Чтобы не запутаться в дальнейшем, имеет смысл сразу разделить данные, информацию и знания.
Данные - это совокупность сведений, зафиксированных на определенном носителе в форме, пригодной для постоянного хранения, передачи и обработки. Преобразование и обработка данных позволяет получить информацию.
Информация - это результат преобразования и анализа данных. Отличие информации от данных состоит в том, что данные - это фиксированные сведения о событиях и явлениях, которые хранятся на определенных носителях, а информация появляется в результате обработки данных при решении конкретных задач. Например, в базах данных хранятся различные данные, а по определенному запросу система управления базой данных выдает требуемую информацию.
Знания – это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений. Знания – это вид информации, которая хранится в базе знаний и отображает знания специалиста в конкретной предметной области. Знания – это интеллектуальный капитал.
Данные, информация и знания в объектовой видеоаналитике
Объектовая видеоналатика – это технология для детекции, распознавания и классификации объектов в видеопотоках. Обычно, она применяется в рамках систем реального времени. И в данном сегменте, видео – это данные, результат детекции – информация, а решения систематизаций информации для принятия управленческих решений – полученные знания.
Попробуем разобраться на примерах задач, решаемых при помощи объектовой видеоаналитки.
Подсчет пассажиропотоков в транспорте
Задача 1-го уровня: снижение расхода горюче-смазочных материалов, оптимизация затрат на топливо.
Задача 2-го уровня: оптимизация маршрутов движения пассажирского транспорта (корректировка маршрутов движения по времени или корректировка расписания остановок по ходу следования).
Задача 3-го уровня: подсчет пассажиропотоков, т.е. кол-ва зашедших и вышедших пассажиров в разрезе остановок транспорта.
Мы используем нейронные сети топологии Darknet19 в качестве детектора и классификатора объектов при обработке данных с камер. Далее, накладывается траекторный анализ для учета направления движения пассажира (вход/выход). Запись и анализ данных начинается и заканчивается по срабатыванию геркона, установленного около дверей. Подобные системы давно используются при детекции объектов, они не являются ресурсоемкими и достаточно просто запускаются и работают в непосредственной близости от источника данных. Пример использования детектора и классификатора:
Результатам сбора данных и их преобразования в информацию, мы получаем следующую таблицу:
Далее, путем группировки данных за период мы получаем список остановок и время (с округлением до заданного числа минут, в нашем случае до 5), где пассажиры не садятся и не выходят. В приведенном примере, это остановка 3.
Далее, решение задачи 2, оптимизация маршрутов:
- На остановке 3 – корректировка расписание и проезд остановки в период движения 12:20-12:30 (примерное время присутствия с учетом +/-5 минут). Стоит упомянуть, что подобный подход допустим в регионах РФ и не применим в Санкт-Петербург и Москве (с жестким расписанием движения ТС по всем остановкам).
- Результат оптимизации маршрутов – решение задачи 3, экономия топлива (максимальный расход топлива при разгоне и стоянке ТС). Оптимизация топлива на 7-10%. Здесь стоит сделать перевод процентов в суммовой эквивалент. По данным информационного агентства АИ92, ГУП «Пассажиравтотранс» закупает 100 млн. литров топлива в год, что составляет около 4 млрд. руб. в год. Таким образом, ежемесячная экономия в денежном эквиваленте может составить 33 млн. в руб./мес.
Ритейл
Системы видеонаблюдения помогают собирать данные и хранить их в видеоархивах. Но как преобразовать эта данные в информацию и знания? Самый очевидный пример - это построение и использование тепловых карт.
Использовать можно два среза:
- Карта движения толпы
- Карта остановок потенциальных покупателей и формирование зон остановки
Исходя из полученной информации можно констатировать следующее: существуют точки в зоне магазина, где проходят люди, но не останавливаются, т.е. факт проходимость есть, а интереса к товарам - нет. Также можно сформировать картину движения потоков и понять, соответствует ли она изначально запланированной или нет и есть ли редко посещаемые места. Если такие места есть, то перераспределение ассортимента может повлиять на количество продаж, выручку и, соответственно, маржинальность бизнеса.
Также можно использовать тепловые карты в разрезе товаров, например:
Для оценки качества выкладки товара можно наложить данные о цветовой температуре в месте расположения определенного товара или вида товара с количеством совершенных по нему покупок. И если покупатель останавливается около витрины, но не покупает, то явно есть какие-то проблемы. Эти тепловые карты отражают количество времени, на которое покупатель задержался у той или иной витрины.
Для определения наиболее эффективной планировки магазина и расположения товаров удобно воспользоваться тепловой картой на основе треков движений покупателей. Чем ярче окрашена область, тем больше там движения и чаще проходят посетители. Эта информация позволит выявить "мертвые зоны" и предпринять действия к тому, чтобы склонить покупателя к обходу всего магазина, а по пути сформировать интерес к большему числу товаров.
Слишком яркие зоны на такой карте позволят выявить места, где образуются заторы и проходят слишком много покупателей и постараться развести потоки в разные стороны переместив, например, наиболее популярные витрины подальше друг от друга. Чем комфортнее покупателю, тем более он склонен совершить покупки именно в Вашем магазине и прийти к Вам снова.
Транспортная инфраструктура
Самый наглядный пример - детекция нарушений ПДД и выписывание штрафов за эти нарушения. Данные с камер обрабатываются, выполняется автоматическая проверка на наличие нарушений, формируется событие факта правонарушения при наличии и выписывается штраф (в РФ пока в автоматизированном режиме, т.е. при участии человека).
Помимо штрафов, объектовая видеоаналитика в транспортной инфраструктуре может использоваться для построения тепловых карт в разрезе автомагистралей и дорог общего пользования, распознавания номеров с интеграцией с системами контроля и управления доступом, фиксации и автоматизации вызова специальных служб при возникновении ДТП и иных инцидентов.
Пример визуализации данных с дорожных камер (тепловая карта):
Резюме
Преобразование данных в информацию и знания можно представить в виде пирамиды, где в основании пирамиды - данные, а в самом верху - знания. Каждый этап преобразования данных существенно сокращает их количество и упрощает восприятие (другой системой, где они являются входом и/или человеком). И если раньше мы говорил о BigData, то сейчас этих данных в большинстве сфер и сегментов накопилось достаточно для их анализа и преобразования на уровне нейронных сетей. Часто выводы и результаты, полученные с их помощью, являются однозначными, но изначально не прогнозируемыми человеком, т.к. человек не в силах обработать имеющимися инструментами такой объем данных.