Dieser Beitrag wurde von Eric Toffin, CEO von Citilog, verfasst. Lesen Sie mehr über Eric am Ende dieses Beitrags.

Die gestiegene Rechenleistung der neuesten ARTPEC-Chiptechnologie bietet neue Möglichkeiten für Deep Learning-Technologien „on the edge“. Eric Toffin, CEO von Citilog, untersucht die Entwicklung intelligenter Verkehrsmanagement-Lösungen und blickt auf die Vorteile der Edge-basierten Deep Learning-Technologie.

Die Vorteile von Edge-basiertem Deep Learning

Als Pionier im Bereich intelligenter Verkehrssysteme und mit über 20 Jahren Erfahrung haben wir bei Citilog unzählige technologische Neuerungen erlebt. Zwei der wichtigsten für unsere Branche waren der Wechsel von analogem zu IP-Video zwischen 2008 und 2012 und der Übergang von Server- hin zu Cloud- und Edge-basierten Verkehrsmanagementlösungen seit 2016.

Seit der Einführung von Cloud-basierten Netzwerken hat der Einsatz von IoT rasch zugenommen. Und Experten gehen davon aus, dass es bis 2025 über 75 Milliarden IoT-Geräte geben wird – was einer Verfünffachung in 10 Jahren entspricht. Aber diese Geräte erzeugen so viele Daten, dass nicht einmal das neue 5G-Netz sie bewältigen kann.

Es geht im Grunde darum, Berechnungen und Dienste von der Cloud bis an den Rand des Netzwerks zu dezentralisieren und gleichzeitig die Rechenleistung der Edge-Geräte zu erhöhen. Obwohl noch nicht absehbar ist, dass Cloud- oder Server-basiertes Computing durch Edge-basierte Lösungen ersetzt wird, haben wir festgestellt, dass 70 % der neuen Projekte im Jahr 2019 Edge-basierte Analysen beinhalten. Und es gibt einige klare Vorteile:

• Geringerer Bandbreitenbedarf
  Dies ist der offensichtlichste Vorteil. Cloud-basierte Übungs- und Inferenzmodelle erfordern Geräte, die riesige Mengen an Rohdaten in die Cloud übertragen und damit eine enorme Netzwerk-Bandbreite benötigen. Das Edge-basierte Deep Learning überträgt wiederum nur die analysierten Metadaten und benötigt daher nur einen Bruchteil der verfügbaren Bandbreite.
• Reduzierte Latenz
  Beim Management und Anzeigen von unmittelbaren Verkehrsstörungen können Latenzzeiten den Unterschied ausmachen, ob die Ursache einer Störung erfasst wird oder ob sie ganz ausbleibt. Das Edge-basierte Deep Learning ermöglicht es nun, Echtzeitanwendungen ohne zentrale Server-Kommunikation bereitzustellen – wie z. B. die Erkennung von Falschfahrern, bei denen die Erkennungszeit von entscheidender Bedeutung ist.
• Höhere Zuverlässigkeit
  Da Cloud- oder serverbasierte Analysen in hohem Maße auf drahtlose Netzwerke angewiesen sind, kann jede Unterbrechung der Abdeckung einen erheblichen Einfluss auf die Ergebnisse haben. Bei der Edge-basierten Analyse erfolgt die gesamte Datenverarbeitung jedoch auf dem Gerät selbst und ist weniger anfällig für die Auswirkungen intermittierender Ausfälle in der Netzwerkabdeckung.
• Einhaltung des Datenschutzes
  Der Schutz persönlicher Informationen, wie Auto-Kennzeichen, steht vielleicht noch nicht an erster Stelle, wird aber zunehmend durch das Datenschutzgesetz abgedeckt. Die Reduzierung der Menge an persönlichen Daten, die in die Cloud übertragen werden, kann ebenfalls dazu beitragen, die Einhaltung der Datenschutzbestimmungen zu gewährleisten.
• Kosteneinsparungen
  Durch die Übertragung von analysierten Metadaten anstelle großer Mengen an Rohdaten, fallen keine zusätzlichen Speichergeräte oder hohen Cloud-Anwendungskosten an. Zusätzlich zu den Einsparungen bei den Hardware- und Speicherkosten verbraucht das System weitaus weniger Strom – was sowohl die laufenden Ausgaben als auch die Umweltbelastung minimiert.

Deep Learning für bessere Performance

Unabhängig davon, ob Ihre Lösung für Deep Learning Server-, Cloud- oder Edge-basiert ist – oder eine hybride Version davon; es ist wichtig zu verstehen, wo der wahre Wert von Deep Learning liegt. Schließlich werden Videoanalysen seit Jahren eingesetzt, um Verkehrsbehörden bei der Überwachung mit zunehmender Anzahl an Kameras auf den Straßen zu unterstützen.

Wie wir in einem früheren Blogbeitrag diskutiert haben, ist die größte Herausforderung bei der einfachen alarmbasierten Überwachung die derzeit hohe Zahl der erzeugten Fehlalarme. Konkret bedeutet dies für das Verkehrsmanagement, dass effektive videobasierte Lösungen für das Störungsmanagement bisher auf Tunnel mit konstanten Lichtverhältnissen beschränkt waren.

Durch die Einführung von Deep Neural Networks (DNN) zur Erkennung, Identifizierung und Klassifizierung von Daten ist es nun jedoch möglich, Fahrzeuge, Fahrräder und Personen zu unterscheiden. Darüber hinaus können Videolösungen so trainiert werden, dass sie Schatten, Reflexionen und Blendung bei variablen Lichtverhältnissen erkennen, wodurch die Fehlalarmraten gesenkt und der Einsatz eines effektiven videobasierten Erkennungsmanagements auf Autobahnen und Brücken ausgeweitet werden können.

Hüten Sie sich vor dem Deep Learning-Hype

Wie viele Technologietrends schafft die künstliche Intelligenz (KI) eine Menge Verwirrung und falsche Erwartungen. Aber die Realität ist, dass nicht alle Lösungen für Deep Learning gleich geeignet sind. Wie bei jeder intelligenten Videoanwendung hängt die Qualität von Echtzeit-Verkehrsmanagementlösungen von zwei Hauptfaktoren ab – einem robusten Datensatz und der Bildqualität. Bei Citilog werden unsere Lösungen mit Zehntausenden von relevanten, hochwertigen Videobildern „trainiert“, die aus über 20 Jahren Erfahrung im Verkehrsmanagement stammen. Und das zeigt sich in ihrer Leistung, die zuverlässig verwertbare Ereignisse erkennt und gleichzeitig die niedrigste Fehlalarmrate der Branche produziert. Die einzigartige Kombination der Deep Neural Networks von Citilog mit der Videotechnologie von Axis ermöglicht nun ein Edge-basiertes Deep Learning. Und unsere Lösungen bieten Verkehrsbehörden auf der ganzen Welt eine bessere Erkennung und niedrigere Fehlalarmraten.

Weitere Informationen zu unserer Zusammenarbeit mit Citilog lesen Sie hier:

Partnerschaft für eine intelligentere Straße