根據市場預估,至2026年全球AI的軟硬體及服務支出將超過9兆新台幣,2022~2026年的年複合增長率(CAGR)達26.5%;而結合AI技術的安防應用市場規模也將增加超過4,000億元,CAGR達18.64%,且增長速度有愈來愈快的趨勢。
因此,安防廠商們紛紛爭先恐後地投入AI的懷抱,尤其以影像為主的監控廠商,早已將AI技術運用於監控影像針對特定物件的偵測、搜尋、追蹤,並可自動觸發、連動警報等相關系統設備,大幅降低人力、物力,並提升安全管理的效能。
AI雖好用,但支持其運算的硬體設備和耗能負載皆頗高,因此在追求精準度的同時,如何減輕負載、讓AI更「輕盈」、速度更快,又能解決企業普遍欠缺AI專業人才的問題、降低所需付出的成本,成為業界共同努力的方向。在今年Secutech展場上,a&s觀察到AI在安防產業發展的3大趨勢:
一、從雲端到邊緣
近年來AI運算功能逐漸由後端/雲端往邊緣(Edge端)發展的態勢愈來愈明顯,主要的好處在於可縮短時間、降低風險及耗能,當然還有最重要的——節省成本。例如,IT大廠Intel(英特爾)提出的Edge AI解決方案,強調只需要一般的PC、Notebook或x86的工業電腦,透過OpenVINO開放式平台,即可運用該平台上200多種演算法(包括TensorFlow、CaffeZ…等)自行開發或採用第三方夥伴已預先訓練好的AI模型,輕鬆將終端設備轉變成Video AI Box、具AI功能的NVR或Edge端的AI Server,進而解決各種領域所面臨的問題,讓AI不再是昂貴的系統。
安防廠商推出的Edge AI解決方案也相當多元,尤其監控攝影機廠商已紛紛將AI影像的辨識、分析、搜尋、追蹤等功能做在Camera前端。例如:晶睿(Vivotek)透過前端Camera的物件特徵擷取運算(Edge-centric object extraction),不需在後端電腦安裝高效能顯卡執行分析運算,有效降低Server的運算資源和建置成本。利凌(LILIN)則早已看準Edge AI將成為主流,致力於邊緣運算AI攝影機結合5G與雲端的應用,並推出最新的AI廢棄物偵測(Trash Detection)、球類追蹤(Ball Tracking)、性別判斷(Gender Detection)等功能,其影像管理軟體(VMS)更是專為邊緣運算AI攝影機整合設計。而軟體廠商富萱(AiUnion)所開發的AI影像辨識邊緣運算,則是融合了AI深度學習的影像分類、物件偵測和影像分割(Image Segmentation)技術,建立如智慧工安、科技執法、安全監控等的通用模型,便於用戶直接導入使用,若有特定應用再視其需求量身訂制。
二、從「沈重」到「輕快」
一般來說,AI在辨識影像時會將相似的影像(如背景)視為獨立圖像而重新進行辨識,因此運算量大;當有大型場域要做AI影像辨識時,支持其運算的硬體設備數量及成本必然昂貴,相對耗能也高,並不符合企業永續發展(ESG)的原則。因此,已有不少廠商想方設法,希望能為現行的AI運作模式「減肥」,令其揮別沈重的負擔,展現輕盈的體態、邁出輕快的腳步。
例如,電子大廠台達(DELTA)就推出了DIVA(DNN Inference OS for Video Analysis)智能加速器,利用一連串相似影像的特性加快AI影像分析的速度,可應用在靜態或動態攝影機上。只要在任何影像應用的AI模型上加上一層DIVA SDK軟體,就可加速2~6倍(視場域硬體、影像解析度、AI模型不同)且不損失任何精準度,進而降低設備數量及能耗,達到節省成本目的。
新創公司耐思尼(Nexuni)也提出利用低功耗、小型化、高度定制化的嵌入式系統(如Embedded Linux、Nvidia Jetson Platform…等),結合可降階至KB儲存等級的機器學習模型TinyML成為Edge AI系統架構——可在資源有限的端點硬體規格上,進行影像(如人臉)和語音的AI運算,並保持與Server級運算相同的準確率。根據實測,TinyML可將Server等級所需的16GB,降至邊緣嵌入式系統的320KB,等於將傳統機器學習模型縮小了5萬倍,更便於開發可應用於各種規格系統、易於普及的自動化解決方案,提升管理效率。
三、從專業到普及
近來ChatGPT讓AI在全球的關注熱度居高不下,主要在於它讓大家使用AI這件事變得容易起來。同樣地,為了讓AI能夠加速普及市場應用,業界也努力透過簡化開發技術與設計流程,希望即使不具備AI專業知識的人,也能輕易打造滿足本身業務需求且有效的AI訓練模型。例如,Intel(英特爾)Geti電腦視覺平台標榜可讓任何人透過簡單的資料上傳、標註、模型訓練以及再訓練界面,配合OpenVINO工具組進行最佳化,就可輕易部署高品質的電腦視覺AI,藉以推動更多應用創新、提高企業整體效能。
有鑑於一般AI專案導入流程:資料預處理→選定演算法→程式開發AI模型→模型驗證,不僅需要AI或IT專業人員,還需反覆作業、動輒耗時數月;杰倫智能(Profet AI)發展的AutoML Platfrom(No-Code AI平台),則是將「選定演算法→程式開發AI模型」兩步驟利用機器學習技術自動、快速地建立AI模型,而且可將模型驗證最佳化。如此一來,企業各部門(如人資、研發、生產、IT…等)人員都能很方便地應用AI解決所屬業務領域的各種問題,例如,將AutoML Platfrom應用在工業生產線上,就能夠優化生產製造過程、提升整體良率與效能;應用在資安議題上,也可協助預測資安外洩風險郵件。