Videotelemática con IA en la periferia: qué, por qué y cómo

¿Qué es AI on the Edge?

Las cámaras se están convirtiendo rápidamente en omnipresentes en las flotas comerciales, especialmente desde el punto de vista de la exoneración del conductor. Sin embargo, con todos los avances recientes en IA (inteligencia artificial) y ML (aprendizaje automático), las ventajas ya no se limitan solo a la exoneración. Incluyen:

• Prevención de accidentes: notificaciones en tiempo real de sucesos como somnolencia o adelantamiento, que sirven de alerta al conductor.
• Entrenamiento en tiempo real: alertas de infracción de señales de stop, exceso de velocidad, distracción, etc. que actúan como un entrenador virtual sentado en la cabina.
• Desencadenantes más allá del frenado y la aceleración: eventos entrenables con fragmentos de vídeo basados en desencadenantes que son indicadores más causales de riesgo, como la conducción distraída.
• Reconocimiento de comportamientos positivos: acciones como frenar bruscamente cuando un vehículo le corta el paso, reducir la velocidad cuando se le notifica un límite de velocidad establecido, aumentar la distancia de seguridad cuando recibe el aviso de distancia de seguridad, etc.
• Asignación de conductores a los viajes mediante reconocimiento facial: cumplimiento de normativas como ELD/HOS de forma prácticamente indolora.
• Flujos de trabajo eficientes para los gestores de flotas: información práctica para identificar a los conductores más seguros, los conductores que necesitan formación, las áreas en las que los conductores necesitan formación, autocuración de los vídeos de incidentes más graves que pueden utilizarse para la formación, etc.

‍

De muchos de los casos de uso anteriores se desprende claramente que el análisis de vídeo y otros datos sensoriales debe realizarse en tiempo real, para poder proporcionar los beneficios que importan. El análisis en tiempo real implica que el vídeo debe analizarse localmente (AI on the Edge): no puede subirse a la nube para su análisis en un centro de datos y obtener los resultados a tiempo. También hay que tener en cuenta el coste nada desdeñable de cargar contenidos de vídeo en streaming. Además, la computación en la nube es un recurso caro, y el procesamiento de vídeos de incluso miles de vehículos en un servicio de nube pública puede aumentar significativamente el coste global de una solución de telemática de vídeo. Estos costes pueden evitarse completamente con el análisis local de vídeo y otros datos, la entrega de información aplicable en tiempo real, y la carga de metadatos y vídeos de eventos en la nube para permitir la información post-hoc para el gestor de la flota y los conductores.

‍

En pocas palabras, AI on the Edge es la entrega rápida y eficiente de conocimientos, utilizando casi por completo los recursos informáticos disponibles localmente en el dispositivo.

‍

¿Por qué lo necesitan las flotas?

La seguridad en los vehículos comerciales es una función crítica para el negocio, ya que tiene un impacto casi directo en la viabilidad empresarial de las flotas. Si se hace bien, las flotas pueden tener menos accidentes, menos daños, menor mantenimiento, mejor kilometraje, retención y compromiso de los conductores, menores tasas de seguros y mucho más: la ecuación RoI está muy cargada a favor del ahorro masivo.

‍

Desde el punto de vista de las flotas, la prevención de accidentes gracias a los comentarios en tiempo real de los conductores es un escenario sencillo: la rentabilidad es inmediata y tangible. Ir más allá, profundizar y obtener información más práctica sobre la seguridad de las flotas también ha sido tradicionalmente un servicio de gran valor en el sector de la telemática. Antes de la llegada del ML y la IA modernos, esto se ofrecía a través de servicios de oficina. Los desencadenantes de la telemática convencional, como frenadas bruscas, giros bruscos, etc., se utilizaban para capturar fragmentos de vídeo, y agentes humanos formados puntuaban estos vídeos de eventos. Por ejemplo, si se producía un frenazo brusco, el observador humano anotaba si la conductora también se distraía mirando el teléfono. De este modo, utilizando activadores básicos, se añadía un segundo nivel de información que se entregaba a la flota de forma muy práctica, lo que conducía a un cambio efectivo en el comportamiento del conductor. Por otro lado, esto implicaba un mayor uso de datos, retrasos debidos al análisis manual y una oferta significativamente más cara debido a la implicación de servicios de oficina.

‍

Con AI on the Edge, ahora existe la posibilidad real de que las flotas puedan obtener información más profunda de una manera más escalable, automatizada y rentable. Si bien los análisis basados en IA pueden sustituir a los servicios de agencia en lo que respecta a la consecución de los objetivos de una flota con respecto a los KPI, también pueden considerarse una forma de hacer que los servicios de agencia sean extremadamente eficientes. Si los TSP o las flotas desean gestionar servicios de coaching, la IA y el ML pueden facilitar enormemente el trabajo de la agencia.

