Відеоспостереження з використанням системи телебачення замкнутого контуру (CCTV) існує вже понад 20 років, але воно стало набагато могутніше завдяки технологічним інноваціям, таким як IP камери, швидкі мережі Інтернет та велика смуга пропускання для обробки відеоданих. Традиційно службам безпеки та операційним менеджерам доручено здійснювати моніторинг камер відеоспостереження в режимі поточного часу для виявлення ненормальної поведінки або ситуацій в зонах спостереження, або для розслідування подій після інциденту. Персоналу необхідно переглянути кілька годин або днів відзнятого матеріалу, щоб витягти докази та зрозуміти, що сталося під час події. Однак час та ресурси, що необхідні для всебічного аналізу величезних обсягів доступного відео, не дозволяють по-справжньому використовувати всю важливу інформацію, яку здатні надати відеодані. Людські очі також схильні до помилок та відвабливих чинників, що ще більше ускладнює продуктивну обробку даних з одного каналу камери, не кажучи вже про декілька. В результаті переваги багатьох цінних відеоданих використовуються недостатньо.
Ось чому індустрія відеоспостереження різко змінилася з появою ПЗ для відеоспостереження, заснованого на технології Deep Learning — підвид штучного інтелекту, який піддає техніку міткам даних для навчання системи, імітуючи спосіб навчання людини. Машина може «навчитися» самостійно ідентифікувати та класифікувати об'єкти й шаблони та стає більш досвідченою, оскільки з часом піддається більшій кількості даних. Deep Learning дозволяє технологіям постійно підвищувати свою складність та впроваджувати додаткові застосування для штучного інтелекту. У разі мереж відеоспостереження, програмне забезпечення для аналізу відеоконтенту на основі машинного навчання, вчиться ідентифікувати та витягувати, класифікувати та індексувати об'єкти у відео, щоб надати кінцевим користувачам здатність пошуку, дії та кількісного визначення відеоданих.
Технологію аналізу відеоконтенту (VCA) можна легко інтегрувати з чинними в організації камерами відеоспостереження та використовувати алгоритми машинного навчання для розпізнавання та класифікації об'єктів, в тому числі людей або транспортних засобів. Після індексації метадані відео можна використовувати для налаштування інтелектуальних сповіщень, запуску в поточному часу закликів до дії при виявленні конкретних об'єктів або поведінки —, або ж при виникненні аномальної активності. Наприклад, оповіщення на основі підрахунку відправляють повідомлення, коли кількість людей в конкретній галузі або будівлі перевищує встановлену межу, обрану організацією. Сповіщення також можуть запускатися на основі ідентифікації об'єкта та технології розпізнавання облич.
На додаток до опцій сповіщення, входять структури аналізу відеоконтенту у поточному часі або архівування відеоданих, агрегованих метаданих для отримання кількісної інформації. Візуалізуючи метадані відео, користувачі здатні розуміти тенденції, витягати корисні відомості та приймати обґрунтовані рішення для забезпечення захисту, експлуатації та безпеки. Наприклад, поліційні управління можуть відстежити, скільки автомобілів ігнорують конкретні знаки на дорогах, або ідентифікувати пристановище, ґрунтуючись на кількості людей, які входять в приміщення.
Машинне навчання змінило не тільки спосіб перегляду даних відеоспостереження, а й способи його використання для підвищення безпеки та продуктивності роботи. Це знижує потребу людей контролювати кожен канал відеоспостереження та записані відеоматеріали, а також дозволяє співробітникам служби безпеки миттєво реагувати на ситуації, переглядати відеоматеріали та виявляти тенденції, щоб більш продуктивно використовувати відеоматеріали. Це надає широкий позитивний вплив як на безпеку, так і на діяльність органів місцевого самоврядування, поліції та ділових організацій, включаючи транспортні вузли, магазини роздрібної торгівлі, місця проведення заходів та інше.
