Τεχνητή νοημοσύνη στις σύγχρονες κάμερες

Οι εξελίξεις γύρω από την τεχνητή νοημοσύνη είναι ραγδαίες και αυτός είναι ίσως ένας από τους κυριότερους λόγους που για κάποιους η τεχνητή νοημοσύνη είναι κάτι συναρπαστικό, ενώ για άλλους δυνητικά ανησυχητικό. Εστιάζοντας στην τεχνητή νοημοσύνη ή πιο συγκεκριμένα, στα υποσύνολα της τεχνητής νοημοσύνης, που είναι γνωστά ως μηχανική και βαθιά μάθηση, τα αποτελέσματα μπορούν να αλλάξουν θεμελιωδώς την αξία των καμερών ασφαλείας.

Πριν από μερικά χρόνια, τότε δηλαδή που στην αγορά κυριαρχούσαν οι αναλογικές κάμερες, ο κλάδος της βιντεοεπιτήρησης θεωρούνταν από πολλούς ως μία δαπάνη τόσο συνηθισμένη όσο η τοποθέτηση των παραθύρων σε ένα σπίτι. Σε αντίθεση με τα παράθυρα, οι σύγχρονες αναλογικές και IP κάμερες έχουν αλλάξει τόσο πολύ, που πέρα από την αρχική τους δουλειά, που δεν ήταν άλλη από την καταγραφή γεγονότων, έχουν εξελιχθεί χάρη στην τεχνητή νοημοσύνη σε έξυπνες συσκευές που μπορούν να ανιχνεύσουν και να περιγράψουν αντικείμενα και συμπεριφορές με μεγάλη λεπτομέρεια.

Οι σύγχρονες κάμερες ασφαλείας, που βασίζονται σε αλγόριθμους τεχνητής νοημοσύνης, δίνουν τη δυνατότητα στις επιχειρήσεις και τους μεγάλους οργανισμούς να αλλάξουν τον στρατηγικό τους σχεδιασμό, αφού από απλές συσκευές που καταγράφουν βίντεο 24 ώρες το 24ωρο, έχουν πραγματικά εξελιχθεί σε προληπτικά – αποτρεπτικά μέσα βιντεοεπιτήρησης για την αντιμετώπιση έκτακτων καταστάσεων σε πραγματικό χρόνο. Σήμερα, ακούμε συχνά για κάμερες με ενσωματωμένα Video Analytics και κάμερες με αλγόριθμους τεχνητής νοημοσύνης και αυτό που πρέπει να αναρωτηθούμε είναι αν μιλάμε για το ίδιο ακριβώς πράγμα.

Τεχνητή νοημοσύνη και Video Analytics: Ποια η διαφορά;

Στον κόσμο της βιντεοεπιτήρησης, η τεχνητή νοημοσύνη και τα VA χρησιμοποιούνται από πολλούς για να περιγράψουν το ίδιο πράγμα, γεγονός που μπορεί να οδηγήσει σε σύγχυση. Η τεχνητή νοημοσύνη ή πιο συγκεκριμένα η βαθιά μάθηση χρησιμοποιείται για την οπτική ανίχνευση αντικειμένων εντός του οπτικού πεδίου μίας κάμερας.

Μία κάμερα βασισμένη σε τεχνητή νοημοσύνη έχει εκπαιδευτεί σε εργαστήριο έρευνας και ανάπτυξης, ώστε να αναγνωρίζει ένα άτομο ή ένα όχημα, ενώ ταυτόχρονα καταγράφει ένα σύνολο χαρακτηριστικών ή ιδιοτήτων καθοριστικής σημασίας για το αντικείμενο αναφοράς. Τα χαρακτηριστικά αυτά μπορεί να περιλαμβάνουν το χρώμα των ρούχων, την κατά προσέγγιση ηλικία, το φύλο και πρόσθετα αντικείμενα που μπορεί να φορεθούν ή να μεταφερθούν, όπως καπέλα, τσάντες κ.λπ.

