Smarta bilder – hur kombinationen av kameror och AI-plattformar kan optimera värde i vårt samhälle

En bild säger mer än tusen ord. Kan en bild också säga mer än 1000 datapunkter? Informationsålderns stora mängder data och billigare datorkraft har bidragit till en explosion av artificiell intelligens (AI) och ”deep learning”-algoritmer. De lär sig själva att paketeras till applikationer som kan skapa värde till människor och verksamheter i nästan alla branscher. AI-applikationer kan redan nu användas exempelvis inom sociala medier för att identifiera personer, produkter eller djur på bilder. De används även inom hälsosektorn för diagnoser av sjukdomar och i transportsektorn där vi ser allt ifrån självkörande bilar till smartare trafikplanering.

Många talar om att det globalt kommer att finnas 50 miljarder uppkopplade enheter 2020 – en siffra som nämns i en CISCO-rapport. Däremot nämns sällan att man i samma rapport räknar med att en miljard av dessa kommer att vara uppkopplade kameror som föder strömmande data till AI-plattformar. Dessa plattformar utvecklas allt snabbare och du kanske har sett hur Facebook ansiktsigenkänning utvecklas allt snabbare för att identifiera personer på uppladdade bilder? I Kina används kameror och AI-plattformar för att bötfälla folk som går mot rött.

Det är självklart techbolagen – Amazon, Google och Facebook i väst och Alibaba och Tencent i öst, som är giganterna även inom detta område. 2010 och 2011 började dessa bolag att investera i AI-företag och har sedan dess tittat på massor av användningsområden. Idag erbjuder alla dessa bolag en programvara för andra företag att bygga sina “användarcase” med hjälp av deras datakällor. Orlando och Washington County använder exempelvis Amazons ”Rekognition” för att koppla upp städernas kameror för att få fast bilister som kör för fort eller farligt i trafiken.

I veckans nyhetsbrev tittar jag närmare på vilka framtida användningsområden smarta kameror och ai-plattformar kan användas i inom fastighetsbranschen. När möjliggör de tjänster och utveckling och när är det viktigt att fundera en extra gång vad man faktiskt gör med kameror och data?

Hur funkar det då?
Det är lätt att tro att det är “kameran” som är superkraften eller att det är AI som löser allt – och så är det självklart inte. Detta är ett system som kräver någon form av lager som kan läsa in data – via antingen en sensor eller en kamera. Kameran kan sitta i en mobiltelefon, vara en videokamera eller bättre högupplösta övervakningskameror. Nästa steg är de så kallade AI-plattformarna eller applikationerna. De har gränssnitt och kapacitet för att läsa in strömmande realtidsdata eller bilder och kan sen bearbeta denna information snabbt eller inom rimlig tid. Att hantera och analysera i realtid tar självklart mycket datorkraft vilket är dyrt. Resultatet kan sedan användas till olika tjänster eller gränssnitt.

Ett exempel är att när Storbritannien letade efter en terrorist i staden så användes tusentals kameror (CCTV) i hela staden. De tittade på cirka 60 000 människor i sekunden för att hitta personer som liknande personen som de hade laddat upp i programmet för jämförelse. När de identifierade personen så markerades den för att följa efter. Kamerorna presenterade sedan personen för polisledningen som kunde följa dennes agerande fram till gripandet. Med andra ord behövde inte 1000-tals poliser titta på skärmar på varje videokamera utan kunde vara ute på fält.

Inventering och datainsamling
Med högupplösta kameror ihop med AI-plattformar så har det aldrig varit enklare att samla in information om fysiska ytor och göra dem digitala. Google och Facebook använder tekniken för att inventera bilder (sök exempelvis på ”katt”, så får du upp katter, sök på ”kungen” så får du upp bilder på kungen och kanske Zlatan). Med samma teknik kan du även inventera andra bilder eller “verkligheten” med hjälpa av kameror. Ett exempel på detta är forskning i USA från Research Institute for Housing America. De har under året kunnat presentera trovärdiga uppskattningar av det totala parkeringsutbudet i flera amerikanska städer för första gången. Med hjälp av satellitbilder och algoritmer kunde man se att i till exempel Des Moines fanns 19 gånger så många parkeringsplatser per hektar som hushåll – 1,6 miljoner parkeringsplatser på 81 000 bostäder. I Philadelphia fanns det 3,7 fler parkeringsplatser än hushåll. Det är enbart New York som stad som har fler hushåll än parkeringsplatser i USA. Andra projekt har testat drönare för att göra inventeringar av stadens parkeringsplatser.

