Računarsko prepoznavanje - Davanje vida računarima

Analiziranje, na primer, može pružiti obaveštenja u realnom vremenu koja su primenljiva za bezbednosno i srodno osoblje. Pisanje klasičnog algoritamskog programa za rešavanje problema računarskog prepoznavanja/računarskog vida je teško, iako korišćenje veštačke inteligencije čini problem rešivim.

Rešavanje problema putem veštačke inteligencije

Ovaj problem postavlja pitanja o tome kako ljudi identifikuju objekte u okviru vizuelnog dometa, na šta je takođe neverovatno teško odgovoriti. Iako je to i dalje otvoreno pitanje, veštačke neuronske mreže su se pokazale neverovatno korisnim u domenu računarskog prepoznavanja/računarskog vida.

Pomoću tehnika dubokog učenja i ogromnog skupa podataka slika, moguće je istrenirati model za prepoznavanje objekata. Najčešći skup podataka je Common Objects in Context (https://cocodataset.org/) koji sadrži sledeće prema njihovoj definiciji:

• Segmentacija objekata
• Prepoznavanje u kontekstu
• Segmentacija superpiksel stvari
• 330K slika (>200K označenih)
• 1,5 miliona instanci objekata
• 80 kategorija objekata
• 91 kategorija stvari
• 5 natpisa po slici
• 250.000 ljudi sa ključnim tačkama

Treniranje različitih modela veštačke inteligencije sa ovim informacijama se pokazalo veoma efikasnim kada se model pokrene na skupu podataka za evaluaciju.

Pregled organizacionog izazova

Pod uslovom da postoji AI mogućnost za analizu objekata u video snimcima (koja postoji), kako bi organizacija implementirala takvo rešenje? Još uvek postoji širi problem implementacije takvog modela u produkcioni okruženje koje može da se skalira i radi u okviru regulatornog okvira.

Tradicionalno, organizacije bi zadužile svoje IT odeljenja da instaliraju takvu mogućnost. Obično bi organizacije pronašle gotav softver da reše problem ili potražile dobavljača prilagođenog softvera da izgradi ili preradi postojeće rešenje ako takvo rešenje nije bilo lako dostupno. S obzirom na složenost sistema veštačke inteligencije, obe opcije bi bile nedostupne prilično dugo vreme.

Pored tehničkih izazova, postoje i interne politike, kao i razni zahtevi za usklađenost koje organizacije moraju da poštuju, poput privatnosti podataka koji su, iako povezani, pitanja za različite stručnjake iz domena. Dakle, implementacija takvog rešenja zahtevaće stručnost iz mnogih drugih oblasti organizacije, zahtevajući složeno upravljanje projektima. Alternativa internim strategijama je pristup takvoj mogućnosti putem poslovnog modela Veštačka inteligencija kao usluga, uključujući Telemus AI™, na način sličan pristupanju uslugama u oblaku.

Organizacioni podaci dostupni kao AI ulaz

Većina organizacija koristi CCTV u sigurnosne svrhe i šalje različite video snimke u kontrolnu sobu na praćenje. Obično bi ove video snimke nadziralo osoblje zaduženo za sigurnost 24/7 kako bi identifikovalo bilo koju aktivnost koja se možda ne smatra prihvatljivom ili zahteva dalju istragu ili akciju. Ovi video snimci se mogu provući kroz sistem veštačke inteligencije. AI obaveštava osoblje zaduženo za sigurnost ako bilo šta zahteva dalju istragu.

Prednost ovoga je što AI sistem potencijalno može otkriti anomalije koje bi čovek inače propustio ako nije očigledno ili ako bezbednosnom osoblju padne koncentracija. Drugi način da se na to pogleda je da je sposobnost bezbednosnog osoblja da razume šta se dešava u video snimcima proširena na viši nivo. Dakle, slično kao korišćenje alata u drugim domenima za proširenje naših sposobnosti.

Iako potencijal ove tehnologije može biti uznemirujući za neke ljude, bitno je uzeti u obzir da pojedinac u svakom trenutku prati video snimke, a AI jednostavno pomaže bezbednosnom osoblju da pregleda snimke, te koristi moraju biti odmerene. S obzirom na to da se tehnologija koristi na regulisan i bezbedan način pod strogim okvirom upravljanja, potencijalna korist bi bila ogromna.

Metodologija integracije

Sledeće je pregled procesa koji bismo izveli na visokom nivou za analizu takvih izvora unutar organizacije:

1. Identifikujte CCTV feedove i sistem koji obezbeđuje nadzor i snimanje takvih feedova
2. Izmenite softver da šalje izvore podataka provajderu cloud računarstva za analizu u realnom vremenu
3. Provucite izvore kroz Telemus AI™ i vraćanje poboljšanih video dovoda nazad u sistem za nadzor bezbednosti
4. Podesite prilagođena obaveštenja za bezbednosno osoblje na osnovu onoga što je otkriveno

S obzirom da Telemus AI™ obavlja veći deo posla, organizacija može da se fokusira na poslovnu logiku umesto na tehničku implementaciju.

Organizacione aplikacije

Sledeće navodi druge potencijalne aplikacije za vašu organizaciju:

• Nadgledanje automobila na putnoj mreži i otkrivanje kada dođe do nesreća kako bi se poslala ekipa u pomoć
• Nadgledanje pojedinaca u objektima kako bi se osiguralo da ne dolazi do antisocijalnog ponašanja. Ako je tako, automatski se šalje bezbednosna jedinica za deeskalaciju situacije.
• Nadgledanje radnih mesta i gradilišta, osiguravajući da osoblje ne boravi u objektu van utvrđenog radnog vremena

Potencijalne i ostvarene prednosti

Potencijalne i ostvarene prednosti ove tehnologije su ogromne. Moguće je obavljati CCTV nadzor tačnije i efikasnije, sa manje grešaka, uz potrebu za manjim ukupnim brojem bezbednosnog osoblja, omogućavajući takvom osoblju da se fokusira na hitnije zadatke kao što su aktivno patroliranje ili istraživački rad.

Telemus AI™ je australijska kompanija za veštačku inteligenciju koja pruža napredna rešenja za vladu i preduzeća. Kontaktirajte nas danas za besplatne konsultacije o tome kako se Telemus AI™ može integrisati u vašu organizaciju.