25 июня 2020 г.

Рассмотрим 3 интересных сити-кейса «цифровой трансформации», использующих возможности современной видеоаналитики, которая может работать только при активном использовании AI. Кейсы анонимизируем, чтобы абстрагироваться от локальных деталей и особенностей, но все 3 возьмем связанные с дорожными камерами.

В Москве количество камер приближается к 200 тыс., резонансная авария на Смоленской площади в очередной раз напомнила, насколько хорошо город виден дорожным системам наблюдения и как плотно они установлены. Таким огромным системам видеонаблюдения необходима мощная ИТ-инфраструктура — эффективно обрабатывать и, тем более, анализировать такое количество видеопотоков силами только людей-операторов невозможно в принципе. Решения на основе «компьютерного зрения», способные анализировать дорожную ситуацию, взаимодействовать с другими элементами дорожной инфраструктуры и информационными ресурсами, успешно автоматизируют выписывание штрафов, но это вовсе не единственный вариант реального — и, что важно, социально-значимого и коммерчески оправданного! — применения потоков видеоданных с систем камер наблюдения.

  • Оперативное реагирование крайне важно при ДТП. По статистике, до 80% от общего количества погибших умирают на протяжении первых 5 минут от момента столкновения, поэтому минимизация задержки с вызовом скорой помощи способна сохранить тысячи жизней каждый год. Оптимально передать эти функции автоматизированной системе, которая анализирует видеопотоки с дорожных камер. Систему можно научить предварительно оценивать степень тяжести ДТП, что будет крайне актуально для приоритезации вызовов. Решение актуально для всех дорожных камер, но «must have» для ведущих наблюдение на объектах повышенной опасности: перекрестках, железнодорожных переездах и т.д.

Размещать видеоаналитику в «облаке» или в EDGE? Ответ на этот вопрос зависит как от спектра задач, так и от конфигурации систем, в том числе, и географической распределенности. Как видно на рассмотренном примере, иногда счет времени может идти на секунды, поэтому перенос в EDGE некоторых задач становится актуальным, но иногда необходимы «облака», в чем мы сейчас убедимся.

  • Оптимизация транспортных потоков на основе данных с камер — важная для города задача, а поэтому крайне распространенная. Задача многопрофильная, так как требует и систему компьютерного зрения (для обработки видеопотоков с определением количества транспортных средств, их классов, скоростей движения, времени, проводимого на светофорах, в пробках, в ожидании поворотов и т.д., а также других участников дорожного движения — пешеходов, велосипедистов и пр.), и классическую BigData (после оцифровки массив информации получается огромным), и матмоделирование (гипотезы для оптимизации лучше «обкатывать» не в реальных условиях, а на «цифровом двойнике» городской среды).

Для решения комплекса задач тут нужны как усилия дорогостоящих аналитиков, так и серьезные компьютерные мощности — как для вычислений, так и для хранения данных. В данном случае оптимизация используемых мощностей сама по себе представляет интересную эвристическую задачу — тут будут актуально и привлечение «облачных» ресурсов, и «Hight Performance Computing As A Service», и другие ставшие доступными финтех-сервисы в ИТ — но в контексте нашего рассмотрения это не важно. Но важно, что эффект от решенной задачи будет хорош: по данным ряда исполненных кейсов, оптимизация способна привести к росту скорости потока до 20%, увеличивая пропускную способность магистралей и отдельных узлов (например, перекрестков) на сотни автомобилей в час! Адаптивное управление светофорами — точнее, системами светофоров — лучше перенести в EDGE, а обучение и переобучение этих систем лучше выполнять в «облаках», перенося на системы «в поле» уже готовые AI-модели.

  • Контроль дорожного покрытия системами видеоаналитики позволяет проактивно выполнять ремонтные работы, что кратно снижает стоимость «техподдержки» дорог. В этом случае система должна выдавать результаты на основе полученных в автоматическом режиме данных о количестве транспорта, проходящего по участку дороги, по его типу, скоростям и прочим метрикам. Эти данные позволяют оценивать износ дорожного полотна и прогнозировать оптимальные сроки дорожных работ до того, как необходимость ремонта становится очевидной.

«Цифровая трансформация» очевидна во всех рассмотренных вариантах. Напомним, что «цифровой трансформацией» называется слияние digital-технологий с операционной деятельностью структур, а в данном случае структурами могут быть как коммерческие компании, так и города.

В первом рассмотренном варианте внедрение подсистемы с «компьютерным зрением» приводит к снижению смертности на дорогах, что является важным параметром для оценки эффективности мер по развитию дорожной сети города. Снижение смертности через снижение аварийности будет присутствовать в двух других кейсах, но там более выражены финансовые составляющие «трансформации».

Во втором случае улучшение дорожной ситуации ведет к росту качества жизни, что находит отражение в капитализации города: от повышения транспортной доступности растет цена квадратного метра как жилой, так и коммерческой недвижимости. Появляются и другие преимущества для городской среды, которые также монетиризуемы. Например, меньше машины стоят в пробках — улучшается экология, а от этого снижается заболеваемость, что приводит к уменьшению трат на лечение горожан и на оплату «больничных». Заметим, что даже в российских условиях повышение качества жизни в масштабах города в некоторых случаях становится предметом частно-государственного партнерства: в ряде населенных пунктов крупный бизнес готов вкладывать деньги в такие проекты, чтобы снизить отток из города/региона квалифицированной рабочей силы, которая становится дефицитом в ряде локаций, но эти истории выходят за пределы нашего рассмотрения.

В третьем варианте ставшая возможной проактивность в планировании ремонтных работ снижает затраты компании. Своевременный ремонт дорожного полотна, которое еще пригодно для движения автотранспорта, оказывается заметно ниже, чем того же покрытия, на котором уже появились ямы. Соответствующие решения видеоаналитики оказываются крайне актуальными для компаний, получившими контракты на обслуживание трасс, так как позволяют существенно снизить себестоимость работ — экономия на содержании может достигать 50%.

Вместо заключения отметим, что рассмотренные примеры показывают высокую актуальность аппаратных решений, оптимизированных для ИИ-вычислений, которые сейчас ставят в самые разные компьютерные решения — от смартфонов до «облаков» и от суперкомпьютеров до EDGE. О происходящем в соответствующей области hardware мы поговорим в следующий раз.

Источник: Александр Маляревский, внештатный обозреватель CRN/RE