la vostra soluzione di deep learning sia basata su server, cloud o dispositivo (o su una soluzione ibrida), è importante comprendere quale sia il suo vero valore. Non è un caso se l’analitica video viene utilizzata da anni per aiutare le autorità preposte al controllo del traffico a monitorare un numero enorme di telecamere installate sulle strade.

Come già discusso sul blog, la sfida principale posta dal più semplice sistema di monitoraggio basato su alert, consiste nel gran numero di falsi allarmi che esso genera. Per questo motivo, le soluzioni di gestione degli incidenti basate su video sono state finora utilizzate limitatamente alle gallerie, in condizioni di luce controllata.

L’introduzione delle reti neurali DNN (Deep Neural Networks) per rilevare, identificare e classificare i dati, rende ora invece possibile distinguere veicoli, biciclette e persone. Si possono inoltre “allenare” le soluzioni video a riconoscere ombre, riflessi e bagliori in condizioni di luce variabile, diminuendo il tasso di falsi allarmi e adottando la gestione degli incidenti basata su sistemi video anche su autostrade e ponti.

 

Attenti alla moda deep learning

Come accade per molte altre tendenze tecnologiche, l’Intelligenza Artificiale (AI) crea confusione e false aspettative. A tal proposito non va dimenticato che non tutte le soluzioni deep learning sono uguali. Come in qualsiasi altra applicazione di video intelligente, quella adibita alla gestione del traffico in tempo reale si basa su due fattori primari: un’adeguata quantità di dati e la qualità dell’immagine. Citilog “allena” le proprie soluzioni tramite decine di migliaia di immagini ad alta qualità, frutto di oltre vent’anni di esperienza nella gestione degli incidenti, con conseguente crescita di prestazioni e affidabilità di rilevazione degli eventi, nonché nel tasso di falsi allarmi più basso del settore. La combinazione unica delle reti neurali di Citilog con la tecnologia video Axis rende possibile l’applicazione della tecnologia deep learning su dispositivi. Le nostre soluzioni ci permettono di garantire il miglior rilevamento e il più basso tasso di falsi allarmi nel mondo.

Per saperne di più sulle nostre soluzioni per strade più intelligenti:

Partner per strade più smart

 

Eric Toffin è CEO di Citilog. Grazie a una formazione in ingegneria meccanica e vent’anni di esperienza sul campo, Eric possiede una profonda conoscenza delle tecnologie e delle esigenze di mercato legate all’industria dei Sistemi di Trasporto Intelligenti (Intelligent Transport System – ITS). Ha fatto parte di Citilog sin dai suoi albori e ha aiutato l’azienda a crescere fino a diventare leader nel settore dell’analitica video per la gestione del traffico. Attraverso le soluzioni di gestione del traffico basate su video per una mobilità intelligente, Citilog contribuisce a creare strade in cui il traffico possa fluire con maggiore sicurezza e libertà.