Che siate o meno lettori abituali del nostro blog, avrete probabilmente già sentito il termine “edge analytics”, o “analitiche on the edge” in relazione alla videosorveglianza. In parole semplici, questa dicitura si riferisce alla crescente potenza delle analisi video poste “al margine” (“on the edge”) della rete, come ad esempio sulla telecamera stessa.

Abbiamo introdotto il tema delle analitiche video on the edge in un recente articolo, in cui sottolineavamo come anche in questo caso, quando il potenziale di questa nuova tecnologia è emerso, il settore della sicurezza abbia iniziato ad adottare questa innovazione con grande entusiasmo, considerando i vantaggi che offre in confronto alle analitiche basate sul server.

In primo luogo, le analitiche poste a bordo telecamera implicano che solo i dati veramente significativi siano poi trasmessi a un operatore. In un sistema basato sul server, invece, tutti i dati raccolti dalla telecamera vengono trasferiti a un data center per l’analisi, richiedendo una quantità di banda molto superiore e aumentando i costi relativi. In secondo luogo, analizzare i video all’interno della telecamera e il più possibile vicino al punto di ripresa permette di analizzare immagini della più alta qualità possibile, prive delle degradazioni causate dalla compressione prima dell’invio: una pratica che viene spesso adottata per ridurre la prima problematica relativa alla banda.

Ma l’entusiasmo che ha accompagnato l’adozione di questa nuova terminologia tecnologica nasconde un rischio: termini alla moda hanno la tendenza a essere troppo utilizzati, spesso a sproposito, portando a una comprensione limitata o inaccurata del tema. Per certi versi, è ciò che è avvenuto con le analitiche on the edge, per cui molti oggi hanno una comprensione corretta ma limitata del tema.

Un altro aspetto pericoloso legato alla popolarità di questo termine è dovuto al fatto che, come tutte le tecnologie più rivoluzionarie, è stato molto promosso da aziende e organizzazioni.
Le persone, però, tendono a essere sospettose rispetto a tutto ciò che viene sottoposto a un forte battage, e ciò potrebbe contribuire a limitare l’adozione di questa tecnologia.

Correndo il rischio di aggiungere ulteriore hype a questa situazione, sono convinto che le analitiche on the edge saranno una tecnologia capace di cambiare il nostro e molti altri settori, ma per ragioni ancora lontane dai casi d’uso di cui si parla in questi giorni. Inoltre, ritengo che perfino le aziende che oggi non trovano una ragione valida per valutare un investimento in telecamere di videosorveglianza equipaggiate con analitiche on the edge, dovrebbero anticipare il trend per garantirsi investimenti a prova di futuro.

 

L’attuale scenario delle edge analytics e il loro potenziale futuro

Un elemento centrale delle analitiche on the edge basate sul deep learning è una capacità molto più accurata di riconoscimento degli oggetti.

Facendo un esempio relativo alla gestione del traffico, uno dei tipici problemi delle analitiche tradizionali è il numero elevato di falsi allarmi, come quando, ad esempio, la telecamera confonde pozzanghere o ombre con veicoli fermi su un’autostrada, generando un avvertimento.

La maggior accuratezza delle edge analytics riduce significativamente i falsi allarmi, ma può offrire anche molto di più, come la capacità di distinguere tra differenti tipi di oggetti: camion, autobus, automobili e motocicli, infatti, possono essere identificati individualmente, garantendo una maggior efficienza nella gestione del traffico e aprendo nuove opportunità.

Se applicazioni come queste hanno chiaramente un impatto positivo, mostrano però solo una parte del potenziale delle analitiche on the edge. Gli attuali casi d’uso sono ancora ampiamente concentrati su ciò che chiamiamo “analisi della scena”, come ad esempio l’accensione di un semaforo o di un segnale di pericolo sulla strada, e la conseguente reazione mediante allarmi o specifiche procedure automatiche.

Guardando al futuro, però, il potenziale di questa tecnologia emerge in modo evidente se consideriamo il notevole contributo che le edge analytics possono apportare al materiale registrato dalle telecamere di videosorveglianza.

 

L’astrazione dei dati nella videosorveglianza

In ultima analisi, è tutta questione di dati.

Anche chi non appartiene al nostro settore ha familiarità con il tradizionale paradigma della videosorveglianza, spesso raccontato nei film e nelle serie televisive: un flusso di immagini in tempo reale o registrate che vengono visionate da operatori umani. In determinate situazioni, questi operatori mettono il video in pausa o effettuano uno zoom su uno specifico punto per ottenere una visuale migliore, ma sempre analizzando le informazioni visive.

