Vídeo Telemetria com IA na borda - o que, por que e como

O que é IA na borda?

As câmeras estão se tornando rapidamente onipresentes em frotas comerciais, especialmente do ponto de vista da exoneração do motorista. No entanto, com todos os avanços recentes em IA (inteligência artificial) e ML (aprendizado de máquina), os benefícios não estão mais limitados apenas à exoneração. Eles incluem:

• Prevenção de acidentes - notificações em tempo real para eventos como sonolência e ultrapassagem, que funcionam como um alerta para o motorista.
• Treinamento em tempo real - alertas de violação de sinal de parada, excesso de velocidade, distração, etc., que funcionam como um treinador virtual sentado na cabine.
• Gatilhos além da frenagem e da aceleração - eventos treináveis com trechos de vídeo baseados em gatilhos que são indicadores mais causais de risco, como a direção distraída.
• Reconhecimento de comportamento positivo - eventos como frenagem brusca ao ser cortado por um veículo, redução de velocidade ao ser notificado sobre um limite de velocidade estabelecido, aumento da distância ao receber o aviso de distância a seguir, etc.
• Mapeamento de motoristas para viagens usando reconhecimento facial - obtenha conformidade com regulamentos como ELD/HOS de uma maneira quase indolor.
• Fluxos de trabalho eficientes do gerente de frota - percepções acionáveis em termos de identificação dos motoristas mais seguros, motoristas que precisam de treinamento, áreas em que os motoristas precisam ser treinados, configuração automática dos vídeos de eventos mais graves que podem ser usados para treinamento etc.

‍

Está claro em muitos dos casos de uso acima que a análise de vídeo e de outros dados sensoriais precisa ser feita em tempo real para poder oferecer os benefícios que importam. A análise em tempo real implica que o vídeo deve ser analisado localmente (IA na borda) - ele não pode ser carregado para a nuvem para análise em um data center e os insights ainda serem entregues a tempo. Há também o custo não desprezível do upload de conteúdo de vídeo em streaming. Além disso, a computação na nuvem é um recurso caro, e o processamento de vídeos de até mesmo milhares de veículos em um serviço de nuvem pública pode aumentar significativamente o custo geral de uma solução de telemática de vídeo. Esses custos podem ser totalmente evitados com a análise local de vídeo e outros dados, o fornecimento de percepções aplicáveis em tempo real e o upload de metadados e vídeos de eventos para a nuvem para permitir percepções pós-hoc para o gerente de frota e os motoristas.

‍

Em resumo, a IA na borda é o fornecimento rápido e eficiente de insights, usando quase completamente os recursos de computação disponíveis localmente no dispositivo.

‍

Por que as frotas precisam dele?

A segurança em veículos comerciais é uma função crítica para os negócios porque tem um impacto quase direto na viabilidade comercial das frotas. Se bem feita, as frotas podem ter menos acidentes, menos danos, menos manutenção, melhor quilometragem, retenção e engajamento dos motoristas, taxas de seguro mais baixas e muito mais - a equação do RoI é fortemente carregada em favor de economias maciças.

‍

A prevenção de acidentes devido ao feedback do motorista em tempo real é um cenário simples do ponto de vista das frotas - o retorno do investimento é imediato e tangível. Insights mais aprofundados e práticos sobre a segurança da frota também têm sido tradicionalmente um serviço de alto valor no setor de telemática. Antes do advento do ML e da IA modernos, isso era fornecido por meio de serviços de bureau. Os acionadores da telemática convencional, incluindo, entre outros, freadas bruscas, curvas fechadas etc., eram usados para capturar trechos de vídeo, e agentes humanos treinados pontuavam esses vídeos de eventos. Por exemplo, se houvesse um evento de frenagem brusca, o observador humano anotaria se o motorista também estava distraído olhando para o telefone. Dessa forma, usando gatilhos básicos, o segundo nível de insights era adicionado e fornecido de forma altamente acionável para a frota, levando a uma mudança efetiva no comportamento do motorista. Por outro lado, isso significava mais uso de dados, atrasos devido à análise manual e uma oferta significativamente mais cara devido ao envolvimento de serviços de bureau.

‍

Com a IA no Edge, existe agora a possibilidade real de que as frotas possam obter insights mais profundos de maneira mais escalável, automatizada e econômica. Embora a análise baseada em IA possa possivelmente substituir os serviços de bureau em termos de atingir os objetivos de uma frota com relação aos KPIs, ela também pode ser vista como uma forma de tornar os serviços de bureau extremamente eficientes. Se os TSPs ou as frotas quiserem executar serviços de treinamento gerenciados, a IA e o ML podem facilitar muito o trabalho do bureau.

