Video Analytics στην περίμετρο

Τι να προσέξουμε στην υλοποίηση

Οι τεχνολογίες video analytics,θα λέγαμε ότι αποτελούν εδώ και χρόνια βασικό πυλώνα ενός ολοκληρωμένου έργου περιμετρικής προστασίας. Τι πρέπει όμως να προσέχουν όσοι υλοποιούν έργα με video analytics στην περίμετρο, αλλά και όσοι θέλουν να επενδύσουν σε αυτά τα συστήματα και να αξιοποιήσουν με το καλύτερο δυνατόν τρόπο τις δυνατότητες που προσφέρουν;

Businesswoman at her workplace. Focus on woman.

Είναι γνωστό πως οι τεχνολογίες ανάλυσης των εικόνων που λαμβάνουν οι κάμερες ασφάλειας γνωστές εδώ και χρόνια ως Video Analytics, αποτελούν μια πολύ σημαντική παράμετρο στα έργα περιμετρικής ασφάλειας, με βασική λειτουργία την ενεργοποίηση ειδοποιήσεων και συναγερμών όταν ανιχνεύουν απόπειρες παραβίασης ή άλλης ύποπτης συμπεριφοράς. Είναι λοιπόν λύσεις που αποσκοπούν στην πρόβλεψη και την πρόληψη περιστατικών που απειλούν την ασφάλεια μιας εγκατάστασης και για αυτό η επένδυση σε αυτές τις τεχνολογίες κρίνεται ιδιαίτερα χρήσιμη και απαραίτητη, ειδικά όταν πρόκειται για εγκαταστάσεις κρίσιμης σημασίας.

Αξίζει πάντως να αναφέρουμε ότι ως πρόταση στο τομέα της ασφάλειας, οι τεχνολογίες video analytics, εδώ και χρόνια έχουν περάσει πολλά και διαφορετικά στάδια ωρίμανσης, μέχρι να πετύχουν να φτάσουν στο σημείο που βρίσκονται σήμερα, όπου θα μπορούσαμε να πούμε ότι είναι σχεδόν απόλυτα αποδεκτές με βασικό κριτήριο την αξιοπιστία τους στο θέμα των εσφαλμένων συναγερμών και της αποτελεσματικής ανίχνευσης των συμβάντων παραβίασης.

Κατά την πάροδο των ετών, οι αλγόριθμοι στους οποίους βασίζεται η λειτουργία των video analytics εξελίσσονταν διαρκώς και από την απλή ανίχνευση της κίνησης των pixels τα προηγούμενα χρόνια, έχουμε φτάσει σήμερα στους προηγμένους αλγόριθμους βαθιάς εκμάθησης (deep learning) ως κομμάτι της συνολικής έξυπνης τεχνολογίας υπό τον όρο Τεχνητή Νοημοσύνη.
Παράλληλα η εμφάνιση συσκευών με ενσωματωμένες λειτουργίες video analytics αλλά και ανεξάρτητων λογισμικών που έρχονται σε πιο προσιτές τιμές κόστους αγοράς, αναμένεται να δώσουν ακόμα μεγαλύτερη ώθηση σε αυτό το τομέα τα επόμενα χρόνια, ειδικά για ολοκληρωμένες λύσεις που απευθύνονται στα έργα περιμετρικής ασφάλειας.

Όσοι λοιπόν υλοποιούν έργα περιμετρικής προστασίας με video analytics αλλά και όσοι αγοράζουν συστήματα αυτής της κατηγορίας και επενδύουν σε αντίστοιχες ολοκληρωμένες λύσεις θα πρέπει να έχουν υπόψη τους διάφορους παράγοντες και κριτήρια, που θα αναπτύξουμε παρακάτω, εστιάζοντας σε 3 βασικές παραμέτρους διαφοροποίησης.

1. Ενσωματωμένα ή Αυτόνομα Συστήματα;

Υπάρχουν λύσεις video analytics που ενσωματώνονται στις κάμερες ασφαλείας και άλλες συσκευές ή λύσεις που λειτουργούν αυτόνομα ως λογισμικά προγράμματα και μπορούν να αναπτυχθούν μέσω υπολογιστών και server σε πλατφόρμες συστημάτων βίντεο-επιτήρησης. Η ενσωμάτωση video analytics, από τους κατασκευαστές των συστημάτων στις κάμερες, τα NVR και τα VMS είναι θα λέγαμε αρκετά βολικές για τους χρήστες, αλλά και τους εγκαταστάτες, μιας και δεν απαιτούν επιπλέον εργασίες καλωδιώσεων, παροχής τροφοδοσίας κ.ά. Ωστόσο υπάρχει πιθανότητα να έχουν ορισμένους περιορισμούς στην επιλογή των αισθητήρων που συνεργάζονται. Επιπλέον, οι αλγόριθμοι των ενσωματωμένων video analytics μπορεί να παρουσιάσουν περιορισμούς λειτουργίας, ανάλογα με την επεξεργαστική ισχύ και τις δυνατότητες αποθήκευσης. Από την άλλη πλευρά, οι αυτόνομες επιλογές προγραμμάτων video analytics, μπορεί να φαίνεται ότι έχουν κάπως μεγαλύτερο κόστος στην υλοποίηση, μιας και θα χρειαστούν επιπλέον hardware, καλωδιώσεις – αλλά και το ίδιο το κόστος αγοράς του προγράμματος να είναι μεγαλύτερο – ωστόσο επιτυγχάνουν υψηλότερες αποδόσεις, περισσότερες επιλογές και δυνατότητες μεγαλύτερης ευελιξίας στο να ενσωματώνουν νέους και επιπλέον αισθητήρες καθώς επίσης και προσαρμοστικότητα να συνεργάζονται με ήδη εγκατεστημένα συστήματα ασφάλειας οποιουδήποτε κατασκευαστή.

