Reconhecimento por Computador - Dando Visão aos Computadores

O reconhecimento por computador e a visão computacional, em geral, têm uma longa e extensa história de serem campos desafiadores e complexos onde o progresso até o advento do ML/AI era limitado. Em forte contraste, com os gráficos de computador, numerosos avanços ocorreram em um curto espaço de tempo dentro dos campos de modelagem 2D/3D, design auxiliado por computador (CAD), filmes digitais de animação, como aqueles produzidos pela Pixar, e videogames. A computação moderna se prestou bem a capturar e criar imagens, mas não a percebê-las.

O principal motivo se deve ao problema da percepção visual. Durante o advento dos computadores de mesa modernos, não demorou muito para que os pesquisadores desenvolvessem maneiras engenhosas de codificar imagens digitalmente, codificando a imagem como uma série de pixels de várias intensidades (por exemplo, RGB) e até mesmo compactando imagens por meio de vários esquemas. À medida que a captura e a codificação de imagens progrediram e foram mais ou menos resolvidas, os pesquisadores se voltaram para a análise de imagens.

Dada uma série de pixels, como os objetos podem ser identificados? Existem várias técnicas aparentemente óbvias, embora ingênuas, como observar a cor de um grupo de pixels, dado domínios específicos. É possível aproximar objetos identificando conjuntos de cores com conhecimento prévio. Por exemplo, um céu, dado que é azul e está no topo de uma imagem. O agrupamento de cores também não considera as formas e tamanhos dos objetos. Essa abordagem é difícil de generalizar.

Este estudo de caso explorará como a análise de feeds de vídeo de CCTV pode beneficiar sua organização. Um sistema de IA que pode identificar objetos a partir de filmagens de vigilância tem inúmeras aplicações.

A análise, por exemplo, pode fornecer notificações acionáveis em tempo real para a segurança e pessoal relacionado. Escrever um programa algorítmico clássico para resolver problemas de reconhecimento por computador/visão computacional é difícil, embora o uso de Inteligência Artificial torne o problema tratável.

Resolvendo o Problema via Inteligência Artificial

Esse problema levanta questões sobre como os humanos identificam objetos dentro de um alcance visual, o que também é incrivelmente difícil de responder. Embora esta ainda seja muito uma questão em aberto, as redes neurais artificiais provaram ser incrivelmente úteis no domínio do reconhecimento por computador/visão computacional.

Com técnicas de aprendizado profundo e um vasto conjunto de dados de imagens, é possível treinar um modelo para identificar objetos. O conjunto de dados mais comum é o Common Objects in Context (https://cocodataset.org/) que contém o seguinte conforme sua definição:

Segmentação de objetos
Reconhecimento em contexto
Segmentação de superpixel
330K imagens (>200K rotulados)
1,5 milhão de instâncias de objetos
80 categorias de objetos
91 categorias de material
5 legendas por imagem
250.000 pessoas com pontos-chave

O treinamento de vários modelos de inteligência artificial com essas informações provou ser altamente eficaz ao executar o modelo em um conjunto de dados de avaliação.

Visão Geral do Desafio Organizacional

Assumindo que a capacidade de IA existe para analisar objetos dentro de transmissões de vídeo (o que é o caso), como uma organização implementaria tal solução? Ainda existe o problema mais amplo de implementar tal modelo em um ambiente de produção que possa escalar e operar dentro de uma estrutura regulatória.

Tradicionalmente, as organizações encarregariam seus departamentos de TI com a instalação de tal capacidade. Normalmente, as organizações encontrariam um software pronto para resolver o problema ou procurariam um fornecedor de software personalizado para construir ou adaptar uma solução existente se tal solução não estivesse prontamente disponível. Dada a complexidade dos sistemas de Inteligência Artificial, ambas as opções estariam indisponíveis por bastante tempo.

Além dos desafios técnicos, também existem políticas internas e vários requisitos de conformidade que as organizações precisam seguir comumente, como privacidade de dados que, embora relacionados, são questões para diferentes especialistas de domínio. Assim, a implementação de tal solução exigirá conhecimentos de muitas outras áreas de uma organização, requerendo gerenciamento de projetos complexo. Uma alternativa às estratégias internas é acessar tal capacidade por meio de um negócio de Inteligência Artificial como Serviço, incluindo Telemus AI™, de maneira semelhante ao acesso a serviços de nuvem.

Dados Organizacionais Disponíveis como Entrada de AI

A maioria das organizações usa CCTV para fins de segurança e envia vários feeds de vídeo para uma sala de controle para monitoramento. Normalmente, esses feeds de vídeo teriam pessoal de segurança monitorando-os 24/7 para identificar qualquer atividade que possa não ser considerada aceitável ou que exija investigação ou ação adicional. Esses feeds de vídeo podem ser alimentados por meio de um sistema de inteligência artificial. A AI alerta o pessoal de segurança se algo precisar de investigação adicional.

A vantagem disso é que o sistema de AI pode potencialmente detectar anomalias que um humano, de outra forma, perderia se não fosse óbvio ou se o pessoal de segurança tivesse uma falha de atenção. Outra forma de ver isso é que a capacidade do pessoal de segurança de entender o que está acontecendo nos feeds de vídeo foi aumentada para um nível superior. Assim, semelhante ao uso de ferramentas em outros domínios para aumentar nossas capacidades.

Embora o potencial dessa tecnologia possa ser assustador para algumas pessoas, é essencial considerar que um indivíduo está monitorando os feeds de vídeo em qualquer instância, e a AI está simplesmente ajudando a equipe de segurança a visualizar as filmagens, e os benefícios precisam ser ponderados. Dado que a tecnologia é executada de maneira regulada e segura sob uma estrutura de governança rigorosa, o potencial positivo seria imenso.

Metodologia de Integração

A seguir, uma visão geral do processo que realizaríamos em um alto nível para analisar tais feeds dentro de uma organização:

Identifique feeds de CCTV e o sistema que fornece monitoramento e gravação de tais feeds
Modificar o software para enviar feeds para um provedor de computação em nuvem para análise em tempo real
Passar os feeds pela Telemus AI™ e retornar feeds de vídeo aumentados de volta ao sistema de monitoramento de segurança
Configure alertas personalizados para a equipe de segurança com base no que é detectado

Como a Telemus AI™ cuida da maior parte do trabalho, a organização pode focar na lógica de negócios em vez da implementação técnica.

Aplicações Organizacionais

A seguir, lista outras aplicações potenciais para sua organização:

Monitorar carros em uma rede rodoviária e detectar quando acidentes ocorrem para enviar uma equipe para auxiliar
Monitorar indivíduos em locais para garantir que comportamentos antissociais não estejam ocorrendo. Se sim, despachar automaticamente uma unidade de segurança para desescalar a situação.
Monitorar locais de trabalho e canteiros de obras, garantindo que a equipe não esteja dentro das instalações fora do horário de funcionamento estabelecido

Benefícios Potenciais e Realizados

O potencial e os benefícios realizados desta tecnologia são vastos. É possível realizar o monitoramento de CCTV com mais precisão e eficiência, com menos erros, exigindo menos pessoal de segurança geral, permitindo que tal pessoal se concentre em tarefas mais urgentes, como patrulhamento ativo ou trabalho investigativo.

A Telemus AI™ é uma empresa de inteligência artificial sediada na Austrália, fornecendo soluções avançadas para o governo e empresas. Entre em contato conosco hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada em sua organização.

Detecção de Objetos em Filmagens de Vigilância