I fastighetsbranschen pratar vi mycket om BIM (ByggnadsInformationsModell) och speciellt att vi saknar mycket information om våra äldre fastigheter. Här kommer kameror att kunna beräkna mått, storlekar och innehåll. Det är något som Naavis och ZynkaBIM nu gör tillsammans med Vasakronan och Akademiska hus. Ett annat exempel är svenska Skymap som med hjälp av drönare scannar fastigheter för att läsa in olika mått i området, olika fastighetsytor eller räkna ut volymen på en byggnadsplats.

Aktiviteter och användning
Precis som jag beskrev i ett tidigare nyhetsbrev om handel i den digitala tidsåldern, så har e-handeln investerat stora pengar för att samla och få in användardata. Med kameror och AI så är det nu möjligt att få in användardata från de fysiska butikerna. Ett exempel är Amazon Go som övervakas med hjälp av så kallades “dept cameras” och Amazons maskininlärningsalgoritmer som läser av vad besökare har tittat på, lyft upp och tittat på och vilka varor de faktiskt har lagt i sin påse.

Att använda kameror som kan “anonymisera” vem individen är för att samla in information om en yta eller flera ytor i fastigheten kan vara väldigt kraftfullt. I fastighetsbranschen har vi länge funderat på hur många sensorer som ska kopplas upp för att mäta om någon sitter på en stol, om ett rum används eller för att se rörelsemönster på kontor. Här kanske kameror är ett bättre och billigare alternativ?

Hur många gäster, okända budbärare eller leverantörer kommer in i våra fastigheter på en dag? Finns det paket lämnade på ett utlämningsställe för e-handeln? Har en väska lämnats oövervakad på tågstationen? Är det köer vid kaffeautomaten? En kamera med AI kan ge svar på allt detta och varje användningsområde behöver inte heller olika typer av kameror – det behövs bara byggas upp nya “funktioner” eller “egenskaper” på plattformen.

Säkerhet och trygghet (identifiera människor)
De flesta har säkert sett Youtube-klippet från det kinesiska företaget Sensetime. De hjälper Kina att övervaka invånarna, hur de rör sig i staden och vad de tittar på. Om ni inte har sett det kan jag rekommendera det för att se möjligheterna med tekniken. Att identifiera människor handlar om tekniken ”facial recognition” vilket har testats en hel del. Under New York Fashion Week i år använde varumärket New Balance exempelvis AI och kameror för att identifiera och belöna personer som klädde sig trendigt.

Ett annat exempel är det stora kinesiska techbolaget Tencent som har testat att använda ansiktsigenkänning för att göra ålderskontroll samt hantera hur länge barn får använda tv- och datorspel. Detta på grund av att den kinesiska staten har börjar sätta restriktioner (eftersom de har sett minskad produktivitet i skolan) på hur länge barn får spela tv- och datorspel.

Att kunna använda för att verifiera sig via kamera hade skapat väldigt många friktionsfria kundresor genom fastigheter. Tänk att dörrar öppnar sig utan fysiska nycklar, taggar eller med en mobiltelefon. Eller att med hjälp av kamera se vem du är som kommer in och då också ger dig access till rum, platser eller funktioner i fastigheten.

Den digitala utvecklingen driver en radikal transparens där vi – som individer – i den digitala och fysiska världen ger digitala avtryck i vad vi söker på, hur vi rör oss, vad vi berör och vad vi handlar. Detta är självklart en stor fråga kring den privata integriteten vilket kommer att kräva nya riktlinjer och policys i samhället. AI i form av ”deep learning” blir ju smartare ju mer data som föds in, vilket gör att vi har ett antal exempel på där kameror och AI inte gett det bästa resultatet. Mer om detta ämne i ett annat nyhetsbrev.

Sprid gärna till vänner och bekanta med intresse för Fastighetsägarens nya verklighet. Hör gärna av dig om du har ett ämne du vill att jag tar upp eller undersöker vidare.

 

Christoffer Börjesson,  Chief digital officer, Fastighetsägarna Stockholm

 

Lästips och källor:

https://www.wired.com/story/stepping-into-amazon-store-helps-get-inside-your-head/amp?__twitter_impression=true

https://www.google.se/amp/s/mobile.reuters.com/article/amp/idUSKCN1IW07I

https://usa.streetsblog.org/2018/07/12/american-cities-are-drowning-in-car-storage/?utm_source=citylab-daily&silverid=NDE3MDUyOTg4MjI2

 

Photo by Arthur Osipyan on Unsplash

 

Kommentera

E-postadressen publiceras inte. Obligatoriska fält är märkta *