Τεχνητή Νοημοσύνη με λειτουργίες βαθιάς εκμάθησης για όλους

Η τεχνολογία ΑΙ – Deep Learning δεν αποτελεί πλέον αποκλειστικό προνόμιο των high–end συστημάτων και των κρίσιμων εφαρμογών υψηλής ασφάλειας μιας και προσεγγίζει ένα ευρύτερο πεδίο δράσης.

Του Νέστορα Πεχλιβανίδη

Μέχρι πρόσφατα η κοινή αντίληψη για τις τεχνολογίες Τεχνητής Νοημοσύνης (Artificial Intelligence) και ειδικότερα τις δυνατότητες Μηχανικής Εκμάθησης (Deep Learning) σε ότι αφορά τα συστήματα ασφάλειας, ήταν ότι απευθύνονται αποκλειστικά σε έργα βίντεο-επιτήρησης με πολύ υψηλές απαιτήσεις για κρίσιμες υποδομές και συνοδεύονται με υψηλό κόστος.

Με το λανσάρισμα όμως τον τελευταίο χρόνο, μιας νέας γενιάς καμερών από πολλούς κατασκευαστές, που προσφέρονται με ενσωματωμένες δυνατότητες τεχνητής νοημοσύνης (ΤΝ) και ιδιαίτερα προσιτό κόστος, η παραπάνω αντίληψη δεν υφίσταται πια!

Επίσης η ειδική ορολογία που σχετίζεται με την τεχνολογία ΤΝ, όπως τα νευρωνικά δίκτυα και η μηχανική εκμάθηση, μπορεί επίσης να έχει δημιουργήσει την εντύπωση ότι οι δυνατότητες που μπορεί να προσφέρει η εν λόγω τεχνολογία, υπερβαίνουν κατά πολύ αυτό που απαιτεί η πλειοψηφία των τελικών χρηστών προκειμένου να επιτύχει το μέγιστο όφελος από λύσεις παρακολούθησης βίντεο, κάτι που δεν ισχύει, μιας και οι τεχνολογίες αυτές δίνουν λύσεις σε καθημερινά και σημαντικά προβλήματα που αντιμετωπίζουν οι διαχειριστές ασφάλειας.

Εξάλειψη ψευδών συναγερμών

Οι περισσότερες εγκαταστάσεις είναι πιθανό, αλλά και ίσως απαραίτητο να αναπτυχθούν κάμερες με ΤΝ, προκειμένου να επιλυθεί το διαχρονικό πρόβλημα των ψευδών συναγερμών, που ταλαιπωρούν θα λέγαμε τις εφαρμογές της βιομηχανίας της ηλεκτρονικής ασφάλειας, εδώ και δεκαετίες. Με απλά λόγια, η ανάλυση βίντεο με εφαρμογές ΤΝ, έχει τη δυνατότητα να αγνοεί τον «ηλεκτρονικό θόρυβο» και τις παρεμβολές που προέρχονται από τα δέντρα και φυτά που κυματίζουν, τα ζώα και άλλες περιβαλλοντολογικές συνθήκες, που προκαλούσαν συνήθως ψευδείς συναγερμούς.

Το υψηλότερο επίπεδο απόδοσης της ανάλυσης βίντεο που βασίζεται σε τεχνικές βαθιάς εκμάθησης, συνεπάγεται πως οι χειριστές των κέντρων ελέγχου και το προσωπικό ασφάλειας μπορούν να επικεντρωθούν σε πραγματικά περιστατικά και έκτακτες ανάγκες και να μην σπαταλούν χρόνο σε ψευδείς συναγερμούς. Εκτός όμως από την εξαιρετική ακρίβεια που προσφέρει, η βαθιά εκμάθηση επιτρέπει επίσης στους χειριστές να πραγματοποιούν αναζητήσεις βασισμένες σε συγκεκριμένα χαρακτηριστικά, όπως είναι η ηλικία, το φύλου ενός ατόμου, καθώς ακόμα και αν φοράει γυαλιά, καπέλο ή φέρει τσάντα.

