Комп'ютерне розпізнавання — Надання комп'ютерам зору

Аналіз, наприклад, може надавати в режимі реального часу практичні сповіщення для служби безпеки та пов'язаного персоналу. Написання класичної алгоритмічної програми для вирішення задач комп'ютерного розпізнавання/комп'ютерного зору є складним, хоча використання штучного інтелекту робить цю задачу вирішуваною.

Вирішення проблеми за допомогою штучного інтелекту

Ця проблема викликає питання про те, як люди ідентифікують об'єкти в межах візуального діапазону, на що також неймовірно важко відповісти. Хоча це все ще дуже відкрите питання, штучні нейронні мережі виявилися неймовірно корисними у сфері комп'ютерного розпізнавання/комп'ютерного бачення.

За допомогою методів глибокого навчання та великого набору даних зображень можна навчити модель розпізнавати об'єкти. Найпоширенішим набором даних є Common Objects in Context (https://cocodataset.org/), який містить наступне згідно з його визначенням:

• Сегментація об'єктів
• Розпізнавання в контексті
• Сегментація на основі суперпікселів
• 330K зображень (>200K розмічених)
• 1,5 мільйона екземплярів об'єктів
• 80 категорій об'єктів
• 91 категорій речей
• 5 підписів на зображення
• 250 000 людей з ключовими точками

Навчання різних моделей штучного інтелекту з використанням цієї інформації виявилося високоефективним під час запуску моделі на оціночному наборі даних.

Організаційний виклик: огляд

За умови, що існує можливість AI для аналізу об'єктів у відеопотоках (а вона існує), як організація може впровадити таке рішення? Все ще існує ширша проблема впровадження такої моделі в промисловому середовищі, яке може масштабуватися та працювати в рамках нормативної бази.

Традиційно організації доручали своїм відділам ІТ встановлення такої можливості. Зазвичай організації знаходили готове програмне забезпечення для вирішення проблеми або шукали розробника кастомного програмного забезпечення для створення або адаптації існуючого рішення, якщо таке рішення не було легкодоступним. З огляду на складність систем штучного інтелекту, обидва ці варіанти будуть недоступними ще досить довгий час.

Окрім технічних викликів, існують також внутрішні політики та різні вимоги щодо відповідності, які організації зазвичай мають дотримуватися, наприклад, конфіденційність даних, які, хоч і пов'язані, є питаннями для різних експертів у своїх галузях. Таким чином, впровадження такого рішення вимагатиме експертизи з багатьох інших сфер організації та складного управління проєктами. Альтернативою внутрішнім стратегіям є отримання доступу до такої можливості через бізнес, що надає штучний інтелект як послугу (Artificial Intelligence as a Service), включаючи Telemus AI™, способом, подібним до доступу до хмарних сервісів.

Організаційні дані, доступні як вхідні дані для AI

Більшість організацій використовують CCTV у цілях безпеки та передають різні відеопотоки в диспетчерську для моніторингу. Зазвичай ці відеопотоки контролюються співробітниками служби безпеки цілодобово для виявлення будь-якої діяльності, яка може вважатися неприйнятною або вимагати подальшого розслідування чи дій. Ці відеопотоки можна пропустити через систему штучного інтелекту. AI попереджає співробітників служби безпеки, якщо щось потребує подальшого розслідування.

Перевага цього полягає в тому, що система AI потенційно може виявляти аномалії, які людина в іншому випадку пропустила б, якщо вони не є очевидними або якщо увага персоналу безпеки була послаблена. Інший погляд на це полягає в тому, що здатність персоналу безпеки розуміти те, що відбувається у відеопотоках, була підвищена до вищого рівня. Таким чином, це схоже на використання інструментів в інших сферах для розширення наших можливостей.

Хоча потенціал цієї технології може здаватися деяким людям лякаючим, важливо врахувати, що в будь-якому випадку за відеопотоками стежить людина, а AI просто допомагає співробітникам служби безпеки переглядати записи, і ці переваги необхідно зважити. Враховуючи, що технологія працює регламентовано та безпечно в рамках суворої системи управління, потенційна користь буде величезною.

Методологія інтеграції

Нижче наведено огляд процесу, який ми б виконали на високому рівні для аналізу таких потоків даних в організації:

1. Визначте потоки CCTV та систему, яка забезпечує моніторинг та запис таких потоків
2. Модифікувати програмне забезпечення для надсилання потоків даних провайдеру хмарних обчислень для аналізу в реальному часі
3. Пропустіть потоки даних через Telemus AI™ та повертати доповнені відеопотоки назад у систему моніторингу безпеки
4. Налаштуйте спеціалізовані сповіщення для персоналу безпеки на основі того, що виявлено

Оскільки Telemus AI™ бере на себе більшу частину роботи, організація може зосередитися на бізнес-логіці, а не на технічній реалізації.

Організаційні застосування

Нижче наведено інші потенційні додатки для вашої організації:

• Моніторинг автомобілів на дорожній мережі та виявлення ДТП для відправки бригади на допомогу
• Моніторинг осіб у приміщеннях для запобігання антисоціальній поведінці. У разі її виявлення автоматично направляти підрозділ безпеки для деескалації ситуації.
• Моніторинг робочих місць та майданчиків, забезпечення того, щоб персонал не перебував у приміщенні поза встановленими годинами роботи

Потенційні та реалізовані переваги

Потенційні та реалізовані переваги цієї технології є величезними. Можна виконувати моніторинг CCTV більш точно та ефективно, з меншою кількістю помилок, вимагаючи меншої загальної кількості співробітників служби безпеки, що дозволяє таким співробітникам зосередитися на більш невідкладних завданнях, таких як активне патрулювання або слідча робота.

Telemus AI™ — це австралійська компанія з штучного інтелекту, яка надає передові рішення для уряду та підприємств. Зв'яжіться з нами сьогодні для безкоштовної консультації щодо того, як Telemus AI™ можна інтегрувати у вашу організацію.