La nostra previsione sulle tendenze tecnologiche che influenzeranno il settore della sicurezza nel 2021, ha evidenziato la centralità che l’edge computing sta assumendo in tutto il mondo. L’aumento della potenza di elaborazione nei dispositivi collegati permette infatti lo svolgimento delle attività di calcolo più avanzate direttamente su di essi o, più propriamente, “on the edge”.

Nel mondo della videosorveglianza, uno dei principali vantaggi dell’edge computing sarà la capacità di effettuare analisi avanzate utilizzando l’intelligenza artificiale (IA) e il deep learning all’interno delle stesse telecamere di rete.

 

In primo luogo, cosa intendiamo per “on the edge”?

Il numero di dispositivi on the edge è in crescita: telecamere, sensori e strumenti che svolgono un ruolo sempre più critico per la nostra sicurezza. Edge computing significa dotare il dispositivo collegato di maggiori capacità, ponendo i sistemi di elaborazione delle informazioni il più vicino possibile alla loro fonte.

All’interno di una rete di videosorveglianza queste funzioni permettono di eseguire più azioni a bordo delle telecamere stesse. Oggi siamo in grado di ‘insegnare’ alle nostre telecamere ad essere molto più intuitive su ciò che stanno filmando e analizzando in tempo reale. Ad esempio, il veicolo nella scena è un’auto, un autobus o un camion? Vicino all’edificio, è un uomo o un animale? Quello che si rileva sulla strada, sono ombre o un oggetto?

Queste innovazioni ridurranno la centralità dell’intervento umano nell’analisi dei dati e nella successiva presa di decisioni. Inoltre, avranno un ruolo fondamentale nell’ accelerare i tempi di risposta a determinati eventi – potenzialmente in grado di salvare vite umane – e nel fornire i dati per analisi e riflessioni che potranno plasmare il futuro dei nostri edifici, delle città e dei sistemi di trasporto in base alle modalità di fruizione da parte di persone, cittadini e utenti.

 

Come possiamo trasformare la videosorveglianza on the edge?

Attualmente, la maggior parte delle funzioni analitiche presenti sulle telecamere si limitano semplicemente a evidenziare che qualcosa o qualcuno si sta muovendo. Dopo che queste informazioni sono analizzate da parte dei sistemi di gestione video (VMS) su server centralizzati, è necessaria la presenza di un essere umano per interpretare esattamente ciò che rappresentano e se costituiscono una minaccia o un rischio per la sicurezza.

Oggi possiamo ‘addestrare’ un sistema di telecamere a capire se un oggetto è un veicolo, un essere umano, un animale o qualsiasi altra cosa, garantendo una chiara identificazione. Un’innovazione che ci permetterà di classificare, insegnando alle telecamere come riconoscerli, un numero quasi illimitato di oggetti e contesti, rendendo i dispositivi sempre più precisi e potenti.

L’analisi video standard, per come è progettata, si limiterebbe a rilevare che un veicolo ha attivato un allarme. Con un livello intelligente di deep learning, si può entrare ancora di più nel dettaglio: che tipo di veicolo è? Si trova in un’area dove potrebbe causare potenziali problemi – come una zona pedonale – oppure è in difficoltà? È necessario un intervento immediato? È un autobus che si è rotto e che rischia di mettere in pericolo le persone al momento della discesa?

 

I vantaggi dell’analisi on the edge

La maggiore accuratezza delle analitiche on the edge – e la capacità di distinguere tra più classificazioni di oggetti – riduce immediatamente la percentuale di falsi positivi. Una caratteristica che permette un significativo risparmio di tempo e risorse nella verifica delle segnalazioni. L’analisi on the edge può così permettere un intervento proattivo, precedente al verificarsi di un’emergenza, e assicurare una risposta più appropriata e tempestiva.

Ad esempio, grazie all’IA e alle analisi condotte direttamente sul dispositivo, si potrebbe identificare la presenza di animali su un’autostrada e avvisare i guidatori. La capacità di distinguere tra un essere umano e un animale attraverso il deep learning può anche aiutare a definire il livello di gravità dell’avvertimento emesso ai conducenti. O ancora, se le telecamere vedessero che c’è qualcuno in pericolo sulla strada, potrebbero reagire automaticamente attivando appositi segnali per rallentare il traffico e avvisando i servizi di emergenza.

Nel corso del tempo, gli sviluppatori di analitiche hanno potuto osservare e studiare alcune tendenze che si sono rivelate utili non solo per la gestione e la pianificazione del traffico, ma anche per altre attività relative al comportamento e alla conservazione della fauna selvatica. Essere in grado di differenziare il tipo di traffico – pedoni, ciclisti, automobilisti, veicoli commerciali – fornisce poi preziosi dati statistici e informazioni che aiutano gli ingegneri civili a pianificare le città intelligenti del futuro.

 

Trasformare i dati grezzi in informazioni analitiche utilizzabili

Un altro vantaggio fondamentale dell’edge analytics è che l’analisi avviene su riprese video di altissima qualità, raccolte il più vicino possibile alla fonte. In un modello tradizionale – quando l’analisi avviene su un server – il video viene spesso compresso prima di essere trasferito, e l’analisi viene quindi effettuata su video di qualità più bassa.

Inoltre, quando i software di analisi sono centralizzati – come avviene su un server – più telecamere vengono aggiunte alla soluzione, più dati vengono trasferiti, e questo crea la necessità di aggiungere altri server per gestire l’analisi. L’impiego di potenti sistemi di analytics on the edge significa che solo le informazioni più rilevanti vengono inviate attraverso la rete, riducendo il carico sulla larghezza di banda e sull’archivio e permettendo risparmi economici talvolta molto significativi.

Osservare le potenzialità dell’IA e del deep learning nella videosorveglianza è entusiasmante. Axis ha recentemente annunciato una telecamera di rete dotata di un innovativo doppio chipset che fornisce la piattaforma perfetta per l’analisi su misura di terze parti basata sul deep learning on the edge. Il potenziale è quasi illimitato e numerose applicazioni sono in fase di elaborazione da parte degli sviluppatori attraverso il programma Axis Application Development Partner (ADP).

 

Intelligenza artificiale e deep learning sono stati tra i temi protagonisti di Axis Live, l’evento digitale di Axis tenutosi lo scorso 14 aprile. Rivivi gli eventi più interessanti on demand:

Guarda Axis Live on demand!

 

 

 

Questo articolo è apparso originariamente in lingua inglese sul blog globale Secure Insights.