Napredna analitika za praćenje masovnih okupljanja
Metoda brojanja ljudi u masi tradicionalno se koristila u maloprodaji za registrovanje posjeta objektima i procjenu uspješnosti prodajnih kampanja. Njena se upotreba s vremenom proširila i ova se tehnologija danas koristi u više različitih segmenata, od proizvodnje i objekata za održavanje skupova do javnih prostora
Izvor: a&s International
E-mail: redakcija@asadria.com
Pojavom potrebe za socijalnim distanciranjem zbog pandemije koronavirusa analitika za praćenje okupljanja pokazala je potencijal u nadziranju javnih površina. U zavisnosti od zahtjeva i okruženja, korisnicima je sada na raspolaganju više rješenja za praćenje okupljanja koja mogu osigurati da svaki vid primjene ove tehnologije donese maksimalne rezultate. Najnovija dostignuća u analitici za praćenje okupljanja povećavaju njenu tačnost i pouzdanost prvenstveno zahvaljujući dubokom učenju i Wi-Fi podacima. Kompanije za brojanje ljudi u većim grupama koriste čak i anonimne podatke koji se prikupljaju s uređaja povezanih s Wi-Fi mrežom. Ove metode korisnicima nude alternativu tradicionalnim modelima detekcije, regresije i praćenja nivoa zbijenosti ljudi u masi.
Povećanje preciznosti pomoću dubokog učenja
Mašinsko učenje je okosnica analitike za praćenje okupljanja. Ipak, kako vještačka inteligencija napreduje, duboko učenje je povećalo preciznost i pouzdanost brojanja ljudi u masi, što predstavlja značajan iskorak. Tom Hofer, voditelj proizvodnje u kompaniji Senstar, smatra da se uz danas dostupan hardver naprednih performansi ograničenja analitike za praćenje okupljanja obično svode na skupove podataka koji su dostupni za “obuku” novih sistema. Uključivanje mehanizama dubokog učenja (tj. konvolucijskih neuronskih mreža) i povećanje obima i kvaliteta podataka doprinijelo je jačanju preciznosti savremene analitike za praćenje okupljanja. Duboko učenje korisnicima omogućava primjenu velikih količina podataka i detaljno podešavanje analitike, a dostupno je i više skupova podataka za okupljanja s raznolikim brojem učesnika. “Mašinsko učenje koje se prilagođava skupovima podataka za obuku sistema može biti ograničeno u pogledu robusnosti, što otežava primjenu i zahtijeva od korisnika dodatne unose informacija. Algoritmi dubokog učenja koji su unaprijed ʻnaučeniʼ trebali bi omogućiti korisnicima da odaberu željeno okruženje i iskoriste ranije ʻnaučeneʼ skupove podataka za konkretne slučajeve primjene”, kaže Hofer. Izazov leži u ispunjavanju očekivanja koja se tiču ambijenta i veličine okupljanja. Međutim, primjena okvira za duboko učenje koji smanjuju potrebu za ljudskim unosom parametara pruža veće mogućnosti, dovodi do veće preciznosti, posebno kada se analitika primjenjuje na veće skupove s velikom zbijenošću učesnika.
Korištenje podataka s Wi-Fi mreža
Kompanije koje nude analitiku za praćenje okupljanja koriste i anonimne podatke s uređaja povezanih s Wi-Fi mrežom za brojanje ljudi u gužvi. Neki istraživači tvrde da brojanje ljudi pomoću Wi-Fi-ja nudi prednosti u odnosu na analitiku zasnovanu na videu. Naprimjer, upotreba Wi-Fi podataka otklanja probleme s osvjetljenjem, a u mračnijim okruženjima sa slabim osvjetljenjem analitika za praćenje okupljanja temeljena na videu može naići na poteškoće koje dovode do manje pouzdanosti podataka. Brojanje osoba pomoću podataka koje organizacijama i osoblju objekata nude Wi-Fi mreže može pomoći u upravljanju socijalnim distanciranjem, zaštiti klijenata i osoblja, kao i boljem razumijevanju vlastitih uloga.
“Primjena našeg rješenja je jednostavna i odvija se pomoću glavnih Wi-Fi pristupnih tačaka. Najveća prednost je u tome što organizacijama omogućava da budu proaktivne u upravljanju socijalnom distancom tako što će znati i moći smanjiti rizike prije nego što oni postanu problem”, kaže Chris Bruce, direktor kompanije GlobalReach Technology. Važno je napomenuti da ova metoda koristi mrežne podatke s Wi-Fi i nosivih uređaja povezanih na Wi-Fi mrežu. GlobalReach Technology procjenjuje da približno 80 posto pametnih telefona ima uključen Wi-Fi, a kako bi odgovorili na varijabilnost, Bruce navodi da objekti u kojima se okupljaju ljudi mogu definisati odgovarajuće pragove broja osoba, kao i sisteme upozoravanja u slučaju njihovog kršenja.
