Rozpoznawanie komputerowe - nadawanie komputerom wzroku

Rozpoznawanie komputerowe i wizja komputerowa w ogóle mają długą, obszerną historię jako dziedziny wymagające i złożone, w których postęp aż do pojawienia się ML/AI był ograniczony. W ostrym kontraście z grafiką komputerową, w krótkim czasie nastąpił liczny postęp w dziedzinie modelowania 2D/3D, projektowania wspomaganego komputerowo (CAD), cyfrowych filmów animowanych, takich jak tych produkowanych przez Pixar, oraz gier wideo. Nowoczesne przetwarzanie komputerowe dobrze nadawało się do przechwytywania i tworzenia obrazów, ale nie do ich postrzegania.

Głównym powodem jest problem percepcji wizualnej. Wraz z pojawieniem się nowoczesnych komputerów nie minęło dużo czasu, zanim badacze opracowali pomysłowe sposoby cyfrowego kodowania obrazów, kodując obraz jako serię pikseli o różnej intensywności (np. RGB), a nawet kompresując obrazy za pomocą wielu schematów. Gdy postęp w przechwytywaniu i kodowaniu obrazów nastąpił i został w większym lub mniejszym stopniu rozwiązany, badacze zwrócili się ku analizie obrazów.

Mając serię pikseli, jak można zidentyfikować obiekty? Istnieją różne pozornie oczywiste, choć naiwne techniki, takie jak badanie koloru klastra pikseli, przy założeniu określonych domen. Możliwe jest przybliżenie obiektów poprzez identyfikację zestawów kolorów z wykorzystaniem uprzedniej wiedzy. Na przykład niebo, ponieważ jest niebieskie i znajduje się na górze obrazu. Klastrowanie kolorów nie uwzględnia również kształtów i rozmiarów obiektów. Takie podejście jest trudne do uogólnienia.

Ta analiza przypadku będzie badać, w jaki sposób analiza strumieni wideo CCTV może przynieść korzyści Twojej organizacji. System AI, który potrafi identyfikować obiekty na podstawie nagrań z monitoringu, ma liczne zastosowania.

Analiza, na przykład, może dostarczać w czasie rzeczywistym praktyczne powiadomienia dla personelu bezpieczeństwa i pracowników powiązanych. Napisanie klasycznego programu algorytmicznego do rozwiązywania problemów rozpoznawania komputerowego/wizji komputerowej jest trudne, chociaż użycie sztucznej inteligencji sprawia, że problem staje się rozwiązywalny.

Rozwiązanie problemu za pomocą sztucznej inteligencji

Ten problem rodzi pytania o to, jak ludzie identyfikują obiekty w zakresie wzrokowym, na co również niezwykle trudno odpowiedzieć. Chociaż nadal jest to bardzo otwarte pytanie, sztuczne sieci neuronowe okazały się niezwykle przydatne w dziedzinie rozpoznawania komputerowego/wizji komputerowej.

Dzięki technikom głębokiego uczenia i ogromnemu zestawowi danych obrazów możliwe jest wytrenowanie modelu do identyfikacji obiektów. Najpopularniejszym zestawem danych jest Common Objects in Context (https://cocodataset.org/), które zawiera następujące elementy zgodnie z ich definicją:

Segmentacja obiektów
Rozpoznawanie w kontekście
Segmentacja superpikseli
330K obrazów (>200K oznaczonych)
1,5 miliona instancji obiektów
80 kategorii obiektów
91 kategorii tła
5 podpisów na obraz
250 000 osób z punktami kluczowymi

Trenowanie różnych modeli sztucznej inteligencji z wykorzystaniem tych informacji okazało się wysoce skuteczne podczas uruchamiania modelu na zbiorze danych ewaluacyjnych.

Przegląd wyzwania organizacyjnego

Zakładając, że istnieje zdolność AI do analizowania obiektów w strumieniach wideo (co ma miejsce), w jaki sposób organizacja wdrożyłaby takie rozwiązanie? Nadal istnieje szerszy problem wdrożenia takiego modelu w środowisku produkcyjnym, które może skalować się i działać w ramach regulacyjnych.

Tradycyjnie organizacje zlecały swoim działom IT instalację takiej funkcjonalności. Zazwyczaj organizacje znajdowały gotowe oprogramowanie, aby rozwiązać problem, lub szukały dostawcy oprogramowania niestandardowego, aby zbudować lub zmodyfikować istniejące rozwiązanie, jeśli takie rozwiązanie nie było łatwo dostępne. Biorąc pod uwagę złożoność systemów Sztucznej Inteligencji, obie te opcje byłyby niedostępne przez dość długi czas.

