KI im Herzen der Smart City. Potenzial der Anwendungen bei Weitem nicht ausgeschöpft
Städte sind längst nicht mehr starre Gebilde, sondern lebendige Ökosysteme. Sie entwickeln sich weiter, wachsen und werden mit der Zeit immer komplexer. Doch viele der dringendsten alltäglichen Herausforderungen wie die Verbesserung der Infrastruktur oder das Senken der Kriminalität, bleiben unverändert.
Dank neuer Technologien bietet sich den Stadtverantwortlichen nun mehr denn je die Möglichkeit, Analyse-Technologien zu implementieren, die bei der Bewältigung einer Vielzahl alltäglicher städtischer Anforderungen helfen. Darüber hinaus können diese Technologien auch bei der Lösung komplizierter Herausforderungen in Bezug auf Sicherheit, Gesundheitsversorgung, Mobilität, Energie und wirtschaftliche Entwicklung zum Einsatz kommen.
Der Aufstieg von KI und Predictive Analytics
Mehr als die Hälfte der Weltbevölkerung lebt in Städten (Quelle: www.un.org) – Tendenz steigend. In diesem Zusammenhang steigt der Bedarf an Lösungen, die intelligente Einblicke in alltägliche Abläufe liefern. Mit der Zunahme von Videotechnologie und vorausschauender Analyse in Verbindung mit den Entwicklungen im Bereich der künstlichen Intelligenz (KI) für Sicherheits- und Smart City-Anwendungen können Städte intelligenter werden, ihre Effizienz steigern und vorausschauender planen. KI ist zwar noch immer eine aufstrebende Technologie, aber ermöglicht schon jetzt eine Vielzahl von Anwendungen wie Verkehrsplanung und kann dabei helfen, Leben zu retten.
In der Vergangenheit wurde Videomaterial nur für kurze Zeit archiviert, bevor es überschrieben wurde. Heute nutzen Teilbereiche der KI wie Videoanalyse, maschinelles Lernen und Deep Learning die großen Datenmengen, die von IoT-Ökosystemen erzeugt werden, um Muster in Datensätzen zu identifizieren und daraus Erkenntnisse zu gewinnen. Diese Technologie nimmt eine ganzheitlichere Sichtweise der Daten ein, indem sie einzelne Datenpunkte miteinander verbindet, um das Geschehen zu beschreiben.
Diese sich ändernden Methoden wirken sich auf den Gesamtmarkt für Echtzeit-Videoanalyse aus: Schätzungen zufolge belief sich der Markt 2018 weltweit auf 3,2 Milliarden US-Dollar und soll bis 2023 auf 9 Milliarden US-Dollar wachsen. Der Markt für KI selbst soll laut Brandessence Market Research bis 2025 voraussichtlich ein Volumen von 208,49 Milliarden US-Dollar erreichen. All diese Zahlen und Fakten zeigen, dass KI nicht mehr nur ein Schlagwort oder ein Trend ist. Sie wird zu einem integralen Bestandteil unserer ständig wachsenden Datensphäre.
Veränderte Speicheranforderungen
Die sich ändernden Anforderungen in Verbindung mit dem Wachstum von Echtzeitdaten durch Edge Analytics führen dazu, dass Städte eine andere Art von digitalem Speicher benötigen – wobei der schnelle und reibungslose Zugriff auf Daten immer wichtiger wird. Allerdings ist eine ausreichende Konnektivität die dazu notwendig ist zurzeit nicht immer garantiert. Wenn Echtzeitentscheidungen erforderlich sind, müssen die notwendigen Daten dennoch, unabhängig von der Konnektivität, jederzeit abrufbar sein. Folglich muss ausreichend lokaler Speicher vorhanden sein, um die erkenntnisreichsten Daten nah an der Verarbeitungsquelle zu sichern. Dies spricht für eine zunehmende Bedeutung der Edge und Embedded Storage-Lösungen.
Die repräsentative Studie „Data Age 2025: The Digitization of the World from Edge to Core“ von Seagate in Zusammenarbeit mit IDC, geht davon aus, dass bis 2025 175 Zettabytes an Daten erzeugt werden. Daraus resultiert eine noch nie dagewesene Menge an potentiellen Erkenntnissen, mithilfe derer Städte Ansätze entwickeln können, um das Leben der Menschen zu verbessern. Es existieren bereits einige solcher Ansätze: von intelligenten Straßenbeleuchtungen, die Routen auf Grundlage von Verkehrsmustern optimieren, um die Reaktionszeit im Notfall um 20 bis 30 Prozent zu reduzieren, bis hin zu fortschrittlichen Videokameras mit Analysefunktionen, die zur Verbesserung von Sicherheitseinsätzen eingesetzt werden und zu einer Verringerung der Kriminalität um 30 bis 40 Prozent führen. Das kann jedoch nur der Anfang sein, denn die Möglichkeiten sind noch lange nicht ausgeschöpft. (Quelle: McKinsey Global Institute)
Damit Städte wirklich „smart“ sein können, benötigen sie einen „Edge-Tier“-Ansatz, um Daten näher an den Sensoren zu speichern, zu filtern und zu verwalten. Für tiefere Einblicke werden die Daten dann über längere Zeiträume an der Edge sowie in der Cloud oder im Backend gespeichert und analysiert. Eine Stadt kann nur dann in Echtzeit vermisste Personen finden, Bewohner über nahe gelegene Notfälle benachrichtigen und Stauwarnungen weitergeben, wenn Edge-Analytics dort stattfindet, wo die Daten erfasst und auf Netzwerkvideorekordern (NVRs) festgehalten werden.
