Proteklih godina organizacije iz cijelog svijeta prešle su iz faze uvođenja u fazu šire operacionalizacije rješenja za računarski vid. Revolucionarne tehnologije kojima je trebalo pet do deset godina da se uopće pojave na tržištu danas se svugdje primjenjuju, pri čemu trendovi prilagođavanja naprednim tehnologijama ne pokazuju znakove posustajanja. U ovom članku predstavit ćemo načine na koje računarski vid mijenja ključne industrije
Piše: Nigel Steyn, tehnički direktor prodaje za računarski vid, rubno računarstvo i IoT, Dell Technologies
Prije nekoliko godina računarski vid je bio tek zanimljiva naučnofantastična inovacija. No, danas je to stvarnost koja ubrzano postaje dio poslovnih okruženja. U suštini, računarski vid koristi vještačku inteligenciju i mašinsko učenje kako bi bolje razumio digitalni video, slike, audio, pa čak i biometrijske podatke, uz dolaženje do odgovarajućih uvida i zaključaka. Uz podatke prikupljene od kamera i rubnih senzora spojenih na internet stvari (IoT), koji su raspoređeni po zgradama, kampusima ili gradovima, tehnologija računarskog vida, naprimjer, može primijeniti algoritamske modele kako bi “učila” iz vizuelnih podataka i pretvorila ih u informacije neophodne za podršku donošenju odluka.
Prema Forresteru, 80% organizacija očekuje da će se broj slučajeva primjene vještačke inteligencije povećati u naredne dvije godine. Organizacije masovno koriste podatke i primjenjuju računarski vid kako bi poboljšale korisničko iskustvo, podigle operativnu efikasnost i, u konačnici, kreirale nove izvore prihoda. U IDC-u navode da su organizacije koje se smatraju inovatorima u segmentu analize podataka dvostruko profitabilnije od svojih konkurenata. Sve navedeno ima smisla. Pouzdani i lako dostupni podaci pomažu poslovnim i operativnim liderima da donose pametnije odluke, jačaju sigurnost, osiguraju konkurentsku prednost za svoje kompanije i iz temelja mijenjaju načine na koje organizacije isporučuju svoje proizvode i usluge.
Karika koja nedostaje: objedinjeni pristup u realnom vremenu
Videointeligencija ne predstavlja novinu. Većina kompanija, javnih prostora, pa čak i škola danas su opremljeni videonadzorom. Međutim, ono što otežava pretvaranje videa u konkretne uvide u realnom vremenu jeste potreba za upravljanjem velikim obimom, brzinom i raznovrsnošću podataka, kao i izvlačenjem zaključaka iz njih. Uobičajeni pristupi prikupljanju podataka i analitici, koji uključuju slanje podataka na centralnu platformu radi obrade, mogu dovesti do opterećenja mrežnog saobraćaja. Tu je i kašnjenje povezano s velikim tokovima podataka koji se šalju dvosmjerno. Ovo postaje posebno izražen problem ako se na osnovu podataka moraju donositi složene odluke u određenom roku.
Kako bi prevazišle ove izazove, neke organizacije primjenjuju modele tzv. objedinjenog učenja u realnom vremenu (slika 1). Ono omogućava efikasniju obradu i pohranu podataka, uglavnom na rubu mreže. Zamisao je da se razviju algoritamski modeli na centralnom serveru koji se često nalazi u oblaku te da se podaci čuvaju na rubnim lokacijama na kojima se, zapravo, i koriste. Nakon slanja modela na ovu destinaciju on se može obučiti pomoću lokalnih podataka. Nakon toga se centralnom serveru natrag šalju samo rezultati za potrebe agregacije. Zauzvrat, centralni model se može unaprijediti i vratiti na rubnu lokaciju radi podizanja nivoa kvaliteta izvučenih zaključaka na lokalnom nivou.
Tržište analitičkih modela
Savremeni modeli vizuelnih podataka projektuju se za standardne krajnje korisnike na rubu mreže. Potreba za stručnjacima za podatke koji vrše analize većinski je zamijenjena standardiziranim “drag and drop” modelima radnih tokova za kreiranje vlastitog analitičkog paketa. Razvilo se i tržište analitičkih modela na kojem kompanije koje ulažu u tehnologiju računarskog vida mogu inkorporirati ove modele u svoje poslovanje, čak i ako nemaju interne stručne resurse za vještačku inteligenciju ili analizu podataka. Postoje značajne prednosti objedinjenog pristupa u realnom vremenu. Neke od njih su to što omogućava unošenje vizuelnih podataka samo jednom i što možete dozvoliti pristup informacijama za više aplikacija. Model koji ostaje na centralnom serveru nije vezan za konkretne podatke, a modeli se mogu dijeliti s drugim akterima bez sigurnosnih rizika i budući da se obuka odvija na rubu, mrežni troškovi su niži i nema potrebe za održavanjem centraliziranog podatkovnog jezera.
Utjecaj računarskog vida
Računarski vid ulazi i u naš svakodnevni život. Vjerovatno ga koristite a da toga niste ni svjesni. Da li vaš pametni telefon ima funkciju prepoznavanja lica koje vam omogućava da otključate uređaj ili potvrdite svoj identitet na web-stranicama za online bankarstvo? To je računarski vid. Tu su i moderni automobili s ugrađenim kamerama. Vizuelni podaci s kamera i drugih senzora savremenim automobilima nude mogućnost da se samostalno parkiraju. Tempomat reguliše brzinu automobila držeći siguran razmak između vozila, dok sistem za izbjegavanje nesreća aktivira kočnice ako se automobil nađe previše blizu objektu ispred njega.