Και κάπου εκεί εμφανίζονται τα Video Analytics για να καθορίσουν το τι ακριβώς κάνει το αντικείμενο αναφοράς που επιτηρεί μία κάμερα: Έχει περάσει γραμμή σχεδιασμένη από εμάς ή μπήκε σε απαγορευμένη ζώνη; Είναι ένα άτομο που απλά περιπλανιέται ή προσπαθεί να εισέλθει σε μία περίμετρο όπου απαγορεύεται ρητά η είσοδος; Τα παραδείγματα είναι πολλά και η καταμέτρηση ανθρώπων είναι ακόμα ένα.

Αυτές οι συμπεριφορές, στη συνέχεια, μετατρέπονται σε δεδομένα που ταξιδεύουν με το βίντεο, κάνοντας την αναζήτηση αντικειμένων (με συγκεκριμένα χαρακτηριστικά) πιο εύκολη για τους χειριστές. Εάν είναι επιθυμητό, τα VA μπορούν να ενεργοποιήσουν συναγερμούς ή ειδοποιήσεις που αποστέλλονται στην ομάδα security, η οποία επίσης επιτηρεί τον χώρο. Συνοψίζοντας, στην πιο βασική τους μορφή, οι αλγόριθμοι μηχανικής και βαθιάς μάθησης (γνωστοί και ως AI) εντοπίζουν και περιγράφουν αντικείμενα αναφοράς, ενώ τα αναλυτικά στοιχεία αναλύουν τι κάνουν τα αντικείμενα αυτά και αναφέρουν πληροφορίες για αυτά.

Βαθιά μάθηση και εξαγωγή δεδομένων από εικόνες

Όταν μιλάμε για τεχνητή νοημοσύνη στη βιομηχανία φυσικής ασφάλειας, συνήθως μιλάμε για ένα υποσύνολο του ευρύτερου πεδίου της τεχνητής νοημοσύνης. Η μηχανική μάθηση και η βαθιά μάθηση είναι και οι δύο όροι ή τεχνικές που επιτρέπουν στους υπολογιστές να μαθαίνουν χωρίς να είναι «ρητά» προγραμματισμένοι.

Η μηχανική μάθηση είναι ένας ευρύς όρος που περιλαμβάνει κάθε τύπο τεχνητής νοημοσύνης που μαθαίνει από δεδομένα, ενώ η βαθιά μάθηση είναι ένα υποσύνολο της μηχανικής μάθησης που χρησιμοποιεί τεχνητά νευρωνικά δίκτυα για να μάθει από δεδομένα. Τα τεχνητά νευρωνικά δίκτυα είναι εμπνευσμένα από τον ανθρώπινο εγκέφαλο και μπορούν να χρησιμοποιηθούν για την εκτέλεση μεγάλης ποικιλίας εργασιών, όπως η αναγνώριση εικόνας, η επεξεργασία φυσικής γλώσσας, π.χ. το γνωστό σήμερα ChatGPT, η αναγνώριση ομιλίας και πολλά ακόμα.

Ένα από τα βασικά πλεονεκτήματα της βαθιάς μάθησης είναι ότι μπορεί να μάθει και να επεξεργάζεται μεγάλες ποσότητες δεδομένων. Ένα απλό βίντεο αντιπροσωπεύει δεκάδες δεδομένα. Στον τομέα της τεχνητής νοημοσύνης, το βίντεο αναφέρεται συχνά ως μη δομημένα δεδομένα (εικόνες, ήχος) έναντι δομημένων δεδομένων (αριθμητικά) που είναι πιο οργανωμένα και πιο εύκολα στην ανάλυση.

Για τους αλγόριθμους βαθιάς μάθησης, τα μη δομημένα δεδομένα είναι πολύ πιο δύσκολα στην επεξεργασία, ωστόσο, οι εν λόγω αλγόριθμοι μπορούν να τα καταφέρουν εκπληκτικά στην αναγνώριση εικόνας, όταν εκπαιδεύονται αρκετά. Αυτό συμβαίνει επειδή τα τεχνητά νευρωνικά δίκτυα μπορούν να μάθουν πολύπλοκα μοτίβα σε δεδομένα που θα ήταν δύσκολο να μάθουν οι παραδοσιακοί αλγόριθμοι μηχανικής μάθησης.

