Security Report 83

Οκτώβριος 2018 | SECURITY Report 47 ΑΦΙΕΡΩΜΑ Τεχνητή Νοημοσύνη θέσεις και κινήσεις. Βάση των όσων έχει συλλέξει λοιπόν, «αναρω- τιέται» 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 απο- στέλλεται. Η τεχνητή νοημοσύνη αναλύει τις εικόνες από κάμερες παρακολούθησης βίντεο, με κύριο στόχο την αναγνώριση ανθρώπων, οχημάτων κλ.π. 2 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 κα- νόνες. 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 και- ρικές συνθήκες. Αυτή η διαδικασία, υπερβαίνει κατά πολύ τις δυνατότητες του ανθρώπου. Μία νεότερη μορφή η οποία βασίζεται στους κανόνες της τεχνη- τής νοημοσύνης και έχει αναπτυχθεί στο κλάδο της ασφάλειας, ακούει στο όνομα “behavioral analytics”. Αυτό το λογισμικό λει- τουργεί λίγο διαφορετικά, καθώς είναι «αυτοδίδακτο», μαθαίνει δηλαδή τη συνηθισμένη συμπεριφορά των ανθρώπων, των οχη- μάτων, των μηχανών και του περιβάλλοντος βάσει της δικής του παρατήρησης, με αποτέλεσμα να μην παρεμβαίνει προγραμμα- τιστής. 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, εί- ναι φυσιολογικό τα αυτοκίνητα να οδηγούν στο δρόμο. Ένα αυ- τοκίνητο όμως που οδηγεί επάνω σε ένα πεζοδρόμιο δεν αποτε- λεί μία συνηθισμένη συμπεριφορά. Γιατί τεχνητή νοημοσύνη; Η τεράστια ζήτηση στο κλάδο της ασφάλειας για μία τεχνολο- γία όπως αυτή της τεχνητής νοημοσύνης, ήταν λόγω της πε- ριορισμένης ικανότητας του ανθρώπου να παρακολουθεί με προσοχή ταυτόχρονα «ζωντανά» πλάνα από διαφορετικές κά- μερες. Οι άνθρωποι που παρακολουθούν μια οθόνη βίντεο για περισσότερο από είκοσι λεπτά συνήθως χάνουν ορισμένες λε- πτομέρειες, άρα και σημαντικά γεγονότα. Με δύο ή περισσό- τερες οθόνες, αναμφίβολα το έργο του υπεύθυνου ασφαλείας δυσκολεύει πιο πολύ. Το έργο ξεπερνάει τις ανθρώπινες δυνα- τότητες, δεδομένου ότι πολλές εγκαταστάσεις διαθέτουν δεκά- δες ή και εκατοντάδες κάμερες. Σε γενικές γραμμές, η ζωντανή ροή από μία κάμερα που είναι εγκατεστημένη σε άδειους δια- δρόμους, αποθηκευτικούς χώρους, χώρους στάθμευσης, μπο- ρεί να είναι βαρετή σε πολλές περιπτώσεις, με αποτέλεσμα η προσοχή να εξασθενήσει. Σε αυτές τις περιπτώσεις είναι αδύ- νατο 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 κά- μερες ασφαλείας. Θεωρήθηκε ότι η κίνηση ενός εισβολέα ή ενός δράστη θα έστελνε μια ειδοποίηση στον απομακρυσμένο υπεύ- θυνο παρακολούθησης, παρακάμπτοντας έτσι την ανάγκη για συνεχή ανθρώπινη «επαγρύπνηση». Το πρόβλημα ωστόσο εντο- πίστηκε στις κάμερες που ήταν τοποθετημένες σε εξωτερικό περι- βάλλον, όπου υπάρχει συνεχής κίνηση και μεταβολή των εικονο- στοιχείων. Η κίνηση των φύλλων από τα δέντρα, τα απορρίμματα στο έδαφος, τα έντομα, τα πουλιά, τα σκυλιά, οι σκιές, οι προ- βολείς, οι ηλιακές ακτίνες και ούτω καθεξής, αποτελούν κίνηση.