هوش مصنوعی و چهار تصور غلط در مورد تجزیه و تحلیل در امنیت ویدئو

تصورات غلط در مورد هوش مصنوعی و تجزیه و تحلیل در امنیت ویدیویی به دلیل تکامل سریع فناوری و سطوح مختلف درک رایج است. (AI) و تجزیه و تحلیل به طور فزاینده ای به عنوان اصطلاحات قابل تعویض هنگام بحث در مورد دوربین های امنیتی ویدیویی مورد استفاده قرار می گیرند.

تجزیه و تحلیل AI v/s

در حالی که برخی از همپوشانی ها وجود دارد، مهم است که تفاوت های بین آنها را هنگام صحبت با سهامداران یا مشتریان بیان کنید.

از آنجایی که انواع بی‌شمار هوش مصنوعی در گفتگوهای جهانی اهمیت بیشتری پیدا می‌کنند و نگرانی‌های مربوط به حفظ حریم خصوصی به طور فزاینده‌ای مطرح می‌شود، متخصصان امنیتی باید مراقب آموزش مدیران و مدیریت در هر سازمانی باشند تا بتوانند به نوبه خود استفاده شرکت از این ابزارها را ارائه دهند.

هوش مصنوعی و تجزیه و تحلیل در امنیت ویدئو

هدف این مقاله بررسی عمیق آکادمیک در زمینه هوش مصنوعی یا تجزیه و تحلیل نیست، بلکه در عوض، موقعیت هر رشته را در رابطه با امنیت ویدئویی مبتنی بر هوش مصنوعی مدرن قرار می دهد. هدف آموزش عملیات و مدیریت در مورد استفاده از هوش مصنوعی در نظارت تصویری برای حمایت از تصمیم گیری آگاهانه در سراسر سازمان است.

شایان ذکر است که در حالی که هوش مصنوعی اغلب به عنوان یک اصطلاح فراگیر استفاده می شود، دوربین های امنیتی از زیر مجموعه های هوش مصنوعی، یعنی یادگیری ماشینی و یادگیری عمیق برای شناسایی و طبقه بندی اشیا استفاده می کنند.

باورهای غلط

در اینجا چهار تصور غلط رایج در مورد هوش مصنوعی و تجزیه و تحلیل امنیت ویدیویی وجود دارد:

تصور اشتباه شماره 1:

هوش مصنوعی و تجزیه و تحلیل یکسان هستند 

مردم اغلب هوش مصنوعی را با تجزیه و تحلیل اشتباه می گیرند، اما آنها متمایز هستند. هوش مصنوعی در صنعت ویدئو برای افزایش قابلیت های تجزیه و تحلیل و تجزیه و تحلیل استفاده می شود.

این تکنیک شامل استفاده از ماشین و الگوریتم های یادگیری عمیق برای تشخیص یا طبقه بندی اشیاء شناخته شده مانند یک شخص یا وسیله نقلیه است.

هوش مصنوعی می‌تواند ویژگی‌های منحصربه‌فرد اشیاء مانند رنگ لباس، یا اشیاء اضافی که حمل می‌شوند یا پوشیده می‌شوند مانند کوله پشتی یا عینک را شناسایی کند.

تجزیه و تحلیل، از سوی دیگر، به فرآیند تجزیه و تحلیل آنچه شی شناسایی شده انجام می دهد اشاره دارد. زمانی که از هوش مصنوعی برای بهبود تحلیل رفتارهای پیچیده نیز استفاده می شود، فرآیندها تا حدودی با هم همپوشانی دارند.

آیا وسیله نقلیه ای که در میدان دید دوربین به چپ یا راست حرکت می کند، احتمالاً مسیر اشتباهی را در یک خیابان یک طرفه طی می کند؟

آیا وارد منطقه ممنوعه شده است؟ آیا خودرو باید ساعت 3 صبح وارد این منطقه شود؟ اینها وظایف اصلی تحلیلی باینری (بله/خیر) هستند.

