Datora atpazīšana - Datoru redzes piešķiršana
Datora atpazīšanai un datoru redzei kopumā ir gara un plaša vēsture kā izaicinošām un sarežģītām jomām, kur progress līdz ML/AI parādīšanās brīdim bija ierobežots. Asā kontrastā ar datorgrafiku, īsā laika posmā ir notikuši daudzi sasniegumi 2D/3D modelēšanas, datorizētās projektēšanas (CAD), digitālo animācijas filmu, piemēram, tādu, kuras producējis Pixar, un videospēļu jomās. Modernā skaitļošana labi piemērojās attēlu uztveršanai un radīšanai, bet ne to uztveršanai.
Analizēšana, piemēram, var nodrošināt drošības un saistītajiem darbiniekiem reāllaika rīcībspējīgus paziņojumus. Klasiskas algoritmiskas programmas rakstīšana, lai atrisinātu datoru atpazīšanas/datoru redzes problēmas, ir grūti, lai gan mākslīgā intelekta izmantošana padara problēmu risināmu.
Problēmas risināšana, izmantojot mākslīgo intelektu
Šī problēma rada jautājumus par to, kā cilvēki identificē objektus redzes laukā, uz kuriem arī ir neticami grūti atbildēt. Lai gan tas joprojām ir ļoti atklāts jautājums, mākslīgie neironu tīkli ir pierādījušies kā neticami noderīgi datoru atpazīšanas/datoru redzes jomā.
Izmantojot dziļās mācīšanās metodes un plašu attēlu datu kopu, ir iespējams apmācīt modeli objektu atpazīšanai. Visizplatītākā datu kopa ir Common Objects in Context (https://cocodataset.org/), kas satur sekojošo saskaņā ar to definīciju:
- Objektu segmentācija
- Atpazīšana kontekstā
- Superpikseļu lietu segmentācija
- 330K attēli (>200K atzīmēto)
- 1,5 miljoni objektu instanču
- 80 objektu kategorijas
- 91 lietu kategorijas
- 5 paraksti uz attēla
- 250 000 cilvēki ar atslēgpunktiem
Dažādu mākslīgā intelekta modeļu apmācība ar šo informāciju ir pierādījusies kā ļoti efektīva, palaižot modeli uz novērtēšanas datu kopas.
Organizācijas izaicinājuma pārskats
Pieņemot, ka pastāv AI iespēja analizēt objektus video plūsmās (kas tā arī ir), kā organizācija ieviestu tādu risinājumu? Joprojām pastāv plašāka problēma — tāda modeļa ieviešana ražošanas vidē, kas var mērogoties un darboties regulējuma ietvaros.
Tradicionāli organizācijas uzdeva savām IT nodaļām uzstādīt šādu iespēju. Parasti organizācijas atrastu gatavo programmatūru problēmas risināšanai vai meklētu pielāgotas programmatūras piegādātāju, lai izveidotu vai pielāgotu esošu risinājumu, ja tāds nebija viegli pieejams. Ņemot vērā mākslīgā intelekta sistēmu sarežģītību, abas šīs iespējas kādu laiku nebūs pieejamas.
Papildus tehniskajiem izaicinājumiem pastāv arī iekšējās politikas un dažādas atbilstības prasības, kurām organizācijām parasti jāatbilst, piemēram, datu privātums, kas, lai gan ir saistīts, ir jautājumi, kas attiecas uz dažādiem jomu ekspertiem. Tādējādi šāda risinājuma ieviešana prasīs kompetenci no daudzām citām organizācijas jomām, kas prasa sarežģītu projektu vadību. Alternatīva iekšējām stratēģijām ir piekļūt šādai iespējai, izmantojot Mākslīgā intelekta kā pakalpojuma uzņēmumu, tostarp Telemus AI™, līdzīgi kā piekļūst mākoņpakalpojumiem.