Η μηχανική μάθηση έχει αναπτυχθεί με βάση την ικανότητα χρήσης των υπολογιστών να ανιχνεύουν τα δεδομένα για ένα αντικείμενο, ακόμα και αν δεν έχουμε μια θεωρία για το πώς μοιάζει το αντικείμενο αυτό. Επειδή χρησιμοποιεί συχνά μια επαναληπτική προσέγγιση για να μάθει από τα δεδομένα, η μηχανική μάθηση μπορεί εύκολα να αυτοματοποιηθεί και επαναλαμβάνεται έως ότου βρεθεί ένα ισχυρό πρότυπο.

Πού θα συναντήσουμε τη μηχανική μάθηση; Οι περισσότερες βιομηχανίες που επεξεργάζονται μεγάλες ποσότητες δεδομένων, αναγνωρίζουν την αξία της τεχνολογίας της μηχανικής μάθησης. Με τη συλλογή πληροφοριών από αυτά τα δεδομένα που πραγματοποιείται συχνά σε πραγματικό χρόνο, οι οργανισμοί μπορούν να εργάζονται πιο αποτελεσματικά ή να αποκτούν πλεονέκτημα έναντι των ανταγωνιστών τους. Έτσι, την εν λόγω τεχνολογία θα τη συναντήσουμε σε χρηματοπιστωτικές υπηρεσίες, όπου οι τράπεζες και άλλες επιχειρήσεις του χρηματοοικονομικού κλάδου χρησιμοποιούν τεχνολογία μηχανικής μάθησης για δύο βασικούς σκοπούς: τον εντοπισμό σημαντικών πληροφοριών σχετικά με τα δεδομένα και την πρόληψη μίας απάτης.

Επίσης, η μηχανική μάθηση είναι μια ταχέως αναπτυσσόμενη τάση στον κλάδο της υγειονομικής περίθαλψης, χάρη στην εμφάνιση φορητών συσκευών και αισθητήρων που μπορούν να χρησιμοποιούν δεδομένα για την αξιολόγηση της υγείας ενός ασθενούς σε πραγματικό χρόνο. Η τεχνολογία μπορεί επίσης να βοηθήσει τους ειδικούς της ιατρικής να αναλύουν δεδομένα για τον εντοπισμό τάσεων ή «κόκκινων σημείων» που μπορεί να οδηγήσουν σε βελτιωμένες διαγνώσεις και θεραπεία. Άλλες εφαρμογές της εν λόγω τεχνολογίας θα συναντήσουμε σε βιομηχανικές και κυβερνητικές εγκαταστάσεις, στο λιανεμπόριο, στις μεταφορές κ.λπ.

Επιτυγχάνοντας περισσότερα με λιγότερα

Η βαθιά μάθηση έχει επιτρέψει στις ομάδες ασφαλείας σε όλο τον κόσμο να είναι σε θέση να κάνουν αποδοτικότερα τη δουλειά τους, ακόμα και όταν οι διαθέσιμοι πόροι είναι περιορισμένοι. Η χρήση μίας και μόνο κάμερας με αναγνώριση αντικειμένων μπορεί από μόνη της να είναι αρκετή για τη διαλεύκανση μίας υπόθεσης, π.χ. ενός ατυχήματος. Η τεράστια ζήτηση στον κλάδο της ασφάλειας για μία τεχνολογία, όπως αυτή της μηχανικής μάθησης και της τεχνητής νοημοσύνης, ήταν αποτέλεσμα της περιορισμένης ικανότητας του ανθρώπου να παρακολουθεί με προσοχή ταυτόχρονα «ζωντανά» πλάνα από διαφορετικές κάμερες, 24 ώρες το 24ωρο. Το ίδιο ακριβώς συμβαίνει και κατά τη διαδικασία αναζήτησης πλάνων, καθώς η τεχνολογία αυτή γλιτώνει τον εκάστοτε χειριστή από αμέτρητες ώρες αναζήτησης.

