Все технологические отрасли говорят о преимуществах искусственного интеллекта. Искусственный интеллект — это больше, чем модное слово, он рекламируется как панацея, но в то же время его часто неправильно понимают те, кто может извлечь из него наибольшую пользу. ИИ может означать разные вещи для разных людей, и есть масса аспектов, которые применимы ко всем дисциплинам. Способность машины «учиться» на представленных данных лежит в основе всех сценариев использования ИИ. Термин «машинное обучение» происходит от этой самой основной идеи. Deep learning, подмножество машинного обучения, основано на нейронных сетях и часто используется для анализа и сравнения данных изображений. Проблема заключается в том, как продуктивно использовать эти дисциплины искусственного интеллекта для лучшей защиты людей и активов. Помимо безопасности, пора посмотреть, как данные с интеллектуальных камер видеонаблюдения могут быть использованы для положительного воздействия на операции в организации.
Изменение камер видеонаблюдения
Традиционные цифровые камеры видеонаблюдения не распознают объекты, которые снимают. Они просто слепо записывают пиксели на диск. С помощью видеоаналитики, если датчик камеры обнаруживает движение в этих пикселях, он может разместить закладку в записи или отправить предупреждение. Любой, кто пробовал использовать традиционную аналитику движения, знает, что она склонна к ложным срабатываниям сигнализации. В зависимости от установки событие движения запускается чем-то столь же обыденным, как тень от проходящего облака. По этой причине многие специалисты по безопасности избегали использования видеоаналитики во всех случаях, кроме наиболее контролируемых, или в качестве указателя того, где событие «могло» произойти.
Используя алгоритмы Deep learning, возможно научить датчик видеокамеры определять объекты и их уникальные характеристики. Это сложный процесс обучения алгоритма машинного обучения, и для его точности могут потребоваться сотни тысяч изображений. Алгоритмам также нужно сообщать, когда что-то идет не так. Также важно помнить, что отличает сегодняшние технологии от настоящего ИИ то, что алгоритмы машинного обучения и глубокого обучения не могут изучать новые вещи сами по себе.
Современные IP камеры видеонаблюдения на основе ИИ могут надежно идентифицировать такие объекты, как автомобиль, грузовик, велосипед, номерной знак или человека на изображении. Они также могут различать уникальные атрибуты этих объектов, такие как цвет, наличие номерного знака или лица. Благодаря достижениям в области глубокого обучения эти устройства эволюционировали от захвата изображений до высокоточных инструментов для сбора данных. Они подключены к сети и действительно являются частью более широкого мира IoT-устройств, которые нас окружают. С их бесчисленным новым потенциалом защиты и информирования пришло время по-другому подумать о ценности, которую эти устройства могут принести организации.
Преимущества интеллектуальных видеокамер для безопасности
Наиболее распространенным применением комплектов видеонаблюдения на базе искусственного интеллекта сегодня считается расширение возможностей традиционной аналитики движения. ИИ становится мощным двигателем, когда используется для устранения ложных срабатываний от теней, листвы или животных, запуская аналитику только при обнаружении объекта правильного типа, такого как человек или транспортное средство. Планка поднимается еще выше, когда глубоко интегрированное решение ИИ позволяет использовать дополнительные параметры поиска описательных метаданных для ускорения судебно-медицинских расследований, таких как поиск цвета одежды, или если у объекта есть сумка, очки или шляпа.
Искусственный интеллект представляет собой идеальное решение для компенсации беспилотных сред, условий с ограниченным персоналом или при потере бдительности после слишком долгого просмотра монитора. Искусственный интеллект может помочь пользователям не только постоянно наблюдать, но и снабжать системы безопасности, способные сортировать, организовывать и классифицировать огромные объемы данных так, как это не могут сделать люди-операторы. Он может делать это гораздо надежнее, чем когда-либо делало традиционное программное обеспечение с видеоаналитикой.
Когда дело доходит до защиты активов и людей, оповещения в текущем времени, генерируемые ПО для видеонаблюдения (VMS), позволяют группам безопасности действовать более активно, чем реагировать на события, разворачивающиеся в текущем времени. Поскольку аналитика на основе искусственного интеллекта устраняет ложные срабатывания сигнализации, они могут более точно определять инциденты, требующие дальнейшего расследования операторами. Благодаря дополнительным данным, которые могут захватывать уличные и внутренние камеры на базе искусственного интеллекта, аналитические правила могут быть усовершенствованы с помощью более сложной логики и настройки именно для того, что требуется конечному пользователю. Например, пользователь может указать камере игнорировать все машины, но предупреждать, когда человек подходит к двери. ИИ может помочь подсчитывать такие объекты, как люди или автомобили, точнее, чем прежде. Это включает в себя возможность точно подсчитывать объекты, даже когда они частично «закрываются» или проходят друг перед другом. Это ключевой момент, поскольку позволяет использовать такие варианты, как подсчет людей с более разумных углов обзора видеокамеры. Это намного превосходит обычные методы подсчета людей, которые требуют просмотра сверху вниз, чтобы избежать загораживания, и дают менее полезный вид камеры, когда пользователь желает идентифицировать лица.
