AI在安防产业的3大发展趋势

根据市场预估,至2026年全球AI软硬件及服务支出将超过3000亿美元,2022~2026年的年复合增长率(CAGR)达26.5%;而结合AI技术的安防应用市场规模也将增加超过100亿美元,CAGR达18.64%,且增长速度有愈来愈快的趋势。

因此,安防厂商们纷纷争先恐后地投入AI的怀抱,尤其以影像为主的监控厂商,早已将AI技术运用于监控影像针对特定对象的侦测、搜寻、追踪,并可自动触发、联动警报等相关系统设备,大幅降低人力、物力,并提升安全管理的效能。

AI虽好用,但支持其运算的硬件设备和耗能负载皆颇高,因此在追求精准度的同时,如何减轻负载、让AI更「轻盈」、速度更快,又能解决企业普遍欠缺AI专业人才的问题、降低所需付出的成本,成为业界共同努力的方向。在今年Secutech展场上,a&s观察到AI在安防产业发展的3大趋势:

第一:云端到边缘

近年来AI运算功能逐渐由后端/云端往边缘(Edge端)发展的态势愈来愈明显,主要的好处在于可缩短时间、降低风险及耗能,当然还有最重要的——节省成本。例如,IT大厂Intel(英特尔)提出的Edge AI解决方案,强调只需要一般的PC、Notebook或x86的工业计算机,透过OpenVINO开放式平台,即可运用该平台上200多种算法(包括TensorFlow、CaffeZ…等)自行开发或采用第三方伙伴已预先训练好的AI模型,轻松将终端设备转变成Video AI Box、具AI功能的NVR或Edge端的AI Server,进而解决各种领域所面临的问题,让AI系统成本不再高昂。

安防厂商推出的Edge AI解决方案也相当多元,尤其监控摄像机厂商已纷纷将AI视频的辨识、分析、搜寻、追踪等功能做在前端。例如:晶睿(Vivotek)通过前端的对象特征撷取运算(Edge-centric object extraction),不需在后端安装高效能显卡执行分析运算,有效降低服务器的运算资源和建造成本。利凌(LILIN)则早已看准Edge AI将成为主流,致力于边缘运算AI摄像机结合5G与云端的应用,并推出最新的AI废弃物侦测(Trash Detection)、球类追踪(Ball Tracking)、性别判断(Gender Detection)等功能,其视频管理软件(VMS)更是专为边缘运算AI摄像机整合设计。而软件厂商富萱(AiUnion)所开发的AI视频辨识边缘运算,则是融合了AI深度学习的影像分类、对象侦测和影像分割(Image Segmentation)技术,建立如智慧工业、科技执法、安防监控等的通用模型,便于用户直接导入使用,若有特定应用再视其需求量身订制。

第二:从沉重到轻快

一般来说,AI在辨识视频时会将相似的影像(如背景)视为独立图像而重新进行辨识,因此运算量大;当有大型场域要做AI视频辨识时,支持其运算的硬设备数量及成本必然昂贵,相对耗能也高,并不符合企业持续性发展(ESG)的原则。因此,已有不少厂商想方设法,希望能为现行的AI运作模式「做减法」,令其挥别沉重的负担,展现轻盈的体态、迈出轻快的脚步。

例如,电子大厂台达(DELTA)就推出了DIVA(DNN Inference OS for Video Analysis)智能加速器,利用一连串相似影像的特性加快AI视频分析的速度,可应用在静态或动态摄像机上。只要在任何影像应用的AI模型上加上一层DIVA SDK软件,就可加速2~6倍(视场域硬件、视频分辨率、AI模型不同)且不损失任何精准度,进而降低设备数量及能耗,达到节省成本目的。

新创公司耐思尼(Nexuni)也提出利用低功耗、小型化、高度定制化的嵌入式系统(如Embedded Linux、Nvidia Jetson Platform…等),结合可降级至KB储存等级的机器学习模型TinyML成为Edge AI系统架构——可在资源有限的端点硬件规格上,进行视频(如人脸)和语音的AI运算,并保持与Server级运算相同的准确率。根据实测,TinyML可将Server等级所需的16GB,降至边缘嵌入式系统的320KB,等于将传统机器学习模型缩小了5万倍,更便于开发可应用于各种规格系统、易于普及的自动化解决方案,提升管理效率。

第三:从专业到普及

近来ChatGPT让AI在全球的关注热度居高不下,主要在于它让大家使用AI这件事变得容易起来。同样地,为了让AI能够加速普及市场应用,业界也努力透过简化开发技术与设计流程,希望即使不具备AI专业知识的人,也能轻易打造满足本身业务需求且有效的AI训练模型。例如,Intel(英特尔)Geti计算机视觉平台标榜可让任何人透过简单的数据上传、标注、模型训练以及再训练界面,配合OpenVINO工具组进行优化,就可轻易部署高质量的计算机视觉AI,藉以推动更多应用创新、提高企业整体效能。

有鉴于一般AI项目导入流程:数据预处理→选定算法→程序开发AI模型→模型验证,不仅需要AI或IT专业人员,还需反复作业、动辄耗时数月;杰伦智能(Profet AI)发展的AutoML Platfrom(No-Code AI平台),则是将「选定算法→程序开发AI模型」两步骤利用机器学习技术自动、快速地建立AI模型,而且可将模型验证优化。如此一来,企业各部门(如人资、研发、生产、IT…等)人员都能很方便地应用AI解决所属业务领域的各种问题,例如,将AutoML Platfrom应用在工业生产上,能够优化生产制造过程、提升整体良率与效能;应用在网络安全上,也可协助预测安全程度,防止外泄风险邮件。

PHP Code Snippets Powered By : XYZScripts.com