Mit den Daten, die aus vorausschauenden Analysen auf Grundlage von Deep Learning im Backend gesammelt werden – in einigen Fällen über ein Jahr lang – können Trends im Vorfeld identifiziert werden, um Vorfällen in einem Bereich entgegenzuwirken, die sich direkt auf einen anderen auswirken. Wenn zum Beispiel jedes Mal bei Regen, ein Fluss überflutet wird und sich der Verkehr dadurch auf bestimmten Straßen staut, kann eine Stadt Videotechnologien einsetzen, um diese Situationen vorherzusagen, bevor sie auftreten, und in dem Fall den Verkehr auf alternative Routen lenken, bevor das Wasser steigt.
Die Anwendungsmöglichkeiten sind damit bei weitem nicht ausgereizt: KI-basierte Videoanalysen bieten beispielsweise Unternehmen nicht nur sicherheitsrelevante Erkenntnisse. Im Einzelhandel können Ladenbesitzer mit Hilfe von In-Store-Analysen unter anderem Hotspots, Besucherströme, Verweildauer und Produktauslageaktivitäten bestimmen. Daten, die aus Sicherheitssystemen mit KI-Funktionalität gewonnen werden, bieten darüber hinaus eine ganze Reihe weiterer Vorteile. So können Hersteller beispielsweise betriebliche Ineffizienzen in Produktionslinien frühzeitig erkennen und sofortige Anpassungen vornehmen; medizinisches Personal kann in Krankenhäusern ungewöhnliche Entwicklungen im Gesundheitszustand eines Patienten erkennen und Maßnahmen ergreifen, um die Sterblichkeit deutlich zu reduzieren.
Die Infrastruktur muss Schritt halten
Durch die Integration von KI in Videosysteme können Städte und Unternehmen Daten in Echtzeit vor Ort an der Edge verarbeiten und analysieren sowie Muster erkennen, anstatt etwaige Probleme mit der Latenz in Kauf nehmen zu müssen, die mit der Übertragung von Daten und Video außerhalb des Standorts zur Analyse verbunden sind. Obwohl die Bandbreite ihrer Fähigkeiten täglich zu wachsen scheint, liegt eine der beeindruckenderen Facetten der KI-Analyse im Verborgenen. Die Grundlage für die Weiterentwicklung der Videoanalyse ist ein Netzwerk künstlicher Neuronen, die lernen, Muster zu erkennen, wie es ein menschliches oder tierisches Gehirn und Nervensystem tut. In diesem Sinne verhalten sich Kameras wie die Netzhaut, und Datennetzwerke verarbeiten Informationen wie das Gehirn.
Damit intelligente Videosysteme mit KI-Analytik optimal funktionieren, muss sich die Edge-to-Cloud-Speicherinfrastruktur weiterentwickeln. Um einen solchen Zustrom von Video- und Metadaten aus der Überwachungs-KI zu bewältigen, ist eine neue Architektur erforderlich, die sowohl Edge- als auch Cloud-Computing nutzt. Führende Speicherhersteller bezeichnen diese Konfiguration als „IT 4.0“. Durch den Einsatz von KI-fähigen NVRs und Geräten an der Edge kann eine erste Analyse direkt vor Ort erfolgen, also dort, wo die Daten zuerst erfasst wurden. Dies reduziert die Latenzzeit und verbessert die Effizienz. Bei der IT 4.0-Architektur werden Videomaterial und Daten nach der Erstverarbeitung an der Edge in eine zentrale Umgebung übertragen, um sie langfristig zu speichern und für Deep Learning zu nutzen. Eine Speicherlösung für Standard-Videosysteme aufzubauen, ist eine Sache. Der Aufbau von Speicher zur Unterstützung von Big Data-Anwendungen, die Dutzende von High-Definition-Kameras verwenden und KI-Ereignisse gleichzeitig verarbeiten, ist jedoch eine ganz andere Sache. Wenn man sich auf die Speicherkomponenten beschränkt, ist die Auswahl der Festplatten entscheidend, die bei den Anwendungen und Servern zum Einsatz kommen. Diese Festplatten müssen große Datenmengen schreiben, da das Videomaterial von der Edge in die Cloud übertragen wird, und dieselben Daten auch in Echtzeit lesen, um intelligente Erkenntnisse zu identifizieren und liefern zu können.
Der Bedarf an fortschrittlichen und kostengünstigen Speicheroptionen, die für maschinelles Lernen, Deep Learning, hochauflösendes Video- und fortschrittliches Analysestreaming optimiert sind, bedeutet, dass Endnutzer und Systemintegratoren gleichermaßen nach zuverlässigen Laufwerken mit hoher Kapazität suchen. Diese Laufwerke müssen speziell für die Videoanalyse-Anwendungen entwickelt werden und mehrere Kamerastreams unterstützen, rund um die Uhr verfügbar sein, um die Leistung des Streaming sowie der Bildrate zu maximieren. Daher sollten Festplatten mit integrierter Zustandsüberwachungssoftware ausgewählt werden, damit alle Szenarien, die zu Datenverlusten führen könnten, noch vor einem Ausfall erkannt werden. Zudem sollten Nutzer auch in Betracht ziehen, Datenwiederherstellungsdienste zu abonnieren, um sich zusätzlich abzusichern.
