图片37
首先，应用规模较大，虽然每路费用降低了，但总成本仍偏高；二是实施比预期难度大，有些用户发现花费了很大的费用，而没有达到预期的效果，很多产品和方案在演示或者PK阶段都是比较理想的，但是在实际应用中，然后用户就能发现更大的差别。第三，安全问题，在行业进入智能化以后，视频中的数据都经过了高度浓缩，价值远远超过了前，犯罪的频率大大提高，对社会的影响也越来越大。对于以上三个问题，AIoT智慧物联企业都有自己的思路，共同推动行业发展。
就解决成本问题而言，安防企业智能分析均偏后端，在前端传统摄像机上保持不变，后端结构较多的服务器或软件，这样做成本比较高，同时服务器选型也比较有限。和电脑视觉CV公司相比，他们采用的是高性能服务器+英伟达解决方案的模式，成本同样不低。企业认为不能一味的建立一个中心大系统，应该向边沿迁移。使相机具有智能功能，将人脸感知、抓拍图像等相对简单的运算放到摄像机上，这样同样的计算也会使后端性能成倍提高。但是，对存量摄像机的改造不可能一蹴而就，所以许多场合也需要利用边缘计算的智能设备，减少传输和计算费用，让人工智能解决方案能以合理的价格促销。链式计算、云边端协同计算.边计算多有这样的说法出现，说明这一想法已逐渐成为业界的共识。
就解决落地难问题而言，近两年来一直强调「AI工程」，如透过摄影机的科学布点，透过科学的安装，便可大大提升影像分析的效果，有质变之准确。而且单靠提升算法，可能也只有1.2个点的空间，对实际应用影响很小。又如网络问题，在人流量稠密的场景中进行结构化业务，如果一秒钟有40个对象需要结构化，这对于带宽来说是巨大的压力，会出现丢包与延时现象，所以我们还会建议提升网络带宽或者进行后端分析。
关于安全问题，除了提升设备的算法运算能力外，还针对AI推出了相应的安全接入设备，将中心保护起来，即使罪犯进入数据中心后，也不能轻易盗取数据。智能化时代数据的价值密度比纯视频时代要高得多，过去一天的一大十几GB的数据，现在可能已经有成千上万的人了。
在智慧型应用实践中，通过不断总结，形成了一套系统工程理论与操作指南，使客户的智能系统发挥最大的价值。
