Waarom een ​​slimmere edge in 2019 zal leiden tot nieuwe toepassingen van computervisie

In 2018 zijn er grote vorderingen gemaakt op het gebied van computervisie. De nauwkeurigheid van objectdetectie en gezichtsherkenning blijft verbeteren, en het aantal direct beschikbare opties op basis van geavanceerde deep learning-technologieën, waaronder convolutionele en terugkerende neurale netwerken, blijft toenemen. De verbeteringen brengen kosten met zich mee:een toename van de complexiteit en verwerkingsvereisten van de technologieën. YOLOV3 bijvoorbeeld, een populair objectherkenningsmodel, heeft een volledig convolutionele onderliggende architectuur met 106 lagen, meer dan een verdubbeling ten opzichte van de vorige versie. Andere modellen, zoals RetinaNet- en SSD-varianten, laten ook enorme vooruitgang zien in nauwkeurigheid, maar opnieuw ten koste van een grotere complexiteit en verminderde prestaties.

Bijblijven met nieuwe eisen

Terwijl de complexiteit en rekenkundige vereisten van geavanceerde computer vision-technologie toenemen, is er een vraag naar het toepassen van deze technologieën op een groeiend aantal live videostreams met hoge resolutie. Het aantal videobewakingscamera's neemt dramatisch toe, samen met de verwachting dat ze proactieve informatie verschaffen. Een passief videosysteem is niet langer voldoende. Camera's moeten simpelweg een stuk slimmer zijn.

De realiteit van het uitrollen van geavanceerde machine learning-technologieën vereist een nieuwe manier van denken over implementaties. Het streamen van video met volledige resolutie naar de cloud voor verwerking is onbetaalbaar, vereist te veel bandbreedte en introduceert een hoge latentie. Het plaatsen van grote aantallen krachtige servers op locatie heeft zijn eigen problemen, vereist grote hoeveelheden kostbare ruimte en stroom, en kan onbetaalbaar zijn bij het uitrollen over grote aantallen camera's. Het gaat ook niet in op de realiteit van het omgaan met omgevingen met meerdere locaties die steeds belangrijker worden om gebruik te maken van de gegevens. Live video verwerken van 1 of 2 camera's is één ding. Om video van honderden camera's in realtime op een of meer locaties te verwerken, vaak met beperkte beschikbare middelen, moeten we heel anders denken.

De oplossing:video aan de rand

Het antwoord ligt aan de rand. Door de intelligentie aan de rand te plaatsen, kan de werklast over veel apparaten worden verdeeld. Dit kan betekenen dat u sterkere verwerkingscapaciteiten in de camera zelf moet inbedden of dat u zeer efficiënte edge-apparaten toevoegt die zich tussen camera's en de cloud bevinden. Om deze edge processing mogelijk te maken, beginnen bedrijven met het uitbrengen van snelle, energiezuinige gespecialiseerde AI-processors. Nvidia heeft verschillende modules in hun Jetson-serie gelanceerd voor het uitvoeren van realtime inferentie in embedded apparaten en Intel, door de overname van Movidius, biedt hun Myriad-serie processors en neurale compute-stick. De afgelopen jaren is er ook een enorme hoeveelheid geld van investeerders naar een nieuwe generatie chipbedrijven gegaan die goedkope, hoogwaardige verwerkingscapaciteiten voor deep learning bieden. Bedrijven zoals Mythic, Graphcore en anderen hebben honderden miljoenen dollars aan durfkapitaal ontvangen. Onlangs hebben zelfs Google en Amazon hun eigen edge processing-chips aangekondigd. Dit is een geweldige erkenning door twee pure play-cloudbedrijven van het belang van het verwerken van machine learning aan de rand.

Wat er gaat komen

Edge-gebaseerde verwerking zal een geheel nieuw soort realtime intelligentie mogelijk maken. Wat nu passieve videorecorders zijn, zullen binnenkort kijken naar kinderen die het risico lopen te verdrinken in een zwembad, wapens detecteren in de buurt van een school of deuren openen voor werknemers zonder sleutel. Ze gaan op zoek naar defecten in productielijnen, vinden werknemers die geen veiligheidsuitrusting dragen en leren hoe mensen zich in een winkelomgeving verplaatsen om de doorstroming te optimaliseren en wachttijden te verkorten. Camera's zullen eindelijk realtime bruikbare gegevens leveren. We zullen enorme verbeteringen zien in ons vermogen om de beveiliging, de betrouwbaarheid van de productie, de tevredenheid en de veiligheid van de klant in de winkel te vergroten.

Met meer dan 1 miljard camera's in gebruik en de volgende miljard klaar om te worden ingezet, biedt edge-verwerking het potentieel om ze eindelijk slim te maken.

Bedrijven kunnen nu al video-intelligenceserviceproviders zoals Kogniz vinden die mogelijkheden bieden om mensen en patronen in realtime te identificeren. Met de Kogniz-aanpak maakt de service gebruik van edge-based apparaten, waaronder stand-alone camera's en adapters voor bestaande IP-camera's, waardoor on-demand implementatie met minimale infrastructuur mogelijk is. De Kogniz-oplossing werkt met een onbeperkt aantal camera's en op een willekeurig aantal locaties.

Jed Putterman fungeert als co-CEO van Kogniz. De heer Putterman heeft verschillende technologiebedrijven opgericht, waaronder Snapcentric, overgenomen door VeriSign, en Allerez, overgenomen door Mercury Interactive Corporation. De heer Putterman begon zijn carrière bij Oracle Corporation en werkte vele jaren als consultant voor grote bedrijven, waaronder Sun Microsystems, SGI en Aspect Communications. Hij studeerde af aan de University of California, Berkeley.