Case Studies / RapidLap
IoT · COMPUTER VISION & EDGE AI
Zastępowanie ręcznego liczenia osób przez liczenie osób oparte na AI na urządzeniach brzegowych
Operatorzy budynków i transportu publicznego potrzebowali monitorowania zajętości w czasie rzeczywistym – ze względu na zgodność z przepisami bezpieczeństwa, zarządzanie przepustowością i planowanie operacyjne. Ręczne liczenie było niewykonalne przy wielu wejściach, a fizyczne bramki zliczające okazywały się zbyt kosztowne lub niemożliwe do zamontowania w istniejącej architekturze. We współpracy z RapidLab stworzyliśmy kompaktowe urządzenia oparte na AI, które automatycznie liczą osoby przy użyciu danych z czujników i wizji komputerowej, przetwarzając wszystko lokalnie na urządzeniu, bez konieczności połączenia z chmurą.
Klient: RapidLab – specjalista w dziedzinie inteligentnej elektroniki i prototypowania IoT, obsługujący operatorów budynków i przewoźników transportu publicznego.
Kluczowe wyniki
Edge AI
Całe przetwarzanie odbywa się na urządzeniu – bez chmury i bez internetu
2 tryby
Uczenie maszynowe z czujnikami time-of-flight oraz głębokie uczenie z wizją komputerową
Czas rzeczywisty
Bieżące monitorowanie zajętości przy wszystkich wejściach i wyjściach
Kompaktowe
Urządzenie o niewielkich wymiarach do budynków i pojazdów
BRANŻA
IoT / Operacje budynkowe i transportowe
PRZYPADEK UŻYCIA
Automatyczne liczenie osób
PODEJŚCIE AI
ML szeregów czasowych + wizja komputerowa
SPRZĘT
Czujniki time-of-flight + kamery wideo
WDROŻENIE
Edge computing (na urządzeniu)
ŚRODOWISKA
Budynki, autobusy, pociągi
Wyzwanie
Wiedza o tym, ile osób znajduje się w danym momencie w budynku lub pojeździe, brzmi prosto, ale w praktyce to trudne zagadnienie. Budynki mają wiele wejść i wyjść. W autobusach i pociągach drzwi otwierają się jednocześnie na każdym przystanku. Ręczne liczenie nie sprawdza się przy większej skali, a fizyczne bramki zliczające – kołowroty czy systemy barierek – są drogie w montażu i często niemożliwe do zainstalowania w istniejących układach architektonicznych.
Potrzeba ta szczególnie uwidoczniła się w czasie pandemii, gdy limity zajętości i zasady dystansu społecznego musiały być egzekwowane w czasie rzeczywistym. Jednak sam problem ma charakter trwały: operatorzy budynków, zarządcy transportu i administratorzy obiektów potrzebują dokładnych danych o zajętości na potrzeby zgodności z przepisami bezpieczeństwa, planowania przepustowości i efektywności operacyjnej – a procesy ręczne tego nie zapewnią.
Kluczowy problem: monitorowanie zajętości w czasie rzeczywistym opierało się albo na ręcznym liczeniu (niemożliwym do skalowania), albo na bramkach (drogich i ograniczonych architektonicznie), albo w ogóle nie istniało. Operatorzy podejmowali decyzje dotyczące przepustowości i bezpieczeństwa bez wiarygodnych danych.
Co zbudowaliśmy
We współpracy z inżynierami sprzętu IoT z RapidLab opracowaliśmy warstwę AI dla kompaktowego urządzenia, które automatycznie liczy osoby wchodzące i wychodzące z danej przestrzeni – montowanego przy drzwiach budynków lub przy wejściach do autobusów i pociągów.
