Ο όρος τεχνητή νοημοσύνη αναφέρεται στον κλάδο της πληροφορικής, ο οποίος ασχολείται με τη σχεδίαση και την υλοποίηση υπολογιστικών συστημάτων που μιμούνται στοιχεία της ανθρώπινης συμπεριφοράς, τα οποία υπονοούν έστω και στοιχειώδη ευφυΐα: μάθηση, προσαρμοστικότητα, εξαγωγή συμπερασμάτων, κατανόηση από συμφραζόμενα, επίλυση προβλημάτων κλπ…
Ο όρος τεχνητή νοημοσύνη αναφέρεται στον κλάδο της πληροφορικής, ο οποίος ασχολείται με τη σχεδίαση και την υλοποίηση υπολογιστικών συστημάτων που μιμούνται στοιχεία της ανθρώπινης συμπεριφοράς, τα οποία υπονοούν έστω και στοιχειώδη ευφυΐα: μάθηση, προσαρμοστικότητα, εξαγωγή συμπερασμάτων, κατανόηση από συμφραζόμενα, επίλυση προβλημάτων κλπ.
Αναμφίβολα μία από τις μεγαλύτερες τάσεις στο κλάδο της ασφάλειας για το 2018, ήταν η τεχνητή νοημοσύνη. Η εν λόγω τεχνολογία, δεν είναι άγνωστη ή νέα στο τομέα της ασφάλειας και γενικότερα στο ευρύ κοινό, ωστόσο φέτος, έχουν περισσότερο από ποτέ καταλάβει την προσοχή της αγοράς λόγω διαφόρων παραγόντων.
Η αύξηση των δεδομένων ανάλυσης, η εμφάνιση συσκευών με υψηλή υπολογιστική ισχύ, καθώς και η υποδομή των δικτύων, οδήγησαν στη περαιτέρω ανάπτυξη αυτών των τεχνολογιών και έχουν προσελκύσει το ενδιαφέρον πολλών κατασκευαστών. Πως όμως λειτουργεί πραγματικά η τεχνητή νοημοσύνη στο κλάδο της βιντεοεπιτήρησης;
Όσο αφορά λοιπόν την επιτήρηση βίντεο, η τεχνητή νοημοσύνη χρησιμοποιεί προγράμματα ηλεκτρονικών υπολογιστών που αναλύουν τις εικόνες από κάμερες παρακολούθησης βίντεο, με κύριο στόχο την αναγνώριση ανθρώπων, οχημάτων και αντικειμένων (εικόνα 2). Οι κατασκευαστές προϊόντων ασφαλείας προγραμματίζουν το λογισμικό για να ορίσουν περιορισμούς μέσα στην κάμερα για μία περιοχή ανάλογα με την εκάστοτε εγκατάσταση (όπως μια περίφραξη, ένα παρκινγκ). Η τεχνητή νοημοσύνη (ΑΙ.) με τη σειρά της, στέλνει μια ειδοποίηση αν ανιχνεύσει έναν εισβολέα που παραβιάζει τον “κανόνα” (ο οποίος δεν επιτρέπει την πρόσβαση σε κανένα άτομο κατά τη διάρκεια της ημέρας). Σε αυτό φυσικά συμβάλει και η μηχανική όραση, μίας από τις κύριες λειτουργίες της ΑΙ.
Η μηχανική όραση αποτελείται από μία σειρά αλγορίθμων ή μαθηματικών διαδικασιών που λειτουργούν σαν ένα διάγραμμα ροής ή μια σειρά ερωτήσεων. Αυτή η «μαθηματική» διαδικασία συγκρίνει το αντικείμενο που βλέπει με εκατοντάδες χιλιάδες αποθηκευμένες εικόνες ανθρώπων σε διαφορετικές γωνίες, θέσεις και κινήσεις. Βάση των όσων έχει συλλέξει λοιπόν, «αναρωτιέται» αν το παρατηρούμενο αντικείμενο κινείται σαν τις εικόνες που έχει ήδη αποθηκευμένες στη βάση δεδομένων και αρχίζει τη σύγκριση. Συνδυάζοντας όλες τις παραμέτρους από τα διάφορα ερωτήματα, προκύπτει μια συνολική κατάταξη η οποία δίνει την πιθανότητα ότι το αντικείμενο είναι ή δεν είναι άνθρωπος. Εάν η τιμή υπερβαίνει ένα όριο που έχει οριστεί, τότε η ειδοποίηση αποστέλλεται.
