Para no confundirse en el futuro, tiene sentido separar inmediatamente datos, información y conocimiento.
Datos – una recopilación de información registrada en un medio específico en una forma adecuada para almacenamiento, transmisión y procesamiento permanente. La conversión y el procesamiento de datos le permite obtener información.
Informacion – Este es el resultado de la conversión y análisis de datos. La diferencia entre información y datos es que los datos son información fija sobre eventos y fenómenos que se almacenan en ciertos medios, y la información aparece como resultado del procesamiento de datos para resolver problemas específicos. Por ejemplo, varios datos se almacenan en bases de datos y, a pedido específico, el sistema de gestión de bases de datos proporciona la información requerida.
Conocimiento – Esta es información procesada registrada y verificada por la práctica, que se ha utilizado y se puede utilizar repetidamente para la toma de decisiones. El conocimiento es un tipo de información que se almacena en una base de conocimiento y muestra conocimiento especializado en un área temática específica. El conocimiento es capital intelectual.
La medición de video de objetos es una tecnología para detectar, reconocer y clasificar objetos en transmisiones de video. Por lo general, se usa en sistemas en tiempo real. Y en este segmento, el video son datos, el resultado de la detección es información, y las decisiones de sistematizar la información para tomar decisiones de gestión son conocimientos adquiridos.
Intentemos encontrar ejemplos de tareas que se puedan resolver con la ayuda de la analítica de video de objetos.
La tarea del primer nivel: reducir el consumo de combustibles y lubricantes, optimizar los costos de combustible.
Tarea del 2do nivel: optimización de rutas de tráfico de pasajeros (ajuste de rutas de tráfico a tiempo o ajuste del horario de paradas en el camino).
Tarea de nivel 3: cálculo de flujos de pasajeros, es decir El número de pasajeros que entran y salen en el contexto de paradas de transporte.
Contando el tráfico de pasajeros en vehículos
Utilizamos redes neuronales de la topología Darknet19 como detector y clasificador de objetos cuando procesamos datos de cámaras. Además, el análisis de trayectoria se superpone para tener en cuenta la dirección de movimiento del pasajero (entrada / salida). El registro y análisis de datos comienza y termina con la operación del interruptor de láminas instalado cerca de las puertas. Dichos sistemas se han utilizado durante mucho tiempo en la detección de objetos, no requieren muchos recursos y simplemente comienzan y funcionan en las inmediaciones de la fuente de datos. Un ejemplo de uso de un detector y clasificador:
Un ejemplo del uso de un detector y clasificador basado en redes neuronales para calcular el tráfico de pasajeros
Los resultados de la recopilación de datos y su conversión en información nos dan la siguiente tabla:
Además, al agrupar los datos para el período, obtenemos una lista de paradas y tiempo (con redondeo de un número determinado de minutos, en nuestro caso, hasta 5), donde los pasajeros no abordan ni salen. En el ejemplo anterior, esta es la parada 3.
A continuación, la solución al problema 2, optimización de ruta:
En la parada 3: ajuste el horario y el tiempo de parada durante el movimiento 12: 20–12: 30 (tiempo aproximado de presencia, teniendo en cuenta +/- 5 minutos). Vale la pena mencionar que un enfoque similar es aceptable en las regiones de la Federación de Rusia y no es aplicable en San Petersburgo y Moscú (con un horario rígido de tráfico de vehículos en todas las paradas). El resultado de la optimización de ruta es la solución al Problema 3, economía de combustible (consumo máximo de combustible durante la aceleración y estacionamiento del vehículo) . Optimización de combustible en 7-10%. Aquí vale la pena hacer una transferencia de intereses al equivalente total. Según la agencia de noticias AI92, Passazhiravtotrans GUP compra 100 millones de litros de combustible al año, lo que equivale a unos 4 mil millones de rublos. por año Por lo tanto, el ahorro mensual en efectivo equivalente puede ascender a 33 millones de rublos / mes.
Los sistemas de videovigilancia ayudan a recopilar datos y almacenarlos en archivos de video. Pero, ¿cómo transformar estos datos en información y conocimiento? El ejemplo más obvio es la construcción y el uso de mapas de calor.
Mapa de calor minorista
Puedes usar dos rebanadas:
Mapa de movimiento de multitudes Mapa de paradas de compradores potenciales y formación de zonas de parada
Con base en la información recibida, podemos establecer lo siguiente: hay puntos en el área de la tienda donde la gente va, pero no se detiene, es decir. Existe un hecho de capacidad entre países, pero no hay interés en los bienes. También puede formarse una imagen del movimiento de los flujos y comprender si corresponde al planificado originalmente o no y si rara vez hay lugares visitados. Si existen dichos lugares, la redistribución del surtido puede afectar el número de ventas, ingresos y, en consecuencia, el margen del negocio.
También puede usar mapas de calor en el contexto de productos, por ejemplo:
Mapa de calor en el contexto de bienes en el comercio minorista
Para evaluar la calidad de la exhibición de productos, puede superponer datos sobre la temperatura del color en la ubicación de un producto en particular o tipo de producto con el número de compras realizadas en él. Y si el comprador se detiene cerca de la ventana, pero no compra, entonces obviamente hay algunos problemas. Estos mapas de calor reflejan la cantidad de tiempo que un cliente permanece en una tienda.
Para determinar el diseño de tienda más efectivo y la ubicación de los productos, es conveniente utilizar un mapa de calor basado en las pistas de movimiento del cliente. Cuanto más brillante es el área de color, más movimiento hay y más a menudo pasan los visitantes. Esta información ayudará a identificar las "zonas muertas" y a tomar medidas para convencer al comprador de que evite toda la tienda y, en el camino, genere interés en más productos.
Las zonas demasiado brillantes en dicho mapa le permitirán identificar lugares donde se forman atascos de tráfico y demasiados compradores pasan e intentar separar los flujos en diferentes direcciones moviendo, por ejemplo, las vitrinas más populares entre sí. Cuanto más cómodo esté el comprador, más inclinado estará a hacer compras en su tienda y volver a visitarlo.
El ejemplo más obvio es la detección de infracciones de tránsito y multas por estas infracciones. Se procesan los datos de las cámaras, se realiza una verificación automática de violaciones, se genera un evento del delito, si lo hay, y se emite una multa (en la Federación de Rusia hasta ahora en modo automático, es decir, con la participación de una persona).
Además de las multas, el análisis de video de objetos en la infraestructura de transporte se puede utilizar para construir mapas de calor en el contexto de carreteras y vías públicas, reconocer números con integración con sistemas de control y gestión de acceso, reparar y automatizar la llamada de servicios especiales en caso de accidente y otros incidentes.
Un ejemplo de visualización de datos de cámaras de carretera (mapa de calor):
Mapa de calor con cámaras de carretera
La transformación de los datos en información y conocimiento puede representarse en forma de una pirámide, donde en la base de la pirámide se encuentran los datos y, en la parte superior, el conocimiento. Cada etapa de la conversión de datos reduce significativamente su número y simplifica la percepción (por otro sistema, donde son de entrada y / o humanos). Y si antes hablábamos de BigData, ahora estos datos en la mayoría de las áreas y segmentos se han acumulado lo suficiente para su análisis y transformación a nivel de redes neuronales. A menudo, las conclusiones y los resultados obtenidos con su ayuda no son ambiguos, pero inicialmente no fueron pronosticados por una persona, porque una persona no puede procesar ese volumen de datos con las herramientas disponibles.