I computer, ovviamente, non hanno occhi. Perciò, per fare in modo che le informazioni video siano analizzate ed elaborate da una macchina – on the edge o su un server – devono essere convertite in dati. È un’attività di astrazione dei dati che consiste nella riduzione di un ampio numero di informazioni in una rappresentazione semplificata di ciò che avviene. Una telecamera di videosorveglianza equipaggiata con analitiche on the edge non identifica un’automobile nello stesso modo in cui lo facciamo noi, ma tende piuttosto a riconoscere le caratteristiche essenziali dell’auto come dati.

Inoltre, le analitiche on the edge non si limitano a trasformare informazioni video in dati (che è il materiale su cui poi si basa anche l’analisi della scena), ma creano anche dei metadati.

I metadati sono, essenzialmente, dati riguardanti altri dati. Se questa definizione suona poco chiara, ecco un esempio che potete sperimentare direttamente mentre continuate a leggere questo articolo. Prendete il vostro cellulare e aprite una fotografia che avete scattato. Nello stesso modo in cui si comportano le analitiche on the edge, riconoscerete gli elementi presenti nell’immagine: una casa, una macchina verde, una persona.

Ma l’immagine contiene anche metadati: provate a cliccare sull’icona in alto a destra dell’immagine (o dov’è posizionata sul vostro dispositivo). A seconda delle impostazioni del vostro smartphone, i metadati possono darvi informazioni sull’ora e sul giorno in cui la foto è stata scattata, sul luogo, sui tempi di esposizione della fotocamera e così via.

Incrociando dati e metadati, è possibile aumentare esponenzialmente l’efficienza nell’analisi di grandi quantità di informazioni. Ampliando il nostro esempio, non so voi, ma io ho letteralmente migliaia di fotografie sul mio cellulare, e trovarne una specifica può rivelarsi un bel grattacapo. Se potessi però effettuare una ricerca in base ad alcune caratteristiche precise – ad esempio foto contenente una barca blu, scattata in Grecia, durante un pomeriggio – potrei sicuramente trovare la fotografia che mi interessa molto più rapidamente.

 

Rivelare ciò che non sapete di non sapere

La combinazione di dati e metadati offerta dalle analitiche on the edge può rivelarsi estremamente utile per analizzare le enormi quantità di informazioni raccolte nel corso del tempo. Questo aiuterebbe le organizzazioni a ricavare approfondimenti sui temi di interesse: per fare un semplice esempio, “quante volte un’auto ha bloccato la corsia degli autobus nell’ultimo mese?”, oppure, “qual è il numero medio di persone che accedono a questa stazione della metropolitana tra le ore 7.00 e le ore 9.00 di un giorno lavorativo?” Non conoscono la risposta, ma sanno cosa stanno cercando.

Se questa capacità amplia ulteriormente i benefici offerti dalle edge analyticis, il principale valore aggiunto che riescono a offrire riguarda per così dire le “lacune sconosciute”, vale a dire la capacità di approfondire ciò che non sappiamo di non sapere.

Le macchine – e in particolare i dispositivi sempre più intelligenti che utilizzano il deep learning – sono incredibilmente capaci di riconoscere schemi e di evidenziare anomalie al loro interno. Più dati hanno a disposizione per l’analisi, più accurate diventano le loro previsioni, garantendo una gestione più rapida e accurata del problema (anche, ad esempio, per il settore sanitario).

È in questa capacità che risiede il vero potenziale delle analitiche on the edge: l’analisi di lungo periodo di grandi quantità di dati potrebbe stimolare miglioramenti oggi imprevedibili nella sicurezza, nella fornitura dei servizi, nell’ottimizzazione dei processi, nella salvaguardia della salute e così via.

 

Le opportunità per chi saprà sfruttarle prima

Alcune di queste cose sembrano giungere direttamente dalla fantascienza. Le analitiche on the edge sono ancora nella fase iniziale della propria evoluzione e la tentazione è di vedere come andranno le cose prima di scegliere di adottare questa tecnologia. Ma come abbiamo sottolineato prima, il vero valore delle edge analytics potrebbe non essere subito riconosciuto, ma sicuramente emergerà nel corso del tempo.

I potenziali benefici per aziende e organizzazioni sono anch’essi delle “lacune sconosciute” al momento. Ma quello che sappiamo è che se un’azienda non inizia a usare le analitiche on the edge non ne potrà mai scoprire i benefici.

 

Le analitiche on the edge e il 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!