Ring ha illustrato l’architettura tecnologica alla base della propria ricerca semantica nei video, una soluzione capace di individuare rapidamente specifiche scene all’interno di giorni o settimane di registrazioni. Attraverso Amazon RDS for PostgreSQL e l’estensione pgvector, il sistema gestisce fino a 200 miliardi di embedding vettoriali, restituendo i risultati pertinenti in pochi secondi.
ricerca semantica dei video ring
La tecnologia consente di inserire descrizioni come “un cane nel cortile”, “una persona con una camicia blu” oppure “una consegna di un pacco”. Il sistema interpreta il significato della richiesta e lo confronta con i dati estratti dai fotogrammi delle registrazioni, senza dipendere da parole chiave predefinite o da marcature manuali.
Ogni fotogramma viene trasformato in un vettore numerico che rappresenta gli elementi visivi contenuti nella scena. Anche il testo inserito dall’utente viene convertito in un vettore; la ricerca individua quindi i contenuti che presentano la maggiore somiglianza semantica. Il risultato è una selezione automatica delle clip più vicine alla descrizione richiesta.
prestazioni e dimensioni dell’infrastruttura
Secondo i dati relativi all’architettura Ring, l’infrastruttura è distribuita su quattro continenti e su nove regioni AWS. Ogni giorno vengono gestite miliardi di richieste di lettura, mentre la quantità complessiva di embedding archiviati varia tra 100 e 200 miliardi.
La base dati supera i 140-150 terabyte ed è distribuita su tre cluster PostgreSQL. L’obiettivo di latenza prevede un valore mediano inferiore a 200 millisecondi, mentre anche nello scenario peggiore la ricerca dovrebbe concludersi entro due secondi.
postgresql e pgvector per la ricerca vettoriale
La scelta di utilizzare PostgreSQL con l’estensione pgvector, invece di un database vettoriale dedicato, rappresenta un approccio orientato alla semplificazione. L’estensione permette di aggiungere le funzionalità di ricerca vettoriale a un database relazionale già conosciuto e utilizzato per la gestione dei dati tradizionali.
Questa soluzione consente di conservare gli strumenti già disponibili per backup, amministrazione, scalabilità e gestione operativa. L’architettura risponde così alla necessità di integrare dati relazionali e carichi di lavoro basati sull’intelligenza artificiale all’interno dello stesso ambiente tecnologico.
Il caso Ring mostra che un database relazionale maturo può sostenere anche applicazioni di AI generativa e analisi visuale, compresi scenari caratterizzati da quantità estremamente elevate di vettori e da requisiti stringenti in termini di rapidità.
gestione dei carichi di scrittura e dei dati video
Oltre alla velocità di consultazione, l’infrastruttura deve sostenere un flusso continuo di nuovi dati. Ogni giorno vengono generati circa 2 miliardi di nuovi embedding, con un rapporto tra operazioni di lettura e scrittura pari a circa 8 a 2.
La pressione sulle scritture deriva dai milioni di dispositivi che acquisiscono e trasferiscono immagini in modo costante. La stabilità di pgvector in un contesto ad alta intensità di scrittura mette in discussione l’idea secondo cui i database relazionali non siano adatti alla ricerca vettoriale.
privacy e implicazioni della ricerca semantica
La capacità di comprendere descrizioni visive dettagliate solleva anche questioni legate alla privacy. Se un sistema può trovare una persona in base all’abbigliamento, in linea teorica può essere utilizzato anche per individuare un volto specifico.
Ring appartiene ad Amazon e le modalità di gestione delle immagini raccolte dai dispositivi sono oggetto di attenzione. L’aumento delle capacità tecniche rende quindi necessario considerare parallelamente limiti di utilizzo, aspetti etici e requisiti normativi, insieme allo sviluppo dell’intelligenza artificiale applicata ai video.
costi e vantaggi dell’architettura ring
La gestione di centinaia di miliardi di vettori può comportare costi elevati quando viene affidata a database vettoriali specializzati, sia per le licenze sia per le attività di manutenzione. Ring ha scelto una base fondata su PostgreSQL open source e sul servizio gestito Amazon RDS.
Backup automatici, aggiornamenti correttivi e possibilità di scalabilità contribuiscono a ridurre il carico operativo sui team dedicati ai database. L’architettura evidenzia come, per i nuovi carichi di lavoro legati all’intelligenza artificiale, una tecnologia consolidata possa offrire un equilibrio tra prestazioni, costi e complessità gestionale.
Lascia un commento