تشخیص کامپیوتری - دادن بینایی به کامپیوترها

تحلیل، برای مثال، می‌تواند اعلان‌های قابل اقدام در زمان واقعی را به پرسنل امنیتی و مرتبط ارائه دهد. نوشتن یک برنامه الگوریتمی کلاسیک برای حل مشکلات تشخیص کامپیوتری/بینایی کامپیوتری دشوار است، اگرچه استفاده از هوش مصنوعی مشکل را قابل حل می‌کند.

حل مسئله از طریق هوش مصنوعی

این مشکل سؤالاتی را درباره نحوه شناسایی اشیاء توسط انسان‌ها در یک محدوده بصری مطرح می‌کند که پاسخ دادن به آن‌ها نیز فوق‌العاده دشوار است. اگرچه این هنوز یک سؤال باز است، شبکه‌های عصبی مصنوعی در حوزه تشخیص کامپیوتری/بینایی کامپیوتری فوق‌العاده مفید بوده‌اند.

با استفاده از تکنیک‌های یادگیری عمیق و مجموعه داده‌های وسیعی از تصاویر، امکان آموزش یک مدل برای شناسایی اشیا وجود دارد. رایج‌ترین مجموعه داده، اشیای رایج در زمینه است (https://cocodataset.org/) که بر اساس تعریف آن‌ها شامل موارد زیر است:

• تقسیم‌بندی اشیاء
• تشخیص در زمینه
• بخش‌بندی مواد سوپرپیکسل
• 330K تصویر (>200K برچسب‌گذاری شده)
• 1.5 میلیون نمونه شیء
• 80 دسته شیء
• 91 دسته ماده
• 5 کپشن برای هر تصویر
• 250,000 نفر با نقاط کلیدی

آموزش مدل‌های مختلف هوش مصنوعی با این اطلاعات هنگام اجرای مدل روی یک مجموعه داده ارزیابی، بسیار مؤثر ثابت شده است.

نمای کلی از چالش سازمانی

با فرض اینکه قابلیت AI برای تحلیل اشیاء درون فیدهای ویدیویی وجود دارد (که وجود دارد)، یک سازمان چگونه چنین راه‌حلی را پیاده‌سازی می‌کند؟ هنوز مشکل گسترده‌تری از پیاده‌سازی چنین مدلی در یک محیط تولیدی که قابلیت مقیاس‌پذیری و عملکرد در چارچوب نظارتی را داشته باشد، وجود دارد.

به طور سنتی، سازمان‌ها این وظیفه را به دپارتمان‌های IT خود محول می‌کردند تا چنین قابلیتی را نصب کنند. معمولاً، سازمان‌ها برای حل مشکل نرم‌افزارهای آماده پیدا می‌کردند یا به یک فروشنده نرم‌افزار سفارشی مراجعه می‌کردند تا در صورت در دسترس نبودن چنین راه‌حلی، یک راه‌حل موجود را بسازد یا به‌روزرسانی کند. با توجه به پیچیدگی سیستم‌های هوش مصنوعی، هر دو این گزینه‌ها برای مدت نسبتاً طولانی در دسترس نخواهند بود.

علاوه بر چالش‌های فنی، سیاست‌های داخلی و الزامات مختلف انطباق نیز وجود دارد که سازمان‌ها معمولاً باید به آن‌ها پایبند باشند، مانند حریم خصوصی داده‌ها که، اگرچه مرتبط هستند، مسائلی برای متخصصان حوزه‌های مختلف محسوب می‌شوند. بنابراین، پیاده‌سازی چنین راه‌حلی به تخصص در بسیاری از حوزه‌های دیگر یک سازمان نیاز دارد که مدیریت پروژه پیچیده‌ای را می‌طلبد. یک جایگزین برای استراتژی‌های داخلی، دسترسی به چنین قابلیتی از طریق یک کسب‌وکار هوش مصنوعی به عنوان سرویس (AI as a Service)، از جمله Telemus AI™، به شیوه‌ای شبیه به دسترسی به خدمات ابری است.

