Datorigenkänning - Ge datorer syn

Analys kan till exempel ge realtidsmeddelanden med åtgärdsbar information till säkerhets- och relaterad personal. Att skriva ett klassiskt algoritmiskt program för att lösa problem med datorigenkänning/datorseende är svårt, även om användning av artificiell intelligens gör problemet hanterbart.

Lösa problemet via Artificiell Intelligens

Detta problem väcker frågor om hur människor identifierar objekt inom ett visuellt omfång vilket också är oerhört svårt att svara på. Även om detta fortfarande i hög grad är en öppen fråga, har artificiella neurala nätverk visat sig vara oerhört användbara inom domänen för datorigenkänning/datorseende.

Med djupinlärningstekniker och ett enormt dataset av bilder är det möjligt att träna en modell för att identifiera objekt. Det vanligaste datasetet är Common Objects in Context (https://cocodataset.org/) som innehåller följande enligt deras definition:

• Objektsegmentering
• Igenkänning i kontext
• Superpixel segmentering
• 330K bilder (>200K märkta)
• 1,5 miljoner objektinstanser
• 80 objektkategorier
• 91 stuff-kategorier
• 5 bildtexter per bild
• 250 000 personer med nyckelpunkter

Att träna olika AI-modeller med denna information har visat sig vara mycket effektivt när modellen körs på ett utvärderingsdataset.

Översikt över den organisatoriska utmaningen

Förutsatt att AI-kapaciteten finns för att analysera objekt i videoflöden (vilket den gör), hur skulle en organisation implementera en sådan lösning? Det finns fortfarande det bredare problemet med att implementera en sådan modell i en produktionsmiljö som kan skala och verka inom ett reglerande ramverk.

Traditionellt skulle organisationer ge sina IT-avdelningar i uppgift att installera en sådan funktion. Vanligtvis skulle organisationer hitta färdig programvara för att lösa problemet eller söka efter en leverantör av anpassad programvara för att bygga eller anpassa en befintlig lösning om en sådan lösning inte var lättillgänglig. Med tanke på komplexiteten i AI-system skulle båda dessa alternativ vara otillgängliga ganska länge.

Förutom de tekniska utmaningarna finns det även interna policyer och olika efterlevnadskrav som organisationer i allmänhet måste följa, såsom datasekretess som, även om de är relaterade, är frågor som hanteras av olika domänexperter. Att implementera en sådan lösning kommer därför att kräva expertis från många andra områden i en organisation, vilket kräver komplex projektledning. Ett alternativ till interna strategier är att få tillgång till en sådan funktion via ett Artificial Intelligence as a Service-företag, inklusive Telemus AI™, på ett sätt som liknar åtkomst av molntjänster.

Organisatorisk data tillgänglig som AI-indata

De flesta organisationer använder CCTV för säkerhetsändamål och har olika videoströmmar som skickas till ett kontrollrum för övervakning. Vanligtvis skulle dessa videoströmmar ha säkerhetspersonal som övervakar dem dygnet runt för att identifiera all aktivitet som inte kan anses acceptabel eller kräver ytterligare utredning eller åtgärd. Dessa videoströmmar kan matas genom ett artificiellt intelligenssystem. AI varnar säkerhetspersonalen om något behöver ytterligare utredning.

Fördelen med detta är att AI-systemet potentiellt kan upptäcka anomalier som en människa annars skulle missa om det inte är uppenbart eller om säkerhetspersonalen hade ett uppmärksamhetsavbrott. Ett annat sätt att se på detta är att säkerhetspersonalens förmåga att förstå vad som händer i videoflöden har förstärkts till en högre nivå. Detta liknar därmed användningen av verktyg inom andra områden för att förstärka våra förmågor.

Även om potentialen i denna teknik kan vara konfronterande för vissa människor, är det viktigt att beakta att en individ övervakar videoflödena i varje enskilt fall, och AI hjälper helt enkelt säkerhetspersonalen att visa inspelningarna, och fördelarna måste vägas mot varandra. Med tanke på att tekniken drivs på ett reglerat och säkert sätt under ett strikt styrningsramverk, skulle den potentiella vinsten vara enorm.

Integrationsmetodik

Följande är en översikt över den process vi skulle utföra på en hög nivå för att analysera sådana flöden inom en organisation:

1. Identifiera CCTV-flöden och det system som tillhandahåller övervakning och inspelning av sådana flöden
2. Modifiera mjukvaran för att skicka flöden till en leverantör av molntjänster för realtidsanalys
3. Kör flödena genom Telemus AI™ och returnera förstärda videoflöden tillbaka till säkerhetsövervakningssystemet
4. Ställ in anpassade varningar till säkerhetspersonalen baserat på vad som upptäcks

Med tanke på att Telemus AI™ tar hand om det mesta av arbetet, kan organisationen fokusera på affärslogiken snarare än den tekniska implementeringen.

Organisatoriska tillämpningar

Följande listar andra potentiella applikationer för din organisation:

• Övervaka bilar på ett vägnätverk och upptäcka när olyckor inträffar för att skicka ett team för att assistera
• Övervaka individer på platser för att säkerställa att antisocialt beteende inte förekommer. Om så är fallet, skicka automatiskt en säkerhetsenhet för att avvärja situationen.
• Övervaka arbetsplatser och arbetsområden, och säkerställa att personal inte vistas i lokalen utanför fastställda öppettider

Potentiella och realiserade fördelar

De potentiella och realiserade fördelarna med denna teknik är enorma. Det är möjligt att utföra CCTV-övervakning mer exakt och effektivt, med färre fel, vilket kräver färre säkerhetspersonal totalt sett, vilket gör att sådan personal kan fokusera på mer trängande uppgifter som aktiv patrullering eller utredningsarbete.

Telemus AI™ är ett australiensiskt-baserat företag för artificiell intelligens som tillhandahåller avancerade lösningar till regering och företag. Kontakta oss idag för ett gratis samtal om hur Telemus AI™ kan integreras i din organisation.