Security Report T.117

102 | SECURITY REPORT Αύγουστος 2021 Machine Learning CCTV Πώς λειτουργεί η μηχανική μάθηση; Για να αξιοποιήσει κάποιος στο έπακρο τη μηχανική μάθηση, θα πρέπει να γνωρίζει πώς να συνδυάσει τους καλύτερους αλγόριθμους με τα σωστά εργαλεία και διαδικασίες. Η μηχανική μάθηση συνδυάζει ενισχυμένη επεξεργασία στατιστικών στοιχείων και εξαγόμενων δεδομένων με νέες εξελιγμένες αρχιτεκτονικές, ώστε να διασφαλίζει ότι οι συσκευές θα λειτουργούν όσο το δυνατόν ταχύτερα, ακόμη και σε τεράστια επιχειρηματικά περιβάλλοντα. Η ολοκληρωμένη συλλογή αλγορίθμων βοηθάει στη δημιουργία προτύπων που εφαρμόζουν μια επαναληπτική διαδικασία μηχανικής μάθησης. Δηλαδή, σχεδόν κάθε εργασία που μπορεί να ολοκλη- ρώνεται σύμφωνα με ένα πρότυπο ή σύνολο κανόνων που καθο- ρίζονται από δεδομένα, μπορεί να αυτοματοποιείται με τη μηχανική εκμάθηση. Η Μηχανική Μάθηση στον κλάδο της βιντεοεπιτήρησης Η μηχανική εκμάθηση όχι μόνο άλλαξε τον τρόπο προβολής του βίντεο παρακολούθησης, αλλά και τους τρόπους με τους οποίους μπορεί να αξιοποιηθεί για να προσφέρει μεγαλύτερη αποτελε- σματικότητα. Η τεράστια ζήτηση στο κλάδο της ασφάλειας για μία τεχνολογία, όπως αυτή της μηχανικής μάθησης και της τεχνητής νοημοσύνης, ήταν λόγω της περιορισμένης ικανότητας του αν- θρώπου 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. Η χρήση της ΜΜ, συμβάλει στη μείωση του φαινομένου αυτού, εξα- λείφοντας παράλληλα τους ψευδείς συναγερμούς που προκαλούνται από εξωτερικούς παράγοντες. Ως αποτέλεσμα, το προσωπικό ασφαλείας αξιοποιεί στο μέγιστο τα πλάνα από τα βίντεο και αν- ταποκρίνεται μόνο σε καταστάσεις εκτάκτου ανάγκης. Μία «μηχανή» μπορεί να μάθει να αναγνωρίζει και να ταξινομεί αν- τικείμενα και μοτίβα. Σε ότι αφορά την βιντεοεπιτήρηση, τα λογισμικά ανάλυσης περιεχομένου εντοπίζουν, εξαγάγουν και ταξινομούν χιλιάδες δεδομένα από το βίντεο και στη συνέχεια επιτρέπουν στο χρήστη να αναζητά εύκολα και γρήγορα ανθρώπους και οχήματα. Η τεχνολογία ανάλυσης περιεχομένου βίντεο (VCA) μπορεί να λει- τουργήσει με τα υπάρχοντα συστήματα παρακολούθησης βίντεο CCTV ενός οργανισμού και να χρησιμοποιήσει αλγόριθμους μηχανικής μάθησης για την αναγνώριση και την ταξινόμηση αντικειμένων. Μετά την αποθήκευση και την ταξινόμηση, τα μεταδεδομένα από το βίντεο μπορούν να χρησιμοποιηθούν για τη διαμόρφωση έξυπνων ειδοποιήσεων. Τέτοιες ειδοποιήσεις μπορεί ενεργοποιούνται σε πε- ρίπτωση που εντοπιστεί μία ύποπτη δραστηριότητα ή συμπεριφορά ή όταν για παράδειγμα ο αριθμός των ατόμων σε μία περιοχή υπερ- βαίνει το προκαθορισμένο όριο. Επιπρόσθετα, οι ειδοποιήσεις αυτές μπορούν να ενεργοποιηθούν με βάση την αναγνώριση αντικειμένων, προσώπου, ακόμα και τον εντοπισμό κίνησης. Ποιες είναι οι διαφορές μεταξύ της εξαγωγής δεδομέ- νων, της μηχανικής μάθησης και της βαθιάς μάθησης; Αν και όλες αυτές οι μέθοδοι έχουν τον ίδιο στόχο, να εξάγουν δηλαδή ιδέες, σχέδια και σχέσεις που μπορούν να χρησιμοποι- ηθούν για τη λήψη αποφάσεων, έχουν διαφορετικές προσεγγίσεις και ικανότητες. Η εξαγωγή δεδομένων μπορεί να θεωρηθεί ένα υπερσύνολο πολλών διαφορετικών μεθόδων για την εξαγωγή πληροφοριών από δεδομένα. Μπορεί να περιλαμβάνει παραδοσιακές στατι- στικές μεθόδους και μηχανική μάθηση. Η εξαγωγή δεδομένων εφαρμόζει μεθόδους από πολλές διαφορετικές περιοχές, για να εντοπίζει προηγούμενα άγνωστα πρότυπα από δεδομένα. Αυτό μπορεί να περιλαμβάνει στατιστικούς αλγόριθμους, μηχανική μάθηση, αναλυτικά κείμενα, χρονική ανάλυση και άλλους τομείς ανάλυσης. Η εξαγωγή δεδομένων περιλαμβάνει επίσης τη μελέτη και την πρακτική της αποθήκευσης δεδομένων και του χειρισμού δεδομένων. Η κύρια διαφορά της μηχανικής μάθησης είναι ότι, όπως σε όλα τα στατιστικά μοντέλα, ο στόχος είναι να κατανοήσουμε τη δομή των δεδομένων. Έτσι, στα στατιστικά μοντέλα υπάρχει μια θεωρία που είναι μαθηματικά αποδεδειγμένη, όμως αυτό απαιτεί ότι τα δεδομένα πρέπει να πληρούν και ορισμένες ισχυρές προϋποθέσεις. Η μηχανική μάθηση έχει αναπτυχθεί με βάση την ικανότητα χρήσης των υπολογιστών να ανιχνεύουν τα δεδομένα για τη δομή, ακόμα και αν δεν έχουμε μια θεωρία για το πώς μοιάζει αυτή η δομή. 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. Η βαθιά μάθηση συνδυάζει την πρόοδο της υπολογιστικής ισχύος και των ειδικών τύπων νευρωνικών δικτύων, ώστε να μαθαίνει πε- ρίπλοκα πρότυπα σε μεγάλες ποσότητες δεδομένων. Οι τεχνικές βαθιάς μάθησης είναι επί του παρόντος υπερσύγχρονες για την Μία «μηχανή» μπορεί να μάθει να ταξινομεί αντικείμενα και μοτίβα, ακόμα και να αναγνωρίζει συμπεριφορές. 2 Σε αντίθεση με την προηγούμενη επανάσταση που αξιοποίησε τη μηχανική και φυσική δύναμη, η επανάσταση της μηχανικής μάθησης που οδηγείται από την τεχνητή νοημοσύνη αξιοποιεί τη γνωστική και διανοητική ικανότητα. 1