Reconhecimento por Computador - Dar Visão aos Computadores

O reconhecimento por computador e a visão por computador, em geral, têm uma longa e extensa história de serem campos desafiantes e complexos onde o progresso, até ao advento do ML/AI, era limitado. Em forte contraste, com os gráficos por computador, numerosos avanços ocorreram num curto espaço de tempo nos campos de modelagem 2D/3D, design assistido por computador (CAD), filmes digitais de animação, como os produzidos pela Pixar, e videojogos. A computação moderna prestava-se bem a capturar e criar imagens, mas não a percecioná-las.

A principal razão deve-se ao problema da perceção visual. Durante o advento dos computadores de secretária modernos, não demorou muito tempo até que os investigadores desenvolvessem formas engenhosas de codificar imagens digitalmente, codificando a imagem como uma série de píxeis de várias intensidades (por exemplo, RGB) e até comprimindo imagens através de múltiplos esquemas. À medida que a captura e a codificação de imagens progrediram e foram mais ou menos resolvidas, os investigadores voltaram-se para a análise de imagens.

Dada uma série de píxeis, como podem os objetos ser identificados? Existem várias técnicas aparentemente óbvias, embora ingénuas, como observar a cor de um aglomerado de píxeis, 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. Esta abordagem é difícil de generalizar.

Este estudo de caso irá explorar como a análise de transmissões de vídeo CCTV pode beneficiar a 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 ao pessoal de segurança e afins. Escrever um programa algorítmico clássico para resolver problemas de reconhecimento computacional/visão computacional é difícil, embora a utilização de Inteligência Artificial torne o problema tratável.

Resolver o Problema via Inteligência Artificial

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

Com técnicas de aprendizagem profunda 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 a sua definição:

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

O treino de vários modelos de inteligência artificial com esta informação revelou-se altamente eficaz ao executar o modelo num conjunto de dados de avaliação.

Visão Geral do Desafio Organizacional

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

Tradicionalmente, as organizações encarregariam os seus departamentos de TI de instalar tal capacidade. Normalmente, as organizações procurariam software pronto a usar 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 durante bastante tempo.

Além dos desafios técnicos, existem também políticas internas e vários requisitos de conformidade às quais as organizações têm de aderir comummente, como a 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 uma gestão de projetos complexa. Uma alternativa às estratégias internas é aceder a tal capacidade através de um negócio de Inteligência Artificial como Serviço, incluindo Telemus AI™, de forma semelhante ao acesso a serviços na nuvem.

Dados Organizacionais Disponíveis como Input de AI

A maioria das organizações utiliza CCTV para fins de segurança e envia vários fluxos de vídeo para uma sala de controlo para monitorização. Normalmente, estes fluxos de vídeo teriam pessoal de segurança a monitorizá-los 24/7 para identificar qualquer atividade que possa não ser considerada aceitável ou que exija investigação ou ação adicional. Estes fluxos de vídeo podem ser alimentados através de um sistema de inteligência artificial. A AI alerta o pessoal de segurança se algo necessitar de investigação adicional.

A vantagem disto é que o sistema de AI pode potencialmente detetar anomalias que um humano caso contrário não detetaria, se não forem óbvias ou se o pessoal de segurança tiver uma falha de atenção. Outra forma de encarar isto é que a capacidade do pessoal de segurança para compreender o que está a acontecer nas transmissões de vídeo foi aumentada para um nível superior. Assim, de forma semelhante à utilização de ferramentas noutros domínios para aumentar as nossas capacidades.

Embora o potencial desta tecnologia possa ser intimidante para algumas pessoas, é essencial considerar que um indivíduo está a monitorizar as transmissões de vídeo em qualquer instância, e a AI está simplesmente a ajudar o pessoal de segurança a visualizar as imagens, e os benefícios precisam de ser ponderados. Dado que a tecnologia é operada de forma regulada e segura sob uma estrutura de governação rigorosa, o potencial positivo seria imenso.

Metodologia de Integração

Segue-se uma visão geral do processo que realizaríamos a um nível elevado para analisar tais transmissões dentro de uma organização:

Identificar feeds de CCTV e o sistema que fornece monitorização e gravação de tais feeds
Modificar o software para enviar feeds para um fornecedor de computação em nuvem para análise em tempo real
Passar as transmissões pela Telemus AI™ e devolver feeds de vídeo aumentados de volta ao sistema de monitorização de segurança
Configurar alertas personalizados para o pessoal de segurança com base no que é detetado

Dado que o Telemus AI™ cuida da maior parte do trabalho, a organização pode focar-se na lógica de negócios em vez da implementação técnica.

Aplicações Organizacionais

A seguinte lista apresenta outras potenciais aplicações para a sua organização:

Monitorizar carros numa rede rodoviária e detetar quando ocorrem acidentes para enviar uma equipa para assistência
Monitorizar indivíduos em recintos para garantir que não está a ocorrer comportamento antissocial. Em caso afirmativo, despachar automaticamente uma unidade de segurança para desescalar a situação.
Monitorizar locais de trabalho e canteiros de obras, garantindo que os funcionários não se encontram nas instalações fora do horário de funcionamento definido

Benefícios Potenciais e Realizados

O potencial e os benefícios realizados desta tecnologia são vastos. É possível realizar a monitorização de CCTV de forma mais precisa e eficiente, com menos erros, exigindo menos pessoal de segurança no geral, permitindo que esse 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 que fornece soluções avançadas ao governo e às empresas. Contacte-nos hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada na sua organização.

Etiquetas

Deteção de Objetos em Filmagens de Vigilância