«Глубокое обучение» (Deep learning) в последнее время стало одним из наиболее распространенных жаргонов в индустрии физической безопасности, и не зря. Потенциальные преимущества искусственного интеллекта (ИИ) огромны, и только сейчас их начинают понимать и осознавать. Но как отделить маркетинговый ажиотаж от реальности? Как отличить будущий потенциал от текущего состояния дел? В этой статье мы решили прояснить последние новости об этой новой технологии и то, насколько хорошо индустрия безопасности понимает весь свой потенциал.

Глубокое обучение — подмножество искусственного интеллекта, позволяет сетям обучаться выполнять задачи распознавания речи, голоса и изображений. При видеонаблюдении эти сети учатся делать прогнозы путем многократного повторения изображений людей и транспортных средств из камеры видеонаблюдения. Эта возможность идеально подходит для использования с дронами, патрулирующими периметр в поисках аномалий, или в программном обеспечении, которое весомо снижает количество ложных тревог, сообщаемых операторам станций центрального мониторинга. По мере использования программное обеспечение продолжает повышать свою точность. Что делает эти сети настолько мощными, так это их способность обобщать изученные ими концепции и затем применять их к изображениям, которые они никогда прежде не видели. Многие конечные пользователи, интеграторы и производители понимают текущий потенциал Deep learning. Однако могут пройти годы, прежде чем мы узнаем весь потенциал этой технологии.

В отличие от машинного обучения, Deep learning отлично подходит для поиска закономерностей в неструктурированных данных, таких как изображение, что делает его хорошо подходящим для отрасли видеонаблюдения. Технология также может «учиться» при меньшем контроле со стороны человека. Глубокое обучение дает камерам видеонаблюдения возможность идентифицировать объекты и их определяющие характеристики. Эта возможность революционизирует такие приложения, как видеоаналитика на основе движения, устраняя ложные срабатывания сигнализации, которые могут привести к весомым затратам времени и средств. Полный потенциал этой технологии выходит далеко за рамки безопасности, так как эти устройства способны предоставить исчерпывающую информацию о поведении потребителей в розничной торговле, а также предоставить действенную информацию об операциях, которая может упростить рабочие процессы. 

Мир технологий развивается и становится все более действенным. Благодаря этому Deep learning сможет принести весомую пользу во многих отраслях, в том числе в сфере безопасности. Одним из примеров считается видеоаналитика изображений / видео, обеспечивающая углубленное понимание видеопотоков, таких как протоколы безопасности, управление процессами, поток людей, аудит и соблюдение нормативных требований. При мониторинге тревог технология изучает шаблоны, внешние входные данные и архивную активность, чтобы уменьшить количество ложных срабатываний сигнализации

В контроле доступа глубокое обучение помогает понять закономерности использования точек входа / выхода в здании, таких как управление занятостью, сборы и соблюдение требований к защищенным зонам здания. Что интересно в Deep learning, так это то, что точность, полученная в последнее время, часто даже превышает то, что люди могут делать с конкретными задачами. В индустрии физической безопасности глубокое обучение может помочь организациям проанализировать свои данные и найти реальные решения, такие как распознавание лиц или подсчет людей.

Индустрия безопасности в целом только что прошла первые этапы понимания того, куда нас могут привести искусственный интеллект и глубокое обучение. Несколько факторов стимулируют ИИ, первым из которых является распространение данных, генерируемых сотнями из миллионов датчиков по всему миру, включая камеры видеонаблюдения, комплекты контроля доступа и системы управления зданиями. Все эти датчики выдают данные 24 часа в сутки, 7 дней в неделю, и теперь мы начинаем использовать программные системы для «добычи» этих данных. Этот майнинг выявляет неизвестные до сих пор связи между данными из разных хранилищ, что дает некоторые интересные результаты. Затем используются алгоритмы для описания этих отношений, а они, в свою очередь, используются или могут использоваться для распознавания определенных ситуаций по мере того, как инциденты происходят или даже предшествуют инциденту.

Сегодня мы находимся только на ранних этапах реализации технологии Deep learning. Какими бы захватывающими ни были инновации сегодня, их будущее открывает еще больше возможностей, что ограничиваются только нашим воображением.