Secondo Omdia Research, nel 2019 oltre 116 milioni di telecamere di rete sono entrate nel mercato della sorveglianza professionale, generando potenzialmente quasi 9 petabyte di video al giorno. Numero destinato ad aumentare man mano che la domanda continua a crescere e le tecnologie emergenti, come l’intelligenza artificiale (AI), vengono incorporate nel dispositivo.
Di conseguenza, i fornitori di soluzioni per l’archiviazione dei dati devono realizzare soluzioni capaci di accogliere questa maggiore complessità.
È importante notare che l’evoluzione della tecnologia legata ai sistemi di smart video stia progredendo insieme all’infrastruttura dei dati e ad altre tecnologie, come il 5G o l’Internet delle cose (IoT). L’unione di queste tecnologie influenza l’evoluzione nell’architettura delle soluzioni di archiviazione dei dati.
Ci sono cinque grandi tendenze che stiamo vivendo nell’ambito dei sistemi di smart video:
- Innovazione e crescita
Il numero e la varietà delle telecamere continua a crescere, e ogni nuovo modello introduce nuove funzionalità. Disporre di più telecamere consente di avere più controllo e immagini a disposizione, con una maggiore copertura, anche da angolazioni diverse. Ciò si traduce in più video in tempo reale da utilizzare per sfruttare l’intelligenza artificiale.
Le telecamere richiedono sempre di più una maggiore risoluzione, come il 4K, che genera ancora più dati rispetto ai feed di qualità inferiore. Più dettagliato è il video, più informazioni possono essere estratte, e più efficaci possono diventare gli algoritmi di intelligenza artificiale. Inoltre, le nuove telecamere trasmettono non solo un flusso video principale, ma anche flussi aggiuntivi a basso bitrate utilizzati per il monitoraggio a bassa larghezza di banda e il pattern matching.
A differenza delle telecamere degli anni passati, le telecamere smart sono in funzione 24/7, 365 giorni all’anno. Questa tecnologia always-on porta naturalmente a un carico di lavoro maggiore e a requisiti di archiviazione più sostanziali per far fronte alle velocità di trasferimento e scrittura dei dati. Man mano che queste telecamere vengono adottate più regolarmente nelle industrie manifatturiere e nel settore pubblico, ci si affiderà allo storage on-camera e all’edge storage per offrire longevità e affidabilità.
- In qualsiasi momento, in qualsiasi luogo
Non importa se è per motivi di business, per ricerca scientifica o legati alla vita personale – generiamo sempre dati. Di conseguenza, stanno comparendo nuovi modelli di telecamere capaci di acquisire nuove tipologie di dati da analizzare.
La pandemia da COVID-19 ha reso necessario l’utilizzo di telecamere termiche che aiutano a identificare coloro che hanno la febbre, così come telecamere a prova di esplosione vengono utilizzate nelle aree a più alto rischio ambientale. Le telecamere si trovano ovunque: in cima agli edifici, all’interno di veicoli in movimento, nei droni e persino nei citofoni.
Quando le aziende progettano la tecnologia di storage, la posizione e il fattore di forma devono essere presi in considerazione. È importante pensare all’accessibilità delle telecamere. Sono in spazi difficili da raggiungere, dovranno resistere a variazioni di temperatura estreme? Tutte queste possibilità devono essere prese in considerazione per garantire una registrazione continua, duratura e affidabile di dati video critici.
- Specializzarsi per l’intelligenza artificiale
Il miglioramento delle capacità di calcolo nelle telecamere significa che l’elaborazione avviene a livello del dispositivo, consentendo decisioni in tempo reale a livello di edge. I nuovi chipset per telecamere che offrono maggiori funzioni di intelligenza artificiale e l’elaborazione di reti neurali profonde per l’analisi del deep learning sulla telecamera, sono ora sul mercato e pronti per essere impiegati.