Upravljanje tokovima kretanja ljudi
Na kraju se sve svodi na konkretnu potrebu. Hoće li ljudi u određenoj zoni biti gusto zbijeni, postoje li u njoj Wi-Fi pristupne tačke itd. Iako ne postoji savršeno rješenje za svako okruženje ili jedinstvena metoda koja garantuje stopostotnu tačnost, odabir pravog rješenja može pomoći organizacijama da ispune očekivanja i zahtjeve. Socijalno distanciranje će sigurno potrajati još neko vrijeme, a analitika za praćenje okupljanja tu može biti koristan alat za lakše provođenje novih smjernica u raznim okruženjima.
Analitika za praćenje okupljanja može poslužiti i za dinamičke izmjene ruta i pravaca kretanja kako bi se održala socijalna distanca. “Da bi se izbjegli bliski kontakti i zagušenja u prodavnicama, menadžeri mogu iskoristiti jednosmjernu detekciju na bazi videoanalitike kako bi upozorili kupce i nadležno osoblje ukoliko se neko počne kretati u pogrešnom smjeru. Na taj način menadžeri trgovina mogu dobiti dragocjene informacije i statističke podatke o efikasnosti primjene ruta kretanja koje su odabrali za svoju trgovinu”, kaže Bjorn Skou Eilertsen, tehnički direktor Milestone Systemsa. Analitika za praćenje okupljanja dostupna je u brojnim formatima i kreće se u rasponu od rubnih uređaja do servera. Odabir najboljeg rješenja zavisi od konkretnog okruženja i potreba. Primjena sistema za praćenje okupljanja na rubnom uređaju ili serveru uveliko zavisi od vida primjene i pratećeg okruženja. Operateri moraju uzeti u obzir veličinu skupova i izlazne tačke te imati na umu da ne postoji univerzalan pristup za sve.
Ograničavanje popunjenosti i okupljanja
Analitika za praćenje okupljanja može se koristiti za ograničavanje popunjenosti i prekobrojnog okupljanja u konkretnom okruženju. Budući da kod socijalnog distanciranja ne smije biti izuzetaka, primjena analitike za praćenje okupljanja može biti ključan alat koji će osigurati poštivanje fizičkog distanciranja u svim situacijama. Analitika je najkorisnija kada se primjenjuje u cijelom objektu, s posebnim naglaskom na mjesta nastanka najvećih gužvi na kojima ljudi formiraju redove ili se okupljanju.
“Naša analitika i prateća upozorenja koja se aktiviraju ako se prekorači određeni prag broja ljudi mogu pomoći osoblju objekta da predvidi ili prepozna probleme poput stvaranja gužve, zbijanja ili formiranja redova koji ugrožavaju provođenje smjernica za socijalno distanciranje”, kaže Stuart Mills, izvršni direktor CrowdVisiona. Hofer skreće pažnju na primjenu sistema integrisane analitike za brojanje ljudi na ulazima i izlazima jer mogu pomoći u provedbi smjernica o socijalnom distanciranju. Iako se ovaj pristup direktno ne bavi fizičkim razdvajanjem pojedinaca, Hofer objašnjava da je jako korisno osigurati poštivanje ograničenja u pogledu popunjenosti zgrada ili prostorija.
