Telemática de video con IA en el borde: qué es, por qué y cómo funciona

¿Qué es la IA en el borde?

Las cámaras se están volviendo 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), los beneficios ya no se limitan solo a la exoneración. Estos incluyen:

• Prevención de accidentes: notificaciones en tiempo real para eventos como somnolencia y seguimiento cercano, que sirven como alerta para el conductor.
• Entrenamiento en tiempo real: alertas por infracciones de señales de alto, exceso de velocidad, distracción, etc., que actúan como un entrenador virtual sentado en la cabina.
• Activadores más allá del frenado y la aceleración: eventos de entrenamiento con fragmentos de video basados en activadores que son indicadores de riesgo más causales, como la conducción distraída.
• Reconocimiento de comportamiento positivo: eventos como frenado brusco al ser interceptado por otro vehículo, reducción de velocidad al ser notificado de un límite de velocidad establecido, aumento de la distancia de seguridad al recibir la advertencia de seguimiento, etc.
• Asignación de conductores a viajes mediante reconocimiento facial: logre el cumplimiento de normativas como ELD/HOS de una manera casi sencilla.
• Flujos de trabajo eficientes para el gestor de flotas: información procesable para identificar a los conductores más seguros, a los que necesitan entrenamiento, las áreas en las que deben ser entrenados, la curación automática de los videos de eventos más graves que pueden utilizarse para el entrenamiento, etc.

‍

De muchos de los casos de uso anteriores queda claro que el análisis de video y otros datos sensoriales debe realizarse en tiempo real para poder ofrecer los beneficios que realmente importan. El análisis en tiempo real implica que el video debe analizarse localmente (IA en el borde); no puede subirse a la nube para su análisis en un centro de datos y esperar que la información se entregue a tiempo. También existe el costo nada despreciable de subir contenido de video en streaming. Además, la computación en la nube es un recurso costoso, y procesar videos de miles de vehículos en un servicio de nube pública puede aumentar significativamente el costo total de una solución de telemática de video. Estos costos pueden evitarse por completo con el análisis local de video y otros datos, la entrega de información relevante en tiempo real y la carga de metadatos y videos de eventos a la nube para permitir obtener información posterior para el gestor de flotas y los conductores.

‍

En pocas palabras, la IA en el borde es la entrega rápida y eficiente de información, 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 porque tiene un impacto casi directo en la viabilidad comercial de las flotas. Si se hace correctamente, las flotas pueden tener menos accidentes, menos daños, menor mantenimiento, mejor rendimiento de combustible, mayor retención y compromiso de los conductores, tarifas de seguro más bajas y mucho más: la ecuación del retorno de inversión está fuertemente inclinada a favor de ahorros masivos.

‍

La prevención de accidentes mediante la retroalimentación al conductor en tiempo real es un escenario claro y directo desde el punto de vista de las flotas: el retorno de la inversión es inmediato y tangible. Ir más allá, profundizando en información más práctica sobre la seguridad de las flotas, también ha sido tradicionalmente un servicio de gran valor en el sector telemático. Antes de la llegada de la IA y el aprendizaje automático modernos, esto se gestionaba a través de servicios de oficina. Los disparadores de la telemática convencional, como los frenazos, los giros bruscos, etc., se utilizaban para capturar fragmentos de vídeo, que luego eran evaluados por agentes humanos. Por ejemplo, ante un frenazo brusco, el observador anotaba si el conductor estaba distraído mirando el móvil. De este modo, mediante disparadores básicos, se añadía un segundo nivel de información que se entregaba a la flota de forma muy práctica, lo que permitía cambiar eficazmente el comportamiento del conductor. Por otro lado, esto suponía un mayor consumo de datos, retrasos debidos al análisis manual y una oferta mucho más costosa por la intervención de servicios externos.

‍

Con la IA en el borde (Edge AI), existe ahora la posibilidad real de que las flotas obtengan información más profunda de forma más escalable, automatizada y rentable. Aunque el análisis basado en IA puede sustituir a los servicios de oficina a la hora de alcanzar los objetivos de una flota en cuanto a indicadores clave de rendimiento, también puede considerarse una forma de hacer que dichos servicios sean extremadamente eficientes. Si los proveedores de servicios telemáticos o las flotas desean gestionar servicios de coaching, la IA y el aprendizaje automático pueden facilitar enormemente el trabajo de la oficina.

