Umělá inteligence není vyhrazena jen exkluzivním projektům video dohledu

30 Čvn 2021

Uri Guterman, šéf produktového a marketingového managementu společnosti Hanwha Techwin Europe, vysvětluje, proč umělá inteligence na bázi hlubokého učení již není nově vznikající technologií určenou výhradně pro kamery video dohledu v projektech požadujících tu nejpřísnější úroveň zabezpečení.


Pokud jste se v poslední době projektům video dohledu se zapojením AI na bázi hlubokého učení přímo nevěnovali, můžete mít stále dojem, že uvedená technologie je příliš drahá a hodí se jen pro ty nejnáročnější instalace.

Po uvedení nové generace cenově dostupných kamer vybavených již v základu umělou inteligencí na bázi hlubokého učení to však již zdaleka neplatí. Nicméně technický žargon s touto technologií spojený (např. umělé neuronové sítě nebo strojové učení) pravděpodobně vyvolal všeobecné mínění, že schopnosti nabízené touto technologií zdaleka přesahují to, co většina koncových uživatelů k dosažení maximálního užitku z řešení video dohledu obecně požaduje.

Pryč s planými poplachy

To však také zdaleka neplatí, protože kamery s podporou AI budou pravděpodobně většinou nasazovány tam, kde je zapotřebí vyřešit letitý problém planých poplachů, jež odvětví elektronického zabezpečení trápí již desítky let.

Zjednodušeně řečeno, video analýzy na bázi hlubokého učení ignorují šum ve videu, větve stromů rozpohybované větrem, plující mraky a zvířata, tedy faktory, které by jinak iniciovaly plané poplachy, jako je tomu v případě standardních technologií detekce pohybu a pohybových senzorů, protože ty nebyly na takovéto situace natrénovány.

Díky lepším schopnostem video analýz s podporou AI na bázi hlubokého učení se zaměstnanci operačních středisek a bezpečnostní pracovníci mohou soustředit na řešení skutečných incidentů a nouzových událostí bez zbytečných časových ztrát při řešení planých poplachů. Další výhodou hlubokého učení – kromě extrémně vysoké přesnosti – je schopnost provozovatele sledovat konkrétní vlastnosti a atributy objektů či osob, jako např. věkovou skupinu a pohlaví, nebo např. zda má osoba nasazeny brýle, nosí čepici nebo má u sebe tašku.

Deep Learning AI applications

Snadné nastavování i použití

Vzhledem k tomu, že všechny chytré funkce jsou již standardní součástí kamer AI, instalace, nastavování a vlastní používání umělé inteligence na bázi hluboké učení není nic složitého. Systémoví integrátoři by proto měli být schopni tuto technologii dobře využít prakticky v jakémkoli projektu video dohledu.

Technologie AI je připravena pustit se do práce ihned po vybalení produktu z krabice (je zde nicméně i možnost přizpůsobení podle provozních požadavků koncového uživatele), a tak zákazníci nemusejí složitě zkoumat technické detaily toho, jak tato technologie vlastně funguje. Základní informace o technologii si zde přesto uveďme.

Začít můžeme hlubokým učením. Jde o součást strojového učení a způsob vývoje umělé inteligence trénováním stroje s cílem vykonávat úlohy ve shodě s velkým počtem příkladů, které jsme stroji předtím ukázali. Hluboké učení za tímto účelem využívá mnohovrstvé (tedy hluboké) umělé neuronové sítě, což jsou v podstatě matematické modely inspirované fungováním lidského mozku. S ohledem na existenci mnoha vrstev jsou tyto modely ideální k řešení složitých problémů, jako je např. identifikace a rozpoznávání objektů a událostí ve videu, a to s extrémně vysokou přesností.

Například chceme-li stroj naučit správně určovat pohlaví osob, specialisté výzkumu a vývoje z Hanwha Techwin musejí navrhnout, natrénovat a validovat hlubokou neuronovou síť, která ve fázi učení používá databázi milionů vhodně vybraných tváří, z nichž všechny nesou označení známého skutečného pohlaví. Po několika dnech učení za dohledu našich vývojářů je neuronová síť připravena k nasazení do provozu, kde bude pravděpodobně vykazovat přesnost cca 98 %, což zhruba odpovídá schopnostem člověka pověřeného stejným úkolem.

Algoritmy umělé inteligence na bázi hlubokého učení nabízejí mnohem vyšší schopnosti než klasické analýzy obsahu videa. Tradiční způsoby jsou zpravidla založeny na detekci pohybu, a nemají proto dost důvtipu, aby rozpoznaly statické objekty (jako např. zaparkovaná vozidla) nebo se vyrovnaly se šumem ve videu, jako je např. světelné znečištění od světlometů nebo pohybující se stíny, což jsou časté zdroje planých poplachů.

Schopnosti analýz jsou neméně působivé ve scénářích s rychle se pohybujícími objekty nebo rušným provozem, což zvyšuje kvalitu forenzního vyhledávání důkazů a urychluje celé vyšetřování.

Z těchto i dalších důvodů je pravděpodobně jisté, že umělá inteligence na bázi hlubokého učení u většiny aplikací postupně nahradí tradiční video analýzy, zejména v situacích, kde k planým poplachům dochází nejčastěji.

Umělá inteligence na bázi hlubokého učení je obzvláště dobrou volbou v aplikacích, které vyžadují vyšší míru sofistikovanosti než klasické video analýzy. Např. umožňuje maloobchodním prodejnám využívat technologie Business Intelligence (např. pro věkové kategorie a pohlaví), a tak detailně analyzovat demografický charakter zákazníků s cílem lépe pochopit chování zákazníků a jejich nákupní zvyklosti.

Je třeba vyzdvihnout skutečnost, že umělá inteligence na bázi hlubokého učení nám významně pomáhá již zhruba rok, neboť tvoří jádro aplikací zaměřených na rozpoznávání roušek, kontrolu sociálního distancování a monitorování počtu přítomných osob.

Shrnutí

Periferní řešení využívající umělou inteligenci na bázi hlubokého učení kromě potlačování trestné činnosti nabízejí bezpočet způsobů, jak podnikům pomoci zvyšovat produktivitu a zajistit bezpečný provoz ve světě zasaženém pandemií. Díky nové nabídce cenově dostupnějších kamer vybavených uvedenou technologií se uživatelé mohou těšit na vysokou návratnost investic bez ohledu na oblast využití této technologie.

Máte jakékoli otázky týkající se umělé inteligence na bázi hlubokého učení?Zašlete prosím e-mail Urimu Gutermanovi na u.guterman@hanwha.com