Računalniško prepoznavanje - Računalnikom dajemo vid
Računalniško prepoznavanje in računalniški vid na splošno imata dolgo zgodovino kot zahtevni in kompleksni področji, kjer je bil napredek do pojava ML/AI omejen. V ostrem nasprotju z računalniško grafiko so v kratkem času doseženi številni napredki na področjih 2D/3D modeliranja, računalniško podprtega načrtovanja (CAD), digitalnih animiranih filmov, kot so tisti, ki jih producira Pixar, in video iger. Sodobno računalništvo se je odlično obneslo pri zajemanju in ustvarjanju slik, ne pa pri njihovem dojemanju.
Analiziranje lahko na primer zagotovi obvestila v realnem času, na katere lahko ukrepajo varnostni in sorodno osebje. Pisanje klasičnega algoritmskega programa za reševanje problemov računalniškega prepoznavanja/računalniškega vida je težavno, uporaba umetne inteligence pa problem naredi obvladljiv.
Reševanje problema z umetno inteligenco
Ta problem odpira vprašanja o tem, kako ljudje prepoznavajo predmete znotraj vidnega obsega, kar je tudi neizmno težko odgovoriti. Čeprav je to še vedno odprto vprašanje, so se umetne nevronske mreže izkazale za neizmno uporabne na področju računalniškega prepoznavanja/računalniškega vida.
Z uporabo tehnik globokega učenja in obsežnega nabora slik je mogoče model naučiti prepoznavanja objektov. Najpogostejši nabor podatkov je Common Objects in Context (https://cocodataset.org/), ki vsebuje naslednje glede na njihovo opredelitev:
- Segmentacija objektov
- Prepoznavanje v kontekstu
- Segmentacija superpikslov
- 330K slik (>200K označenih)
- 1,5 milijona primerov objektov
- 80 kategorij objektov
- 91 kategorij snovi
- 5 napisov na sliko
- 250.000 ljudi s ključnimi točkami
Usposabljanje različnih modelov umetne inteligence s temi informacijami se je izkazalo za zelo učinkovito pri zagonu modela na naboru podatkov za evalvacijo.
Pregled organizacijskega izziva
Ob predpostavki, da zmožnost AI za analizo objektov znotraj video dovodov obstaja (kar obstaja), kako bi organizacija implementirala takšno rešitev? Še vedno obstaja širši problem implementacije takega modela v produkcijskem okolju, ki se lahko skalira in deluje znotraj regulativnega okvira.
Tradicionalno so organizacije zahtevale od svojih oddelkov IT, da namestijo takšno zmožnost. Običajno bi organizacije našle pripravljeno programsko opremo za rešitev problema ali poiskale dobavitelja programskih rešitev po meri za izgradnjo ali prilagoditev obstoječe rešitve, če takšna rešitev ni bila takoj na voljo. Glede na kompleksnost sistemov umetne inteligence obe možnosti ne bi bili na voljo precej dolgo časa.
Poleg tehničnih izzivov obstajajo tudi notranje politike in različne zahteve skladnosti, ki jim morajo organizacije običajno slediti, na primer zasebnost podatkov, ki so sicer povezani, vendar so vprašanja, ki obravnavajo različni strokovnjaki s področja. Tako bo uvedba takšne rešitve zahtevala strokovno znanje iz številnih drugih področij organizacije, kar zahteva kompleksno upravljanje projektov. Alternativa notranjim strategijam je dostop do takšne zmožnosti preko podjetja, ki ponuja umetno inteligenco kot storitev (AI as a Service), vključno s Telemus AI™, na način, podoben dostopu do storitev v oblaku.
Organizacijski podatki, razpoložljivi kot vhod za AI
Večina organizacij za varnostne namene uporablja CCTV in v nadzorno sobo pošilja različne video tokove za spremljanje. Običajno te video tokove varnostno osebje spremlja 24/7, da bi ugotovilo morebitno dejavnost, ki se ne šteje za sprejemljivo ali zahteva nadaljnjo preiskavo ali ukrepanje. Te video tokove je mogoče usmeriti skozi sistem umetne inteligence. AI opozori varnostno osebje, če karkoli zahteva nadaljnjo preiskavo.
Prednost tega je, da lahko sistem AI potencialno zazna anomalije, ki bi jih človek sicer spregledal, če niso očitne ali če je varnostno osebje izgubilo pozornost. Drug način za pogled na to je, da je zmožnost varnostnega osebja za razumevanje dogajanja v video virih bila okrepljena na višjo raven. Tako je podobno uporabi orodij v drugih domenah za okrepitev naših zmožnosti.
Medtem ko je potencial te tehnologije za nekatere ljudi morda zastrašujoč, je treba upoštevati, da v vsakem primeru posameznik spremlja video vire in AI le pomaga varnostnemu osebju pri ogledu posnetkov, pri čemer je treba koristi primerjati. Glede na to, da se tehnologija izvaja na reguliran in varen način pod strogim okvirom upravljanja, bi bil potencialni dobicek ogromen.
Metodologija integracije
Naslednje je pregled postopka, ki bi ga na visoki ravni izvedli za analizo takih virov znotraj organizacije:
- Prepoznajte vire CCTV in sistem, ki zagotavlja spremljanje in snemanje takšnih virov
- Spreminjanje programske opreme za pošiljanje dovodov ponudniku oblačnega računalništva za analizo v realnem času
- Pošljite vire skozi Telemus AI™ in vračanje razširjenih video dovodov nazaj v sistem za varnostno spremljanje
- Nastavite prilagojena opozorila za varnostno osebje na podlagi tega, kar je zaznano
Ker Telemus AI™ opravi večino dela, se lahko organizacija osredotoči na poslovno logiko namesto na tehnično implementacijo.
Organizacijske aplikacije
Naslednje navaja druge potencialne aplikacije za vašo organizacijo:
- Spremljanje avtomobilov na cestnem omrežju in zaznavanje, kdaj se zgodijo nesreče, za pošiljanje ekipe na pomoč
- Spremljanje posameznikov v prostorih za zagotavljanje, da ne prihaja do asocialnega vedenja. Če je tako, se samodejno pošlje varnostno enoto za pomiritev situacije.
- Spremljanje delovnih mest in delovišč ter zagotavljanje, da osebje ni v prostoru izven določenih ur delovanja
Morebitne in uresničene prednosti
Morebitne in uresničene prednosti te tehnologije so obsežne. CCTV nadzor je mogoče izvajati bolj natančno in učinkovito, z manj napakami, z manj varnostnega osebja skupaj, kar takemu osebju omogoča, da se osredotoči na nujnejše naloge, kot so aktivno patruljiranje ali preiskovalno delo.
Telemus AI™ je avstralsko podjetje za umetno inteligenco, ki vladi in podjetjem zagotavlja napredne rešitve. Kontaktirajte nas danes za brezplačno posvetovanje o tem, kako lahko Telemus AI™ integrirate v vašo organizacijo.