Судебная экспертиза после события
Когда дело доходит до судебно-медицинской экспертизы после событий, камеры видеонаблюдения на базе искусственного интеллекта находятся в особой лиге. Дополнительные описательные метаданные об объектах фиксируются в каждом кадре. Поскольку метаданные имеют небольшой размер, они очень мало добавляют к общим требованиям пропускной способности и хранилищу.
Метаданные, которые могут включать в себя описательные характеристики объектов, такие как цвет рубашки или брюк человека или их приблизительный возраст и пол, позволяют оператору VMS быстро осуществлять поиск по видео, чтобы найти конкретный объект или человека. Поиск, на выполнение которого сотрудникам службы безопасности могли бы потребоваться часы или дни, теперь занимает всего несколько секунд, если включает дополнительные метаданные, предоставленные интеллектуальной системой видеонаблюдения.
За пределами безопасности
Хотя подсчет людей, тепловые карты и аналитика управления очередями существуют уже некоторое время, они тоже подвержены неточностям, присущим пиксельному обнаружению движения. И наоборот, обнаружение объектов на основе искусственного интеллекта предоставляет чрезвычайно точные данные и показатели для операционных, торговых и маркетинговых команд, которые хотят получить представление обо всем, от производительности магазина розничной торговли до обеспечения продуктивности процессов и соответствия требованиям. В результате эти комплекты видеонаблюдения стали незаменимым инструментом для ведения бизнеса. В зависимости от бизнеса предложение ценности таких данных может изменить правила игры, во много раз превышая стоимость системы безопасности.
Для клиентов, которым требуется более сложный анализ данных, метаданные IP камеры видеонаблюдения доступны и объединяются с другими данными. Он обрабатывается другими платформами для сложной визуализации и интеллектуального анализа данных. Это позволяет технологическим партнерам получать доступ к агрегированным данным в их собственных диаграммах, графиках и отчетах об исключениях, основанных на специализированном программном обеспечении, которое они, возможно, уже используют. Существуют знакомые варианты использования, охватывающие несколько отраслей, которые требуют связывания данных из систем контроля доступа, охранных датчиков, систем точек продаж, данных о персонале и многих других источников данных. Потенциал использования этих унифицированных данных для создания комплексных бизнес-решений весьма значителен.
Поскольку видеокамеры уже получили широкое распространение и стали обычным явлением, возможности их превращения в ненавязчивые, важные инструменты сбора данных для бизнес-аналитики и оперативной аналитики будут только расти. Операционные и маркетинговые отделы также могут найти точки соприкосновения при составлении бюджета для технологии, которая может удовлетворить потребности обоих отделов.
Преимущества периферийного ИИ
Видеоаналитика на основе ИИ может выполняться на периферии или на сервере, но каждый метод развертывания имеет важные аспекты, которые следует учитывать. Когда ИИ находится на переднем крае, ценные события и другие метаданные, генерируемые камерой видеонаблюдения, должны собираться со многих конечных точек, и эти данные должны быть агрегированы вместе, чтобы обеспечить четкую визуализацию выявленных тенденций и аномалий. Это можно сделать на легком локальном сервере, на котором также работает VMS. Выполнение аналитики ИИ на камере значительно снижает общую стоимость эквивалентных серверных ресурсов, поскольку осуществляется до сжатия и потоковой передачи видео.
Запуск искусственного интеллекта на сервере требует, чтобы сначала был декодирован видеопоток, что требует ресурсов, которые могут резко масштабироваться по мере увеличения количества потоков. В то время как мощность сервера намного превышает возможности камеры, есть точка уменьшения отдачи, когда пользователь выбирает на сервере все, кроме самой требовательной обработки. По этой причине гибридный подход, при котором аналитика ИИ выполняется на периферии, а результаты облегченных данных отправляются на недорогой сервер или рабочую станцию для агрегирования и отображения, в течение некоторого времени будет оставаться популярным выбором.
Читайте другие интересные статьи о системах безопасности:
