La creciente demanda de tecnología de computación perimetral está impulsada por su integración de varios avances de vanguardia, como algoritmos complejos de IA, dispositivos de borde inteligentes y compatibilidad con opciones de conectividad inalámbrica como 5G y redes celulares. Tomemos el reconocimiento facial, por ejemplo; la computación perimetral ofrece una clara ventaja a los operadores al crear un ecosistema optimizado que aprovecha las capacidades del análisis de vídeo basado en IA, todo ejecutado directamente en el dispositivo perimetral.
Las empresas necesitan aplicaciones que deben operar en ubicaciones remotas de extremo, donde la instalación de conexiones de fibra largas no es práctica. La computación perimetral permite a estas empresas implementar cámaras inteligentes (4K) capaces de procesar imágenes a través de algoritmos de IA y transmitir solo datos esenciales a servidores centralizados utilizando conexiones inalámbricas avanzadas.
Sin embargo, al examinar varios enfoques arquitectónicos para implementar aplicaciones de reconocimiento facial en el borde, es crucial tener en cuenta factores como los costos de hardware, los gastos de implementación, los requisitos de red y las limitaciones de ancho de banda. Todos estos aspectos también deben dar prioridad a la seguridad y el mantenimiento, ya que la mayoría de las tareas de reconocimiento facial son de misión crítica para los operadores.

Diferencias entre la arquitectura para implementar aplicaciones de reconocimiento facial
En el enfoque convencional, un servidor centralizado maneja tareas como la decodificación de vídeo, la detección de caras, la extracción de plantillas y la coincidencia de plantillas, con cámaras de seguridad que envían sus imágenes al servidor para su procesamiento. En los espacios públicos donde se realizan operaciones de seguridad, se despliegan estratégicamente numerosas cámaras, generando una cantidad sustancial de datos cada segundo. Sin embargo, cuando se trata de ampliar el número de cámaras, esto crea un cuello de botella significativo en la infraestructura de la red, exigiendo un mayor ancho de banda, lo que se traduce en un aumento de los costos para el operador.
Una solución para abordar este problema consiste en cambiar todas las operaciones biométricas para ser procesadas en el borde, utilizando dispositivos de borde como cámaras inteligentes o cajas de IA. Al hacerlo, el considerable volumen de imágenes en tiempo real generadas por las cámaras de seguridad se puede procesar localmente, con solo pequeñas cantidades de información transmitida al servidor centralizado, responsable de la gestión de la base de datos y las tareas de monitoreo.

Ahorro de costes: elija la arquitectura adecuada para su implementación de reconocimiento facial
Viándolo desde una perspectiva de costo, consideremos un sistema de reconocimiento facial con 100 cámaras desplegadas en el campo. En el caso de una configuración de servidor centralizada, el procesamiento del flujo de imágenes de estas 100 cámaras requiere 100 núcleos de procesamiento, lo que requiere un grupo de servidores que viene con un precio sustancial, potencialmente alcanzando decenas de miles de dólares.
Por el contrario, si examinamos el mismo sistema utilizando cámaras inteligentes o dispositivos de borde, cada una de las 100 cámaras posee sus propias capacidades de procesamiento biométrico, y el costo de cada una de estas unidades es una fracción de lo que costaría un servidor centralizado. En un escenario de borde, las cámaras de circuito cerrado de televisión pueden conectarse a una caja de IA o a un PC industrial, que incorpora potentes núcleos gráficos, como los que ofrece Nvidia.
En estos sistemas de reconocimiento facial, la diferencia de costo puede ser de hasta el doble del costo. Para ser precisos, el servidor de borde centralizado puede ser el doble de caro que el costo combinado de las cámaras inteligentes y los dispositivos de borde con cajas de IA. Este concepto puede servir como un marco valioso para comprender la dinámica financiera de los despliegues de reconocimiento facial a gran escala, especialmente en proyectos de seguridad pública.

Conclusión
Edge-to-cloud no impone una infraestructura rígida que restrinja a los operadores a una forma específica de implementar aplicaciones de reconocimiento facial. El enfoque híbrido, que implica la distribución de tareas entre el servidor centralizado y los dispositivos perimetral, puede ser esencial para ciertas empresas que buscan un control más centralizado.
Sin embargo, para las organizaciones que requieren un funcionamiento ininterrumpido del sistema, optar por cámaras inteligentes o la implementación perimetral se vuelve ventajosa, ya que un fallo en un dispositivo perimetral no conducirá a un fallo completo del sistema.
En los próximos años, es probable que las empresas adopten un enfoque híbrido de borde a nube para el reconocimiento facial, ya que el uso de la red y el ancho de banda se ha convertido en una consideración importante, junto con la simplificación de la implementación de hardware y la reducción de los costos de infraestructura crítica.

El contenido original de la nota fue publicado en Biometricupdate.com. Para leer la nota completa visitá aquí