Metric Video Analytics
Descargar como PPTX, PDF0 recomendaciones136 vistas
El documento aborda el panorama de la analítica de datos y su evolución en la ciencia de datos, incluyendo el uso de machine learning y deep learning en diversas aplicaciones. Destaca la importancia del big data en sectores como la astronomía y el análisis de video, así como la necesidad de formación en programación y análisis de datos. Además, menciona el crecimiento del empleo en tecnología y la importancia de la colaboración y aprendizaje continuo en este campo.
![¿Qué queremos que ML haga?
• Dada una imagen, predecir patrones complejos de nivel superior
Reconocimiento Detección Segmentación
“Gato”
[Martin et al., 2001]](https://image.slidesharecdn.com/presentacionmvaparainteligenciaartificial-180810234518/85/Metric-Video-Analytics-11-320.jpg)
![Impacto real
• Los sistemas construidos con DL logran altos rendimientos
en muchas tareas y múltiples dominios
Image recognition
[E.g., Krizhevsky et al., 2012]
Speech recognition
[E.g., Heigold et al., 2013]
NLP
[E.g., Socher et al., ICML 2011;
Collobert & Weston, ICML 2008]
[Honglak Lee]](https://image.slidesharecdn.com/presentacionmvaparainteligenciaartificial-180810234518/85/Metric-Video-Analytics-15-320.jpg)
Metric Video Analytics
- 1. METRIC VIDEO ANALYTICS Metric Arts
- 3. Analytics & Data Science Estadística Programación Investigación Operativa Analítica Predictiva Data Analytics corresponde al descubrimiento, interpretación y comunicación de patrones útiles en los datos, con el objetivo de describir, predecir y mejorar el performance en aquello que se estudia, basándose en datos registrados. Las observaciones que se buscan corresponden a hechos que conocemos o sabemos no conocer.
- 4. Analytics & Data Science Data science es un paradigma también conocido como la “ciencia dirigida por los datos” y corresponde a un campo interdisciplinario que agrupa una serie de procesos científicos y técnicas para obtener conocimiento a través del estudio de los datos (estructurados o desestructurados), respecto a hechos que no sabemos no conocer. Estadística Machine Learning Minería de Datos Analítica Predictiva
- 5. Evolución del Analytics 1968 1973 1974 1981 1991199320062015 Release 0.17
- 7. INTELIGENCIA ARTIFICIAL Máquinas que aprenden
- 8. Super máquinas que juegan Deepmind, 2016
- 9. Super máquinas que conducen Mobileye, 2015
- 10. Machine Learning e Inteligencia artificial
- 11. ¿Qué queremos que ML haga? • Dada una imagen, predecir patrones complejos de nivel superior Reconocimiento Detección Segmentación “Gato” [Martin et al., 2001]
- 12. Tipos de Machine Learning • Aprendizaje supervisado El sistema aprende en base a datos estructurados o no estructurados. Clasificados previamente. El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema.
- 13. Tipos de Machine Learning • Aprendizaje no supervisado Modelo se construye usando un conjunto de datos como entrada, los cuales no han sido clasificados previamente. El sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.
- 14. Deep Learning • Deep learning o Aprendizaje profundo corresponde a un conjunto de métodos de machine learning basados en el aprendizaje de representaciones de los datos. • Deep neural networks o redes neuronales profundas son el caso más conocido. Uso de redes neuronales artificiales y arquitectura con múltiples capas.
- 15. Impacto real • Los sistemas construidos con DL logran altos rendimientos en muchas tareas y múltiples dominios Image recognition [E.g., Krizhevsky et al., 2012] Speech recognition [E.g., Heigold et al., 2013] NLP [E.g., Socher et al., ICML 2011; Collobert & Weston, ICML 2008] [Honglak Lee]
- 16. INDUSTRIA DEL FUTURO I+D en la Industria
- 18. Chile presenta una condición favorable para convertirse en un jugador relevante de Big Data, ya que pronto capturará el 70% de los datos astronómicos mundiales Alma Project - Chile
- 19. La em pleabilidad en los sectores de inf orm ática y tecnologías de la inf orm ación cr ecer á 13% Mercado Las tecnolog ías de la inf orm ación son esenciales para los negocios de hoy. Finanzas y m edicina son los m ejor es clientes . Negocios
- 20. T - s h a p e d v s P i - s h a p e d A l e x S z a l a y Nueva camada Profesionales del tipo T-shaped: Conocimiento general amplio y poco profundo, pero con habilidades y conocimiento detallado de una temática en particular. Nuevos profesionales del tipo Pi-shaped: Conocimiento general amplio, pero profundizar tanto en la temática de estudio y los métodos estadísticos y computacionales.
- 21. T h e D a t a S c i e n c e V e n n D i a g r a m D r e w C o n w a y ( 2 0 1 0 ) Programming Exploratory analysis Analytical thinking Modeling Domain knowledge Business experience
- 22. BIG DATA Y ANÁLISIS DE VIDEO
- 23. Datos en Astronomía • Desde la obtención del dato crudo hasta la generación de resultados en forma de tablas y gráficos. • Testigo del impacto del Big data en Astronomía: SDSS (1998) llena discos duros de 8GB en 25 min. Time span: 15 years Area: 14.555 deg2 # Sources: 469.053.874
- 24. Dato procesadoDato crudo Ciencia Guiada por los Datos Jim Gray, investigador de Microsoft y pionero en bases de datos, hizo notar que la Ciencia entró al cuarto paradigma: Data-driven Science Muñoz et al. 2015
- 25. Visión Computacional • Enseñar a las máquinas a ver e interpretar tal como lo hacemos los humanos. • Proceso Interdisciplinario: Matemáticas, Física, Estadística, AI, procesamiento de imágenes, reconocimiento de patrones.
