Telemática de Vídeo com IA na Borda – O quê, por que e como

O que é IA na Borda?

As câmeras estão se tornando onipresentes em frotas comerciais, especialmente para a exoneração de motoristas. Com todos os avanços recentes em IA (inteligência artificial) e ML (aprendizado de máquina), no entanto, os benefícios não se limitam mais apenas à exoneração. Eles incluem:

• Prevenção de acidentes – notificações em tempo real para eventos como sonolência e proximidade excessiva, que servem como um alerta ao motorista.
• Treinamento em tempo real – alertas para desrespeito a placas de pare, excesso de velocidade, distração, etc., que atuam como um instrutor virtual dentro da cabine.
• Gatilhos além de frenagem e aceleração – eventos de treinamento com trechos de vídeo baseados em gatilhos que são indicadores de risco mais causais, como direção distraída.
• Reconhecimento de comportamento positivo – eventos como frenagem brusca ao ser fechado por outro veículo, redução de velocidade ao ser notificado sobre o limite de velocidade, aumento da distância de seguimento ao receber um aviso, etc.
• Associação de motoristas a viagens usando reconhecimento facial – alcance a conformidade com regulamentações como ELD/HOS de maneira quase indolor.
• Fluxos de trabalho eficientes para gestores de frota – insights acionáveis para identificar os motoristas mais seguros, motoristas que precisam de treinamento, áreas em que precisam ser treinados, curadoria automática dos vídeos de eventos mais graves que podem ser usados para treinamento, etc.

‍

Fica claro, a partir de muitos dos casos de uso acima, que a análise de vídeo e outros dados sensoriais precisa ocorrer em tempo real para proporcionar os benefícios que realmente importam. A análise em tempo real implica que o vídeo deve ser analisado localmente (IA na Borda) – não é possível enviá-lo para a nuvem para análise em um data center e ainda assim obter os insights em tempo hábil. Há também o custo não insignificante de fazer o upload de conteúdo de vídeo em streaming. Além disso, a computação na nuvem é um recurso caro, e processar vídeos de milhares de veículos em um serviço de nuvem pública pode aumentar significativamente o custo total de uma solução de telemática de vídeo. Esses custos podem ser evitados completamente com a análise local de vídeo e outros dados, a entrega de insights aplicáveis em tempo real e o upload de metadados e vídeos de eventos para a nuvem, permitindo insights posteriores para o gestor da frota e os motoristas.

‍

Em resumo, a IA na Borda é a entrega rápida e eficiente de insights, utilizando quase inteiramente os recursos de computação disponíveis localmente no dispositivo.

‍

Por que as frotas precisam disso?

A segurança em veículos comerciais é uma função crítica para o negócio, pois tem um impacto quase direto na viabilidade comercial das frotas. Se bem executado, as frotas podem ter menos acidentes, menos danos, menor manutenção, melhor consumo de combustível, maior retenção e engajamento de motoristas, taxas de seguro mais baixas e muito mais – a equação de ROI é fortemente favorável a economias massivas.

‍

A prevenção de acidentes por meio de feedback em tempo real para o motorista é um cenário claro e direto do ponto de vista das frotas: o retorno sobre o investimento é imediato e tangível. Indo além, insights mais profundos e acionáveis sobre a segurança da frota também têm sido, tradicionalmente, um serviço de alto valor no setor de telemática. Antes do surgimento da IA e do aprendizado de máquina modernos, isso era realizado por meio de serviços de bureau. Gatilhos de telemática convencional, incluindo, mas não se limitando a, frenagens bruscas, curvas acentuadas, etc., eram usados para capturar pequenos vídeos, e agentes humanos treinados avaliavam esses eventos. Por exemplo, se houvesse uma frenagem brusca, o observador humano anotava se o motorista também estava distraído olhando para o celular. Dessa forma, usando gatilhos básicos, o segundo nível de insights era adicionado e entregue à frota de uma forma altamente acionável, levando a uma mudança eficaz no comportamento do motorista. Por outro lado, isso significava maior uso de dados, atrasos devido à análise manual e uma oferta significativamente mais cara devido ao envolvimento de serviços de bureau.

