Negli ultimi anni, il numero di dispositivi connessi a livello di perimetro delle reti private e pubbliche ha continuato a crescere e secondo le stime di Statista nel 2030 arriverà a oltre 32,1 miliardi a livello mondiale. Molti di questi dispositivi IoT (Internet of Things) sono diventati anche potenti dispositivi informatici, con una grande capacità di eseguire più elaborazioni al proprio interno grazie a funzionalità di edge computing.
Così, anche nel campo della videosorveglianza, questa maggiore potenza di elaborazione è alla base di importanti evoluzioni. Infatti, i progressi nel machine learning e nel deep learning, entrambi sottoinsiemi dell’intelligenza artificiale, hanno permesso di portare le funzionalità dell’AI all’interno delle telecamere ed è per questo che oggi si parla di AI on the edge. Nel caso specifico di una rete di videosorveglianza, l’AI on the edge indica la capacità di eseguire più azioni sulle telecamere stesse, in gran parte tramite analisi più avanzate.
Indice degli argomenti:
Le implicazioni dell’AI on the edge nella videosorveglianza
Grazie all’AI, le telecamere possono comprendere una scena e categorizzare in tempo reale i dettagli importanti. Questa capacità di rilevare, classificare, contare e tracciare oggetti (come persone e veicoli) con un grado di precisione molto elevato è il punto di partenza fondamentale per ottenere informazioni e intraprendere azioni sulla base dei dati acquisiti.
Le informazioni così raccolte riescono non solo a velocizzare i tempi di analisi dei dati e di risposta, ma anche a fornire preziosi insight per plasmare, ad esempio, il futuro di edifici, città o sistemi di trasporto.
Informazioni più fruibili e funzionalità di ricerca avanzata
In precedenza, una qualunque analisi basata sul semplice movimento registrato da una telecamera di videosorveglianza rilevava che “qualcosa” si era spostato e attivava un avviso. L’analisi edge basata sull’AI, invece, fa dei passi in più: innanzitutto, identifica l’oggetto in movimento, che sia un veicolo o una persona, e fornisce anche una serie aggiuntiva di elementi, ad esempio se quel veicolo o quella persona è entrato in un’area soggetta a restrizioni o pericolosa o se vi sono persone nelle vicinanze che potrebbero essere in pericolo, offrendo agli operatori informazioni molto più fruibili che riducono notevolmente i falsi positivi.
Per fare un altro esempio legato al settore della viabilità, l’analisi basata sull’AI on the edge identifica gli oggetti presenti in autostrada distinguendoli rapidamente dalle ombre (cosa che per molto tempo ha rappresentato una grande sfida) e avvisando i conducenti automaticamente tramite la segnaletica digitale della necessità di un blocco del traffico o allertando direttamente i servizi di emergenza.
Questo, insieme ai dati e metadati creati dall’analisi AI on the edge, supporta anche ricerche molto più avanzate nelle riprese video: gli operatori possono infatti individuare rapidamente oggetti specifici di interesse sulla base di ore di riprese da numerose telecamere, il che aumenta significativamente anche la velocità e l’efficacia delle indagini post-incidente.
Ripartizione del carico: l’AI on the edge in un’architettura ibrida
L’AI on the edge non solo consente potenti analisi a livello di perimetro della rete, ma svolge anche un ruolo prezioso nelle architetture ibride. In genere, quando le analisi sono centralizzate su un server, aggiungendo più telecamere si incrementa il trasferimento dei dati e sono quindi necessari server aggiuntivi per gestire le analisi. Invece, una volta implementata l’analisi basata su AI on the edge, solo le informazioni più rilevanti vengono inviate attraverso la rete, riducendo il carico sulla larghezza di banda e l’archiviazione.
Lavorando in modo intelligente in un’architettura ibrida, utilizzando le funzionalità, la capacità e la forza di ogni parte del sistema, si evitano colli di bottiglia e si mantengono i costi bassi a fronte di prestazioni elevate.
L’AI on the edge nella videosorveglianza: tra etica e responsabilità
Se in generale l’AI migliora l’accuratezza degli algoritmi di analisi, nel campo della videosorveglianza esistono delle aree sensibili in cui l’AI, se usata in modo scorretto, potrebbe comportare rischi per gli individui e la società.
Tra i fattori più critici vi è senz’altro la privacy dei dati video, e in particolare dei dati biometrici, nonché l’uso della tecnologia per estrarre dati personali, ad esempio (restando nel campo della viabilità) associando le targhe dei veicoli con tempi e luoghi specifici. Qui la sicurezza dell’archiviazione e della gestione delle informazioni è di fondamentale importanza.
Un altro rischio riguarda le distorsioni nelle applicazioni, in particolare nel garantire che non presentino una qualità di rilevamento diversa in base a fattori quali sesso, età ed etnia, causando discriminazioni strutturali. Ancora, un altro caso di rischio si presenta quando le analisi basate sull’AI vengono utilizzate per automatizzare processi e decisioni: qui è consigliabile incorporare la supervisione umana nel processo decisionale, un concetto spesso definito human in the loop.
L’etica e la responsabilità devono dunque essere parte integrante dell’identità delle realtà che operano nel campo della videosorveglianza alla luce del fatto che le applicazioni e le analisi basate sull’AI apriranno nuove opportunità al di là delle applicazioni di sicurezza tradizionali, mentre le telecamere assumeranno un ruolo sempre più importante come fonti di dati.