Εκτός από τον απλό κανόνα που περιορίζει τους ανθρώπους ή τα οχήματα από ορισμένες περιοχές σε συγκεκριμένες ώρες της ημέρας, μπορούν να οριστούν και ακόμα πιο σύνθετοι κανόνες. Για παράδειγμα, ο χρήστης του συστήματος ενδέχεται να θέλει να μάθει αν σε μία περιοχή που είναι υπό επιτήρηση υπάρχουν περισσότερα από 2 ή 3 άτομα. Η ΤΝ είναι σε θέση να παίρνει υλικό από πολλές κάμερες ταυτόχρονα και μπορεί να εντοπίσει έναν παραβάτη ακόμα και κάτω από αντίξοες καιρικές συνθήκες. Αυτή η διαδικασία, υπερβαίνει κατά πολύ τις δυνατότητες του ανθρώπου.
Μία νεότερη μορφή η οποία βασίζεται στους κανόνες της τεχνητής νοημοσύνης και έχει αναπτυχθεί στο κλάδο της ασφάλειας, ακούει στο όνομα “behavioral analytics”. Αυτό το λογισμικό λειτουργεί λίγο διαφορετικά, καθώς είναι «αυτοδίδακτο», μαθαίνει δηλαδή τη συνηθισμένη συμπεριφορά των ανθρώπων, των οχημάτων, των μηχανών και του περιβάλλοντος βάσει της δικής του παρατήρησης, με αποτέλεσμα να μην παρεμβαίνει προγραμματιστής. Με άλλα λόγια τα behavioral analytics, ταξινομούν από μόνα τους τα αντικείμενα και τις διάφορες συμπεριφορές που παρατηρούν, δημιουργώντας έτσι ένα συγκεκριμένο μοτίβο, το οποίο όταν «σπάσει», στέλνουν ειδοποιήσεις. Για παράδειγμα, είναι φυσιολογικό τα αυτοκίνητα να οδηγούν στο δρόμο. Ένα αυτοκίνητο όμως που οδηγεί επάνω σε ένα πεζοδρόμιο δεν αποτελεί μία συνηθισμένη συμπεριφορά.
Γιατί τεχνητή νοημοσύνη;
Η τεράστια ζήτηση στο κλάδο της ασφάλειας για μία τεχνολογία όπως αυτή της τεχνητής νοημοσύνης, ήταν λόγω της περιορισμένης ικανότητας του ανθρώπου να παρακολουθεί με προσοχή ταυτόχρονα «ζωντανά» πλάνα από διαφορετικές κάμερες. Οι άνθρωποι που παρακολουθούν μια οθόνη βίντεο για περισσότερο από είκοσι λεπτά συνήθως χάνουν ορισμένες λεπτομέρειες, άρα και σημαντικά γεγονότα. Με δύο ή περισσότερες οθόνες, αναμφίβολα το έργο του υπεύθυνου ασφαλείας δυσκολεύει πιο πολύ. Το έργο ξεπερνάει τις ανθρώπινες δυνατότητες, δεδομένου ότι πολλές εγκαταστάσεις διαθέτουν δεκάδες ή και εκατοντάδες κάμερες. Σε γενικές γραμμές, η ζωντανή ροή από μία κάμερα που είναι εγκατεστημένη σε άδειους διαδρόμους, αποθηκευτικούς χώρους, χώρους στάθμευσης, μπορεί να είναι βαρετή σε πολλές περιπτώσεις, με αποτέλεσμα η προσοχή να εξασθενήσει. Σε αυτές τις περιπτώσεις είναι αδύνατο να εντοπιστεί ο παραβάτης ή ο δράστης επειδή η εικόνα τους είναι πολύ μικρή στη οθόνη.
