Dans le monde de la vidéosurveillance, l'un des principaux avantages de l'EDGE computing sera la possibilité d'entreprendre des analyses avancées en utilisant l'intelligence artificielle (IA) et le deep learning au sein même des caméras.
Tout d'abord, qu'entendons-nous par "EDGE" ou périphérie de réseau ?
Le nombre de dispositifs de sécurité EDGE est en augmentation et ils jouent un rôle de plus en plus critique dans notre sûreté et notre sécurité. L'informatique de périphérie consiste à intégrer davantage de capacités dans l'appareil connecté lui-même, de sorte que la puissance de traitement de l'information se trouve aussi près de la source que possible.
Pour un réseau de vidéosurveillance, cela signifie que davantage d'actions peuvent être effectuées sur les caméras elles-mêmes. Le rôle de l'intelligence artificielle (IA), du machine learning et du deep learning dans la vidéosurveillance est de plus en plus important. Nous sommes donc en mesure d'"apprendre" à nos caméras à être beaucoup plus intuitives quant à ce qu'elles filment et analysent en temps réel. Par exemple, le véhicule présent dans la scène est-il une voiture, un bus ou un camion ? S'agit-il d'un humain ou d'un animal près du bâtiment ? S'agit-il d'ombres ou d'un objet sur la route ?
Ces informations réduiront le temps homme nécessaire pour analyser les données et prendre des décisions. Au final, cela devrait accélérer les temps de réponse - et potentiellement sauver des vies - et fournir des informations précieuses qui peuvent façonner l'avenir de nos bâtiments, de nos villes et de nos systèmes de transport.
Comment pouvons-nous transformer la vidéosurveillance à la périphérie ?
Actuellement, la plupart des analyses périphériques des séquences de caméras de surveillance montrent simplement que quelque chose ou quelqu'un est en mouvement. Après cette analyse par les systèmes de gestion vidéo (VMS) sur des serveurs centralisés, il faut un humain pour interpréter exactement ce dont il s'agit et s'il présente une menace ou un risque pour la sécurité.
Pour savoir si un objet est un véhicule, un humain, un animal ou n'importe quoi d'autre, nous pouvons "entraîner" un système de caméra à détecter et à classer l'objet. Cela pourrait nous permettre de comprendre un nombre presque illimité de classes d'objets et de contextes.
Une analyse standard détecterait qu'un véhicule a déclenché une alerte. Avec une couche intelligente de deep learning en plus, vous pouvez aller encore plus loin dans les détails : De quel type de véhicule s'agit-il ? Se trouve-t-il dans une zone susceptible de poser des problèmes, ou bien sur la bande d'arrêt d'urgence, hors de tout danger immédiat ? S'agit-il d'un bus en panne, susceptible de mettre en danger les personnes qui en descendent ?
Les avantages de l'analyse en périphérie
La plus grande précision de l'analyse en périphérie ou EDGE - et la capacité de distinguer plusieurs classes d'objets - réduit immédiatement le taux de faux positifs. Il s'ensuit une réduction du temps et des ressources nécessaires à l'investigation de ces faux positifs. De manière plus proactive, l'edge analytics peut créer une réponse plus appropriée et plus rapide.
Par exemple, l'analyse de l'IA en périphérie pourrait identifier des objets sur une autoroute et alerter les conducteurs. Mais la capacité apportée par l'apprentissage profond à faire la distinction entre un humain et un véhicule peut aider à définir le niveau de gravité de l'avertissement émis aux conducteurs. Si les caméras voyaient qu'une personne est en danger sur la route, elles pourraient automatiquement activer la signalisation pour ralentir le trafic et alerter les services d'urgence.
Au fil du temps, les développeurs à l'origine de l'analyse pourraient dégager des tendances qui seraient utiles non seulement pour la gestion et la planification du trafic, mais aussi pour d'autres organismes s'intéressant au comportement et à la conservation de la faune par exemple. Le fait de pouvoir différencier le type de trafic - piétons, cyclistes, automobilistes, véhicules commerciaux - fournit des indications précieuses sur les tendances qui aident les ingénieurs civils à planifier les villes intelligentes du futur.
Transformer des données brutes en informations analytiques exploitables
Un autre avantage clé de l'edge analytics est que l'analyse s'effectue sur des séquences vidéo de la plus haute qualité, aussi près que possible de la source. Dans un modèle traditionnel - lorsque l'analyse a lieu sur un serveur - la vidéo est souvent compressée avant d'être transférée, et l'analyse est donc effectuée sur une vidéo de qualité dégradée.
En outre, lorsque l'analyse est centralisée, c'est-à-dire qu'elle a lieu sur un serveur, lorsque de nouvelles caméras sont ajoutées à la solution, davantage de données sont transférées, ce qui rend nécessaire l'ajout de serveurs supplémentaires pour gérer l'analyse. Le déploiement d'une analyse puissante à la périphérie signifie que seules les informations les plus pertinentes sont envoyées sur le réseau, ce qui réduit la charge sur la bande passante et le stockage.
