AI & Edge Computing

Kenapa diproses di lokasi

Banyak lokasi kerja di Indonesia tidak punya koneksi yang bisa diandalkan. Tambang di lereng, pos pantau di hulu sungai, gardu di ujung jaringan distribusi. Mengirim video mentah dari tempat seperti itu ke server pusat bukan sekadar mahal, tapi sering kali memang tidak bisa.

Kalau pemrosesan dipindah ke perangkat di lokasi, yang dikirim tinggal hasilnya: sebuah kejadian, sebuah angka, sebuah potongan gambar. Ukurannya turun dari puluhan megabit per detik menjadi beberapa kilobyte per kejadian. Jaringan seluler biasa pun cukup.

Alasan kedua menyangkut waktu. Kalau sebuah palang harus menutup begitu objek terdeteksi, perjalanan bolak-balik ke server menambah jeda yang tidak bisa ditawar. Inference lokal menyelesaikannya di tempat.

Yang kami kerjakan

Pekerjaannya berlapis, dan Anda tidak harus mengambil semuanya sekaligus.

• Penyiapan dataset. Pengumpulan dan pelabelan contoh dari lokasi Anda sendiri. Model yang dilatih dengan citra dari kamera dan sudut pandang yang sama akan jauh lebih akurat daripada model umum.
• Pelatihan dan penyesuaian model. Biasanya kami mulai dari arsitektur yang sudah terbukti lalu menyesuaikannya, bukan melatih dari nol. Lebih cepat, dan hasilnya lebih stabil pada dataset berukuran sedang.
• Optimasi untuk edge device. Model dipangkas dan dikuantisasi agar muat dan berjalan cukup cepat di perangkat berdaya rendah, tanpa kehilangan akurasi secara berarti.
• Pemasangan di lapangan. Perangkat, kamera, catu daya, dan enclosure. Termasuk memikirkan hal yang sering terlewat: panas, debu, petir, dan siapa yang akan menekan tombol reset kalau perlu.
• Pemantauan dan pembaruan. Model tidak selamanya akurat. Musim berganti, vegetasi tumbuh, kamera bergeser. Kami siapkan jalur untuk mengirim model baru ke perangkat tanpa harus datang ke lokasi.

Bentuk penerapan yang sering diminta

• Menghitung dan mengklasifikasi kendaraan pada jalur angkut
• Mendeteksi kelengkapan alat pelindung diri di area kerja
• Membaca ketinggian muka air dari citra papan duga secara otomatis
• Mengenali perubahan pada objek yang dipantau antar waktu perekaman
• Menandai keberadaan orang atau kendaraan di area terbatas

Perangkat dan lingkungan

• Edge devicePerangkat berdaya rendah dengan akselerator inference, dipilih menyesuaikan beban dan ketersediaan daya di lokasi
• Sumber citraKamera IP, kamera analog lewat encoder, atau frame dari perangkat perekam yang sudah terpasang
• KonektivitasSeluler, radio, atau kabel. Sistem dirancang tetap berfungsi saat koneksi hilang
• Penyimpanan lokalHasil dan cuplikan kejadian disimpan di perangkat, dikirim menyusul saat jalur tersedia
• IntegrasiHasil deteksi bisa dialirkan ke dashboard, ke sistem yang sudah berjalan, atau ke model digital twin

Yang perlu Anda ketahui sejak awal

Akurasi model sangat ditentukan oleh kualitas data latihnya, dan data latih yang baik butuh waktu untuk dikumpulkan. Kalau kondisi di lokasi Anda sulit (cahaya berubah drastis, objek sering tertutup, jarak kamera terlalu jauh), hasil awal biasanya belum memuaskan dan perlu beberapa putaran perbaikan.

Kami lebih suka menyampaikan itu di depan daripada menjanjikan angka akurasi sebelum melihat kondisi lapangannya. Setelah survei, angka perkiraan yang kami berikan jauh lebih bisa dipertanggungjawabkan.