Axis zet grote stappen met AI in de cloud, op servers en de edge

Axis staat bekend om zakelijke camera’s die bedrijfsomgevingen beveiligen. Dankzij progressie in kunstmatige intelligentie (AI) kunnen de camera’s verbeterde beeldanalyses uitvoeren. Hybride is hierin het sleutelwoord: de analyses moeten uitgevoerd worden op de omgeving waar dat het meest logisch is voor het resultaat. Op de camera zelf (de edge) kan men steeds betere resultaten boeken, maar ook de cloud en servers zijn gunstige omgevingen. Wij ontdekten er meer over in Antwerpen, waar de Axis Experience Bus stopte om klanten en partners kennis bij te brengen.

De afgelopen jaren heeft Axis flink geïnvesteerd in de transformatie van zijn productportfolio. Aan de basis staan de camera’s, die meer uitgroeien tot sensoren. Zo kan een camera van Axis ingezet worden voor crowd control of kentekenherkenning. Camera’s van Axis worden vaak gebruikt om bedrijfsomgevingen te beveiligen, maar ook smart cities worden steeds populairder. Eerder schreven we over hoe Axis hiervoor transformeert van camera- naar IT-bedrijf.

Als je als bedrijf een camera in wil zetten als sensor, dan is het cruciaal dat die camera kwalitatieve beeldanalyses uitvoert. Op dat vlak heeft Axis met AI flinke progressie geboekt. Veel analyses kunnen inmiddels op het device uitgevoerd worden. In de optiek van Axis is een hybride oplossing echter ideaal. Voor het grootste deel probeert Axis beelden te verwerken op de camera, maar zwaardere en verdere analyses vinden op servers of de cloud plaats. Daarmee wordt de kracht van de verschillende omgevingen ingezet. Bovendien kan niet alle analyse op de camera plaatsvinden, vanwege de groeiende berg data die verwerkt moet worden. Grote delen zullen extern geanalyseerd worden.

Verschuiving naar de edge

Vanuit die gedachte heeft Axis vorig jaar een verbeterde processor gelanceerd. De Artpec-8 beschikt over meer rekenkracht om sneller beelden te verwerken. Axis maakte de chip zelf en heeft daarmee de controle over de verwerking van beelden. Dit in tegenstelling tot andere chips op de markt, welke voor meerdere processingtaken in te zetten zijn. Door de kracht van de chip is het niet meer nodig om iedere hoogwaardige analyse door te sturen naar een server. Voorheen moesten servers de processing power en cooling bieden, waar een camera simpelweg niet over beschikte.

Door het analyseren van beelden op de camera blijven de originele beelden zoveel mogelijk in stand. Als beelden naar een server doorgestuurd zouden worden, dan gaat het om gecomprimeerd materiaal. Ook de latency ligt laag bij verwerking op de camera. Alles kan veel meer real-time plaatsvinden. Verder betekent beeldverwerking op de camera dat de kosten en complexiteit van data naar de cloud verplaatsen afnemen. Er is minder server hardware nodig voor videobewaking.

Wat dat betreft heeft het hybride verhaal van Axis een voorkeur voor beeldverwerking op de camera zelf. In bepaalde situaties zijn analyses op eigen servers of in de cloud wel wenselijk. Voordat we daar wat verder op ingaan, is het eerst handig om te kijken hoe Axis erin slaagt meer te verwerken op de camera.

Deep learning nu mogelijk

Tijdens de Experience Bus-demonstraties begrepen we dat de Artpec-8 de sleutel is voor het alsmaar meer beeldanalyses toepassen op de camera. Voordat Axis camera’s over de achtste generatie chip beschikten, vertrouwden ze vooral op machine learning. Met de Artpec-8 kunnen de Axis camera’s nu ook deep learning toepassen. Bij de Artpec-7 was dit in sommige gevallen mogelijk in combinatie met een EdgeTPU. Door de progressie zijn grote getrainde modellen op de chip te draaien om complexe berekeningen te maken en veel meer als een mens te denken. Zo kunnen deep learning-modellen ingezet worden voor objectdetectie en -classificatie.

Oudere camera’s zonder deep learning-ondersteuning zouden vertrouwen op machine learning. Ze kunnen dan wel taken uitvoeren als voertuigherkenning, maar niet onderscheid maken tussen de voertuigen. Deep learning ziet bijvoorbeeld voertuigen aan als een vrachtwagen, auto of scooter. De deep learning-modellen kunnen het onderscheid maken door in vergelijking met machine learning van een veel grotere berg gevarieerde data te leren.

