Всі технологічні галузі говорять про переваги штучного інтелекту. Штучний інтелект — це більше, ніж модне слово, він рекламується як панацея, але в той же час його часто неправильно розуміють ті, хто може отримати з нього найбільшу користь. ШІ може означати різні речі для різних людей, та є маса аспектів, які пишуться для всіх дисциплін. Здатність машини «вчитися» на представлених даних лежить в основі всіх сценаріїв використання ШІ. Термін «машинне навчання» походить від цієї самої основної ідеї. Deep learning, підмножина машинного навчання, заснована на нейронних мережах і часто використовується для аналізу і порівняння даних зображень. Проблема полягає в тому, як продуктивно використовувати ці дисципліни штучного інтелекту для кращого захисту людей та активів. Крім безпеки, настав час подивитися, як дані з інтелектуальних камер відеоспостереження можуть бути використані для позитивного впливу на операції в організації.
Зміна камер відеоспостереження
Традиційні цифрові камери відеоспостереження не розпізнають об'єкти, які знімають. Вони просто сліпо записують пікселі на диск. За допомогою відеоаналітики, якщо датчик камери виявляє рух в цих пікселях, він може розмістити закладку в записі або відправити попередження. Той, хто пробував використовувати традиційну аналітику руху, знає, що вона схильна до помилкових спрацювань сигналізації. Залежно від установки подія руху запускається чимось настільки ж буденним, як тінь від хмари, що проходить повз. З цієї причини багато фахівців з безпеки уникали використання відеоаналітики у всіх випадках, крім найбільш контрольованих, або в якості покажчика того, де подія «могла» статися.
Використовуючи алгоритми Deep learning, можливо навчити датчик відеокамери визначати об'єкти та їх унікальні характеристики. Це складний процес навчання алгоритму машинного навчання, і для його точності можуть знадобитися сотні тисяч зображень. Алгоритмам також потрібно повідомляти, коли щось йде не так. Також важливо пам'ятати, що відрізняє сьогоднішні технології від справжнього ШІ те, що алгоритми машинного навчання та глибокого навчання не можуть вивчати нові речі самі по собі.
Сучасні IP камери відеоспостереження на основі ШІ можуть надійно ідентифікувати такі об'єкти, як автомобіль, вантажівка, велосипед, номерний знак або людина на зображенні. Вони також можуть розрізняти унікальні атрибути цих об'єктів, такі як колір, наявність номерного знака або обличчя. Завдяки досягненням в області глибокого навчання ці пристрої еволюціонували від захоплення зображень до високоточних інструментів для збору даних. Вони підключені до мережі та дійсно є частиною більш широкого світу IoT-пристроїв, які нас оточують. З їх незліченним новим потенціалом захисту та інформування прийшов час по-іншому подумати про цінності, які ці пристрої можуть принести організації.
Переваги інтелектуальних відеокамер для безпеки
Найбільш поширеним застосуванням комплектів відеоспостереження на базі штучного інтелекту сьогодні вважається розширення можливостей традиційної аналітики руху. ШІ стає потужним двигуном, коли використовується для усунення помилкових спрацьовувань від тіней, листя або тварин, запускаючи аналітику тільки при виявленні об'єкта правильного типу, такого як людина або транспортний засіб. Планка піднімається ще вище, коли глибоко інтегроване рішення ШІ дозволяє використовувати додаткові параметри пошуку описових метаданих для прискорення судово-медичних розслідувань, таких як пошук кольору одягу, або якщо в об'єкта є сумка, окуляри або капелюх.
Штучний інтелект являє собою ідеальне рішення для компенсації безпілотних середовищ, умов з обмеженим персоналом або при втраті пильності після занадто довгого перегляду монітора. Штучний інтелект може допомогти користувачам не тільки постійно спостерігати, а й постачати системи безпеки, здатні сортувати, організовувати і класифікувати величезні обсяги даних так, як це не можуть зробити люди-оператори. Він може робити це набагато надійніше, ніж будь-коли робило традиційне програмне забезпечення з відеоаналітикою.
