Análise da forma de sprint sem servidor
Pode um telemóvel analisar a mecânica de um sprint bem o suficiente para servir de base ao treino, sem carregar o vídeo para nenhum sítio?
·
A arquitetura óbvia para a análise de vídeo é carregar o clipe e processá-lo na nuvem. É também a arquitetura com as piores propriedades para este produto em concreto: um atleta grava numa pista com mau sinal, os clipes são grandes, o custo de processamento cresce linearmente com o uso, e as imagens são do corpo de uma pessoa.
O SPRIVO executa em vez disso a deteção de postura nativamente no dispositivo, através de uma integração do MediaPipe e não de um serviço de inferência alojado. O sprint nunca sai do telemóvel para ser pontuado.
A pergunta em aberto não é se funciona — funciona — mas onde está o teto de precisão para as falhas mecânicas concretas que vale a pena treinar, e até onde a análise pode ir antes de um modelo na nuvem ser genuinamente melhor. É isso que mantém isto no Laboratório enquanto o produto em que vive está na App Store — a questão é o teto de precisão, não se a aplicação é publicada.
O que aprendemos
Conclusões até agora.
- 01
A análise no dispositivo elimina toda uma categoria de problemas de uma vez: nenhuma espera de carregamento com má ligação, nenhuma fatura de processamento por clipe e nenhum servidor a guardar vídeo do corpo de alguém.
- 02
Move o custo da infraestrutura para a integração. A camada nativa é a engenharia substancial, e é específica de cada plataforma de uma maneira que uma API alojada não teria sido.
Sobre SPRIVO
Esta experiência surgiu ao construir SPRIVO.