‍

Com a IA na borda (Edge AI), existe agora a possibilidade real de que as frotas obtenham insights mais profundos de maneira mais escalável, automatizada e econômica. Embora a análise baseada em IA possa substituir os serviços de bureau no que diz respeito a atingir os objetivos de uma frota em 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 desejam executar serviços de coaching gerenciados, a IA e o aprendizado de máquina podem facilitar muito o trabalho do bureau.

‍

Como isso é feito?

As redes neurais profundas usadas nas soluções atuais baseadas em IA e aprendizado de máquina são complexas de várias maneiras. Elas geralmente são grandes (exigem mais memória), computacionalmente complexas (precisam de hardware de processamento especializado, como ASICs e GPUs) e precisam de muitos dados anotados para serem treinadas. Do ponto de vista da frota, isso significa que as soluções que utilizam IA na borda tendem a ser caras, especialmente no que diz respeito ao hardware.

‍

Na LightMetrics, um dos nossos diferenciais é a capacidade de executar IA em hardware comum, incluindo processadores ARM. Para nossos parceiros, isso resulta em uma escolha mais ampla de hardware ao fornecer benefícios de ponta para frotas e motoristas. Para as frotas, isso significa um melhor retorno sobre o investimento. Do ponto de vista do ecossistema, esta é uma situação em que todos ganham.

‍

Existem 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 analisar dados (vídeo ou imagem, neste caso) gerados na operação diária, normalmente com uma rede neural. Não importa quão complexo seja o treinamento, pois ele pode ser executado offline ou em data centers que possuem GPUs sofisticadas e capacidade computacional quase ilimitada. A inferência, por outro lado, precisa ser extremamente eficiente, especialmente se for feita na borda. Por eficiência, referimo-nos a fatores como memória e cálculos. Deve-se notar que esses dois fatores têm ramificações adicionais em termos do chipset utilizado, dissipação de calor e consumo de energia – tudo o que eleva o custo do hardware.

‍

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

‍

O treinamento eficiente refere-se à eficiência em termos da quantidade de dados brutos necessários, da quantidade de dados anotados (dados que passaram por análise manual) e da qualidade das anotações dos dados. Com muitos dados anotados de alta qualidade, a tarefa de treinar redes neurais torna-se mais fácil. No entanto, anotações de alta qualidade são muito caras. Além disso, para muitos problemas, grandes quantidades de dados nem sempre estão prontamente disponíveis. Para ter um retorno rápido para novos recursos que ofereçam novos benefícios, o treinamento eficiente é essencial. Isso envolve explorar arquiteturas de redes neurais conhecidas por serem eficientes no aprendizado, aprendizado semissupervisionado, aprendizado não supervisionado e aprendizado ativo. O aprendizado semissupervisionado e o não supervisionado são capazes de ingerir grandes quantidades de dados não anotados ou dados que não possuem anotações de altíssima qualidade. O aprendizado ativo nos ajuda a focar no exercício caro de rotulagem ou anotação de alta qualidade nos dados que realmente importam.

‍

Com treinamento e inferência eficientes, somos capazes de oferecer soluções de classe mundial usando IA na borda, que não precisam de hardware excessivamente especializado, ajudando-nos a entregar benefícios extraordinários em hardware com preços razoáveis. Isso garante o melhor retorno sobre o investimento para nossos parceiros, bem como para as frotas usuárias finais. Com as câmeras se tornando mais aceitas pelos motoristas e as frotas compreendendo melhor os benefícios da IA, nunca houve um momento mais empolgante para criar novas soluções e agregar valor aos motoristas e às frotas para as quais trabalham.

‍

Combinando a competência central de IA na Borda com o conhecimento de como a telemática de vídeo deve ser arquitetada para oferecer o maior valor ao usuário final, a LightMetrics está em uma posição única para ajudar nossos parceiros a fazer mais usando IA – capturando mais valor (ARPU) e proporcionando um valor ainda maior. Fale conosco para saber mais e lidere na vanguarda do setor mais empolgante da telemática de frotas.