Искусственный интеллект (ИИ) существует с 1950-х годов, когда ученые и математики по сути хотели узнать, могут ли они заставить машины думать так как люди. Со времени появления этих ранних представлений об ИИ технологии развивались постепенно. Однако за последнее десятилетие в области ИИ произошел весомый прорыв, который ускорился цифровизацией, что привела к появлению большего количества данных для анализа и улучшению результатов. Справедливо сказать, что по мере того, как технологии продолжают развиваться, влияние ИИ будет ощущаться во всех отраслях, особенно в сегменте систем безопасности, и предоставит беспрецедентные возможности для решения реальных проблем.

Оборудование обеспечивает больше вычислительной мощности

Совсем недавно инновации в области аппаратного обеспечения увеличили вычислительную мощность и создали больше приложений, связанных с ИИ. Подумайте об этом: переход от центральных процессоров (ЦП) к графическим процессорам (ГП), а теперь и к специализированным интегральным схемам (ASIC), идет полным ходом и быстро развивается.

Переход от центральных процессоров к графическим процессорам привел к повышению эффективности и развитию параллельной обработки, а переход на специализированные ASIC, специально разработанные для ускорения методов искусственного интеллекта в глубоком обучении (DL), открыл двери для решений локальных и периферийных устройств. В результате многие отрасли теперь начинают осознавать важность как аппаратного, так и программного обеспечения при применении ИИ в более реальных случаях использования.

От процессоров, графических процессоров и ASIC до DLPU и SOC (система на кристалле) ИИ меняет подход многих производителей устройств к дизайну и функциональности будущих устройств. Несмотря на то, что ИИ существует уже много десятилетий, его недавние достижения позволили техническому сообществу оптимизировать вычислительную мощность, необходимую для ИИ и его методов, в том числе:

  • Машинное обучение (МО) — подмножество ИИ, которое использует фундаментальные познания и действенные инструменты, алгоритмы для решения основных проблем путем выявления закономерностей для получения высоконадежных прогнозов, что приводит к принятию решений с минимальным вмешательством человека.
  • Глубокое обучение (ГО) — подмножество машинного обучения, в котором используются алгоритмы, основанные на моделируемых нейронных сетях, вдохновленных способом обучения людей (и обученным на огромном количестве входных данных) для обеспечения более точных результатов.
  • Нейронные сети (NNET) или искусственные нейронные сети (ИНС) являются ядром алгоритмов ГО, структура которых предназначена для моделирования работы человеческого мозга и его нейронов с целью обработки и распознавания взаимосвязей между данными.

Возможности в реальном мире

Итак, каков следующий шаг для ИИ? Общая цель — коммерциализация технологий искусственного интеллекта. Данные, необходимые для ИИ, начинаются на периферии с устройств для сбора и обработки этих данных в информацию.

Миллиарды устройств, соединенных между собой в частных и общедоступных сетях, уже существуют (и каждый день в сеть добавляется все больше), что дает огромные возможности, когда дело доходит до разработки коммерческих продуктов на базе локальных и периферийных устройств. Тем не менее чтобы добиться успеха, компаниям необходимо адаптироваться к постоянно развивающейся структуре искусственного интеллекта. Проблема для большинства компаний заключается в том, как применить ИИ в реальной среде, чтобы решить проблему. Более того, способность решать реальные проблемы требует большого количества данных — качественных данных.

Подход к сбору качественных данных должен быть методичным и содержательным, поэтому перед запуском процесса нужно пройти немного. Соответственно, на начальных этапах ему требуется эксперт, который может изучить проблему, задать правильные вопросы и разобраться в корне проблемы, прежде чем правильно разработать решение на основе ИИ. Конечно, визуальные данные в IP камерах видеонаблюдения необходимы ИИ, чтобы учиться. После определения надежной методологии и сбора качественных визуальных данных по-прежнему остается огромная задача организовать и пометить данные при применении методов МО и ГО. Потребности в вычислительной мощности увеличиваются, особенно при переходе от методов МО к методам ГО в процессе обучения. После того как модель МО / ГО обучена и готова к выполнению, вычислительная мощность на периферии также играет важную роль. Блоки обработки данных глубокого обучения (DLPU) в современных высокопроизводительных камерах видеонаблюдения обеспечивают большие преимущества при переходе от машинного обучения к глубокому обучению.

Моделирование и результаты качества данных

Важно помнить, что для изучения машинного и глубокого обучения требуются сотни тысяч, если не миллионы наборов данных. В конечном итоге результат в ГО настолько хорош, насколько хороши данные, которым обучается алгоритм. Обучение модели искусственного интеллекта для правильного вывода эффективного результата утомительно и требует большого взаимодействия с человеком для проверки и повторного тестирования результатов. Фактически, реальные ситуации необходимы для тренировок, поэтому эти упражнения нельзя выполнять в вакууме. Уличные IP камеры городского видеонаблюдения считаются идеальными исходными данными и предлагают ценную информацию, поскольку предоставляют различные точки зрения, уникальные среды и новые неструктурированные наборы данных, на которых не основаны многие существующие модели искусственного интеллекта.