Organizācijas dati, kas pieejami kā AI ievade
Vairums organizāciju izmanto CCTV drošības nolūkos un nosūta dažādas video plūsmas uz kontroles telpu uzraudzībai. Parasti šīs video plūsmas tiktu uzraudzītas ar drošības personālu 24/7, lai identificētu jebkādu darbību, kas varētu netikt uzskatīta par pieņemamu vai prasītu turpmāku izmeklēšanu vai rīcību. Šīs video plūsmas var tikt padotas cauri mākslīgā intelekta sistēmai. AI brīdina drošības personālu, ja kaut kas prasa turpmāku izmeklēšanu.
Tā priekšrocība ir tā, ka AI sistēma potenciāli var atklāt anomālijas, kuras cilvēks citādi palaistu garām, ja tās nav acīmredzamas vai drošības personālam ir bijis uzmanības zudums. Vēl viens skatījums uz to ir tas, ka drošības personāla spēja saprast, kas notiek video plūsmās, ir tikusi paaugstināta uz augstāku līmeni. Tādējādi tas ir līdzīgs rīku izmantošanai citās jomās, lai paplašinātu mūsu iespējas.
Lai gan šīs tehnoloģijas potenciāls dažiem cilvēkiem var šķist satraucošs, ir svarīgi ņemt vērā, ka jebkurā gadījumā video pārraides uzrauga indivīds, un AI vienkārši palīdz drošības personālam skatīties ierakstus, un šie ieguvumi ir jāizvērtē. Ņemot vērā, ka tehnoloģija tiek izmantota regulētā un drošā veidā saskaņā ar stingru pārvaldības ietvaru, potenciālais ieguvums būtu milzīgs.
Integrācijas metodoloģija
Tālāk ir sniegts augsta līmeņa pārskats par procesu, ko mēs veiktu, lai analizētu šādas plūsmas organizācijā:
- Identificējiet CCTV plūsmas un sistēmu, kas nodrošina šādu plūsmu uzraudzību un ierakstīšanu
- Modificējiet programmatūru, lai nosūtītu plūsmas mākoņskaitļošanas pakalpojumu sniedzējam reālā laika analīzei
- Ievadiet plūsmas caur Telemus AI™ un atgriež uzlabotos video plūsmas atpakaļ drošības uzraudzības sistēmai
- Iestatiet pielāgotus brīdinājumus drošības personālam, pamatojoties uz to, kas tiek atklāts
Ņemot vērā, ka Telemus AI™ veic lielāko daļu darba, organizācija var koncentrēties uz biznesa loģiku, nevis uz tehnisko ieviešanu.
Organizatoriskie lietojumi
Tālāk ir uzskaitītas citas potenciālās lietojumprogrammas jūsu organizācijai:
- Uzraudzīt automašīnas ceļu tīklā un atklāt, kad notiek negadījumi, lai nosūtītu komandu palīgā
- Uzraudzīt personas telpās, lai nodrošinātu, ka nenotiek antisociāla uzvedība. Ja tā notiek, automātiski nosūtīt drošības vienību, lai deeskalātu situāciju.
- Uzraudzīt darba vietas un darba objektus, nodrošinot, ka darbinieki neatrodas telpās ārpus noteiktajām darba stundām
Potenciālie un realizētie ieguvumi
Šīs tehnoloģijas potenciālie un realizētie ieguvumi ir milzīgi. Ir iespējams veikt CCTV monitoringu precīzāk un efektīvāk, ar mazāk kļūdām, prasot mazāk kopējo drošības personāla, ļaujot šādam personālam koncentrēties uz steidzamākiem uzdevumiem, piemēram, aktīvo patrulēšanu vai izmeklēšanas darbu.
Telemus AI™ ir Austrālijā bāzēts mākslīgā intelekta uzņēmums, kas nodrošina progresīvus risinājumus valdībām un uzņēmumiem. Sazinieties ar mums jau šodien, lai saņemtu bezmaksas konsultāciju par to, kā Telemus AI™ var integrēt jūsu organizācijā.
