In questa pillola di video analisi discuteremo di alcuni interessanti ambiti applicativi ove negli ultimi anni la video analisi intelligente sta ricevendo dei riscontri molto positivi. Ci riferiamo in particolare all\u2019estrazione di dati da flussi video a supporto della Business Intelligence<\/b>. Con quest\u2019ultima locuzione si fa solitamente riferimento all\u2019insieme di processi adottati nello sviluppo di un\u2019attivit\u00e0 produttiva per raccogliere dati ed analizzare informazioni strategiche, con l\u2019obiettivo, da una parte, di analizzare la storia passata, al fine di comprendere gli elementi che hanno determinato le performance conseguite, e, dall\u2019altra parte, di stimare le prestazioni future del business, attraverso analisi di serie storiche e\/o mediante simulazione di diversi scenari. \u00a0<\/p>\n
Per comprendere come la video analisi possa costituire uno straordinario strumento a supporto della Business Intelligence faremo riferimento al settore Retail<\/b> che \u00e8 indiscutibilmente l\u2019ambito applicativo ove gli algoritmi di video analisi intelligente per la Business Intelligence oggi riescono a trovare la pi\u00f9 ampia penetrazione. In tale settore, oltre alla ovvia esigenza di impiegare la video sorveglianza intelligente per la protezione di beni e persone, l\u2019analisi video \u00e8 largamente impiegata per estrarre informazioni relative al comportamento degli utenti di un punto vendita. Cerchiamo quindi \u00a0di capire quali sono le funzioni di analisi generalmente usate per ottenere le suddette informazioni.<\/p>\n
People counting<\/b>: con questo termine si fa riferimento alla funzione di analisi video che consente di contare il numero di persone che attraversano un varco mediante l\u2019interpretazione di flussi ottenuti da telecamere montate in posizione verticale rispetto al punto di accesso. In pratica la telecamera perde la sua funzione di sorveglianza visiva per divenire, corredata di un software dedicato, un sensore dedicato al conteggio delle persone che attraversano una linea virtuale collocata sul terreno e posta in corrispondenza del varco. In una pillola futura cercheremo di capire come funzionano gli algoritmi di conteggio di persone e delle principali problematiche che essi devono affrontare per fornire un conteggio accurato. In questa sede ci interessa soffermarci solo sul fatto che l\u2019informazione relativa al numero di persone che transitano attraverso i varchi del negozio consente di determinare le statistiche relative all\u2019affluenza di persone, di conoscere in ogni momento il numero di persone presenti all\u2019interno dell\u2019area, monitorando tutti i varchi di accesso, e di stimare in maniera approssimata il tempo di permanenza dei clienti. Tali informazioni sono particolarmente utili nel momento in cui vengono congiunte con i dati relativi alle vendite in quanto forniscono informazioni sulla tipologia di clienti nei diversi periodi del giorno e della settimana e di conseguenza consentono di poter realizzare offerte personalizzate; inoltre permettono di ottimizzare le risorse di personale con una allocazione legata al numero di utenti previsti, di ridurre i costi di esercizio (climatizzazione) e di migliorare il servizio (riduzione o eliminazione delle code alle casse, pi\u00f9 addetti alle informazioni, ecc).<\/p>\n
Heatmap<\/b>: traducibile letteralmente in italiano come mappe di calore, con tale termine si fa riferimento alla funzione di analisi video finalizzata a misurare il numero di persone che mediamente nel tempo staziona nelle diverse aree di un esercizio commerciale o di un locale pubblico. Tale misura viene normalmente rappresentata in una forma grafica sovrapponendo all\u2019immagine della scena una gamma di colori che va dal blu al rosso, ove il blu \u00e8 usato per rappresentare le aree meno frequentate e il rosso per rappresentare quelle pi\u00f9 frequentate. Ancora una volta tale informazione risulta di grande importanza per comprendere il comportamento degli utenti: ad esempio, \u00e8 particolarmente utile in fase di analisi per determinare l\u2019efficacia delle promozioni realizzate e delle modalit\u00e0 di presentazione delle stesse, oppure per stabilire la posizione ove offerte promozionali o lanci di nuovi prodotti possono avere maggiore successo.<\/p>\n
Percorsi preferenziali<\/b>: tale funzione di analisi consente di analizzare la scena e determinare quali sono i percorsi utilizzati maggiormente dalle persone allorquando si muovono all\u2019interno del negozio. Tale informazione, estratta mediante l\u2019impiego di avanzati algoritmi di calcolo delle traiettorie degli oggetti che si muovono all\u2019interno della scena, \u00e8 generalmente impiegata per analizzare l\u2019esperienza di visita del cliente nell\u2019esercizio commerciale con la possibilit\u00e0 di pianificare la disposizione della merce, il posizionamento di oggetti di arredo per forzare specifici percorsi, al fine di massimizzare la visibilit\u00e0 di alcuni prodotti e promozioni.<\/p>\n
