Az AI és a Speciális analitikák megváltoztatja a videofelügyeletet
A biztonsági alkalmazásokhoz szükséges mesterséges intelligencia (AI) fejlesztésének egyik alapvető motivációja a magas kockázatú forgatókönyvek észlelése, mielőtt azok eltűnnének. Az AI-val a felügyeleti megoldásokat alkalmazó kezelők a puszta felügyeleten túlmenően minden rendelkezésre álló videokockát és adatot felhasználhatnak a fenyegetések azonosítására és a vészhelyzeti reagálás tájékoztatására.
Az AI még mindig feltörekvő technológia; azonban a képességei által nyújtott előnyök célja a kockázatok minimalizálása, a bűnmegelőzés maximalizálása és az életmentés.
Korábban a videofelvételeket rövid ideig archiválták, mielőtt felülírták volna. Napjainkban a mesterséges intelligencia egyes szegmensei – például a videóelemzés, a gépi tanulás és a mély tanulás – felhasználják az IoT-ökoszisztémák által generált nagy mennyiségű adatot, hogy megkülönböztessék az adathalmazokban lévő értelmes mintákat, amelyeket aztán olyan betekintésekké alakítanak át, amelyek megerősítik a bűnözés elleni küzdelemre irányuló stratégiákat a világban
Ez a technológia holisztikusabb képet ad az adatokról, összekapcsolva az egyes adatpontokat, hogy leírják a történéseket, hogy gyorsan azonosítsák a magas kockázatú helyzeteket, mielőtt azok eltűnnének.
Növekvő igény
A londoni Brandessence Market Research szerint a valós idejű videóelemzés teljes piacát 2018-ban 3,2 milliárd dollárra becsülték, és 2023-ra várhatóan 9 milliárd dollárra nő. Az AI már nem csak divatszó vagy trend – egyre növekvő adatszféránk szerves részévé válik.
A közhiedelemmel ellentétben a mesterséges intelligencia nem kizárólagos tulajdona az olyan fejlesztő erőműveknek, mint a Google, az Amazon vagy az Apple, amelyek nagyrészt a mesterséges intelligencia segítségével optimalizálják a beszéd- és képfelismerést, valamint a tartalom gondozását. A növekvő fizikai biztonsággal kapcsolatos aggodalmak is katalizátorként szolgáltak a mesterséges intelligencia folyamatos növekedéséhez.
Az aktív lövöldözés veszélye az iskolákat a mesterséges intelligencia korai alkalmazói közé helyezte; Az IHS Markit szerint valójában 2018-ban a piac 450 millió dolláros részét tették ki. „Olyan megoldásokat keresünk, amelyek segítenek azonosítani a dolgokat, mielőtt azok bekövetkeznének, vagy esetleg akkor, amikor azok bekövetkeznek, hogy egy kicsit gyorsabban reagálhassunk” – mondta Paul Hildreth, az atlantai Fulton megyei iskolák sürgősségi műveleti koordinátora a Los Angeles Timesnak egy 2019. szeptemberi interjúban.
A mesterséges intelligencia alapú videóelemzés hatékonyságot is növel, és a nem biztonsággal kapcsolatos betekintést is nyújt a vállalkozások számára. A kiskereskedelmi piacon például a megfigyelő kamerákat használó üzlettulajdonosok analitikával észlelhetik a bolti tolvajokat, és valós időben riaszthatják a biztonsági személyzetet a beavatkozásra. A bolti analitika mérni tudja a forró ppntokat, a látogatói áramlást, a tartózkodási időt és a termékmegjelenítési tevékenységet is. Az intelligens városok emellett intelligens érzékelők hálózatait is kihasználják az adatrögzítéshez és a rendszer reagálásának megszervezéséhez a kibontakozó eseményekre, valamint javítják az olyan folyamatokat, mint a forgalom.
A New York-i, New Orleans-i és Atlantai rendőrség videoelemzővel felszerelt kamerákat használ a nyomozás javítására. A Conn.-i Hartfordban egy 500 kamerából álló rendőrségi hálózat AI-val továbbfejlesztett egységet tartalmaz, amelyek több órányi videóban keresnek bizonyos ruhát viselő embereket, vagy rendszámfelismeréssel azonosítják azokat a helyeket, ahol utoljára láttak gyanús járművet. Ezek az egységek tévedésriasztásokat is kiadhatnak, felismerik az eldobott tárgyakat és embereket, valamint az előre meghatározott mezőbe belépő tárgyakat. Ezek a telepítések a videoelemzés néhány korai bevezetését jelentik a megfigyelési alkalmazásokban az Egyesült Államokban.