Secondo gli analisti del settore Omdia, le spedizioni di telecamere con capacità di analisi deep-learning incorporata cresceranno a un tasso del 64% annuo tra il 2019 e il 2024. Questo riflette non solo l’innovazione che avviene all’interno delle telecamere, ma anche l’aspettativa che il deep learning avverrà direttamente sulla telecamera.
Anche per le soluzioni che impiegano telecamere di sicurezza standard, i chipset potenziati dall’intelligenza artificiale e le unità di elaborazione grafica discrete (GPU) vengono utilizzati nei videoregistratori di rete (NVR), negli apparecchi di analisi video e nei gateway edge per abilitare funzioni di intelligenza artificiale avanzate e analisi di deep learning.
Una delle più grandi trasformazioni riguarda il bisogno di andare oltre la semplice memorizzazione di flussi di telecamere singole e multiple. Oggi è necessario memorizzare anche i metadati dell’intelligenza artificiale in tempo reale e i dati di riferimento per la corrispondenza dei modelli.
- Il deep learning e il cloud
Proprio come i chipset per telecamere e registratori hanno una potenza di calcolo maggiore, nelle soluzioni smart video di oggi la maggior parte dell’analisi video e del deep learning è ancora fatta con unità di analisi video discrete, o nel cloud, poiché è lì che risiedono i big data. Le applicazioni IoT più ampie che utilizzano i dati dei sensori al di là del video stanno anche attingendo alla potenza del deep learning in cloud per beneficiare di funzionalità di intelligenza artificiale più efficaci.
Per supportare questi nuovi carichi di lavoro generati dall’intelligenza artificiale, il cloud ha subito alcune trasformazioni. I processori di reti neurali all’interno del cloud hanno adottato l’uso di cluster di GPU massicce o di Field Programmable Gate Array (FPGA) personalizzati. Vengono alimentati con migliaia di ore di video e petabyte di dati. Questi carichi di lavoro dipendono dalle capacità elevate dei dischi rigidi (HDD) di classe enterprise – che possono già supportare 20TB per unità – e dai dispositivi flash SSD di classe enterprise ad alte prestazioni, piattaforme o array.
- L’impatto del 5G sulle reti
L’internet via cavo e wireless hanno permesso la scalabilità e la facilità di installazione che ha portato ad un’adozione esplosiva delle telecamere di sicurezza – possibile solo dove esistevano già infrastrutture di rete locale (LAN) e di rete geografica (WAN). Ma il 5G è in arrivo.
Il 5G rimuove molte barriere all’adozione, consentendo maggiori possibilità di posizionamento e facilità di installazione in città. Questo insieme a una maggiore scalabilità, che può estendere i casi d’uso e condurre a ulteriori progressi nella progettazione di telecamere e cloud.
Per esempio, le telecamere possono essere stand-alone, con connettività rivolta a un cloud centralizzato – non sono più dipendenti da una rete locale. Le nuove telecamere 5G-ready sono state progettate per caricare ed eseguire applicazioni di terze parti che possono avere maggiori capacità.
Tuttavia, con una maggiore autonomia, queste telecamere avranno bisogno di uno storage ancora più dinamico. Richiederanno una combinazione di resistenza, capacità, prestazioni ed efficienza energetica per essere in grado di gestire in modo ottimale la variabilità delle nuove funzioni guidate dalle app.
Gli sviluppi nel mondo dei sistemi di smart video sono complessi ed entusiasmanti, e le soluzioni per lo storage dei dati devono camminare allo stesso passo. Per far fronte ai nuovi carichi di lavoro e per prepararsi all’innovazione tecnologica, è necessario apportare modifiche architettoniche a livello di edge ed endpoint. Nel frattempo, le analisi di deep learning continuano a evolversi nel back-end e nel cloud.
La natura always-on dei sistemi di smart video, combinata a tecnologie come l’intelligenza artificiale o il 5G, induce le imprese che governano un’importante rete di telecamere a considerare i requisiti di storage necessari. L’archiviazione dei dati durevole e affidabile è indispensabile per garantire che i dati critici non vadano persi, per rispettare le normative e per tenere traccia delle informazioni importanti per l’azienda.
