Штучний інтелект (ШІ) існує з 1950-х років, коли вчені та математики хотіли дізнатися, чи можуть вони змусити машини думати як люди. З часу появи цих ранніх уявлень про ШІ технології розвивалися поступово. Проте за останнє десятиріччя в області ШІ стався вагомий прорив, який прискорився цифровізацією, що призвело до появи більшої кількості даних для аналізу та покращення результатів. Справедливо сказати, що в міру того, як технології продовжують розвиватися, вплив ШІ відчуватиметься у всіх галузях, особливо в сегменті систем безпеки, та надасть безпрецедентні можливості для вирішення реальних проблем.
Обладнання забезпечує більше обчислювальної потужності
Нещодавно інновації в галузі апаратного забезпечення збільшили обчислювальну потужність і створили більше додатків, пов'язаних з ШІ. Подумайте про це: перехід від центральних процесорів (ЦП) до графічних процесорів (ГП), а тепер і до спеціалізованих інтегральних схем (ASIC) йде повним ходом і швидко розвивається.
Перехід від центральних процесорів до графічних процесорів призвів до підвищення ефективності та розвитку паралельної обробки, а перехід на спеціалізовані ASIC, спеціально розроблені для прискорення методів штучного інтелекту у глибинному навчанні (DL), відчинив двері для рішень локальних та периферійних пристроїв. В результаті багато галузей тепер починають усвідомлювати важливість як апаратного, так і програмного забезпечення при застосуванні ШІ у більш реальних випадках використання.
Від процесорів, графічних процесорів та ASIC до DLPU та SOC (система на кристалі) ШІ змінює підхід багатьох виробників пристроїв до дизайну та функціональності майбутніх пристроїв. Незважаючи на те, що ШІ існує вже багато десятиріч, його нещодавні досягнення дозволили технічному співтовариству оптимізувати обчислювальну потужність, необхідну для ШІ та його методів, у тому числі:
- Машинне навчання (МН) — підмножина ШІ, яка використовує фундаментальні пізнання та дієві інструменти, алгоритми для вирішення основних проблем шляхом виявлення закономірностей для отримання високонадійних прогнозів, що призводить до прийняття рішень із мінімальним втручанням людини.
- Глибинне навчання (ГН) — підмножина машинного навчання, у якій використовуються алгоритми, засновані на нейронних мережах, що моделюються, натхнені способом навчання людей (і навчені на величезній кількості вхідних даних) для забезпечення більш точних результатів.
- Нейронні мережі (NNET) або штучні нейронні мережі (ШНМ) є ядром алгоритмів ГН, структура яких призначена для моделювання роботи людського мозку та його нейронів з метою обробки та розпізнавання взаємозв'язків між даними.
Можливості у реальному світі
Отже, який наступний крок для ШІ? Загальна мета – комерціалізація технологій штучного інтелекту. Дані, необхідні для ШІ, починаються на периферії з пристроїв збору та обробки цих даних в інформацію.
Мільярди пристроїв, з'єднаних між собою у приватних та загальнодоступних мережах, вже існують (і щодня в мережу додається все більше), що дає величезні можливості, коли справа доходить до розробки комерційних продуктів на базі локальних та периферійних пристроїв. Проте щоб досягти успіху, компаніям необхідно адаптуватися до структури штучного інтелекту, що постійно розвивається. Проблема для більшості компаній полягає в тому, як застосувати ШІ в реальному середовищі, щоб вирішити проблему. Більше того, здатність вирішувати реальні проблеми потребує великої кількості даних – якісних даних.
Підхід до збору якісних даних має бути методичним та змістовним, тому перед запуском процесу потрібно пройти небагато. Відповідно, на початкових етапах йому потрібен експерт, який може вивчити проблему, поставити правильні питання та розібратися в корені проблеми, перш ніж правильно розробити рішення на основі ШІ. Звичайно, візуальні дані в IP камерах відеоспостереження необхідні ШІ для навчання. Після визначення надійної методології та збору якісних візуальних даних, як і раніше, залишається величезне завдання організувати та позначити дані при застосуванні методів МН та ГН. Потреби обчислювальної потужності збільшуються, особливо у переході від методів МН до методів ГН у процесі навчання. Після того як модель МН/ГН навчена та готова до виконання, обчислювальна потужність на периферії також відіграє важливу роль. Блоки обробки даних глибокого навчання (DLPU) в сучасних камерах відеоспостереження забезпечують великі переваги при переході від машинного навчання до глибокого навчання.
Моделювання та результати якості даних
Важливо пам'ятати, що для вивчення машинного та глибокого навчання потрібні сотні тисяч, а те й мільйони наборів даних. Зрештою, результат у ГН настільки хороший, наскільки хороші дані, яким навчається алгоритм. Навчання моделі штучного інтелекту для правильного виведення ефективного результату стомлює та вимагає великої взаємодії з людиною для перевірки та повторного тестування результатів. Фактично, в реальній ситуації необхідні тренування, тому ці вправи не можна виконувати у вакуумі. Вуличні IP камери міського відеоспостереження вважаються ідеальними вихідними даними та пропонують цінну інформацію, оскільки надають різні точки зору, унікальні середовища та нові неструктуровані набори даних, на яких не засновані багато існуючих моделей штучного інтелекту.
