Videosorveglianza nel 2018: i trend secondo IHS Markit

della Redazione

Primo numero del 2018: previsioni sul futuro? Lessons learned dal passato? Con il Team Videosorveglianza degli analisti che fanno capo ad IHS Markit, facciamo il punto sui principali trend di questo promettente segmento: deep learning, adeguamento al GDPR (di cui parleremo diffusamente in altre parti di questa rivista), rischio failover, forensica as a service e tecnologie di rilevamento droni sono solo alcune delle tematiche trattate dall’annuale white paper rilasciato da IHS Markit e già giunto alla sua VIII edizione.

Partiamo dai numeri: secondo Jon Cropley di IHS Markit la domanda di telecamere professionali per la videosorveglianza – passata da 10 milioni di unità a livello globale nel 2006 ad oltre 100 milioni nel 2016 - continuerà a crescere anche nel 2018: le previsioni di vendita superano infatti i 130 milioni di unità. Il prezzo medio delle telecamere e degli altri dispositivi di videosorveglianza continuerà però a diminuire, quindi i fatturati, sempre a livello mondiale, cresceranno ad un tasso annuo inferiore al 6%. La sfida per i vendor sarà quindi continuare a far crescere ricavi e margini e le maggiori opportunità saranno colte, ovviamente, dalle aziende che operano su mercati in corsa (Sudest Asiatico e India) o che sfoggiano un “arsenale tecnologico” particolarmente innovativo. Purché lo sappiano vendere bene.

PROSSIMA FERMATA: DEEP LEARNING

Dopo la migrazione da analogico a IP, il prossimo step dell’evoluzione delle telecamere potrebbe essere la tecnologia deep learning, che utilizza algoritmi di elaborazione dati analoghi a quelli del cervello umani. E se nella transizione verso le telecamere IP la crescita è stata accelerata dal calo dei prezzi (il prezzo medio delle telecamere network nel 2016 era circa un quarto di quello del 2010), non si potrebbe verificare un fenomeno analogo anche nelle telecamere a tecnologia deep learning? Secondo Monica Wang di IHS Markit è proprio quello che succederà. Del resto se ne parla già da un po’, e la sfida più imminente per un’adozione diffusa del deep learning è la sua capacità di dimostrare vantaggi in termini di sicurezza o business intelligence negli scenari tipici della sorveglianza. Il 2017 ha visto progressi nel mercato con una transizione dai prototipi di algoritmo di deep learning ai prodotti di videosorveglianza e una gamma completa di new entry nell’offerta di chipset AI. A questo punto, secondo Monica Wang, il successo dipenderà dalla capacità di dimostrare un ritorno sull’investimento. In che modo? Gli algoritmi di analisi video deep learning sono già stati sviluppati in prodotti con interfacce user-friendly e soluzioni focalizzate su diversi scenari. Ad esempio, gli algoritmi di riconoscimento facciale deep learning sono ora disponibili in applicazioni come i motori di ricerca, progettati per trovare persone scomparse all’interno di filmati. Finora le telecamere deep learning hanno però mostrato un costo elevato, in buona parte rappresentato dal costo dei semiconduttori necessari per gli algoritmi di deep learning. Fiutando tuttavia il business della sicurezza, oggi diversi vendor di semiconduttori (compresi alcuni di area mobile) sono entrati nel mercato, allargando il ventaglio dell’offerta e quindi la pressione sui prezzi dei chip. Con ricadute interessanti sui prezzi delle telecamere deep learning e sul possibile allargamento del target: non più solo monitoraggio urbano e trasporti, ma anche GDO e industria. Naturalmente per i vendor l’approccio verticale sarà la strategia vincente, anche perchè allineata a ciascun portafoglio cliente.