‍

Como isso é feito?

As redes neurais profundas usadas nas soluções atuais baseadas em IA e ML são complexas em muitos aspectos. Em geral, elas são grandes (mais memória), computacionalmente complexas (precisam de hardware de processamento especializado, como ASICs e GPUs) e, para começar, precisam de muitos dados anotados para treiná-las. Do ponto de vista de uma frota, isso significa que as soluções com IA na borda provavelmente serão caras, especialmente do ponto de vista do hardware.

‍

Na LightMetrics, um de nossos USPs é poder fazer IA em hardware de commodity, inclusive em processadores ARM. Para nossos parceiros, isso leva a uma escolha mais ampla de hardware quando se trata de fornecer às frotas e aos motoristas benefícios de ponta. Para as frotas, isso significa um melhor retorno sobre o investimento. Do ponto de vista do ecossistema, essa é uma verdadeira situação de ganho mútuo para todos.

‍

Há duas áreas principais nas quais nos concentramos na LightMetrics, no que se refere à IA eficiente:

• Inferência eficiente
• Treinamento eficiente

‍

A inferência refere-se ao processo de análise de dados (vídeo ou imagem, neste caso) gerados na operação cotidiana, normalmente com uma rede neural. Não importa a complexidade do treinamento, pois ele pode ser executado off-line ou em data centers que tenham GPUs sofisticadas e capacidade de computação quase ilimitada disponível. A inferência, por outro lado, precisa ser extremamente eficiente, especialmente se for feita na borda. Por eficiência, estamos nos referindo a fatores como memória e cálculos. Deve-se observar que esses dois fatores têm ramificações adicionais em termos do chipset usado, da dissipação de calor e do consumo de energia, o que aumenta o custo do hardware.

‍

A maneira de tornar as redes neurais eficientes é por meio da poda. A poda refere-se ao processo de determinar a importância real de cada neurônio e de cada canal em uma rede neural para o resultado final e remover o que pode ser removido. As redes neurais são altamente parametrizadas, o que significa que é possível podá-las muito bem. Como podar, quais canais remover, quais neurônios reter, são áreas de pesquisa de ponta em redes neurais atualmente.

‍

O treinamento eficiente refere-se à eficiência em termos de quantidade de dados brutos necessários, quantidade de dados anotados (dados que passaram por análise manual) e a qualidade das anotações dos dados. Com uma grande quantidade de dados anotados de alta qualidade, a tarefa de treinar redes neurais fica mais fácil. Entretanto, as anotações de alta qualidade são muito caras. Além disso, para muitos problemas, grandes quantidades de dados nem sempre estão prontamente disponíveis. Para ter uma resposta rápida para novos recursos que ofereçam novos benefícios, é necessário um treinamento eficiente. Isso envolve a exploração de arquiteturas de redes neurais que são reconhecidamente eficientes no aprendizado, aprendizado semissupervisionado, aprendizado não supervisionado e aprendizado ativo. O aprendizado semissupervisionado e não supervisionado é capaz de ingerir grandes quantidades de dados não anotados ou dados que não tenham anotações de altíssima qualidade. A aprendizagem ativa nos ajuda a nos concentrar no exercício dispendioso de rotulagem ou anotação de alta qualidade nos dados que realmente importam.

‍

Com treinamento e inferência eficientes, podemos oferecer soluções de classe mundial usando IA no Edge, que não precisa de hardware excessivamente especializado, o que nos ajuda a oferecer benefícios de grande porte com hardware de preço razoável. Isso garante o melhor retorno sobre o investimento para nossos parceiros e para as frotas de usuários finais. Com as câmeras sendo cada vez mais aceitas pelos motoristas e as frotas compreendendo melhor os benefícios da IA, nunca houve uma equipe tão empolgante para criar novas soluções e agregar valor aos motoristas e às frotas para as quais eles trabalham.

‍

Combinando a competência central da IA na borda com o conhecimento de como a telemática de vídeo deve ser arquitetada para fornecer o maior valor ao usuário final, a LightMetrics está em uma posição única para ajudar nossos parceiros a fazer mais usando a IA - capturando mais valor (ARPU) e fornecendo um valor ainda maior. Entre em contato conosco para saber mais e lidere a partir da frente no espaço mais empolgante da telemática de frotas.