2. Με κανόνες λειτουργίας ή τεχνητή νοημοσύνη;

Το αν θα επιλεγεί ένα σύστημα video analytics το οποίο λειτουργεί με βάση κάποιους προκαθορισμένους κανόνες ή θα βασίζεται σε προηγμένους αλγόριθμούς τεχνητής νοημοσύνης (ΑΙ) deep learning, είναι ένα ζήτημα που εξαρτάται από τη φύση της περιμέτρου της εγκατάστασης και από το αν ο διαχειριστής επιθυμεί και σε ποιο βαθμό να υπάρχει δυναμική παρέμβαση από το ανθρώπινο δυναμικό στο τομέα της ασφάλειας. Αυτό πρακτικά σημαίνει, ότι τα συστήματα που βασίζονται σε κανόνες απαιτούν κάποιο αρχικό προγραμματισμό για το τι πρέπει να ανιχνευτεί και σε ποιο σημείο στην περίμετρο -προκειμένου να δώσει ένα σήμα συναγερμού- με όσο το δυνατόν μεγαλύτερη λεπτομέρεια είναι εφικτό. Στα θετικά σημεία των συστημάτων που λειτουργούν με προγραμματισμένους κανόνες λειτουργίας, είναι ότι ανταποκρίνονται άμεσα αν ανιχνεύσουν κάποιο συμβάν βασισμένο σε συγκεκριμένο σενάριο. Μερικές φορές όμως είναι πιθανόν να δημιουργηθεί μια απόκλιση ενός δύσκολου προγραμματισμένου σεναρίου, που τότε είτε θα ενεργοποιηθεί ψευδοσυναγερμός, είτε μπορεί να μην ανιχνεύσουν με ακρίβεια το συμβάν και θα πρέπει σε αυτή την περίπτωση να τροποποιηθεί ο κανόνας ή να αλλάξει το σενάριο.

Από την άλλη πλευρά τα σύγχρονα video analytics με αλγορίθμους deep learning συνιστούν στην ουσία ένα “νευρωνικό δίκτυο” που συνεχώς “εκπαιδεύεται” και έχει τη δυνατότητα να μαθαίνει τι είναι αυτό που θέλει ο διαχειριστής του συστήματος ασφάλειας. Τα λογισμικά ανάλυσης βίντεο με τεχνητή νοημοσύνη, συνοδεύονται φυσικά από ένα σύνολο εργαλείων και δεδομένων, αλλά παράλληλα μπορούν να εξελίσσονται και να “μαθαίνουν” πότε πέτυχαν σωστά να ενεργοποιήσουν ένα συναγερμό όταν έπρεπε και πότε όχι. Για αυτό και σε βάθος χρόνου τα συστήματα video analytics με αλγόριθμους τεχνητής νοημοσύνης θα τείνουν να ελαχιστοποιούν τις πιθανότητες να δίνουν ψευδείς συναγερμούς.

3. Στο cloud ή σε τοπικό server

Άλλο ένα δίλλημα που καλούνται να αντιμετωπίσουν όσοι εγκαταστήσουν συστήματα video analytics, είναι το αν θα επιλέξουν να βρίσκονται στο cloud ή σε ένα τοπικό server. Η παραδοσιακή και πιο δημοφιλής επιλογή, είναι φυσικά η τοπική τοποθέτηση στην εγκατάσταση του πελάτη, όπου βρίσκονται όλα τα συστήματα μαζί. Παρόλα αυτά, τα τελευταία χρόνια αναπτύσσεται αρκετά έντονα και η τάση των Cloud-based analytics, που δεν απαιτούν από την πλευρά του πελάτη να έχει hardware και συσκευές επεξεργασίας πέρα από τι κάμερες ασφαλείας, μιας και το λογισμικό είναι εγκατεστημένο σε απομακρυσμένους server στο cloud με ότι αυτό συνεπάγεται σε θέμα εξοικονόμησης κόστους. Οι αναβαθμίσεις σε αυτή τη περίπτωση, γίνονται στο σύννεφο από τον integrator ή τον εγκαταστάτη και ο πελάτης απλά πληρώνει μια συνδρομή για την υπηρεσία.

