Računalno prepoznavanje - Računalima dajemo vid

Računalno prepoznavanje i računalni vid općenito imaju dugu i opsežnu povijest kao izazovna i složena područja u kojima je napredak do pojave ML/AI bio ograničen. U ošrom kontrastu s računalnom grafikom, brojni su napreci ostvareni u kratkom vremenu u područjima 2D/3D modeliranja, računalno potpomognutog dizajna (CAD), digitalnih filmova poput onih koje proizvodi Pixar i videoigara. Moderno računarstvo se dobro pokazalo u snimanju i stvaranju slika, ali ne i u njihovom percipiranju.

Glavni razlog je problem vizualne percepcije. Tijekom pojave modernih stolnih računala, istraživačima nije trebalo dugo da razviju genijalne načine digitalnog kodiranja slika kodiranjem slike kao niza piksela različitih intenziteta (npr. RGB) i čak komprimiranjem slika putem više shema. Kako je napredovalo snimanje i kodiranje slika i to više-manje riješeno, istraživači su se okrenuli analizi slika.

S obzirom na niz piksela, kako se mogu identificirati objekti? Postoje razne naizgled očite, iako naivne tehnike, poput promatranja boje skupa piksela, za određene domene. Moguće je aproksimirati objekte identificiranjem skupova boja s prethodnim znanjem. Na primjer, nebo s obzirom na to da je plavo i na vrhu slike. Grupiranje boja također ne uzima u obzir oblike i veličine objekata. Ovaj je pristup teško generalizirati.

Ova studija slučaja istražit će kako analiza CCTV video izvora može koristiti vašoj organizaciji. AI sustav koji može prepoznati objekte na snimkama nadzora ima brojne primjene.

Analiziranje, na primjer, može pružiti obavijesti u stvarnom vremenu koje se mogu primijeniti sigurnosnom i srodnom osoblju. Pisanje klasičnog algoritamskog programa za rješavanje problema računalnog prepoznavanja/računalnog vida je teško, iako korištenje umjetne inteligencije čini problem rješivim.

Rješavanje problema putem umjetne inteligencije

Ovaj problem postavlja pitanja o tome kako ljudi prepoznaju objekte unutar vizualnog raspona, na što je također nevjerojatno teško odgovoriti. Iako je to i dalje vrlo otvoreno pitanje, umjetne neuronske mreže su se pokazale nevjerojatno korisnima u domeni računalnog prepoznavanja/računalnog vida.

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

Segmentacija objekata
Prepoznavanje u kontekstu
Segmentacija superpikselima
330K slika (>200K označeno)
1,5 milijuna instanci objekata
80 kategorija objekata
91 kategorija stvari
5 naslova po slici
250.000 ljudi s ključnim točkama

Treniranje različitih modela umjetne inteligencije s ovim informacijama pokazalo se vrlo učinkovitim pri pokretanju modela na skupu podataka za evaluaciju.

Pregled organizacijskog izazova

Pretpostavljajući da postoji AI mogućnost analize objekata unutar video zapisa (što postoji), kako bi organizacija implementirala takvo rješenje? Još uvijek postoji širi problem implementacije takvog modela u produkcijskom okruženju koje se može skalirati i raditi unutar regulatornog okvira.

Tradicionalno, organizacije bi zadužile svoje IT odjele za instalaciju takve mogućnosti. Obično bi organizacije pronašle gotove softverske programe za rješavanje problema ili potražile dobavljača prilagođenog softvera za izgradnju ili preinaku postojećeg rješenja ako takvo rješenje nije bilo lako dostupno. S obzirom na složenost sustava umjetne inteligencije, obje bi opcije bile nedostupne prilično dugo vremena.

Osim tehničkih izazova, postoje i interne politike te razni zahtjevi za usklađenost kojima organizacije moraju općenito udovoljavati, poput privatnosti podataka, koji su, iako povezani, pitanja za različite stručnjake iz domene. Stoga će implementacija takvog rješenja zahtijevati stručnost iz mnogih drugih područja organizacije, što zahtijeva složeno upravljanje projektima. Alternativa internim strategijama je pristup takvoj mogućnosti putem poslovnog modela Umjetne inteligencije kao usluge (AIaaS), uključujući Telemus AI™, na način sličan pristupu uslugama u oblaku.

Organizacijski podaci dostupni kao AI ulaz

Većina organizacija koristi CCTV u sigurnosne svrhe i šalje različite video signale u kontrolnu sobu radi nadzora. Obično bi te video signale osiguranje pratilo 24/7 kako bi se identificirala bilo koja aktivnost koja se ne bi mogla smatrati prihvatljivom ili zahtijeva daljnju istragu ili akciju. Ti se video signali mogu propustiti kroz sustav umjetne inteligencije. AI obavještava osoblje osiguranja ako nešto zahtijeva daljnju istragu.

Prednost ovoga je što AI sustav potencijalno može otkriti anomalije koje bi čovjek inače propustio ako nije očigledno ili ako sigurnosnom osoblju padne koncentracija. Drugi način gledanja na to je da je sposobnost sigurnosnog osoblja da razumije što se događa u video prijenosima proširena na višu razinu. Dakle, slično kao korištenje alata u drugim područjima za proširenje naših sposobnosti.

Iako potencijal ove tehnologije nekim ljudima može biti izazovan, bitno je uzeti u obzir da u svakom slučaju pojedinac prati video zapise, a AI jednostavno pomaže osoblju za sigurnost u pregledavanju snimki, te da se prednosti moraju odvagnuti. S obzirom na to da se tehnologija koristi na reguliran i siguran način pod strogim okvirom upravljanja, potencijalna korist bila bi golema.

Metodologija integracije

Slijedi pregled postupka koji bismo izveli na visokoj razini za analizu takvih izvora unutar organizacije:

Identificirajte CCTV feedove i sustav koji pruža nadzor i snimanje takvih feedova
Izmijenite softver za slanje dovoda pružatelju usluga cloud računarstva za analizu u stvarnom vremenu
Provucite feedove kroz Telemus AI™ i vraćanje poboljšanih video izvora natrag u sustav za sigurnosno praćenje
Postavite prilagođena upozorenja za osoblje zaduženo za sigurnost na temelju onoga što je otkriveno

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

Organizacijske primjene

Sljedeće navodi druge potencijalne aplikacije za vašu organizaciju:

Nadgledanje automobila na cestovnoj mreži i otkrivanje kada se dogode nesreće za slanje ekipe u pomoć
Nadgledanje pojedinaca u objektima kako bi se osiguralo da ne dolazi do antisocijalnog ponašanja. Ako je tako, automatski se šalje sigurnosna jedinica za deeskalaciju situacije.
Nadgledanje radnih mjesta i gradilišta, osiguravajući da osoblje nije u objektu izvan utvrđenog radnog vremena

Potencijalne i ostvarene prednosti

Potencijalne i ostvarene prednosti ove tehnologije su goleme. Moguće je provoditi CCTV nadzor točnije i učinkovitije, s manje pogrešaka, uz potrebu za manjim ukupnim brojem osoblja za sigurnost, omogućujući takvom osoblju da se usredotoči na hitnije zadatke kao što su aktivno patroliranje ili istraživački rad.

Telemus AI™ je australska tvrtka za umjetnu inteligenciju koja pruža napredna rješenja za vladu i poduzeća. Kontaktirajte nas danas za besplatno savjetovanje o tome kako se Telemus AI™ može integrirati u vašu organizaciju.

Oznake