داده‌های سازمانی موجود به عنوان ورودی AI

بیشتر سازمان‌ها برای مقاصد امنیتی از دوربین‌های مداربسته استفاده می‌کنند و فیدهای ویدیویی مختلفی را برای نظارت به یک اتاق کنترل ارسال می‌کنند. معمولاً، این فیدهای ویدیویی توسط پرسنل امنیتی به‌صورت ۲۴/۷ نظارت می‌شوند تا هرگونه فعالیتی که ممکن است قابل‌قبول نباشد یا نیاز به بررسی بیشتر یا اقدام داشته باشد، شناسایی شود. این فیدهای ویدیویی می‌توانند از طریق یک سیستم هوش مصنوعی پردازش شوند. AI در صورت نیاز به بررسی بیشتر، به پرسنل امنیتی هشدار می‌دهد.

مزیت این امر آن است که سیستم AI می‌تواند به طور بالقوه ناهنجاری‌هایی را تشخیص دهد که در غیر این صورت، اگر آشکار نباشد یا پرسنل امنیتی دچار غفلت شوند، توسط انسان نادیده گرفته می‌شد. راه دیگر برای نگاه کردن به این موضوع این است که قابلیت پرسنل امنیتی برای درک آنچه در فیدهای ویدیویی در حال وقوع است، به سطح بالاتری ارتقا یافته است. بنابراین، این مشابه استفاده از ابزارها در حوزه‌های دیگر برای تقویت قابلیت‌های ماست.

در حالی که پتانسیل این فناوری ممکن است برای برخی افراد نگران‌کننده باشد، ضروری است در نظر گرفته شود که در هر مورد، یک فرد در حال نظارت بر فیدهای ویدیویی است، و AI صرفاً به پرسنل امنیتی کمک می‌کند تا تصاویر را مشاهده کنند، و باید مزایا را سنجید. با توجه به اینکه فناوری به‌صورت تنظیم‌شده و ایمن تحت یک چارچوب حاکمیتی سخت‌گیرانه اجرا می‌شود، پتانسیل مثبت آن بسیار عظیم خواهد بود.

روشولوژی یکپارچه‌سازی

در ادامه یک مرور کلی از فرآیندی که ما در سطح کلان برای تحلیل چنین فیدهایی در یک سازمان انجام می‌دهیم آورده شده است:

1. شناسایی فیدهای دوربین‌های مداربسته و سیستمی که نظارت و ضبط چنین فیدهایی را ارائه می‌دهد
2. نرم‌افزار را برای ارسال فیدها به یک ارائه‌دهنده رایانش ابری جهت تحلیل بلادرنگ تغییر دهید
3. فیدها را از طریق Telemus AI اجرا کنید™ و بازگرداندن فیدهای ویدیویی تقویت‌شده به سیستم نظارت امنیتی
4. راه‌اندازی هشدارهای سفارشی برای پرسنل امنیتی بر اساس آنچه شناسایی می‌شود

با توجه به اینکه Telemus AI™ بیشتر کارها را انجام می‌دهد، سازمان می‌تواند بر روی منطق کسب‌وکار تمرکز کند تا بر پیاده‌سازی فنی.

کاربردهای سازمانی

فهرست زیر سایر کاربردهای بالقوه برای سازمان شما را نشان می‌دهد:

• نظارت بر خودروها در یک شبکه جاده‌ای و تشخیص وقوع تصادفات برای اعزام تیمی جهت کمک
• نظارت بر افراد در مکان‌ها برای اطمینان از وقوع رفتار ضداجتماعی. در صورت وقوع، اعزام خودکار یک واحد امنیتی برای کاهش تنش در موقعیت.
• نظارت بر محیط‌های کاری و کارگاه‌ها، حصول اطمینان از اینکه کارکنان در ساعات تعیین‌شده عملیات خارج از premises نیستند

مزایای بالقوه و محقق‌شده

پتانسیل و مزایای محقق‌شده این فناوری وسیع است. امکان نظارت دوربین‌های مداربسته با دقت و کارایی بیشتر، با خطاهای کمتر، با نیاز به نیروی امنیتی کلی کمتر، فراهم است که این امر به چنین نیروهایی اجازه می‌دهد تا روی وظایف فوری‌تر مانند گشت‌زنی فعال یا کار تحقیقاتی تمرکز کنند.

Telemus AI™ یک شرکت هوش مصنوعی مستقر در استرالیا است که راه‌حل‌های پیشرفته‌ای را به دولت و سازمان‌های بزرگ ارائه می‌دهد. همین امروز با ما تماس بگیرید تا یک مشاوره رایگان در مورد نحوه ادغام Telemus AI™ در سازمان شما دریافت کنید.