Хотя машинное обучение эффективно, поскольку его алгоритмы хороши для анализа структурированных данных, оно неэффективно при обработке неструктурированных данных. Таким образом, поскольку ИИ стремится выполнять более сложный анализ неструктурированных данных, глубокое обучение с его алгоритмами, основанными на моделируемых нейронных сетях, более способно. Визуальные данные, включая необработанные визуальные данные в компьютерном зрении и закодированные изображения или видео в форматах JPEG и H.264 / 265, являются неструктурированными данными и невероятно ценны для глубокого обучения. Как мы знаем, индустрия безопасности в целом представляет изобилие визуальных данных в реальных сценариях использования — данных, которые, несомненно, будут способствовать развитию глубокого обучения в ближайшие несколько лет.

Установка ожиданий

Несмотря на многообещающие достижения в области искусственного интеллекта, важно определить, что ИИ может и чего не может. Например, многие аналитики используют классификацию изображений с комплектов видеонаблюдения для обнаружения людей и транспортных средств, но это не означает фактического понимания сцены. Визуальное понимание по-прежнему является очень сложной задачей, и в настоящее время не хватает реальных данных и применимого обучения, чтобы позволить решению на основе ИИ полностью понять сцену. Кроме того, лучшая видеоаналитика на основе искусственного интеллекта не способна прочитать поведение человека. Эмоциональная дифференциация, такая как юмор — это то, что решение на основе ИИ не может определить или вывести. В сцене, где собирается толпа, интеллектуальное ПО для видеонаблюдения с видеоаналитикой не может понять, является ли событие опасным или мирным.

Очевидно, что перед отраслью видеонаблюдения по-прежнему стоит ряд сложных вопросов, когда речь идет о реальных приложениях и возможных решениях искусственного интеллекта для пользователей. По этим причинам видеоаналитика, используемая в индустрии безопасности, требует определенного взаимодействия и суждения человека. В дополнение к этим соображениям существуют уязвимости при манипулировании данными нейронных сетей, которые могут привести к тому, что ИИ будет выдавать неточные результаты. Например, вы не можете полностью понять сцену на уровне одного пикселя, поэтому с технологической точки зрения еще предстоит проделать существенную работу.

Этот факт также можно проиллюстрировать динамической природой изображений, снятых на IP-видеокамеру — в сцене, где освещение непостоянно, резкие тени могут вызвать изменения на уровне пикселей, которые влияют на классификацию изображения или объекта. При этом сообщество разработчиков ИИ растет, и они вместе со своими партнерами делают большие успехи.

Возможности на завтра

Нет сомнений в том, что классификация изображений в применениях безопасности развивается вместе с искусственным интеллектом. Переход от пиксельных алгоритмов при обнаружении движения на видео к моделям МО и ГО, которые могут классифицировать людей и транспортные средства — это начало. Более того, сокращение количества ложных срабатываний охранной сигнализации можно объяснить улучшением многих моделей ГО с помощью реальных данных.

Устройства с настраиваемыми ASIC, DLPU или SOC, разработанными и оптимизированными для DL, обеспечат преимущества на периферии. Периферийные устройства с аппаратным ускорением для машинного обучения или ГО обеспечат лучшую производительность. По мере того как ИИ становится все более популярным, проекты с открытым исходным кодом будут стимулировать рост периферийной обработки наряду с некоторыми проприетарными технологиями, связанными с глубоким обучением. Например, Tensor Processing Unit или TPU от Google — это ASIC-ускоритель ИИ, который был разработан в 2015 году специально для NNET Machine Learning.

Компания Google открыла лицензионную доступность TPU для третьих сторон в 2018 году, чтобы еще больше продвинуть внедрение ГО среди других производителей оборудования. Их Edge TPU был разработан с учетом низкого энергопотребления — 2 Вт, по сравнению с их серверными TPU. Edge TPU в его текущем поколении может обрабатывать 4 триллиона операций в секунду и предлагает альтернативу машинному обучению с ускорением на GPU. Это всего лишь один пример инноваций в аппаратном ускорении ГО, которые могут привести к прорыву в области искусственного интеллекта и периферийных вычислительных устройств, обрабатывающих изображения в текущем времени. Будущее ГО на периферийных устройствах будет зависеть от того, насколько действенно будут реализованы схемы ASIC, DLPU или SOC.

Переопределение будущего

Искусственный интеллект уже начал влиять на индустрию безопасности, и это имеет многообещающие и захватывающие последствия. ИИ переходит к распределенной архитектуре, что напрямую влияет на периферийные устройства, на которых собираются данные. Многие компании инвестируют и изучают решения, ориентированные на ИИ, и ищут партнеров для работы в этом процессе. Решения на основе искусственного интеллекта в отрасли безопасности не будут универсальными и потребуют команды, хорошо разбирающейся в структурах искусственного интеллекта.

Эти команды должны быть готовы оспаривать условности и задавать сложные вопросы, чтобы разобраться в корне проблемы, прежде чем создавать решение на основе ИИ. С учетом последних достижений и новых возможностей нет сомнений в том, что инновации в области ИИ будут расти экспоненциально в ближайшие годы — и эти инновации преобразуют отрасль безопасности и переопределят будущее общественной безопасности, операционной производительности и бизнес-аналитики.

Читайте другие интересные статьи о системах безопасности:

Как технологии контроля доступа могут сделать коммерческие помещения ориентированными на будущее?

Три причины использовать Dahua ANPR 2.0 на стоянках