DRONI E ANTIDRONI

Anche droni e robotica sembrano tecnologie promettenti nelle applicazioni di sicurezza, tuttavia i veicoli aerei senza equipaggio non hanno ancora preso piede essenzialmente per tre ordini di problemi: normativa sfavorevole, ridotta durata della batteria e costi elevati. In ogni caso l’uso dei droni è sicuramente una soluzione efficace per la sicurezza perimetrale, soprattutto in spazi aerei “chiusi” come aeroporti, infrastrutture critiche o stadi. Ma naturalmente i droni rappresentano anche una forte preoccupazione per la stessa sicurezza delle persone. Il mercato – osserva Oliver Philippou di IHS Markit - nell’immediato risiede dunque nei dispositivi di rilevamento droni, più che nei droni stessi. Attualmente sono due le tecnologie di rilevamento: a radio frequenza e radar. La prima si usa per rilevare, analizzare e localizzare le frequenze radio utilizzate dalla base del drone per comunicare con il drone stesso. I vantaggi della rilevazione RF stanno nel poter individuare sia il drone che l’operatore, in alcuni casi già prima del decollo. Le RF aeree potrebbero però potenzialmente interferire con le comunicazioni fra drone e pilota, con esiti sconosciuti (inclusa la caduta del velivolo). Inoltre le RF aeree non paiono realmente accurate nella localizzazione, nè sono in grado di fornire la videoverifica. I radar di sorveglianza da terra, utilizzati per rilevare piccoli droni con una tecnologia simile a quella dei radar per il controllo del traffico aereo, offrono una copertura più ridotta rispetto alle RF. Tuttavia il radar è decisamente più accurato e quindi adatto ad essere affiancato alla videosorveglianza (es. telecamere PTZ con zoom automatico e inseguimento). Gli svantaggi? Le performance del radar temono pioggia, neve, sabbia o polvere, inoltre tendono ad essere più costosi dei sistemi a RF. E la videosorveglianza? Da sola non è una tecnologia di rilevamento adeguata. L’analitica di rilevamento oggetti si può utilizzare su una telecamera di videosorveglianza per la video verifica con l’acquisizione di un’immagine visiva di una potenziale minaccia. Tuttavia, sia le RF aeree che il radar possono rilevare un oggetto oltre la linea visiva e hanno circa un campo di 360°. Quindi molti vendor stanno cercando di combinare queste tre tecnologie per offrire la migliore possibilità di rilevamento droni.

TOLLERANZA AI GUASTI

Nonostante il settore della videosorveglianza stia utilizzando sempre più tecnologia IT a livello enterprise, molti sistemi di videosorveglianza presentano ancora una failover capability piuttosto limitata, ricorda Josh Woodhouse di IHS Markit. I sistemi di sorveglianza tendono infatti a concentrarsi sulla mitigazione degli errori dopo che il video è stato catturato da una telecamera di sorveglianza. Ciò è dovuto a un maggiore impatto del fallimento dal “back-end” piuttosto che di una singola telecamera. Ad esempio, se una singola telecamera si guasta, l’impatto è inferiore rispetto al caso in cui il server di registrazione o il sistema di storage non funzionino, perché questi eventi possono causare la perdita di tutte le registrazioni video passate e future. Poiché però la videosorveglianza si usa oggi per molteplici usi che vanno ben oltre la sicurezza, il valore percepito dei dati di videosorveglianza è in aumento. A volte questo valore può essere misurato con costi contenuti: si può trattare di un costo diretto (ad esempio una multa da parte di un’autorità) o indiretto (ad esempio, la mancanza di dati per le operazioni aziendali che ostacolano la produttività). L’analisi dei costi può costituire la base per valutare il potenziale investimento in ulteriori livelli di failover, ridondanza e backup per sistemi di videosorveglianza quali: • costi hardware aggiuntivi (ad esempio server/storage ridondanti). • costi aggiuntivi del software (ad esempio, licenze di software di virtualizzazione o di mirroring).

VIDEO FORENSIC COME SERVIZIO

Nella video forensica, la vera sfida spesso è rappresentata dal volume dei video che potrebbe essere necessario esaminare, con enorme consumo di risorse umane. Da tempo sono disponibili diverse soluzioni analitiche di videosorveglianza per analisi video forensi, osserva Josh Woodhouse, tuttavia, negli ultimi 18-24 mesi l’accuratezza di analisi è grandemente aumentata grazie al deep learning. Il costo hardware è però raramente compatibile con le spending review: ecco quindi che alcuni provider hanno offerto l’uso dei propri pacchetti di analisi e software come “servizio”. Le forze di polizia possono utilizzare l’infrastruttura del fornitore e gli analisti interni per esternalizzare la loro analisi video forense. Spostare questo modello su una piattaforma cloud è un’evoluzione scontata: i clienti possono utilizzare l’analisi video forense on-demand per casi particolari da remoto con i propri analisti senza un grande investimento hardware. Una buona opzione per le autorità con disponibilità limitate. IHS Markit prevede che l’analisi video forense venga integrata nei servizi cloud esistenti. Ad esempio nel mercato delle telecamere indossate, molte forze di polizia utilizzano già il cloud per archiviare e rivedere i video: in futuro IHS Markit prevede che verranno raccolte più fonti video da analizzare utilizzando algoritmi deep learning, per i quali il cloud può essere un importante strumento.

Maggiori dettagli nel rapporto “Top Video Surveillance Trends For 2018” curato dall’IHS Markit video surveillance group www.ihsmarkit.com