Tokom proteklih nekoliko godina, organizacije iz cijelog svijeta prešle su iz faze uvođenja u fazu šire operacionalizacije rješenja za računarski vid na nivou preduzeća. Revolucionarne tehnologije kojima je trebalo pet do deset godina da se uopće pojave na tržištu danas se svuda implementiraju, pri čemu trendovi prilagođavanja najnovijim i naprednim tehnologijama ne pokazuje znakove posustajanja.
Nigel Steyn, tehnički direktor prodaje, 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 se bolje razumjeli digitalni video, slike, audio, pa čak i biometrijski podaci, uz dolaženje do odgovarajućih uvida i zaključaka. Uz podatke prikupljene od kamera i rubnih senzora Interneta stvari (IoT)vkoji su raspoređeni po zgradama, kampusima ili gradovima tehnologija računarskog vida, na primjer, može primijeniti algoritamske modele kako bi „učila“ iz vizualnih 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.[1] Ove organizacije se masovno koriste podacima i implementiraju 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 dva puta profitabilnije od svojih konkurenata. [2]
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 temeljna mijenjaju načine na koje organizacije isporučuju svoje proizvode i usluge.Karika koja nedostaje: objedinjeni pristup u realnom vremenu
Video inteligencija ne predstavlja novinu. Većina kompanija, javnih prostora, pa čak i škola, danas su opremljeni sistemima videonadzornih kamera. 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 vremenskim rokovima.
Kako bi prevazišle ove izazove, neke organizacije implementiraju 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 je često nalazi u oblaku, i da se podaci čuvaju na rubnim lokacijama na kojim se zapravo i koriste. Nakon slanja modela na ovu destinaciju, isti se može obučiti uz pomoć 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.
Slika 1. Model objedinjenog učenja: Tok informacija u objedinjenom modelu pohranjuje podatke sa svakog rubnog uređaja, uz paralelnu podršku za sigurno dijeljenje metapodataka, rezultata i modela između korisnika, uređaja, centara podataka i oblaka.
Savremeni modeli vizualnih 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:
- Vizualne podatke unosite samo jednom i možete dozvoliti pristup informacijama za više aplikacija.
- Model koji ostaje na centralnom serveru nije vezan za konkretne podatke. Modeli se mogu dijeliti s drugim akterima bez sigurnosnih rizika.
- Budući da se obuka odvija na rubu, mrežni troškovi su niži i nema potrebe za održavanjem centraliziranog podatkovnog jezera.
- Tržište podataka demokratizira računarski vid za masovnu primjenu, omogućavajući dijeljenje i unovčavanje unaprijed obučenih modela usklađenih sa specifičnim slučajevima primjene.
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 da potvrdite svoj identitet na web stranicama za online bankarstvo? To je računarski vid. Tu su i moderni automobili sa ugrađenim kamerama. Vizualni podaci sa kamera i drugih senzora savremenim automobilima nude mogućnost da se samostalno parkiraju. Tempomat regulira brzinu automobila tako što drži 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 možete primijeniti u svim navedenim vertikalama kako biste postigli značajne učinke, kao što su lična sigurnost i zaštita objekata, poboljšano korisničko iskustvo, operativna efikasnost, održivost i kreiranje izvora prihoda. Uz kvalitetne vizualne podatke i kontinuirano unapređivane modele, aerodromima se sada može efikasnije upravljati, korisnička usluga na stadionima se može prilagoditi svakom posjetitelju, a u zdravstvu je moguće preciznije i brže otkrivati tumore.
U kojem smjeru ide računarski vid?
Da bismo odgovorili na ovo pitanje, pogledajmo Sliku 2. koja prikazuje krivulju zrelosti tehnologije analitike. Tokom proteklih nekoliko godina, mnoge organizacije prešle su sa 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.
Slika 2. Krivulja zrelosti analitike
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 sa sobom 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, sa resursima koji proaktivno stižu do svog odredišta.
Automobil sa omogućenim računarskim vidom automatski će se integrirati sa 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 kompjuterskog 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 kompjuterskog vida treba biti provjeren kako bi se osiguralo da modeli ispravno rade sa specifičnim aplikacijama kompjuterskog vida u stvarnom svijetu. Provjerena projektovana rješenja se testiraju i optimiziraju za svaki vid primjene. Njihov obim je već 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 sprovede interno i u stvarnim uvjetima može predstavljati opterećenje za resurse, ali su danas često dostupne i opcije koje nude treće strane. Dell Technologies, na primjer, nudi laboratorijski provjerena rješenja iz odabrane skupine koja obuhvata od više od stotinu tehnoloških i servisnih partnera, kao i onih koji se bave vještačkom inteligencijom.
U situacijama u kojim se validacija tiče tehničkih elemenata, računarski vid može utjecati i na poslovanje. Svaka organizacija koja želi da koristi tehnologiju računarskog vida ili da svoju trenutnu implementaciju podigne na viši nivo treba se fokusirati na uvide koji su joj potrebni kako bi bolje vodila svoje poslovanje i unaprijedila procese. Sa 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 generiranja dodatnih prihoda.
Tehnologija računarskog vida pruža detaljnije uvide u odnosu na one koje možete dobiti samo iz podataka. Sada možete dopuniti podatke vizualnim informacijama i tako ih učiniti bogatijim i korisnijim, te održati konkurentsku prednost u novoj eri pristupa radu i pružanja usluga između korisnika i organizacija.
Više informacija:
- Pročitajte sažetke prikaza rješenja
- Kontaktirajte stručnjake za računarski vid
- delltechnologies.com/safetyandsecurity
- Pratite nas: Ovo je prvi članak u seriji u kojoj ćemo vam predstaviti načine na koje računarski vid mijenja ključne industrije. Potražite nove članke kompanije Dell Technologies na ovu temu.
[1] Forresterov izvještaj: “Overcome Obstacles To Get To AI At Scale,” januar 2020. https://www.ibm.com/downloads/cas/VBMPEQLN.
[2] Computer Vision 030421 pdf. IDC-ov izvještaj “The Data-Forward Enterprise: How to Maximize Data Leverage for Better Business Outcomes,” May, 2020. DOC #US46264420.
