Виявлення сценаріїв високого ризику до їх ескалації вважається першорядною причиною розвитку штучного інтелекту для систем безпеки. З технологіями штучного інтелекту користувачі, які впроваджують рішення відеоспостереження, можуть вийти за рамки традиційного моніторингу, щоб використовувати кожен доступний відеокадр та фрагмент даних для виявлення загроз й інформування про надзвичайні ситуації. ШІ — технологія, яка все ще розвивається, проте її переваги спрямовані на мінімізацію ризиків, максимальне попередження злочинності та порятунок життів.
Спочатку відеоматеріали протягом короткого часу архівувалися, а потім перезаписувати. Сьогодні сегменти ШІ (такі, як відеоаналітика, машинне навчання та Deep learning), використовують великі обсяги даних, що генеруються екосистемами Інтернету речей, для розрізнення вагомих шаблонів в наборах даних, які потім перетворюються в ідеї, що підтримують стратегії стримування злочинності. Ця технологія забезпечує цілісне уявлення інформації, поєднуючи окремі точки даних, щоб описати те, що відбувається, та швидко виявляти ситуації високого ризику до їх ескалації.
Наростальний попит
Загальний ринок відеоаналітики сьогодні оцінюється в усьому світі у 3,2 мільярда доларів та як повідомляється в дослідженні компанії Brandessence Market Research, до 2023 року зросте до 9 мільярдів доларів. Штучний інтелект — вже не просто модне слово або тренд, адже він стає невіддільним компонентом постійно наростальної сфери даних.
Всупереч поширеній думці, ШІ не є виключною власністю таких розробників, як Google, Amazon або Apple, які вагомою мірою використовують технологію для оптимізації розпізнавання мови та зображень, а також управління контентом. Наростання проблем фізичної безпеки також стали каталізатором стрімкого зростання штучного інтелекту.
ПЗ для відеоспостереження на основі ШІ також підвищує продуктивність та дозволяє компаніям отримувати інформацію, не пов'язану з безпекою. Наприклад, на роздрібному ринку власники магазинів, що використовують камери відеоспостереження з аналітикою, можуть виявити злодіїв в магазині та попереджати співробітників служби безпеки про проблему в режимі поточного часу. Відеоаналітика в магазині може також вимірювати гарячі точки, потік відвідувачів, час очікування та попит продукту. Розумні міста також використовують мережі інтелектуальних датчиків для збору даних та організації реакції вуличних камер на інциденти по мірі їх розвитку, а також для поліпшення таких процесів, як потік трафіку.
Розвиток поведінкової аналітики
Поведінкова аналітика, підмножина штучного інтелекту, стала дієвим інструментом. Збираючи воєдино комп'ютерне обладнання, глибоке вивчення та поширення даних, які становлять сьогоднішню область даних, поведінкова аналітика розпізнає небезпечні ситуації, засновані на виявленні конкретних людських поз — можливо, піднятих рук касира або людини, що присіла біля банкомата.
Поведінкову аналітику також можна використовувати для забезпечення безпеки на робочому місці, наприклад, для відстеження того, чи тримаються співробітники за поручні при використанні сходів, або для відправлення термінових повідомлень про постраждалих людей. Деяке програмне забезпечення здатне виявити передбачуваного зловмисника в режимі поточного часу, передаючи миттєві оповіщення службам швидкого реагування, щоб допомогти мінімізувати ризики для людей.
Ухвалення поведінкової аналітики буде тільки рости в майбутньому. Водночас, поведінкова аналітика підвищила обізнаність про значення систем епіднагляду з використанням штучного інтелекту та їх переваги для підприємств в декількох галузях.
Інфраструктура повинна йти в ногу з часом
Оскільки ПЗ для відеоспостереження з відеоаналітикою ставить рішення по нагляду на передній план виявлення злочинів, сховище даних та технології, на яких засновані ці рішення, повинні працювати на найвищому рівні. Нейронні мережі здатні задовольнити потреби об'єкта, вивчаючи відеоматеріали, отримані на місці. Але ніщо з цього навчання не може мати місце, якщо пропускна здатність запису не дуже надійна. Більш того, жодне з цих глибоких знань не зможе принести користь організації, якщо відеокадри будуть відкинуті через непродуктивні системи зберігання.
Для того щоб інтелектуальні комплекти відеоспостереження зі штучним інтелектом безперебійно функціонували, повинна розвиватися інфраструктура хмарного зберігання. Щоб пристосуватися до такого притоку відео та метаданих від ШІ відеоспостереження, необхідна нова архітектура, яка використовує як граничні, так і хмарні обчислення. Виробники сховищ називають цю конфігурацію IT 4.0.
Розгортання IP відеореєстраторів з підтримкою ШІ та пристроїв на граничних обчисленнях, дозволяє проводити первинний аналіз на місці, найближчого до зони, де були вперше отримані дані. Це зменшує затримку та підвищує продуктивність. Завдяки архітектурі IT 4.0, після того, як базова обробка завершена, відео та дані передаються в централізовану середу для довгострокового зберігання й глибокого навчання.
Створення сховища для розміщення стандартних рішень відеоспостереження — це одне; однак створення сховища для підтримки додатків великих даних, які використовують десятки IP камер відеоспостереження з високою роздільною здатністю та одночасно обробляють події ШІ — це зовсім інше. Розгорнувши деталі до компонентів сховища, інтеграторам важливо враховувати, як жорсткі диски служать для роботи пристроїв та серверів клієнтів. Ці жорсткі диски повинні «записувати» великі обсяги даних по мірі того, як відзнятий матеріал передається в хмару, та «зчитувати» ці ж дані в режимі поточного часу, щоб виявляти, ідентифікувати та надавати потрібну інформацію.
Рекомендується, щоб інтегратори замінювали стандартні жорсткі диски, розраховані тільки на 40 годин в тиждень, на жорсткі диски, оптимізовані для відеоспостереження, що розраховані на цілодобову роботу. Їм також слід шукати вбудоване програмне забезпечення для моніторингу працездатності, щоб будь-які проблеми, які можуть призвести до втрати даних, були визначені до збою.
