SECURITY REPORT 143

102 | SECURITY REPORT Οκτώβριος 2023 Τεχνητή Νοημοσύνη CCTV 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 κ.λπ . 3 Ένα από τα βασικά πλεονεκτήματα της βαθιάς μάθησης είναι ότι μπορεί να μάθει να επεξεργάζεται μεγάλες ποσότητες δεδομένων σε μία εικόνα. 2 της μηχανικής μάθησης και της τεχνητής νοημοσύνης, ήταν αποτέ- λεσμα 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 αλ- γόριθμοι 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 αντιπρο- σωπεύουν ένα γνωστό αντικείμενο μπορεί να βοηθήσει τον αλγό- ριθμο βίντεο να δώσει προτεραιότητα σε αυτά τα εικονοστοιχεία έναντι της εικόνας φόντου, μία ίσως από τις σημαντικότερες λει- τουργίες / 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 μά- θησης στην αγορά φυσικής ασφάλειας είναι εύκολα κατανοητά, οι κάμερες παρακολούθησης χρησιμοποιούνται επίσης από ορ- γανισμούς 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 οργα- νισμοί μπορούν να βελτιώσουν τις λειτουργίες τους, να βελτιστο- ποιήσουν 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 τε- χνητή νοημοσύνη για να εντοπίσουν τις δημοφιλέστερες περιοχές εντός του καταστήματος, αλλά και αυτές με τη μικρότερη επισκε- ψιμότητα, 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. n Με τη συλλογή και την ανάλυση δεδομένων, οι ιδιοκτήτες καταστημάτων μπορούν να εντοπίσουν τις δημοφιλέστερες περιοχές ή αυτές με τη μικρότερη επισκεψιμότητα. 5 Οι αλγόριθμοι αυτοί χρησιμοποιούνται και για τη βελτίωση της ποιότητας της εικόνας και τη μείωση του εύρους ζώνης του δικτύου. 4