Якщо ви не брали участь в проектах відеоспостереження, пов'язаних зі штучним інтелектом та технологією Deep learning, у вас може скластися враження, що ця технологія дуже дорога в плані розгортання для чого-небудь, крім високопродуктивних застосувань. З появою нового покоління камер відеоспостереження, оснащених вбудованим ШІ з глибоким навчанням, це далеко не так. Однак жаргон, пов'язаний з технологією (такий, як штучні нейронні мережі та машинне навчання), безумовно міг створити враження, що можливості того, що може надати технологія, виходять далеко за рамки того, що потрібно більшості кінцевих користувачів для досягнення вигоди від відеоспостереження.

Усунення помилкових спрацьовувань

Це далеко не так, оскільки більшість ситуацій, в яких, ймовірно, будуть розгорнуті інтелектуальні IP камери відеоспостереження — виникають там, де є першочергова потреба у вирішенні вікової проблеми помилкових спрацьовувань сигналізації, які десятиріччями переслідували галузь систем безпеки. Простіше кажучи, відеоаналітика з ШІ ігнорує відеошуми, дерева, що гойдаються та тварин — все це звичайно може бути причиною помилкових спрацьовувань сигналізації, коли стандартна технологія виявлення руху або охоронні датчики використовуються для виявлення активності.

Більш високий рівень продуктивності відеоаналітики на основі штучного інтелекту з Deep learning означає, що оператори диспетчерської і співробітники служби безпеки можуть зосередитися на реагуванні на справжні інциденти та надзвичайні ситуації, а не витрачати час і сили на помилкові спрацьовування сигналізації. Крім виняткової точності, Deep learning також дає операторам шукати конкретні функції та атрибути, включаючи вікову групу і стать людини, а також те, чи носить вона окуляри, капелюх та інші аксесуари.

Легке налаштування та експлуатація

Насправді, з усіма розумними елементами, вже вбудованими в інтелектуальні відеокамери, немає нічого складного в установці, налаштуванні і використанні ШІ з глибоким навчанням. Тому інтегратори та установники повинні мати можливість дієво використовувати цю технологію в рамках практично будь-якого проекту відеоспостереження.

Оскільки ШІ готовий до роботи «з коробки», хоча і з можливістю налаштувати його відповідно до експлуатаційних вимог кінцевого користувача, у споживача немає реальної необхідності розбиратися на глибокому технічному рівні в тому, як він працює. Однак нижче наводиться огляд технології.

Почнемо з глибокого навчання. Це частина машинного навчання та спосіб досягнення штучного інтелекту шляхом навчання машини виконанню завдань на великій кількості прикладів. Для цього в глибокому навчанні використовуються багатошарові або глибокі штучні нейронні мережі, які по суті є математичними моделями, натхненними людським мозком. Той факт, що вони глибокі, робить їх дуже придатними для вирішення складних завдань, таких як ідентифікація та розпізнавання об'єктів і подій в необробленому відео з надзвичайно високою точністю.

Наприклад, для того, щоб правильно визначити стать людини, необхідні досвідчені інженери для розробки, навчання і перевірки мережі глибокого навчання, яка на етапі навчання використовує базу даних з мільйонів відповідним чином обраних облич. Кожен з них позначений своєю відомою істинною статтю. Після кількох днів навчання інженерів, нейронна мережа готова до роботи і, ймовірно, буде мати точність понад 98 відсотків, що приблизно відповідає здатності людей робити те ж саме.

Методи глибокого навчання ШІ забезпечують набагато більш високу продуктивність у порівнянні з більш традиційної відеоаналітикою. Останні зазвичай засновані на виявленні руху і тому недостатньо складні, щоб виявляти статичні об'єкти, такі як припарковані автомобілі, або справлятися з відеошумом (наприклад, світловим забрудненням від фар або рухомими тінями), які часто стають причинами помилкових спрацьовувань.

Продуктивність ПЗ для відеоспостереження з відеоаналітикою настільки ж вражаюча в швидко мінливих або дуже завантажених середовищах, що покращує криміналістичний пошук доказів та прискорює розслідування. З цих та інших причин, можливо, неминуче, що ШІ з глибоким навчанням поступово замінить традиційну відеоаналітику для більшості застосувань, особливо тих, які найбільше страждають від помилкового виявлення. Це дозволяє, наприклад, роздрібним торговцям збирати та аналізувати бізнес-аналітику, таку як вік і стать, дозволяючи їм детально аналізувати демографічні дані клієнтів та при цьому краще розуміти поведінку клієнтів й моделі покупок.

Слід зазначити, що штучний інтелект з глибоким навчанням вніс цінний внесок за останній рік, оскільки лежав в основі застосувань для розпізнавання облич в медичних масках, вимірюванні відстані та моніторингу зайнятості.

Читайте інші цікаві статті про системи безпеки:

Головні причини, за якими містобудівникам потрібна відеоаналітика

Доступ до потрібних областей: створення генія розумного будинку за допомогою біометрії