Mjere za provedbu socijalnog distanciranja
Socijalno distanciranje i prateći propisi o njemu mogu se razlikovati prema okruženjima. Budući da vlasnici objekata sami najbolje poznaju svoje prostore, tako se razlikuju i konkretni slučajevi primjene sistema za praćenje. Bruce vjeruje da bi svaki objekat u kojem se okupljaju ljudi trebao postavljati vlastite pragove koji se tiču dozvoljenog broja učesnika. “Različite mjere koje objekti mogu poduzeti uključuju korištenje sistema slanja upozorenja u scenarijima koji se tiču transporta ljudi. U tom slučaju se poduzima zatvaranje stanice ili platforme kako bi se osiguralo da putnici i osoblje drže socijalnu distancu, kao i da u autobusima ili vagonima ne dođe do stvaranja gužvi. Ukoliko se kapaciteti popune, o tome se obavještava vozač”, kaže Bruce. Osim toga, vlasnici objekata građanima mogu ponuditi i vizuelnu kontrolnu ploču u vidu digitalnog ekrana, npr. u tržnim centrima, a isto se može izvesti i putem aplikacije na koju se korisnici mogu prijaviti. To bi građanima omogućilo da sami donose odluke o tome hoće li ući u konkretni prostor ili rutu za kretanje. Osim analitike za praćenje okupljanja i slanja pratećih upozorenja, tu su i rješenja s dodatnim opcijama poput GRT-ovog, koje menadžerima nudi mogućnost vođenja evidencije i praćenja ranijih dolazaka u njihove objekte. Na temelju ovih informacija, vlasnici objekata mogu lakše donositi operativne odluke koje se tiču prostornog planiranja. “Po potrebi, izvještaji se mogu koristiti kako bi se državnim tijelima pokazao stepen poštivanja socijalne distance u određenom objektu, kao i dokazala spremnost menadžmenta da poduzme konkretne korake”, kaže Bruce. Korištenje ovih informacija može pomoći u sprečavanju prinudnog zatvaranja objekata, što podrazumijeva visok stepen povjerenja ljudi koji su najviše pogođeni novonastalom situacijom, poput osoblja koje je na prvoj liniji (nastavnika, konobara, radnika u prodavnicama itd.). Postavljanje alata za praćenje okupljanja nadležnim institucijama služi kao dokaz da određeni objekat čini sve da zaštiti ljude u njemu.
Video i analitika na rubnim uređajima
Kada je riječ o troškovima, video je jedan od najefikasnijih načina primjene ove vrste analitike jer može iskoristiti postojeću nadzornu infrastrukturu. Primjena kamera omogućava osoblju objekta i da vizuelno identificira pojedince u masi, ako je to potrebno. Hofer navodi da bi druga rješenja mogla ponuditi veću preciznost od videa, naprimjer senzori dubine i 3D skupovi podataka LiDAR sistema (laserski radar). Ipak, ovi pristupi zahtijevaju veliku računarsku snagu i kao takvi bi povlačili znatno veće troškove nabavke opreme i održavanja. Jedan od pristupa koji nudi ravnotežu između troškova i potrebne hardverske snage je primjena rubnih uređaja s grafičkim procesorima. “Rubni uređaji s grafičkim procesorima oslobađaju mrežne i serverske resurse jer prebacuju obradu izvan serverskih soba i pri tome mogu raditi sa svim kamerama. To je ključni faktor u smanjenju ukupnih troškova”, kaže Hofer.
Podrška za sisteme na rubnom uređaju i serverima
Dobavljači analitičkih sistema za praćenje okupljanja primjenjuju svoja rješenja na različite načine, uključujući i tradicionalne lokalne implementacije i instalacije na rubnom uređaju i serverima. Ustvari, kako bi se analitika za praćenje okupljanja mogla primjenjivati na više lokacija, moraju se koristiti i uređaji za internet stvari (IoT) i računarstvo u oblaku. Osnovni program za detekciju koji nudi CrowdVision može se instalirati na rubni uređaj koji se nalazi uz kameru ili na namjenskom serveru u sklopu korisnikove IT infrastrukture. Prednost ovog uređaja je u tome što odmah analizira video i pretvara ga u podatke, koji se nakon toga prenose u oblak. “CrowdVision podržava instalaciju sistema na rubnom uređaju i u oblaku i lokalnu primjenu, u zavisnosti od želja klijenata. Obje metode su jednako pouzdane i odabir odgovarajuće arhitekture obično zavisi od želja korisnika i dostupne informatičke infrastrukture”, objašnjava Mills. Eilertsen kaže da su prednosti primjene “najpogodnije” platforme u tome što se ona može prilagoditi mnogim situacijama, uštedjeti vrijeme i novac te olakšati rješavanje novih i budućih izazova.
Kao i za kod ostalog softvera, hardver je potreban kako bi se omogućilo pokretanje konkretne analitike. “Ovaj hardver može biti različit, u rasponu od rubnih jedinica, poput moćnih savremenih IoT uređaja, do lokalnih sistema ili rješenja u oblaku. Otvorene platforme nude skalabilnost i mogućnost prilagođavanja većini situacija na osnovu kvalitetnih partnerstava s proizvođačima hardvera kao što su Intel, Dell i Aopen te dobavljačima tehnologija u oblaku kakav je AWS”, kaže on. U tom kontekstu, Hofer smatra da oba pristupa mogu biti efikasna ako posjedujete metodu objedinjavanja metapodataka iz više senzora. Izazovi u vezi s primjenom analitike za praćenje okupljanja su različiti, od pitanja dostupne procesorske snage do stepena pouzdanosti i zaštite privatnosti. Ipak, sve se može riješiti pomoću odgovarajućeg rješenja. Kod instalacije sistema od ključne je važnosti pristupiti ovom procesu na odgovoran i pouzdan način. Jedno ne možete postići bez drugog.