- 26. VIDEO ANALYTICS
- 27. Mayo 2016: Premio top 50 innovaciones más influyentes CORFO Investigación e Innovación
- 28. Video Analytics Física Uso de conocimiento de óptica para optimizar la captura de imágenes según el entorno. Procesamiento de Imágenes Captura, detección y clasificación de personas y objetos presentes en el video. Machine Learning Uso de Inteligencia Artificial y entrenamiento de algoritmos basados en reconocimiento de patrones. Data Science Construcción de modelos estadísticos y matemáticos para generar información valiosa. Funcionalidades Detección y seguimiento inteligente de personas y objetos Estimación de variables demográficas (sexo, edad) Estimación de largos de filas y tiempos de espera Generación de alertas en tiempo real Identificación y comparación de personas Detección de patrones de comportamiento (micro-expresión) Generación de mapas de calor
- 29. Video Analytics
- 30. Video Analytics
- 31. Cloud Platform Bases Operacionales Cámara con óptica especializada Repositorio consolidado Web App Analytics Alertas Cognitive Services Machine Learning On-premises INTERNET Procesamiento on premise Algoritmos de Deep Learning Datos agregados Data Lake Imágenes Detalladas Total Datos Plataforma de Reportería Video Analytics
- 32. IOT HUB 1 2 Registro Detecciones como JSON en DB MySQL Deep Learning Neural Network Utilizando recursos de GPU, se ejecutan aplicaciones de Deep Neural Networks generadas en C++, entrenadas para detectar y clasificar los elementos del contexto del caso (personas, vehículos, etc.). Los mismos procesos definen un “seguimiento inteligente” (track) de cada elemento detectado, registrando comportamientos en el tiempo. La información procesada en la etapa previa (flujo CPU->RAM->GPU->VRAM->RAM->CPU) es finalmente transformada en una serie de datos en la forma de matrices de múltiples coordenadas, IDs e indicadores de estados, los que finalmente se llevan a una base de datos escrita en una unidad de disco SSD. VRAM GPU Flujo del proceso On-premises
- 33. 3 Algoritmos validan condiciones de envío Se genera una serie de procesos en Python, los que en forma paralela a los procesos de Deep Neural Network, definen zonas (polígonos) según múltiples criterios, de forma de definir por ejemplo si una persona detectada está entrando o saliendo (cruce del vector de movimiento sobre los polígonos). Finalmente esta información se filtra y entrega al proceso de IOT-HUB para su sincronización on-line. Flujo del proceso On-premises
- 34. Las funciones avanzadas como caracterización demográfica o biometría, tienen relación con la captura de una imagen de alta calidad además de condiciones del entorno, como luminosidad y nivel de oclusión. una imagen de frente, siempre proporcionará una mayor cantidad de datos para realizar estimaciones o comparaciones avanzadas Si bien los algoritmos utilizados puedan compensar, las condiciones reales presentan múltiples desafíos, por lo que se recomienda contar con más de una imagen de enrolamiento por persona y una cantidad apropiada de cámaras para así cubrir la mayor cantidad de circunstancias posibles. Imágenes recomendadas para enrolamiento Consideraciones para Demografía y Biometría
- 35. Consideraciones para Demografía y Biometría De igual forma, la calidad de la imagen capturada (en términos de tamaño y “limpieza” de la misma) resulta fundamental Se recomienda contar con imágenes de enrolamiento con datos del rostro en espacios de 500x500/500x400 pixeles como mínimo, para asegurar la calidad en la generación de una firma biométrica de calidad. La comparación contra la captura desde una cámara en tiempo real resulta ideal bajo las mismas condiciones, pero pueden realizarse comparaciones apropiadas contra rostros de hasta 200x200 pixeles. Si bien resulta posible realizar comparaciones contra imágenes de un tamaño inferior el impacto en términos de la calidad de la comparación no lo hacen recomendable Tamaño rostro apropiado para enrolamiento y Generación de firma Biométrica Relación de una imagen de 100PX de alto
- 37. MERVAL: Seguimiento y Biometría
- 38. MERVAL: Seguimiento y Biometría
- 42. Microsoft Partner of the year 2018 (Latam & Caribe) Categoría Smartcities
- 44. There are multiple online courses about Data Analysis, Data Science, Visualization, Machine Learning,. Tomar cursos en línea Conocim iento y cer tificados
- 45. Python and R are the most used languages in data analysis. More than 40 million users. SQL is from 70’s but still very used by many companies. Aprender lenguajes modernos Lenguajes de Data -science
- 46. You can start from an already existing projects and make small changes. Look for public datasets and try new ways to analyze and visualize data. Ask the right questions. Hacer proyectos independientes P r obar nuevas ideas
- 47. Github is a code hosting platform for version control and collaboration. It allows to create private and public code repositories. Start with simple projects and then move to more complex projects in Github. Revisar y desarrollar código en Github Com par tir códigos
- 48. www.metricarts.com contacto@metricarts.com Marbella, Plaza New York, Piso 1, Oficina 101 / Ciudad de Panamá, Panamá + 507 6533 8150 Calle Miguel Dasso 134, Oficina 201 / San Isidro - Lima - Perú + 51 1 641 9207 Nueva Tajamar 555 Oficina 1501 / Las Condes - Santiago - Chile + 56 2 2948 96 81 © 2018 Metric Arts. Todos los derechos reservados. Metric Arts, Metric Video Analytics, Metric Learning y otros nombres de productos son o pueden ser marcas registradas y/o marcas comerciales en Chile y/o en otros países. La información contenida en este documento es sólo para fines informativos y representa la visión de Metric Arts a la fecha de esta presentación.
Notas del editor
- #20: https://www.bls.gov/ooh/computer-and-information-technology/home.htm