Oprócz wyzwań technicznych, istnieją również wewnętrzne zasady oraz różne wymogi zgodności, których organizacje muszą zazwyczaj przestrzegać, takie jak prywatność danych, które, choć powiązane, są problemami dla różnych ekspertów dziedzinowych. Wdrożenie takiego rozwiązania będzie zatem wymagało wiedzy eksperckiej z wielu innych obszarów organizacji, co wymaga złożonego zarządzania projektami. Alternatywą dla strategii wewnętrznych jest dostęp do takich możliwości za pośrednictwem firmy oferującej Artificial Intelligence as a Service, w tym Telemus AI™, w sposób podobny do korzystania z usług chmurowych.

Dane organizacyjne dostępne jako dane wejściowe AI

Większość organizacji używa CCTV do celów bezpieczeństwa i wysyła różne strumienie wideo do pokoju kontrolnego w celu monitorowania. Zazwyczaj te strumienie wideo są monitorowane przez personel ochronny 24/7 w celu zidentyfikowania jakiejkolwiek aktywności, która może nie być uznana za akceptowalną lub wymagać dalszego dochodzenia lub działania. Te strumienie wideo mogą być przesyłane przez system sztucznej inteligencji. AI ostrzega personel ochronny, jeśli cokolwiek wymaga dalszego dochodzenia.

Zaletą tego jest to, że system AI może potencjalnie wykryć anomalie, które człowiek w innym przypadku przeoczyłby, gdyby nie były one oczywiste lub gdyby personel ochrony miał chwilę nieuwagi. Innym sposobem spojrzenia na to jest stwierdzenie, że zdolność personelu ochrony do rozumienia tego, co dzieje się w strumieniach wideo, została rozszerzona na wyższy poziom. Jest to zatem podobne do korzystania z narzędzi w innych dziedzinach w celu rozszerzenia naszych możliwości.

Chociaż potencjał tej technologii może być dla niektórych osób konfrontujący, należy wziąć pod uwagę, że w każdym przypadku osoba monitoruje strumienie wideo, a AI jedynie pomaga personelowi ochrony w oglądaniu nagrania, a korzyści muszą zostać zważone. Biorąc pod uwagę, że technologia jest prowadzona w regulowany i bezpieczny sposób w ramach rygorystycznej struktury zarządzania, potencjalne korzyści będą ogromne.

Metodologia integracji

Poniżej znajduje się przegląd procesu, który przeprowadzilibyśmy na wysokim poziomie w celu analizy takich strumieni w organizacji:

Zidentyfikuj strumienie CCTV i system zapewniający monitorowanie i nagrywanie takich strumieni
Modyfikacja oprogramowania w celu wysyłania strumieni danych do dostawcy chmury obliczeniowej w celu analizy w czasie rzeczywistym
Przekaż strumienie przez Telemus AI™ i przesyłanie ulepszonych strumieni wideo z powrotem do systemu monitorowania bezpieczeństwa
Skonfiguruj spersonalizowane alerty dla personelu ochrony na podstawie tego, co zostanie wykryte

Ponieważ Telemus AI™ zajmuje się większością pracy, organizacja może skupić się na logice biznesowej, a nie na implementacji technicznej.

Zastosowania organizacyjne

Poniższa lista innych potencjalnych zastosowań dla Twojej organizacji:

Monitorowanie samochodów w sieci drogowej i wykrywanie wypadków w celu wysłania ekipy na pomoc
Monitorowanie osób w obiektach w celu upewnienia się, że nie występuje zachowanie antyspołeczne. Jeśli tak, automatyczne wysłanie oddziału ochrony w celu złagodzenia sytuacji.
Monitorowanie miejsc pracy i placów budowy, zapewniając, że personel nie przebywa na terenie obiektu poza ustalonymi godzinami pracy

Potencjalne i zrealizowane korzyści

Potencjalne i zrealizowane korzyści z tej technologii są ogromne. Można przeprowadzać monitorowanie CCTV dokładniej i wydajniej, z mniejszą liczbą błędów, wymagając mniej ogólnego personelu ochrony, co pozwala takiemu personelowi skupić się na bardziej pilnych zadaniach, takich jak aktywne patrole lub prace dochodzeniowe.

Telemus AI™ to australijska firma zajmująca się sztuczną inteligencją, dostarczająca zaawansowane rozwiązania dla administracji rządowej i przedsiębiorstw. Skontaktuj się z nami już dziś, aby uzyskać bezpłatną konsultację na temat tego, jak Telemus AI™ może być zintegrowane z Twoją organizacją.

Tagi

Wykrywanie obiektów na nagraniach z monitoringu