تشخیص اینکه آیا دو نفر در حال دعوا هستند یا اینکه شخصی در حال دزدی از مغازه است، تحلیل دقیق تری است که به یک الگوریتم هوش مصنوعی پیچیده نیاز دارد که بتواند چندین نقطه داده را قبل از هشدار دادن به کارکنان در مورد رفتار مشکوک در نظر بگیرد.

• پرداختن به موارد مثبت کاذب با تجزیه و تحلیل به کمک هوش مصنوعی

قبل از تشخیص شیء مبتنی بر هوش مصنوعی، هر زمان که نور تغییر می کرد، تجزیه و تحلیل ها مستعد مثبت کاذب بودند (ابر عبوری می توانست پیکسل ها را تغییر دهد). هوش مصنوعی و تجزیه و تحلیل با همکاری یکدیگر تا حد زیادی مسئله مثبت کاذب اشیایی را که تشخیص می دهند حل کرده اند.

در دوربینی که به درستی نصب شده است، تجزیه و تحلیل به کمک هوش مصنوعی می تواند هشدارهای پیشگیرانه را صادر کند یا ساعت ها فیلم را برای انسان ها یا وسایل نقلیه با ویژگی های خاص به سرعت باورنکردنی جستجو کند.

هوش مصنوعی اطلاعات طبقه بندی و رفتار را برای بالا بردن دقت کلی تجزیه و تحلیل و تجزیه و تحلیل اضافه می کند. همچنین می‌توان از هوش مصنوعی برای افزایش کیفیت تصویر در دوربین‌ها استفاده کرد، بنابراین راه‌های زیادی وجود دارد که می‌توان از آن استفاده کرد.

تصور غلط شماره 2: 

هوش مصنوعی می تواند به طور مستقل عمل کند  و جایگزین پرسنل امنیتی شود 

در حالی که هوش مصنوعی می‌تواند نظارت و پاسخگویی را افزایش دهد، درک دقیق و توانایی‌های تصمیم‌گیری انسان‌ها هنوز در اکثر سناریوها حیاتی است.

هوش مصنوعی همراه با تجزیه و تحلیل می‌تواند به اپراتورها کمک کند تا بر تعداد فزاینده‌ای از دوربین‌ها برای ناهنجاری‌ها و رویدادهایی نظارت کنند که ممکن است نیاز به توجه داشته باشند، اما تصمیم‌گیری در مورد نحوه عمل همچنان بر عهده اپراتور است.

این دستیار «هوشمند» که توسط هوش مصنوعی ارائه می‌شود به تیم‌های امنیتی کمک می‌کند تا روی آنچه در دنیای پیچیده‌تر اهمیت دارد تمرکز کنند، اما این یک تلاش گروهی است.

و در حالی که توانایی هوش مصنوعی برای عملکرد مستقل مطمئناً بهبود خواهد یافت، تصور دنیایی که در آن عاقلانه است که اجازه دهیم بدون نظارت انسان تصمیمات مهمی بگیرد، دشوار است.

تصور اشتباه شماره 3:

دوربین های امنیتی مبتنی بر هوش مصنوعی به حریم خصوصی نفوذ می کنند

حفاظت از اطلاعات قابل شناسایی شخصی (PII) مسئولیت حیاتی هر سازمانی است. به دلیل شیوع نقض داده ها، همه به شدت از خطرات PII که در دستان اشتباه قرار می گیرند آگاه هستند. برای سیستم‌های امنیتی ویدیویی، درک این نکته ضروری است که ابرداده‌های توصیفی که دوربین مبتنی بر هوش مصنوعی می‌گیرد از داده‌های ناشناس درباره انسان‌هایی که شناسایی می‌کند تشکیل شده است.

مشخصه هایی مانند رنگ لباس و اینکه آیا شخصی کوله پشتی به همراه دارد یا کلاه بر سر دارد، مطمئناً برای شناسایی شخصی افراد کافی نیست. و در حالی که ممکن است مناطق خاکستری در برخی از سیستم‌های هوش مصنوعی وجود داشته باشد که سعی در طبقه‌بندی جنسیت و سن دارند، هنوز هم فرد خاصی را شناسایی نمی‌کنند.