Ma l\u2019analisi video non si ferma a questo livello. Si parla sempre pi\u00f9 frequentemente di soluzioni intelligenti finalizzate alla estrazione di statistiche a partire dai dati biometrici non identificativi dei clienti<\/b> determinati automaticamente da applicazioni di analisi video. Alcuni esempi sono l\u2019individuazione del sesso e della razza, nonch\u00e9 la stima della fascia di et\u00e0. Tali applicazioni trovano impiego nell\u2019ambito dei sistemi di digital signage collocati all\u2019interno di negozi o di colonnine self-service in cui sono installate telecamere (generalmente poco visibili).<\/p>\n
Ovviamente per completare il corredo di componenti software necessari all\u2019analisi dei dati, risulta di straordinaria importanza la dashboard<\/b>, l\u2019applicazione ove tutti questi dati confluiscono e dove sono fruiti attraverso un\u2019interfaccia unificata e di semplice uso. Tali sistemi, quale ad esempio AI-Glance di A.I. Tech, devono dare la possibilit\u00e0 di combinare i dati provenienti dalle diverse funzioni di analisi al fine di creare delle macro di analisi (ad esempio \u00e8 possibile conoscere quante persone vi sono in una qualsiasi area delimitata da accessi mediante la semplice somma di tutti gli ingressi meno la somma di tutte le uscite), di generare facilmente grafici e report personalizzati, che consentano di inferire a colpo d\u2019occhio (\u201cat a glance\u201d) l\u2019andamento attuale del business e di delineare le prospettive future.<\/p>\n
Infine, l\u2019impiego di questi algoritmi sempre pi\u00f9 avanzati pone delle evidenti problematiche di privacy<\/b> che debbono essere assolutamente tenute in conto. Senza voler entrare ora nel dettaglio, in quanto questi aspetti legati alla privacy saranno oggetto di approfondimenti in specifiche pillole future, possiamo anticipare che soluzioni che prevedono l\u2019impiego di algoritmi che siano in grado di girare direttamente sulle telecamere (cosiddetta modalit\u00e0 edge, come ad esempio le applicazioni di A.I. Tech in grado di girare su telecamere Axis) e di procedure di anonimizzazione dei dati e di gestione dei flussi video live e registrati in grado di garantire la sicurezza fisica e logica (AI-Secure di A.I. Tech) costituiscono un requisito essenziale per la realizzazione di un tale impianto in conformit\u00e0 ai dettami delle normative sulla privacy.<\/p>\n
Per concludere questa pillola vogliamo soffermarci su un ultimo aspetto: perch\u00e9 la video analisi riscuote un notevole successo in tale ambito<\/b>, rispetto ai contesti della security & safety di beni e persone per i quali la video analisi si era inizialmente sviluppata? Riteniamo che questo fenomeno sia spiegabile in base alle seguenti due considerazioni: la prima di carattere tecnico, la seconda di carattere economico. In primo luogo, \u00e8 ben noto che nell\u2019immaginario collettivo degli utenti finali, degli installatori e degli integratori il limite principale che sta frenando l\u2019avanzata della video analisi risiede principalmente nei falsi allarmi e nelle mancate rilevazioni: entra una persona con un carrello attraverso un varco ma vengono conteggiate due persone, o viceversa entrano due persone affiancate ed il sistema ne conta soltanto una. Ebbene, se in un contesto di security & safety un falso allarme ha un costo di gestione non nullo in quanto richiede ad un operatore umano di verificarlo singolarmente, nel caso della Business Intelligence sono tollerabili errori anche oltre il 10 \u2013 15%. Infatti, la direzione di una catena di negozi \u00e8 interessata a conoscere i trend, quindi a sapere, ad esempio, se in una certa settimana sono entrate 100 persone o 1000 persone; se il sistema fornisce un dato errato stimando 900 persone anzich\u00e9 1000, tale errore pu\u00f2 essere assolutamente accettabile per tale tipologia di impiego, e anzi con il progressivo abbassarsi dei prezzi delle telecamere tali sistemi e l\u2019aumento della affidabilit\u00e0 degli algoritmi di video analisi e la disponibilit\u00e0 di nuove funzioni ci si deve attendere per il futuro un diffusione sempre pi\u00f9 pervasiva di tali sistemi.<\/p>\n","protected":false},"excerpt":{"rendered":"
In questa pillola di video analisi discuteremo di alcuni interessanti ambiti applicativi ove negli ultimi anni la video analisi intelligente sta ricevendo dei riscontri molto positivi. Ci riferiamo in particolare all\u2019estrazione di dati da flussi video a supporto della Business Intelligence. Con quest\u2019ultima locuzione si fa solitamente riferimento all\u2019insieme di processi adottati nello sviluppo di…<\/p>\n","protected":false},"author":3,"featured_media":6139,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[50],"tags":[102,48,103,104,105,106,107,108],"_links":{"self":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts\/1014"}],"collection":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/comments?post=1014"}],"version-history":[{"count":1,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts\/1014\/revisions"}],"predecessor-version":[{"id":6500,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/posts\/1014\/revisions\/6500"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/media\/6139"}],"wp:attachment":[{"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/media?parent=1014"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/categories?post=1014"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.aitech.vision\/it\/wp-json\/wp\/v2\/tags?post=1014"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}