Pouzdanost, procesorska snaga i fleksibilnost
Za uspješnu primjenu rješenja za praćenje masovnih okupljanja pouzdanost je od posebne važnosti. Bez nje sama instalacija gubi svrhu. Zahvaljujući dubokom učenju i drugim tehnikama, postignut je napredak na planu algoritama koji pomažu u povećanju preciznosti i pouzdanosti. Ipak, jedan od najvećih izazova primjene analitike za praćenje okupljanja je procesorska snaga i prikladnost analitike u konkretnom okruženju u kojem se primjenjuje. “Da bi se zadovoljili zahtjevi za procesorskom snagom, može se koristiti i grafički procesor na serveru, ali bolji pristup je korištenje integrisane platforme s unaprijed ʻobučenimʼ i prilagođenim skupovima podataka”, smatra Hofer. Alati za analitiku za praćenje masovnih okupljanja moraju biti i dovoljno fleksibilni da krajnjim korisnicima omoguće postavljanje ograničenja za svako okruženje, i to na nivoima koje oni smatraju adekvatnim za njihov prostor, objašnjava Bruce.
Zaštita privatnosti
Kao i kod svake analitike koja se koristi u javnom prostoru, zaštita privatnosti je važan faktor. Korištenje softvera za prepoznavanje lica u državnim organizacijama danas je zabranjeno na nekoliko lokacija u SAD-u. Ove godine Evropska komisija je razmatrala zabranu korištenja prepoznavanja lica na javnim površinama u narednih pet godina, s tim da se od toga kasnije odustalo. “Danas pandemija koronavirusa ubrzava primjenu digitalnih tehnologija na radnom mjestu, u kući i u okviru naših društvenih interakcija. To nosi nove mogućnosti, ali i rizike i izazove na globalnom nivou. Treba slaviti inovacije u tehnologiji, ali moramo odgovorno držati i do naše uloge u razvoju novih tehnologija”, kaže Eilertsen. Budući da praćenje masovnih okupljanja podrazumijeva identifikaciju broja ljudi u određenom prostoru, javlja se i zabrinutost zbog zaštite ličnih podataka. Mills navodi kako je veoma važno ponuditi tačne podatke u stvarnom vremenu i, paralelno s tim, onemogućiti pojedinačnu identifikaciju osoba koje se nađu u vidnom polju. “Rješenje koje nudi CrowdVision može otkrivati ljude u javnim prostorima pomoću kamera koje služe kao senzori. One se postavljaju direktno iznad ljudi, tako da se lica ili pojedinačni atributi ne mogu vidjeti, a isto je moguće postići postavljanjem senzora laserskog radara (LiDAR) koji prepoznaju ljudski oblik, ali ne i lične karakteristike”, kaže on.
U GlobalReachu smatraju da je svrha njihovog softvera da objektima ponudi kontrolu nad definisanjem vlastitih pragova za okupljanja, uz paralelno korištenje anonimnih podataka prikupljenih pomoću Wi-Fi mreža. Istovremeno, osoblje objekta mora imati pristup obavještenjima i informacijama, koje će im omogućiti da poduzmu proaktivne korake za upravljanje velikim grupama ljudi. “Oni mogu objaviti informacije ili ih javno prikazati na digitalnom ekranu kako bi se ljudima omogućilo da sami poduzmu preventivne korake. Ovakav anonimni pristup štiti privatnost pojedinaca, a osoblju objekta daje informacije potrebne za upravljanje velikim grupama ljudi”, kaže Bruce. Analitika za praćenje masovnih okupljanja nastavit će napredovati kako algoritmi dubokog učenja postaju napredniji, a kreatori pratećih rješenja rade na inovacijama. Do toga nije moglo doći u bolje vrijeme. Kako svi pratimo situaciju u vezi s pandemijom i njenim dugoročnim posljedicama po interakciju među ljudima, bit će sve više slučajeva u kojim analitika za praćenje masovnih okupljanja može igrati važnu ulogu.