مهمتر از همه، هوش مصنوعی با تشخیص چهره برابری نمی کند. تشخیص چهره یک عملکرد خاص و متمرکز است، و اگرچه ممکن است با برخی تکنیک‌های مبتنی بر هوش مصنوعی بهبود یابد، تشخیص چهره تکامل جداگانه‌ای از هوش مصنوعی داشته است.

تشخیص چهره پیامدهای حفظ حریم خصوصی دارد، در حالی که بیشتر پیاده سازی های هوش مصنوعی اینگونه نیستند.

• تشخیص مبتنی بر هوش مصنوعی

به‌علاوه، تشخیص انسان‌ها و وسایل نقلیه مبتنی بر هوش مصنوعی معمولاً «در لبه» انجام می‌شود، که در خود دوربین پردازش می‌شود، در حالی که تشخیص چهره تقریباً همیشه برای عملکرد به یک برنامه کاربردی VMS/سرور و پایگاه داده جداگانه نیاز دارد.

بنابراین، دوربین های مبتنی بر هوش مصنوعی، به خودی خود، تشخیص چهره را انجام نمی دهند.

تصور غلط شماره 4:

هوش مصنوعی می تواند هر چیزی را به تنهایی یاد بگیرد 

در حالی که هوش مصنوعی می تواند قابلیت های نظارت تصویری را به طور قابل توجهی افزایش دهد، الگوریتم های ماشین و یادگیری عمیق خطاناپذیر نیستند. آنها برای مدیریت نکات مثبت کاذب و تفسیر موقعیت های پیچیده نیاز به نظارت انسانی دارند. الگوریتم‌های مبتنی بر هوش مصنوعی به اندازه آموزش‌هایی هستند که دریافت کرده‌اند.

برای مثال، الگوریتم‌های تشخیص انسان و وسیله نقلیه توسط بخش‌های تحقیق و توسعه در تنظیمات آزمایشگاهی با صدها هزار، اگر نگوییم میلیون‌ها تصویر نشان‌دهنده، به دقت آموزش داده شده‌اند. به همین دلیل است که در صورت نصب صحیح می توانند بسیار دقیق باشند.

• دوربین های هوش مصنوعی “آموزش در محل”.

برای اینکه سیستم‌های مبتنی بر هوش مصنوعی واقعاً یاد بگیرند که چیزی را تشخیص دهند، باید در صورت اشتباه بودن آنها نیز مطلع شوند. این نوع آموزش معمولاً تحت نظارت توسعه دهندگان با تجربه هوش مصنوعی انجام می شود. اخیراً دوربین‌های جدید هوش مصنوعی «آموزش در محل» در دسترس قرار گرفته‌اند.

اینها را اپراتورها می توانند برای تشخیص اشیاء منحصر به فرد و قابل تنظیم مانند لیفتراک، چرخ دستی های خرید، هواپیما، آرم روی وسایل نقلیه یا هر شیئی که سازمان بخواهد ردیابی یا شمارش کند، آموزش ببیند. این سیستم ها نیز باید آموزش داده شوند تا دقیق باشند.

یک چالش معمولی تمرین در محل، گرفتن یک شی در هر شرایط نوری است. برای غلبه بر این، فروشندگان آینده نگر شامل یک برنامه آموزشی هوشمند هستند که به طور خودکار تصاویر اضافی را در طیف وسیعی از مقادیر درخشندگی تولید می کند و در زمان و تلاش اپراتورها صرفه جویی قابل توجهی می کند و در عین حال دقت را افزایش می دهد.

یادگیری در محل هوش مصنوعی همچنین یک راه عالی برای افزایش دقت کلی در هر محیطی است که مستعد مثبت کاذب است.

نتیجه

با فراگیر شدن هوش مصنوعی در صنایع، پتانسیل این را دارد که معنای واقعی خود را از دست بدهد، به ویژه به این دلیل که ما فقط با استفاده از ماشین‌ها و برنامه‌های یادگیری عمیق سطح را خراش می‌دهیم.

• قابلیت ها و محدودیت های فعلی هوش مصنوعی