Хоча машинне навчання ефективне, оскільки його алгоритми хороші для аналізу структурованих даних, воно є неефективним при обробці неструктурованих даних. Таким чином, оскільки ШІ прагне виконувати більш складний аналіз неструктурованих даних, глибоке навчання з його алгоритмами, заснованими на нейронних мережах, що моделюються, більш здатне. Візуальні дані, включаючи необроблені візуальні дані в комп'ютерному зорі та закодовані зображення або відео у форматах JPEG та H.264/265, є неструктурованими даними та неймовірно цінними для глибокого навчання. Як ми знаємо, індустрія безпеки загалом представляє достаток візуальних даних у реальних сценаріях використання — даних, які, безсумнівно, сприятимуть розвитку глибокого навчання протягом кількох років.
Встановлення очікувань
Незважаючи на перспективні досягнення в галузі штучного інтелекту, важливо визначити, що ШІ може і чого не може. Наприклад, багато аналітиків використовують класифікацію зображень з комплектів відеоспостереження для виявлення людей та транспортних засобів, але це не означає фактичного розуміння сцени. Візуальне розуміння, як і раніше, є дуже складним завданням, і в даний час не вистачає реальних даних та застосовного навчання, щоб дозволити рішенню на основі ШІ повністю зрозуміти сцену. Крім того, найкраща відеоаналітика на основі штучного інтелекту не здатна прочитати поведінку людини. Емоційна диференціація, така як гумор — те, що рішення з урахуванням ШІ неспроможне визначити чи вивести. У сцені, де збирається натовп, інтелектуальне програмне забезпечення для відеоспостереження з відеоаналітикою не може зрозуміти, чи є подія небезпечною або ж мирною.
Очевидно, що перед галуззю відеоспостереження, як і раніше, стоїть низка складних питань, коли йдеться про реальні програми та можливі рішення штучного інтелекту для користувачів. З цих причин відеоаналітика, яка використовується в індустрії безпеки, вимагає певної взаємодії та судження людини. На додаток до цих міркувань існують уразливості при маніпулюванні даними нейронних мереж, які можуть призвести до того, що ШІ видаватиме неточні результати. Наприклад, ви не можете повністю зрозуміти сцену на рівні одного пікселя, тому з технологічної точки зору ще доведеться зробити суттєву роботу.
Цей факт також можна проілюструвати динамічною природою зображень, знятих на IP-відеокамеру — у сцені, де освітлення непостійне, різкі тіні можуть спричинити зміни на рівні пікселів, які впливають на класифікацію зображення чи об'єкта. При цьому спільнота розробників ШІ зростає, і вони разом зі своїми партнерами роблять великі успіхи.
Можливості на завтра
Немає сумнівів у тому, що класифікація зображень у застосуваннях безпеки розвивається разом із штучним інтелектом. Перехід від піксельних алгоритмів при виявленні руху на відео до моделей МН та ГН, які можуть класифікувати людей та транспортні засоби – це початок. Понад те, скорочення кількості помилкових спрацьовувань охоронної сигналізації можна пояснити поліпшенням багатьох моделей ГН з допомогою реальних даних.
Пристрої з ASIC, DLPU або SOC, що налаштовуються, розроблені та оптимізовані для DL, забезпечать переваги на периферії. Периферійні пристрої з апаратним прискоренням для машинного навчання або ГН забезпечать кращу продуктивність. У міру того, як ШІ стає все більш популярним, проекти з відкритим вихідним кодом стимулюватимуть зростання периферійної обробки поряд з деякими пропрієтарними технологіями, пов'язаними з глибоким навчанням. Наприклад, Tensor Processing Unit або TPU від Google — це ASIC-прискорювач ШІ, який був розроблений в 2015 спеціально для NNET Machine Learning.
Компанія Google відкрила ліцензійну доступність TPU для третіх сторін у 2018 році, щоб ще більше розширити впровадження ГН серед інших виробників обладнання. Їхній Edge TPU був розроблений з урахуванням низького енергоспоживання — 2 Вт, в порівнянні з їх серверними TPU. Edge TPU у його поточному поколінні може обробляти 4 трильйони операцій на секунду і пропонує альтернативу машинному навчанню з прискоренням на GPU. Це лише один приклад інновацій в апаратному прискоренні ГН, які можуть призвести до прориву в області штучного інтелекту та периферійних обчислювальних пристроїв, що обробляють зображення в поточному часі. Майбутнє ГН на периферійних пристроях залежатиме від того, наскільки ефективно будуть реалізовані схеми ASIC, DLPU або SOC.
Перевизначення майбутнього
Штучний інтелект вже почав впливати на індустрію безпеки, і це має багатообіцяючі та захоплюючі наслідки. ШІ переходить до розподіленої архітектури, що впливає на периферійні пристрої, на яких збираються дані. Багато компаній інвестують та вивчають рішення, орієнтовані на ШІ, та шукають партнерів для роботи в цьому процесі. Рішення на основі штучного інтелекту в галузі безпеки не будуть універсальними і вимагатимуть команди, яка добре знається на структурах штучного інтелекту.
Ці команди повинні бути готові заперечувати умовності та ставити складні питання, щоб розібратися в корені проблеми, перш ніж створювати рішення на основі ШІ. З урахуванням останніх досягнень та нових можливостей немає сумнівів у тому, що інновації в галузі ШІ зростатимуть експоненційно найближчими роками — і ці інновації перетворять галузь безпеки та перевизначать майбутнє громадської безпеки, операційної продуктивності та бізнес-аналітики.
Читайте інші цікаві статті про системи безпеки:
Як технології контролю доступу можуть зробити комерційні приміщення орієнтованими на майбутнє?