Axis biedt uiteindelijk drie manieren om deep learning op de camera toe te passen, waarvan er twee de voor de hand liggende keuze zijn. Ten eerste heeft het zelf algoritmes ontwikkeld die op brede schaal zijn toe te passen voor algemenere taken. Het businessmodel van Axis is erg partner gedreven, daarom is een andere logische optie om een partner in te schakelen voor een op maat gemaakte toepassing. Tot slot zou een bedrijf zelf kunnen kiezen een op maat gemaakte toepassing te ondersteunen door een model te bouwen. Het is de vraag of je dat moet willen, want je belast daarmee de overvolle agenda’s van data scientists met het bouwen van een complex model. Feit is wel dat Axis de ondersteuning biedt om zelf ook aan de slag te gaan.

Als je bedrijf over nieuwere Axis-camera’s beschikt, dan is het in staat om de diepere analyses uit te voeren. Bij firmware-updates zullen de nieuwste mogelijkheden voor de software van Axis komen, bijvoorbeeld voor het herkennen van objecten of het beveiligen van een terrein.

Laatste stap voor succes edge

Rekenkracht en de bijbehorende mogelijkheid om complexe berekeningen uit te voeren zijn de kerncomponenten om steeds meer analytics op de camera uit te voeren. Axis prijst tijdens de Experience Bus ook het onder controle houden van energieverbruik. Bij nieuwe processors komt over het algemeen meer rekenkracht kijken, wat kan leiden tot meer energiebehoefte. De Artpec-8 pakt dat aan door delen van de processor uit te schakelen als ze niet gebruikt worden. Zo raakt de camera minder snel verhit, wat voorheen een reden was om analyses door te sturen naar een externe locatie.

Hybride is de moderne aanpak

Bij Axis is men tegelijkertijd ervan overtuigd dat een hybride aanpak het meest waardevol is. Een lokale server of cloud computing vervullen daarin een significante rol. Axis werkt daarvoor samen met AWS. In de praktijk betekent het dat de eerste analyse op de camera zelf plaatsvindt en het tweede gedeelte in de cloud. Het kan gaan om een bewegingsdetectie waar een reeks snapshots uit voortkomen. De snapshots worden automatisch doorgestuurd naar AWS om het nogmaals te beoordelen met behulp van een diepere beeldanalyse. Een detectie is op die manier zeer nauwkeurig te analyseren.

Een additionele analyse in de cloud kan handig zijn om bewaking van je bedrijf verder te automatiseren en echt in real-time op gebeurtenissen te reageren. Daarmee wordt afgestapt van de traditionele werkwijze van securitypersoneel dat voortdurend schermen monitort. Deze werkwijze is vooral reactief, wat voor bewaking simpelweg niet ideaal werkt. Een monitoringssysteem van een organisatie moet zo ingericht zijn dat er alleen accurate meldingen komen. Eventueel kan securitypersoneel dan nog een handmatige analyse achteraf doen.

Om naar die wereld te bewegen, dien je als bedrijf je surveillancesystemen nauwkeurig in te richten. Een Axis-camera kan met een regelconfiguratie daadwerkelijk beelden doorsturen naar een server of de cloud. Op die manier hanteert een organisatie een hybride aanpak en zal analyse dankzij edge- en cloud computing nagenoeg geheel geautomatiseerd plaatsvinden.

Alle opties beschikbaar

Axis heeft de laatste tijd grote stappen gezet in het brengen van AI naar camera’s. Analytics was altijd al een belangrijk component voor de camera’s, maar dankzij de Artpec-8 is meer op de camera mogelijk. Verdere analyse op een on-premises server of in de cloud kunnen voor nauwkeurigere analyses zorgen. Daar kan de surveillancestrategie van je bedrijf van profiteren, want alles verloopt meer geautomatiseerd en in real-time. Een hybride aanpak voor camera’s tilt beveiliging dan ook tot een hoger niveau.

De Axis Experience Bus zal op 20 juni & 21 juni in Culemborg zijn, waar AI eveneens een topic is dat besproken wordt. Ben je benieuwd naar meer? Kijk dan eens op de pagina van het evenement.