Deep Learning για βελτίωση της εικόνας

Τα οφέλη της βαθιάς μάθησης είναι αμέτρητα για την ανάλυση βίντεο, ωστόσο οι αλγόριθμοι αυτοί χρησιμοποιούνται επίσης και για τη βελτίωση της ποιότητας της εικόνας και τη μείωση του εύρους ζώνης του δικτύου. Για παράδειγμα, η βαθιά μάθηση μπορεί να ενημερώσει το σύστημα επεξεργασίας εικόνας σε μια κάμερα σχετικά με το ποια pixels αντιπροσωπεύουν ένα άτομο ή ένα όχημα σε κίνηση. Με αυτόν τον τρόπο, μια κάμερα μπορεί να μειώσει αυτόματα τον θόρυβο σε συνθήκες χαμηλού φωτισμού γύρω από ένα κινούμενο αντικείμενο χωρίς να επηρεάζει άλλα στατικά αντικείμενα ή το φόντο της εικόνας.

Ομοίως, το να γνωρίζει ποια pixels αντιπροσωπεύουν ένα γνωστό αντικείμενο μπορεί να βοηθήσει τον αλγόριθμο βίντεο να δώσει προτεραιότητα σε αυτά τα εικονοστοιχεία έναντι της εικόνας φόντου, μία ίσως από τις σημαντικότερες λειτουργίες / τεχνικές σήμερα. Αυτό βελτιώνει την αποτελεσματικότητα της κωδικοποίησης και εξοικονομεί πολύτιμο εύρος ζώνης δικτύου και κόστους αποθήκευσης χωρίς να θυσιάζεται η ποιότητα.

Πέρα από την ασφάλεια

Ενώ τα πλεονεκτήματα της βαθιάς μάθησης στην αγορά φυσικής ασφάλειας είναι εύκολα κατανοητά, οι κάμερες παρακολούθησης χρησιμοποιούνται επίσης από οργανισμούς για την ανάλυση βίντεο και την εξαγωγή σημαντικών πληροφοριών σχετικά με τις πωλήσεις σε καταστήματα λιανικής. Χρησιμοποιώντας αλγόριθμους βαθιάς μάθησης για την ανάλυση πλάνων βίντεο σε πραγματικό χρόνο, οι επιχειρήσεις μπορούν να εξάγουν δεδομένα συμπεριφοράς πελατών και να εντοπίσουν τις προτιμήσεις τους, μέσω χαρτών θερμότητας.

Με τη συλλογή και την ανάλυση αυτών των δεδομένων, οι οργανισμοί μπορούν να βελτιώσουν τις λειτουργίες τους, να βελτιστοποιήσουν τη διάταξη των καταστημάτων τους και να βελτιώσουν την αγοραστική εμπειρία των πελατών τους. Για παράδειγμα, οι έμποροι λιανικής μπορούν να χρησιμοποιήσουν τα VA και την τεχνητή νοημοσύνη για να εντοπίσουν τις δημοφιλέστερες περιοχές εντός του καταστήματος, αλλά και αυτές με τη μικρότερη επισκεψιμότητα, ώστε να αλλάξουν τη στρατηγική τους και να αυξήσουν σε βάθος χρόνου τις πωλήσεις τους.

Καθώς η τεχνολογία βαθιάς μάθησης συνεχίζει να αναπτύσσεται γρήγορα, είναι βέβαιο ότι θα δούμε ακόμη πιο καινοτόμες και ισχυρές εφαρμογές στην ασφάλεια. Οι ευκαιρίες και οι εφαρμογές που ξεκλειδώνονται από αυτό το εντυπωσιακά έξυπνο εργαλείο περιορίζονται μόνο από τη φαντασία μας.