Обнаружение сценариев высокого риска до их эскалации считается первостепенной причиной развития искусственного интеллекта для систем безопасности. С технологиями искусственного интеллекта пользователи, внедряющие решения видеонаблюдения, могут выйти за рамки традиционного мониторинга, чтобы использовать каждый доступный видеокадр и фрагмент данных для выявления угроз и информирования о чрезвычайных ситуациях. ИИ — технология, которая все еще развивается, однако ее преимущества направлены на минимизацию рисков, максимальное предупреждение преступности и спасение жизней.
Прежде видеоматериалы в течение короткого времени архивировались, а затем перезаписывались. Сегодня сегменты ИИ (такие, как видеоаналитика, машинное обучение и Deep learning), используют большие объемы данных, генерируемых экосистемами Интернета вещей, для различения весомых шаблонов в наборах данных, которые затем преобразуются в идеи, что поддерживают стратегии сдерживания преступности. Эта технология обеспечивает целостное представление информации, соединяя отдельные точки данных, чтобы описать происходящее, и быстро выявлять ситуации высокого риска до их эскалации.
Растущий спрос
Общий рынок видеоаналитики сегодня оценивается во всем мире в 3,2 миллиарда долларов и как сообщается в исследовании компании Brandessence Market Research, к 2023 году вырастет до 9 миллиардов долларов. Искусственный интеллект — уже не просто модное слово или тренд, ведь он становится неотъемлемым компонентом постоянно растущей сферы данных.
Вопреки распространенному мнению, ИИ не является исключительной собственностью таких разработчиков, как Google, Amazon или Apple, которые в весомой степени используют технологию для оптимизации распознавания речи и изображений, а также управления контентом. Растущие проблемы физической безопасности также стали катализатором стремительного роста искусственного интеллекта.
ПО для видеонаблюдения на основе ИИ также повышает производительность и позволяет компаниям получать информацию, не связанную с безопасностью. Например, на розничном рынке владельцы магазинов, использующие камеры видеонаблюдения с аналитикой, могут обнаружить воров в магазине и предупреждать сотрудников службы безопасности о проблеме в режиме текущего времени. Видеоаналитика в магазине может также измерять горячие точки, поток посетителей, время ожидания и востребованность продукта. Умные города также используют сети интеллектуальных датчиков для сбора данных и организации реакции уличных камер на инциденты по мере их развития, а также для улучшения таких процессов, как поток трафика.
Развитие поведенческой аналитики
Поведенческая аналитика, подмножество искусственного интеллекта, стала действенным инструментом. Собирая воедино появляющееся компьютерное оборудование, глубокое изучение и распространение данных, которые составляют сегодняшнюю область данных, поведенческая аналитика распознает опасные ситуации, основанные на обнаружении конкретных человеческих поз — возможно, поднятых рук кассира или человека, приседающего возле банкомата.
Поведенческую аналитику также можно использовать для обеспечения безопасности на рабочем месте, например, для отслеживания того, держатся ли сотрудники за поручни при использовании лестниц, и для отправки срочных оповещений о пострадавших людях. Некоторое программное обеспечение способно выявить предполагаемого злоумышленника в режиме текущего времени, передавая мгновенные оповещения службам быстрого реагирования, чтобы помочь минимизировать риски для людей.
Принятие поведенческой аналитики будет только расти в будущем. В то же время, поведенческая аналитика повысила осведомленность о значении систем эпиднадзора с использованием искусственного интеллекта и их преимущества для предприятий в нескольких отраслях.
Инфраструктура должна идти в ногу со временем
Поскольку ПО для видеонаблюдения с видеоаналитикой ставит решения по надзору на передний план выявления преступлений, хранилище данных и технологии, на которых основаны эти решения, должны работать на наивысшем уровне. Нейронные сети способны удовлетворить потребности объекта, изучая видеоматериалы, полученные на месте. Но ничто из этого обучения не может иметь место, если пропускная способность записи не очень надежна. Более того, ни одно из этих глубоких знаний не сможет принести пользу организации, если видеокадры будут отброшены из-за непродуктивных систем хранения.
Для того чтобы интеллектуальные комплекты видеонаблюдения с искусственным интеллектом бесперебойно функционировали, должна развиваться инфраструктура облачного хранения. Чтобы приспособиться к такому притоку видео и метаданных от ИИ видеонаблюдения, необходима новая архитектура, которая использует как граничные, так и облачные вычисления. Производители хранилищ называют эту конфигурацию IT 4.0.
Развертывание IP видеорегистраторов с поддержкой ИИ и устройств на граничных вычислениях, позволяет проводить первоначальный анализ на месте, ближайшему к зоне, где были впервые получены данные. Это уменьшает задержку и повышает продуктивность. Благодаря архитектуре IT 4.0, после того, как базовая обработка завершена, видео и данные передаются в централизованную среду для долгосрочного хранения и глубокого обучения.
Создание хранилища для размещения стандартных решений видеонаблюдения — это одно; однако создание хранилища для поддержки приложений больших данных, которые используют десятки IP камер видеонаблюдения высокого разрешения и одновременно обрабатывают события ИИ, — это совсем другое. Развернув детали до компонентов хранилища, интеграторам важно учитывать, как жесткие диски служат для работы устройств и серверов клиентов. Эти жесткие диски должны «записывать» большие объемы данных по мере того, как отснятый материал передается в облако, и «считывать» эти же данные в режиме текущего времени, чтобы обнаруживать, идентифицировать и предоставлять нужную информацию.
Рекомендуется, чтобы интеграторы заменяли стандартные жесткие диски, рассчитанные только на 40 часов в неделю, на жесткие диски, оптимизированные для видеонаблюдения, что рассчитаны на круглосуточную работу. Им также следует искать встроенное программное обеспечение для мониторинга работоспособности, чтобы любые проблемы, которые могут привести к потере данных, были определены до сбоя.