‍

¿Cómo se hace?

Las redes neuronales profundas utilizadas en las soluciones actuales basadas en IA y ML son complejas en muchos sentidos. Suelen ser grandes (más memoria), complejas desde el punto de vista computacional (necesitan hardware de procesamiento especializado como ASIC y GPU) y necesitan muchos datos anotados para entrenarlas en primer lugar. Desde el punto de vista de las flotas, esto significa que las soluciones que incorporan IA en los bordes son probablemente caras, sobre todo desde el punto de vista del hardware.

‍

En LightMetrics, uno de nuestros puntos fuertes es que somos capaces de desarrollar IA en hardware básico, incluidos los procesadores ARM. Para nuestros socios, esto supone una mayor variedad de hardware a la hora de ofrecer a flotas y conductores ventajas de vanguardia. Para las flotas, esto significa un mejor retorno de la inversión. Desde el punto de vista del ecosistema, todos salimos ganando.

‍

En LightMetrics nos centramos en dos áreas clave relacionadas con la IA eficiente:

• Inferencia eficaz
• Formación eficaz

‍

La inferencia se refiere al proceso de analizar los datos (vídeo o imagen en este caso) generados en el funcionamiento cotidiano, normalmente con una red neuronal. No importa lo complejo que sea el entrenamiento, ya que puede ejecutarse fuera de línea o en centros de datos que disponen de sofisticadas GPU y una capacidad de cálculo casi ilimitada. La inferencia, en cambio, tiene que ser extremadamente eficiente, sobre todo si se realiza en el borde. Por eficiencia, nos referimos a factores como la memoria y los cálculos. Hay que tener en cuenta que estos dos factores tienen más ramificaciones en cuanto al chipset utilizado, la disipación del calor y el consumo de energía, todo lo cual encarece el coste del hardware.

‍

La forma de hacer eficientes las redes neuronales es mediante la poda. Por poda se entiende el proceso de determinar la importancia real de cada neurona y cada canal de una red neuronal para el resultado final y eliminar lo que puede eliminarse. Las redes neuronales están muy sobreparametrizadas, lo que significa que se pueden podar bastante bien. Cómo podar, qué canales eliminar, qué neuronas conservar, son áreas de investigación punteras en redes neuronales hoy en día.

‍

El entrenamiento eficiente se refiere a la eficiencia en términos de la cantidad de datos brutos necesarios, la cantidad de datos anotados (datos que han pasado por un análisis manual) y la calidad de las anotaciones de los datos. Con muchos datos anotados de alta calidad, la tarea de entrenar redes neuronales resulta más fácil. Sin embargo, las anotaciones de alta calidad son muy caras. Además, para muchos problemas no siempre es fácil disponer de grandes cantidades de datos. Para obtener rápidamente nuevas funciones que aporten nuevos beneficios, es imprescindible un entrenamiento eficaz. Esto implica explorar arquitecturas de redes neuronales que se sabe que son eficientes en el aprendizaje, el aprendizaje semisupervisado, el aprendizaje no supervisado y el aprendizaje activo. El aprendizaje semisupervisado y el no supervisado son capaces de ingerir grandes cantidades de datos no anotados o que no tienen anotaciones de altísima calidad. El aprendizaje activo nos ayuda a centrarnos en el costoso ejercicio de etiquetado o anotación de alta calidad en los datos que realmente importan.

‍

Gracias a una formación y una inferencia eficaces, podemos ofrecer soluciones de primera clase utilizando la IA en el Edge, que no necesita un hardware excesivamente especializado, lo que nos ayuda a proporcionar beneficios extraordinarios con un hardware de precio razonable. Esto garantiza el mejor retorno de la inversión tanto para nuestros socios como para las flotas de usuarios finales. Con cámaras cada vez más aceptadas por los conductores y flotas que comprenden mejor los beneficios de la IA, nunca ha habido un equipo más emocionante para crear nuevas soluciones y proporcionar valor a los conductores y a las flotas para las que trabajan.

‍

Combinando la competencia básica de AI on the Edge con el conocimiento de cómo la telemática de vídeo debe ser diseñada para proporcionar el mayor valor al usuario final, LightMetrics está en una posición única para ayudar a nuestros socios a hacer más usando AI - capturando más valor (ARPU) y proporcionando un valor aún mayor. Hable con nosotros para obtener más información y lidere desde el frente el espacio más emocionante de la telemática de flotas.