‍

¿Cómo se consigue?

Las redes neuronales profundas utilizadas en las soluciones actuales de IA y aprendizaje automático son complejas en muchos aspectos. Suelen ser grandes (requieren más memoria), computacionalmente complejas (necesitan hardware de procesamiento especializado como ASIC y GPU) y requieren muchos datos anotados para su entrenamiento inicial. Desde la perspectiva de una flota, esto significa que las soluciones con IA en el borde probablemente sean costosas, especialmente en lo que respecta al hardware.

‍

En LightMetrics, uno de nuestros puntos fuertes es la capacidad de ejecutar IA en hardware convencional, incluidos los procesadores ARM. Para nuestros socios, esto se traduce en una mayor variedad de hardware a la hora de ofrecer ventajas de vanguardia a las flotas y a los conductores. Para las flotas, esto significa un mejor retorno de la inversión. Desde el punto de vista del ecosistema, es una situación en la que todos ganan.

‍

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

• Inferencia eficiente
• Entrenamiento eficiente

‍

La inferencia se refiere al proceso de analizar los datos (vídeo o imagen en este caso) generados en la operativa diaria, normalmente mediante una red neuronal. No importa lo complejo que sea el entrenamiento, ya que puede ejecutarse sin conexión o en centros de datos que cuentan con GPU sofisticadas y una capacidad de computación casi ilimitada. La inferencia, por el contrario, debe ser extremadamente eficiente, especialmente si se realiza en el borde. Por eficiencia nos referimos a factores como la memoria y los cálculos. Cabe señalar que estos dos factores tienen repercusiones adicionales en cuanto al chipset utilizado, la disipación de calor y el consumo de energía, todo lo cual eleva el coste del hardware.

‍

La forma en que hacemos que las redes neuronales sean eficientes es mediante la poda. La poda consiste en determinar la importancia real de cada neurona y cada canal de una red neuronal para el resultado final y eliminar lo que sea prescindible. Las redes neuronales están muy sobreparametrizadas, lo que significa que se pueden podar bastante bien. Cómo podar, qué canales eliminar y qué neuronas conservar son áreas de investigación de vanguardia en las redes neuronales actuales.

‍

El entrenamiento eficiente se refiere a la eficiencia en cuanto a la cantidad de datos brutos necesarios, la cantidad de datos anotados (datos que han pasado por un análisis manual) y la calidad de dichas anotaciones. Con muchos datos anotados de alta calidad, la tarea de entrenar redes neuronales se vuelve más sencilla. Sin embargo, las anotaciones de alta calidad son muy costosas. Además, para muchos problemas, no siempre se dispone de grandes cantidades de datos. Para obtener rápidamente nuevas funciones que aporten nuevas ventajas, el entrenamiento eficiente es imprescindible. Esto implica explorar arquitecturas de redes neuronales conocidas por su eficiencia en el aprendizaje, el aprendizaje semisupervisado, el aprendizaje no supervisado y el aprendizaje activo. El aprendizaje semisupervisado y el no supervisado son capaces de procesar grandes cantidades de datos no anotados o datos que no cuentan con anotaciones de altísima calidad. El aprendizaje activo nos ayuda a centrarnos en la costosa tarea de etiquetar o anotar los datos que realmente importan.

‍

Gracias al entrenamiento y la inferencia eficientes, podemos ofrecer soluciones de primer nivel utilizando IA en el borde que no requieren hardware excesivamente especializado, lo que nos ayuda a ofrecer beneficios extraordinarios con hardware a precios razonables. Esto garantiza el mejor retorno de la inversión tanto para nuestros socios como para las flotas usuarias. Con la creciente aceptación de las cámaras por parte de los conductores y una mejor comprensión de los beneficios de la IA por parte de las flotas, nunca ha habido un momento más emocionante para crear nuevas soluciones y aportar valor a los conductores y a las flotas para las que trabajan.

‍

Al combinar la competencia central de la IA en el borde (Edge AI) con el conocimiento sobre cómo debe estructurarse la telemática de video para ofrecer el máximo valor al usuario final, LightMetrics se encuentra en una posición única para ayudar a nuestros socios a hacer más con la IA: capturando más valor (ARPU) y proporcionando un beneficio aún mayor. Hable con nosotros para obtener más información y lidere desde la vanguardia en el sector más emocionante de la telemática de flotas.