A viselkedéselemzés növekedése
A viselkedéselemzés, a mesterséges intelligencia egy részhalmaza, mint az egyik eszköz erre a célra. A feltörekvő számítógépes hardvereket, a mély tanulást és a mai adatszférát alkotó adatok burjánzását egyesítve a viselkedéselemzés bizonyos emberi testhelyzetek észlelése alapján felismeri a veszélyes helyzeteket – lehet, hogy a pénztáros felemelt karja vagy egy bankautomata közelében guggoló ember.
A viselkedéselemzés a munkahelyi biztonság biztosítására is használható – például annak nyomon követésére, hogy az alkalmazottak megfogják-e a kapaszkodókat a lépcső használatakor, és leszállási riasztásokat küldhetnek. Egyes szoftverek akár valós időben is észlelhetik a potenciális fegyverest, azonnali riasztást küldve az elsősegélynyújtóknak, hogy minimalizálják a diákokat, alkalmazottakat és létesítményeket érintő kockázatokat.
A viselkedéselemzés alkalmazása a jövőben csak növekedni fog. Mindeközben a viselkedéselemzés növelte az AI-val megerősített felügyeleti rendszerek értékének és előnyeinek a tudatosságát a vállalkozások számára számos iparágban.
Az infrastruktúrának lépést kell tartania
Mivel a mesterséges intelligencia analytics a felügyeleti megoldásokat a bűnfelderítés élvonalába helyezi, az adattárolásnak és az ezeket a megoldásokat működtető technológiáknak a legmagasabb szinten kell működniük. A neurális hálózatok kielégíthetik a létesítmény igényeit, ha tanulnak a helyszínen szerzett videóanyagból; de a tanulás egyike sem valósulhat meg, ha a rögzítési átviteli sebesség nem túl megbízható. Ezen túlmenően a mély tanulási betekintések egyike sem lesz hasznára a szervezetnek, ha a videokockák kiesnek az alacsony teljesítményű tárolórendszerek miatt. Ahhoz, hogy az AI-analitikával rendelkező intelligens felügyeleti rendszerek optimálisan működjenek, az edge to cloud tárolási infrastruktúrát kell fejleszteni.
A felügyeleti AI-ból származó video- és metaadatok ilyen beáramlásához egy olyan új architektúrára van szükség, amely mind az éles, mind a felhőalapú számítástechnikát kihasználja. A tárológyártók ezt a konfigurációt Ipar 4.0-nak nevezik.
A mesterséges intelligencia-kompatibilis NVR-ek és készülékek lehetővé teszik a kezdeti elemzést a helyszínen. Ez csökkenti a késleltetést és javítja a hatékonyságot; így például lehetővé válik az egyetem biztonsági személyzete számára, hogy azonnali értesítést kapjanak, ha egy kültéri kamera által észlelt illetéktelen személy besétál a futballstadionba zárás után. Az Ipar 4.0 architektúrával, miután az alapvető feldolgozás megtörténik, a videó és az adatok egy központi tárolóba kerülnek a hosszú távú megőrzés és a mély tanulás érdekében. Folytatva az oktatási példát, egy nyilvános vagy privát felhőt üzemeltető egyetem összesítheti a videót és az adatokat az egyetem különböző részlegeiben telepített összes megfigyelőrendszerről. Ezzel a holisztikus képpel az iskolaigazgatók azonosíthatják a gyalogos forgalmi mintákat az egyetemen, és más betekintést nyerhetnek a műveletek tervezésében.
A szabványos megfigyelőrendszerek elhelyezésére szolgáló tárolók építése egy dolog; azonban a több tucat nagyfelbontású kamerát használó és egyidejűleg mesterséges intelligencia eseményeket feldolgozó Big Data-alkalmazások támogatására szolgáló tárhely építése egészen más. A tárolási összetevők az integrátorok számára a legfontosabbak, azért, hogy az ügyfelek készülékei, szerverei a leghatékonyabban mükődjenek. Ezeknek a merevlemezeknek nagy mennyiségű adatot kell „írniuk”, mivel a felvételek a felhőbe kerülnek, és ugyanazokat az adatokat valós időben „olvassák” annak érdekében, hogy észleljék, azonosítsák és intelligens betekintést nyújtsanak.
A legjobb gyakorlat szerint az integrátoroknak le kell cserélniük a szabványos merevlemezeket – amelyeket csak heti 40 órás üzemidőre terveztek – a felügyeletre optimalizált merevlemezekre, amelyek a hét minden napján, 24 órában történő munkavégzésre készültek. Keresniük kell a beépített állapotfigyelő szoftvert is, hogy a meghibásodás előtt azonosítsák azokat a problémákat, amelyek adatvesztéshez vezethetnek. Az adat-helyreállítási szolgáltatások, további nyugalmat biztosítanak az ügyfelek számára.
Egy cikk a www.securityinfowatch.com webhelyről.