Dwa uzupełniające się podejścia AI. Stworzyliśmy dwie wersje systemu liczenia, aby obsłużyć różne scenariusze wdrożenia. Pierwsza wykorzystuje dane z czujników time-of-flight i uczenie maszynowe na wzorcach szeregów czasowych – jest lekka i skuteczna w prostszych środowiskach. Druga opiera się na kamerach wideo i głębokim uczeniu w wizji komputerowej – sprawdza się w złożonych sytuacjach o dużym natężeniu ruchu, gdy kilka osób przechodzi jednocześnie lub zmieniają się warunki oświetlenia.
Edge AI – bez konieczności korzystania z chmury. Cała inferencja AI odbywa się bezpośrednio na urządzeniu. Żadne dane wideo ani z czujników nie są przesyłane do chmury. Była to świadoma decyzja projektowa wynikająca z trzech wymagań: reakcji w czasie rzeczywistym (brak opóźnień sieciowych), niezależności wdrożenia (działa w miejscach bez dostępu do internetu) oraz prywatności danych (żadne nagrania z osobami nie opuszczają urządzenia).
Szybkie prototypowanie z architekturami sieci neuronowych. Projekt obejmował zdefiniowanie protokołów zbierania danych, analizę wzorców danych z czujników oraz szybkie iterowanie różnych architektur sieci neuronowych i podejść ML, aby znaleźć właściwy balans między dokładnością a ograniczeniami obliczeniowymi sprzętu brzegowego.
Kompaktowy i skalowalny format. Produktem końcowym jest niewielkie urządzenie, które można zamontować przy dowolnych drzwiach – bez prac budowlanych, kołowrotów ani modyfikacji architektonicznych. Dzięki temu wdrożenie na szeroką skalę – w setkach lokalizacji lub pojazdów – staje się ekonomicznie opłacalne.
Wyniki
PRZED
Ręczne liczenie osób, kosztowne fizyczne bramki albo całkowity brak danych o zajętości. Żadnego wglądu w czasie rzeczywistym w to, ile osób znajduje się w danym miejscu.
PO
Automatyczne liczenie osób w czasie rzeczywistym na kompaktowych urządzeniach brzegowych. Bez zależności od chmury. Bez modyfikacji architektonicznych. Możliwe do wdrożenia w budynkach i flotach transportu publicznego.
Rozwiązanie zapewniło operatorom budynków i przewoźnikom dokładne dane o zajętości w czasie rzeczywistym, bez kosztów i ograniczeń fizycznej infrastruktury zliczającej. Liczenie odbywa się w sposób ciągły i automatyczny – bez udziału personelu, bez konieczności łączenia się z internetem i bez obaw o prywatność, ponieważ żadne nagrania nie opuszczają urządzenia.
Poza bezpośrednim zastosowaniem w obszarze bezpieczeństwa i zgodności z przepisami, dane o zajętości zasilają planowanie operacyjne – pomagają rozpoznawać szczyty ruchu, optymalizować obsadę personelu i podejmować decyzje dotyczące przepustowości w oparciu o rzeczywiste dane, a nie szacunki.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
MEDTECH · APOQLAR
Czas realizacji kwestionariuszy bezpieczeństwa skrócony z miesiąca do tygodnia
Każdy nowy klient szpitalny wymagał wypełnionego kwestionariusza, 8–10 osób, około miesiąca, zbierając odpowiedzi z polityk różnych działów. Teraz asystent AI automatycznie tworzy odpowiedzi, oszczędzając szacunkowo 90 000 $/rok.
-75%
Czas realizacji
$90K
Roczne oszczędności
MEDTECH · APOQLAR
Wirtualny asystent GenAI zastępujący ręczne wyszukiwanie dokumentów
Pracownicy wsparcia spędzali godziny na przeszukiwaniu setek dokumentów produktowych, aby odpowiedzieć na pytania klientów i compliance. Teraz zadają pytania w języku naturalnym i otrzymują odpowiedzi z odniesieniami do źródeł w ciągu sekund.
RAG
Zintegrowany
Zarządzanie kontekstem
Zoptymalizowane