電腦辨識 - 賦予電腦視覺

總體而言，電腦辨識與電腦視覺一直以來都是深具挑戰性與複雜性的領域，在 ML/AI 出現之前的進展有限。形成強烈對比的是，電腦圖學在 2D/3D 建模、電腦輔助設計 (CAD)、數位動畫電影（如皮克斯製作的作品）及電子遊戲等領域，於短時間內取得了許多進展。現代運算相當擅長擷取與建立影像，卻不擅長感知影像。

主要原因在於視覺感知的問題。在現代桌面電腦出現之初，研究人員很快就開發出巧妙的方法，將圖像以數位方式編碼，將圖片編碼為一系列不同強度的像素（例如 RGB），甚至透過多種方案壓縮圖像。隨著圖像擷取與編碼技術的進展並或多或少獲得解決，研究人員轉向了圖像分析。

給定一系列像素，如何識別物件？有各種看似明顯但略顯天真的技術，例如在特定領域中觀察一群像素的顏色。透過先備知識識別一組顏色來近似物件是可能的。例如，假設天空是藍色的且位於影像頂部。顏色的聚類也未考慮物件的形狀和大小。這種方法難以通用化。

本案例研究將探討分析 CCTV 視頻源如何使您的組織受益。能夠從監控錄像中識別物體的 AI 系統具有眾多應用。

例如，分析可以為安全和相關人員提供即時可操作的通知。編寫傳統的演算法程式來解決電腦識別/電腦視覺問題是困難的，儘管使用人工智慧可以使問題變得可控。

透過人工智慧解決問題

此問題引發了關於人類如何在視覺範圍內識別物體的疑問，這同樣極難回答。雖然這在很大程度上仍是一個開放性問題，但人工神經網絡已被證明在電腦識別/電腦視覺領域極為有用。

透過深度學習技術和龐大的影像資料集，可以訓練模型來識別物體。最常見的資料集是 Common Objects in Context（https://cocodataset.org/) 其中包含以下各項（按其定義）：

物件分割
情境中的辨識
超像素素材分割
330K 張圖像 (>200K 已標記)
150萬個物件實例
80 個物件類別
91 個素材類別
每張圖像 5 個標題
250,000 個帶有關鍵點的人物

使用此資訊訓練各種人工智慧模型，在評估資料集上執行模型時已證明非常有效。

組織挑戰概述

假設 AI 具備分析視訊饋送中物件的能力（事實上確實如此），組織會如何實作此類解決方案？在可擴充規模並於監管框架內運作的生產化環境中部署此類模型，仍存在更廣泛的問題。

傳統上，組織會指派其 IT 部門負責安裝此類功能。通常，組織會尋找現成的軟體來解決問題，或者如果無法輕易取得此類解決方案，則會尋求客製化軟體供應商來建構或改造現有的解決方案。考量到人工智慧系統的複雜性，這兩個選項在相當長的一段時間內都將無法實現。

除了技術挑戰外，組織通常還需遵守內部政策及各種合規要求，例如資料隱私（雖然相關，但屬於不同領域專家的問題）。因此，實施此類解決方案將需要組織內許多其他領域的專業知識，從而需要複雜的專案管理。內部策略的替代方案是透過人工智慧即服務企業（包括 Telemus AI™）來獲取此類能力，其方式類似於存取雲端服務。