Ποιες ήταν όμως οι λύσεις πριν την ενσωμάτωση της τεχνητής νοημοσύνης στα συστήματα βιντεοεπιτήρησης;
Η πρώτη λύση ήταν να προστεθούν ανιχνευτές κίνησης στις κάμερες ασφαλείας. Θεωρήθηκε ότι η κίνηση ενός εισβολέα ή ενός δράστη θα έστελνε μια ειδοποίηση στον απομακρυσμένο υπεύθυνο παρακολούθησης, παρακάμπτοντας έτσι την ανάγκη για συνεχή ανθρώπινη «επαγρύπνηση». Το πρόβλημα ωστόσο εντοπίστηκε στις κάμερες που ήταν τοποθετημένες σε εξωτερικό περιβάλλον, όπου υπάρχει συνεχής κίνηση και μεταβολή των εικονοστοιχείων. Η κίνηση των φύλλων από τα δέντρα, τα απορρίμματα στο έδαφος, τα έντομα, τα πουλιά, τα σκυλιά, οι σκιές, οι προβολείς, οι ηλιακές ακτίνες και ούτω καθεξής, αποτελούν κίνηση. Αυτό προκάλεσε εκατοντάδες ή και χιλιάδες ψευδείς ειδοποιήσεις, καθιστώντας τη λύση αυτή μη λειτουργική. Σε εσωτερικό περιβάλλον φυσικά και σε γραφεία για παράδειγμα όπου δεν υπήρχε κόσμος (εκτός ωραρίου), τα πράγματα μπορεί να ήταν λίγο διαφορετικά. Η επόμενη λύση ήταν η προηγμένη ανίχνευση κίνησης βίντεο. Αυτή η εξέλιξη μείωσε τις ψευδείς ειδοποιήσεις ως ένα βαθμό, αλλά με το κόστος της πολύπλοκης και χρονοβόρας χειροκίνητης «βαθμονόμησης». Σε αυτό το σενάριο ανιχνευόντουσαν οι αλλαγές ενός «στόχου», όπως ένα άτομο ή ένα όχημα. Ωστόσο, όταν άλλαζε το φόντο ή άλλοι παράμετροι σημειώθηκαν ξανά ψευδείς ειδοποιήσεις, κάτι που έκανε τη λύση αυτή «ξανά» ανεπαρκή για τον χώρο των συστημάτων ασφαλείας. Στη συνέχεια βέβαια τα πράγματα άλλαξαν, καθώς η μηχανική μάθηση και τα «πραγματικά» video analytics ήταν σε θέση να διακρίνουν την ανθρώπινη μορφή, τα οχήματα και γενικά οποιαδήποτε αντικείμενα. Σε αυτό το σημείο λοιπόν όταν ένας κανόνας παραβιάζεται τότε αποστέλλεται μια ειδοποίηση. Ένα τέτοιο παράδειγμα είναι το εξής: ο αριθμός των ατόμων δεν πρέπει να υπερβαίνει το μηδέν σε μια προκαθορισμένη περιοχή κατά τη διάρκεια ενός καθορισμένου χρονικού διαστήματος. Επίσης, ένα κόκκινο ορθογώνιο ή το αποκαλούμενο «πλαίσιο οριοθέτησης», αποτελεί ακόμα μία ενδεδειγμένη λύση. Όταν παραβιαστεί αυτό, τότε μία κάμερα μπορεί να ακολουθεί αυτόματα τον εντοπισμένο εισβολέα, ενώ ένα σύντομο κλιπ βίντεο θα αποσταλεί στον χρήστη ως ειδοποίηση.
