本文由 Citilog 執行長 Eric Toffin 撰寫。在本文結尾閱讀有關 Eric 的更多資訊。

最新 ARTPEC 晶片技術處理能力有所提高，為完全內建前端深度學習應用提供了全新可能。Citilog 執行長Eric Toffin 觀察智慧交通管理解決方案的演進，展望前端深度學習技術的優勢。

前端深度學習的優勢

身為智慧交通系統的先驅及擁有 20 多年的經驗，我們在 Citilog 經歷了無數技術的第一次。對於我們的產業而言，有兩件最重要的事情，一個是在 2008 年至 2012 年間從類比轉換到 IP 影像，以及自 2016 年開始從伺服器型的流量管理解決方案轉變為雲端與前端的解決方案。

自從導入雲端型的網路以來，IoT物聯網的使用已迅速增加。專家預測，將有超過 750 億個 IoT 裝置在 2025 之前安裝–代表在十年內成長五倍。但是這些裝置產生的資料太多，甚至只靠新的 5G 網路也無法管理。

除了將運算與服務從雲端分散到網路前端，同時還要提高前端裝置的處理能力。儘管預估前端的解決方案不會取代雲端或伺服器型運算，但我們發現在 2019 年有 70% 的新專案整合前端分析。同時這具有一定的優勢。

• 降低頻寬消耗
  這項優勢應該是最明顯的。雲端型的訓練與推理模型要求裝置傳輸大量原始資料到雲端，因此消耗了大量網路頻寬。相反地，前端的深度學習僅傳輸經過分析的中繼資料，僅需要一小部分可用頻寬。
• 減少等待時間
  對於高速的交通事故管理，處理事故的根本原因，長時間的等待導致完全不同的結果。現在，前端深度學習無需經過中央通訊即可提供即時應用程式－例如偵測錯誤駕駛車道，在這樣的案例中偵測時間非常重要。
• 更高的可靠度
  由於雲端型或伺服器的分析高度依賴無線網路，因此任何中斷的覆蓋範圍都可能對結果產生重大影響。然而，採用前端深度學習時，所有運算都在裝置本身，不易受到間歇性網路中斷的影響。
• 隱私合規性
  這可能不是首要考慮因素，但是諸如車牌號碼之類的個人資訊越來越受到隱私法規的保護。將傳輸到雲端的個人資料量最小化也有助於確保隱私合規性。
• 節省成本傳輸分析後的中繼資料而非大量的原始資料，無需額外儲存裝置或大量雲端型的儲存費用。除了節省硬體與儲存成本外，系統消耗的功率大幅下降，最大程度降低了成本以及對環境的影響。

深度學習以獲得更好效能

無論您採用的深度學習解決方案是伺服器型、雲端型還是前端－或混合版本－了解深度學習真正價值之所在非常重要。畢竟，影像分析已行之有年，協助交通主管機關監視道路上為數眾多的攝影機。

正如我們較早在部落格的討論，簡易的警報型監視面臨的最大挑戰是經常大量產生假警報。專門用於交通管理，代表有效的影像式事故管理解決方案，目前僅限於光線條件允許的隧道。

然而，導入深度神經網路 (DNN) 偵測、辨識並分類資料之後，現在便可以區別車輛、自行車與行人。此外，經過訓練之後，影像解決方案可在不同光線條件下，辨識陰影、反射與眩光，降低誤報率，將有效的影像式事故管理方式擴展到高速公路與橋樑。

當心「炒作」的深度學習

一如許多技術趨勢，人工智慧 (AI) 造成了很多混亂與錯誤的期望。但是現實是，並非所有深度學習解決方案都相同。就像任何智慧影像應用程式一樣，即時流量管理解決方案的品質取決於兩個主要因素－可靠的資料集與影像品質。在 Citilog，累積 20 多年交通事故管理經驗，我們的解決方案經過了成千上萬個相關高畫質視訊影像的「訓練」。它的性能得到了證明，可靠地偵測可運作的事件，同時產生業界最低的誤報率。Citilog 深度神經網路與安迅士影像技術的獨特組合，現在讓前端的深度學習成為可能。我們的解決方案正為全球的交通主管機關提供更好的偵測能力以及更低的誤報率。

了解更多有關我們針對智慧道路的解決方案：

攜手共創智慧之路