Δυνατότητες αναβάθμισης υπάρχουσας εγκατάστασης

Ένα σημείο που χρίζει ιδιαίτερης προσοχής σε ότι αφορά την εγκατάσταση μιας λύσης video analytics για την προληπτική περιμετρική προστασία, είναι πάντα οι δυνατότητες συνεργασίας και αναβάθμισης με ένα ήδη υπάρχον σύστημα βίντεο επιτήρησης. Πολλά από τα σημερινά προγράμματα video analytics μπορούν εύκολα να ενσωματωθούν με υπάρχοντα NVR και κάμερες και να προσφέρουν αυξημένη αυτοματοποίηση των λειτουργιών ανίχνευσης. Αυτό πρακτικά σημαίνει, ότι κάθε διαχειριστής ασφάλειας μιας εγκατάστασης μπορεί να αναβαθμίσει το σύστημα του, ενισχύοντας το επίπεδο προστασίας με τις δυνατότητες που προσφέρουν οι λειτουργίες video analytics, αποτελώντας στην ουσία δυνητικό πελάτη κάθε εταιρίας που εγκαθιστά συστήματα ασφάλειας. Από την άλλη πλευρά η επένδυση σε μια λύση video analytics, που ουσιαστικά θα αναβαθμίσει το επίπεδο προληπτικής προστασίας μιας εγκατάστασης -εστιάζοντας στην ασφάλεια της περιμέτρου- είναι σίγουρα μια επένδυση με υψηλό ROI (Return on investment) για κάθε οργανισμό.

Η ενσωμάτωση ενός συστήματος video analytics σε μια ήδη υπάρχουσα εγκατάσταση περιμετρικής ασφάλειας, προϋποθέτει πρώτα από όλα μια εξ’ αρχής μελέτη του χώρου και επαναξιολόγησης -αν χρειάζεται- της θέσης των καμερών και του πεδίου θέασης τους, του φωτισμού αλλά και άλλων παραμέτρων. Σε αυτή τη διαδικασία, θα πρέπει να ληφθούν υπόψη, οι αρχικοί λόγοι τοποθέτησης των καμερών στα σημεία που είναι και το κατά πόσο η αλλαγή θέσης εξυπηρετεί τις απαιτήσεις του συστήματος video analytics, αλλά φυσικά και της συνεχούς επιτήρησης του χώρου.

Η συντήρηση και αναβάθμιση του λογισμικού στο οποίο βασίζεται το σύστημα video analytics και το πώς αυτή υλοποιείται από τον κατασκευαστή, αλλά και τον εγκαταστάτη, είναι επίσης μια πολύ σημαντική παράμετρο επιλογής του συστήματος.

Συμπερασματικά

Τα Video Analytics σε συνδυασμό με τις τεχνολογίες τεχνητής νοημοσύνης και βαθιάς εκμάθησης, αλλάζουν πραγματικά τα δεδομένα στο τομέα της ασφάλειας και αναμένεται να αναπτυχθούν ακόμα περισσότερο στο τομέα της περιμετρικής προστασίας αλλά και πέρα από αυτό. Το κλειδί για όσους υλοποιούν αντίστοιχα έργα, τους προμηθευτές των συστημάτων, αλλά και τους τελικούς πελάτες, είναι να κατανοήσουν το πως μπορούν να αποκτήσουν προστιθεμένη αξία από αυτές τις τεχνολογίες, με βάση το πεδίο των εφαρμογών τους και τις απαιτήσεις που υπάρχου, καθώς και να ευθυγραμμιστούν με τους βραχυπρόθεσμους και μακροπρόθεσμους στόχους. Παρέχοντας σήμερα με ακρίβεια και αξιοπιστία, έγκαιρη ανίχνευση συμβάντων στην περίμετρο και όχι μόνο, αποτελούν βασικό εργαλείο για μια ολοκληρωμένη προληπτική στρατηγική ασφάλειας.
Πολλοί είναι αυτοί που αναρωτηθούν: Σε όλα αυτά, που βρίσκεται ο ανθρώπινος παράγοντας; Σίγουρα δεν πρόκειται ποτέ να εκλείψει η ανάγκη παρέμβασης του ανθρώπινου μυαλού στο να αξιολογήσει τα δεδομένα που του προσφέρει ακόμα και μια πολύ έξυπνη μηχανή, προκειμένου να καθοδηγήσει σωστά τις ομάδες ασφάλειας και να λάβει τις σωστές αποφάσεις, ειδικά σε ένα τόσο ευαίσθητο και κρίσιμο τομέα, όπως είναι αυτός της προστασίας της περιμέτρου μιας εγκατάστασης από παράνομες εισβολές.