Iz poslovne perspektive, primjene računarskog vida možete pronaći u gotovo svakoj vertikali: maloprodaji, transportu, zdravstvu, proizvodnji, energetici i dr. Računarski vid možemo primijeniti u svim navedenim vertikalama kako bismo postigli značajne učinke, kao što su lična sigurnost i zaštita objekata, poboljšano korisničko iskustvo, operativna efikasnost, održivost i kreiranje izvora prihoda. Uz kvalitetne vizuelne podatke i kontinuirano unapređivane modele, aerodromima se sada može efikasnije upravljati, korisnička usluga na stadionima se može prilagoditi svakom posjetiocu, a u zdravstvu je moguće preciznije i brže otkrivati tumore.
U kojem smjeru ide računarski vid?
Da bismo odgovorili na ovo pitanje, analizirat ćemo sliku 2, koja prikazuje krivulju zrelosti tehnologije analitike. Tokom proteklih nekoliko godina mnoge organizacije prešle su s primjene računarskog vida kao alata za dobijanje isključivo deskriptivnih i dijagnostičkih rezultata na funkcije koje im omogućavaju da djeluju prediktivnije u svom pristupu jer im modeli pomažu u predviđanju vjerovatnih ishoda.
Organizacije koje se oslanjaju na podatke sada primjenjuju i preskriptivna rješenja. Ona im donose konkretne prednosti, rezultate i uvide koji se mogu primijeniti gotovo u realnom vremenu. Kako ova rješenja postanu sve prilagodljivija, ona nose i dramatična poboljšanja performansi sistema i automatiziranih procesa, kao i procesa donošenja odluka. Tako se omogućava uspostava kontinuirane petlje za optimizaciju u realnom vremenu u okviru koje se određeni model kontinuirano obnavlja. U kasnijim fazama krivulje analitičke zrelosti javljaju se procesi koji se odvijaju uz malo ili nimalo ljudske intervencije ili donošenja odluka, s resursima koji proaktivno stižu do svog odredišta.
Automobil s omogućenim računarskim vidom automatski će se integrisati s pametnim sistemima gradske kontrole saobraćaja kako bi se izbjegle ili ublažile saobraćajne gužve. Istovremeno, vozilo se može povezati sa sistemom informacija o parkingu kako bi ga se uputilo do optimalnog parking mjesta na osnovu trenutnog odredišta. Uz rubno računarstvo u realnom vremenu i ažurirani model koji koristi vozilo, vaš automobil će “naučiti” kako da se sigurno kreće, bilo da se nalazi u naselju za starije osobe ili na brzoj autocesti.
Korak naprijed uz strategiju primjene računarskog vida
Primjena rješenja računarskog vida zahtijeva odgovarajuće testiranje i validaciju. Svako može obaviti testove kompatibilnosti i provjeriti aplikaciju na platformi u silosu. Izazov predstavlja validacija više aplikacija koje zajedno rade na platformi u većem obimu, a istovremeno podržavaju koncept jednokratnog unosa i rada s više podataka i obuhvataju kompletnu arhitekturu rješenja od ruba do jezgre i oblaka.
Dizajn modela računarskog vida treba biti provjeren kako bi se osiguralo da modeli ispravno rade sa specifičnim aplikacijama računarskog vida u stvarnom svijetu. Provjerena projektovana rješenja se testiraju i optimiziraju za svaki vid primjene. Njihov obim već je prilagođen okruženju u kojem će raditi, što otklanja potrebu za nagađanjem kada je u pitanju prostor za pohranu, kapacitet za obradu i druge specifikacije koje se moraju uzeti u obzir prije nabavke. Odluka da se testiranje provede interno i u stvarnim uslovima može predstavljati opterećenje za resurse, ali su danas često dostupne i opcije koje nude treće strane. Dell Technologies, naprimjer, nudi laboratorijski provjerena rješenja iz odabrane skupine koja obuhvata više od stotinu tehnoloških i servisnih partnera, kao i onih koji se bave vještačkom inteligencijom.
Utjecaj na poslovanje
U situacijama u kojima se validacija tiče tehničkih elemenata računarski vid može utjecati i na poslovanje. Svaka organizacija koja želi koristiti tehnologiju računarskog vida ili svoju trenutnu implementaciju podići na viši nivo treba se fokusirati na uvide koji su joj potrebni kako bi bolje vodila svoje poslovanje i unaprijedila procese. S rubnim računarstvom nekadašnje granice i ograničenja postaju prošlost. Sada možemo još brže i u većem obimu isporučiti kvalitetnije uvide, tako da se organizacije trebaju fokusirati na rezultate koje žele postići u oblasti sigurnosti, korisničkog iskustva, operativne efikasnosti, održivosti i generisanja dodatnih prihoda. Tehnologija računarskog vida pruža detaljnije uvide u odnosu na one koje možete dobiti samo iz podataka. Sada možete dopuniti podatke vizuelnim informacijama i tako ih učiniti bogatijim i korisnijim, te održati konkurentsku prednost u novoj eri pristupa radu i pružanja usluga između korisnika i organizacija.