Коли справа доходить до захисту активів та людей, оповіщення в поточному часі, що генеруються ПЗ для відеоспостереження (VMS), дозволяють групам безпеки діяти більш активно, ніж реагувати на події, що розгортаються в поточному часі. Оскільки аналітика на основі штучного інтелекту усуває помилкові спрацьовування сигналізації, вони можуть більш точно визначати інциденти, що вимагають подальшого розслідування операторами. Завдяки додатковим даним, які можуть захоплювати вуличні і внутрішні камери на базі штучного інтелекту, аналітичні правила можуть бути вдосконалені за допомогою більш складної логіки та налаштування саме для того, що потрібно кінцевому користувачеві. Наприклад, користувач може вказати камері ігнорувати всі машини, але попереджати, коли людина підходить до дверей. ШІ може допомогти підраховувати такі об'єкти, як люди або автомобілі, точніше, ніж раніше. Це включає в себе можливість точно підраховувати об'єкти, навіть коли вони частково «закриваються» або проходять один перед одним. Це ключовий момент, оскільки дозволяє використовувати такі варіанти, як підрахунок людей з більш розумних кутів огляду відеокамери. Це набагато перевершує звичайні методи підрахунку людей, які вимагають перегляду зверху вниз, щоб уникнути загороджування, і дають менш корисний вид камери, коли користувач бажає ідентифікувати обличчя.
Судова експертиза після події
Коли справа доходить до судово-медичної експертизи після подій, камери відеоспостереження на базі штучного інтелекту знаходяться в особливій лізі. Додаткові описові метадані про об'єкти фіксуються в кожному кадрі. Оскільки метадані мають невеликий розмір, вони дуже мало додають до загальних вимог пропускної здатності і сховища.
Метадані, які можуть включати в себе описові характеристики об'єктів, такі як колір сорочки або штанів людини або їх приблизний вік і стать, дозволяють оператору VMS швидко здійснювати пошук по відео, щоб знайти конкретний об'єкт або людину. Пошук, на виконання якого співробітникам служби безпеки могли б знадобитися години або дні, тепер займає всього кілька секунд, якщо включає додаткові метадані, надані інтелектуальною системою відеоспостереження.
За межами безпеки
Хоча підрахунок людей, теплові карти та аналітика управління чергами існують вже деякий час, вони теж схильні до неточностей, що властиві піксельному виявленню руху. І навпаки, виявлення об'єктів на основі штучного інтелекту надає надзвичайно точні дані і показники для операційних, торгових і маркетингових команд, які хочуть отримати уявлення про все, від продуктивності магазину роздрібної торгівлі до забезпечення продуктивності процесів і відповідності вимогам. В результаті ці комплекти відеоспостереження стали незамінним інструментом для ведення бізнесу. Залежно від бізнесу пропозицію цінності таких даних може змінити правила гри, у багато разів перевищуючи вартість системи безпеки.
Для клієнтів, яким потрібен більш складний аналіз даних, метадані IP камери відеоспостереження доступні і об'єднуються з іншими даними. Він обробляється іншими платформами для складної візуалізації та інтелектуального аналізу даних. Це дозволяє технологічним партнерам отримувати доступ до агрегованих даних в їх власних діаграмах, графіках та звітах про винятки, що засновані на спеціалізованому програмному забезпеченні, яке вони, можливо, вже використовують. Існують знайомі варіанти використання, що охоплюють кілька галузей, які вимагають зв'язування даних з систем контролю доступу, охоронних датчиків, систем точок продажів, даних про персонал і багатьох інших джерел даних. Потенціал використання цих уніфікованих даних для створення комплексних бізнес-рішень досить значний.
Оскільки відеокамери вже набули широкого поширення і стали звичайним явищем, можливості їх перетворення в ненав'язливі, важливі інструменти збору даних для бізнес-аналітики та оперативної аналітики будуть тільки рости. Операційні і маркетингові відділи також можуть знайти точки дотику при складанні бюджету для технології, яка може задовольнити потреби обох відділів.
Переваги периферійного ШІ
Відеоаналітика на основі ШІ може виконуватися на периферії або на сервері, але кожен метод розгортання має важливі аспекти, які слід враховувати. Коли ШІ знаходиться на передньому краї, цінні події та інші метадані, які генеруються камерою відеоспостереження, повинні збиратися з багатьох кінцевих точок, і ці дані повинні бути агреговані разом, щоб забезпечити чітку візуалізацію виявлених тенденцій та аномалій. Це можна зробити на легкому локальному сервері, на якому також працює VMS. Виконання аналітики ШІ на камері значно знижує загальну вартість еквівалентних серверних ресурсів, оскільки здійснюється до стиснення та потокової передачі відео.
Запуск штучного інтелекту на сервері вимагає, щоб спочатку було декодовано відеопотік, що вимагає ресурсів, які можуть різко масштабуватися по мірі збільшення кількості потоків. У той час як потужність сервера набагато перевищує можливості камери, є точка зменшення віддачі, коли користувач вибирає на сервері все, крім самої вимогливої обробки. З цієї причини гібридний підхід, при якому аналітика ШІ виконується на периферії, а результати полегшених даних відправляються на недорогий сервер або робочу станцію для агрегування і відображення, протягом деякого часу буде залишатися популярним вибором.
Читайте інші цікаві статті про системи безпеки:
