Računarsko prepoznavanje - Davanje vida računarima

Analiziranje, na primjer, može pružati obavještenja u realnom vremenu na koja se može djelovati sigurnosnom i srodnom osoblju. Pisanje klasičnog algoritamskog programa za rješavanje problema računarskog prepoznavanja/računarskog vida je teško, iako korištenje umjetne inteligencije čini problem obradivim.

Rješavanje problema putem vještačke inteligencije

Ovaj problem postavlja pitanja o tome kako ljudi identificiraju objekte unutar vizuelnog dometa na što je također nevjerovatno teško odgovoriti. Iako je ovo i dalje otvoreno pitanje, vještačke neuronske mreže su se pokazale nevjerovatno korisnim u domenu računarskog prepoznavanja/računarskog vida.

Pomoću tehnika dubokog učenja i ogromnog skupa podataka slika, moguće je istrenirati model za identifikaciju objekata. Najčešći skup podataka je Common Objects in Context (https://cocodataset.org/) koji sadrži sljedeće prema njihovoj definiciji:

• Segmentacija objekata
• Prepoznavanje u kontekstu
• Segmentacija superpiksel stvari
• 330K slika (>200K označenih)
• 1,5 miliona instanci objekata
• 80 kategorija objekata
• 91 kategorija stvari
• 5 naslova po slici
• 250.000 ljudi sa ključnim tačkama

Obuka različitih modela vještačke inteligencije ovim informacijama se pokazala visoko efikasnom kada se model pokrene na skupu podataka za evaluaciju.

Pregled organizacionog izazova

Pretpostavljajući da postoji AI sposobnost za analizu objekata unutar video dovoda (koja postoji), kako bi organizacija implementirala takvo rješenje? Još uvijek postoji širi problem implementacije takvog modela u proizvodnom okruženju koje se može skalirati i operirati u okviru regulatornog okvira.

Tradicionalno, organizacije bi zadužile svoje IT odjele za instalaciju takve mogućnosti. Obično bi organizacije pronašle gotav softver za rješavanje problema ili potražile dobavljača prilagođenog softvera za izgradnju ili prepravku postojećeg rješenja ako takvo rješenje nije bilo lako dostupno. S obzirom na složenost sistema vještačke inteligencije, obje ove opcije neće biti dostupne još neko vrijeme.

Pored tehničkih izazova, postoje i interne politike, te razni zahtjevi za usklađenosti koje organizacije moraju poštovati, kao što je privatnost podataka koja, iako povezana, predstavlja pitanja za različite stručnjake iz domena. Dakle, implementacija takvog rješenja zahtijevat će stručnost iz mnogih drugih područja organizacije, zahtijevajući složeno upravljanje projektima. Alternativa internim strategijama je pristup takvoj mogućnosti putem poslovnog modela Umjetna inteligencija kao usluga, uključujući Telemus AI™, na način sličan pristupu uslugama u oblaku.

Organizacioni podaci dostupni kao AI ulaz

Većina organizacija koristi CCTV u sigurnosne svrhe i šalje različite video signale u kontrolnu sobu radi praćenja. Obično bi ove video signale osoblje sigurnosti pratilo 24/7 kako bi identifikovalo bilo koju aktivnost koja se ne može smatrati prihvatljivom ili zahtijeva dalju istragu ili akciju. Ovi video signali se mogu provući kroz sistem vještačke inteligencije. AI obavještava osoblje sigurnosti ako nešto zahtijeva dalju istragu.

Prednost ovoga je da AI sistem potencijalno može otkriti anomalije koje bi čovjek inače propustio ako nije očigledno ili ako sigurnosnom osoblju padne koncentracija. Drugi način da se na ovo gleda je da je sposobnost sigurnosnog osoblja da razumije šta se dešava u video snimcima proširena na viši nivo. Dakle, slično kao korištenje alata u drugim domenima za proširenje naših sposobnosti.

Iako potencijal ove tehnologije nekim ljudima može biti suočavajući, bitno je uzeti u obzir da pojedinac u svakom slučaju prati video dovode, a AI jednostavno pomaže osoblju za sigurnost da pregleda snimke, te da se koristi moraju odmjeriti. S obzirom na to da se tehnologija koristi na regulisan i siguran način pod strogim okvirom upravljanja, potencijalna korist bi bila ogromna.

Metodologija integracije

Slijedi pregled procesa koji bismo izveli na visokom nivou za analizu takvih izvora unutar organizacije:

1. Identifikujte CCTV feedove i sistem koji obezbjeđuje praćenje i snimanje takvih feedova
2. Izmijenite softver da šalje izvore podataka provajderu cloud računarstva za analizu u realnom vremenu
3. Provucite feedove kroz Telemus AI™ i vraćanje proširenih video signala natrag u sistem za sigurnosno praćenje
4. Postavite prilagođena obavještenja za sigurnosno osoblje na osnovu onoga što je otkriveno

S obzirom da Telemus AI™ obavlja većinu posla, organizacija se može fokusirati na poslovnu logiku umjesto na tehničku implementaciju.

Organizacione aplikacije

Slijede druge potencijalne aplikacije za vašu organizaciju:

• Nadgledanje automobila na mreži puteva i otkrivanje kada se dese nesreće kako bi se poslala ekipa za pomoć
• Nadgledanje pojedinaca u objektima kako bi se osiguralo da ne dolazi do antisocijalnog ponašanja. Ako je tako, automatski rasporedite sigurnosnu jedinicu za deeskalaciju situacije.
• Nadgledanje radnih mjesta i gradilišta, osiguravajući da osoblje ne boravi u objektu van utvrđenog radnog vremena

Potencijalne i ostvarene prednosti

Potencijalne i ostvarene prednosti ove tehnologije su ogromne. Moguće je izvoditi CCTV nadzor tačnije i efikasnije, sa manje grešaka, zahtijevajući manje ukupnog sigurnosnog osoblja, omogućavajući takvom osoblju da se fokusira na hitnije zadatke kao što su aktivno patroliranje ili istraživački rad.

Telemus AI™ je australska kompanija za umjetnu inteligenciju koja pruža napredna rješenja za vladu i preduzeća. Kontaktirajte nas danas za besplatne konsultacije o tome kako se Telemus AI™ može integrirati u vašu organizaciju.