Περί ηθικής…
Η τεχνητή νοημοσύνη δίνει στις κάμερες παρακολούθησης ένα ψηφιακό εγκέφαλο. Αυτό είναι ένα «καλό» νέο για τη δημόσια ασφάλεια, αφού βοηθάει την αστυνομία και γενικότερα τα όργανα επιβολής του νόμου, στον άμεσο εντοπισμό των εγκληματιών. Ωστόσο, αυτό δημιουργεί σοβαρά ερωτήματα σχετικά με το μέλλον της ιδιωτικής ζωής. Τα συστήματα αυτά διατηρούν, κατά κάποιο τρόπο, ένα αντίγραφο μεγάλου μέρους της ζωής μας, της καθημερινότητάς και των ενδιαφερόντων μας. Η τεχνητή νοημοσύνη, έχοντας πρόσβαση σε αυτό τον απίστευτο πλούτο δεδομένων, μπορεί να κάνει εντυπωσιακές προβλέψεις και εκτιμήσεις με διάφορες εφαρμογές (καλοπροαίρετες ή μη), όπως για παράδειγμα από τα προϊόντα που κάποιος ενδιαφέρεται να αγοράσει μέχρι την συναισθηματική σταθερότητα ή κατάστασή του. Στην περίπτωση μαζικής ανάλυσης αυτών των δεδομένων, οι προβλέψεις ανάγονται σε επίπεδο πληθυσμού: ένα προηγμένο σύστημα τεχνητής νοημοσύνης θα μπορούσε να προβλέψει τις τάσεις και τη δυναμική των διάφορων ομάδων ως προς συγκεκριμένες δραστηριότητες (εμπορικές, πολιτικού χαρακτήρα κλπ.) παρέχοντας ιδιαίτερη δύναμη και εξουσία στους ‘προνομιούχους’ διαχειριστές του συστήματος. Το δικαίωμα της ιδιωτικότητας απειλείται, κυρίως στο σενάριο που κάποιος τρίτος αποκτά πρόσβαση στα δεδομένα του χρήστη ή στις εκτιμήσεις που ένα σύστημα τεχνητής νοημοσύνης μπορεί να κάνει για τον χρήστη. Αλλά ακόμα και στην περίπτωση που ένας πολίτης επιλέγει συνειδητά την αποχή από τον «διασυνδεδεμένο κόσμο», θα αρκεί μία απλή μετακίνηση μέσα στην έξυπνη πόλη για να καταγραφεί από δεκάδες κάμερες ασφαλείας και μέσα σε λίγα λεπτά να έχει αναγνωριστεί και πιθανότατα ταυτοποιηθεί, μέσω τεχνολογιών computer vision και αναγνώρισης προσώπου. Ακόμα και αν κάποιος δεν χρησιμοποιεί έξυπνες συσκευές – θα είναι εξαιρετικά δύσκολο να κυκλοφορήσει ‘ελεύθερος’ (χωρίς να αφήνει ίχνη) στην πόλη του μέλλοντος.
Η τεχνητή νοημοσύνη δεν γνωρίζει ή δεν καταλαβαίνει τι είναι ένας άνθρωπος, ένα όχημα ή ακόμα και μια φωτιά. Απλώς βρίσκει τα χαρακτηριστικά αυτών των πραγμάτων βάσει του μεγέθους, του σχήματος, του χρώματος, της ανακλαστικότητας, της γωνίας, του, της κίνησης κ.ο.κ. Στη συνέχεια, διαπιστώνει ότι τα αντικείμενα που έχει ταξινομήσει έχουν τυπικά πρότυπα συμπεριφοράς. Για παράδειγμα, οι άνθρωποι περπατούν στα πεζοδρόμια και μερικές φορές στους δρόμους, αλλά δεν ανεβαίνουν πολύ συχνά στις πλευρές των κτιρίων. Τα οχήματα οδηγούν σε δρόμους, αλλά δεν οδηγούν σε πεζοδρόμια. Έτσι, η «ανώμαλη» συμπεριφορά κάποιου ατόμου ή ένα αντικείμενο που βρίσκεται χωρίς λόγω σε ένα χώρο, θα ενεργοποιούσε μια ειδοποίηση. Η τεχνητή νοημοσύνη, γνωρίζει σπουδαία ανάπτυξη και είναι μία τεχνολογία πολλά υποσχόμενη που θα αναβαθμίσει τον κλάδο της ασφάλειας και γενικότερα την κοινωνία. Ωστόσο, αν μεγάλος όγκος δεδομένων πέσει σε λάθος χέρια, οι συνέπειες μπορεί σε πολλές περιπτώσεις να είναι καταστροφικές.
{gallery}6145{/gallery}