Ευκολίες ρυθμίσεων και χρήσης

Στην πραγματικότητα, αναφορικά με τις ενσωματώσεις που ήδη έχουν πραγματοποιηθεί σε κάμερες με ΤΝ, δεν υπάρχει κάτι περίπλοκο σχετικά με την εγκατάσταση, τη ρύθμιση ή την χρήση της βαθιάς εκμάθησης. Ως εκ τούτου, οι τεχνικοί εγκαταστάσεων συστημάτων θα είναι σε θέση να αξιοποιήσουν αυτήν τη τεχνολογία ως μέρος κάθε έργου βιντεοεπιτήρησης. Με την τεχνητή νοημοσύνη έτοιμη για άμεση λειτουργία και δυνατότητα επιτόπιας παραμετροποίησης, ώστε να αντικατοπτρίζει τις λειτουργικές απαιτήσεις του  τελικού χρήστη, δεν υπάρχει πραγματική ανάγκη να κατανοήσουν σε βάθος την τεχνική υποδομή και τον τρόπο λειτουργίας της. Ωστόσο, καλό θα ήταν να κάνουμε μία επισκόπηση της τεχνολογίας.

Η βαθιά εκμάθηση είναι κομμάτι της μηχανικής μάθησης και συνιστά έναν τρόπο για την επίτευξη τεχνητής νοημοσύνης, “εκπαιδεύοντας μια μηχανή” να εκτελεί εργασίες με βάση μεγάλο αριθμό σεναρίων. Προκειμένου να γίνει αυτό, χρησιμοποιούνται πολυεπίπεδα ή αλλιώς βαθιά τεχνητά νευρωνικά δίκτυα, τα οποία είναι ουσιαστικά αλγόριθμοι  μαθηματικών μοντέλων εμπνευσμένων από τη φυσιολογία και τη λειτουργία του ανθρώπινου εγκεφάλου. Το γεγονός ότι είναι ‘’βαθιά’’,  τα καθιστά ως πλέον κατάλληλα για την επίλυση σύνθετων προβλημάτων, όπως η αναγνώριση και η ταυτοποίηση  αντικειμένων ή  γεγονότων σε μη επεξεργασμένο βίντεο, και μάλιστα με εξαιρετικά υψηλή ακρίβεια.

Οι τεχνικές βαθιάς εκμάθησης προσφέρουν πολύ υψηλή απόδοση σε σύγκριση με τα  παραδοσιακά video analytics που βασίζονταν στην ανίχνευση κίνησης και επομένως δεν ήταν εύκολο να αναγνωρίσουν στατικά αντικείμενα όπως σταθμευμένα οχήματα. Ίσως εντέλει είναι αναπόφευκτο, η βαθιά εκμάθηση της τεχνητής νοημοσύνης να αντικαταστήσει σταδιακά την παραδοσιακή ανάλυση βίντεο για την πλειονότητα των εφαρμογών και ιδιαίτερα εκείνων που υποφέρουν περισσότερο από ψευδή ανίχνευση.

Αξίζει να σημειωθεί πως η τεχνητή νοημοσύνη είναι ιδιαίτερα κατάλληλη για εφαρμογές που εμπεριέχουν μεγαλύτερο βαθμό πολυπλοκότητας, από αυτόν που είναι ικανά να καλύψουν τα παραδοσιακά video analytics. Παρέχει, για παράδειγμα, τη δυνατότητα σε επιχειρήσεις λιανικού εμπορίου να αναγνωρίζουν και να αναλύουν χαρακτηριστικά όπως η ηλικία και το φύλο των πελατών τους, προσφέροντάς μια λεπτομερή περιγραφή των τελευταίων  ώστε να γίνεται καλύτερη κατανόηση της συμπεριφοράς τους αλλά και να αναγνωρίζονται τα μοτίβα των αγορών.

Εκτός από τη συμβολή  στην καταπολέμηση της εγκληματικότητας, υπάρχουν αμέτρητοι τρόποι με τους οποίους η βαθιά εκμάθηση και τα αναλυτικά στοιχεία βίντεο που παράγει, μπορούν να βοηθήσουν τις επιχειρήσεις να βελτιώσουν την παραγωγικότητα τους και να λειτουργήσουν με ασφάλεια σε έναν κόσμο που πλήττεται από την πανδημία. Στην αγορά πλέον υπάρχουν πολλές συσκευές με ενσωματωμένη τεχνολογία ΤΝ για να καλυφθούν οι παραπάνω ανάγκες και σε κόστος που οι τελικοί  χρήστες μπορούν να προσδοκούν  υψηλή απόδοση επένδυσης, ανεξάρτητα του τρόπου αξιοποίησης της τεχνολογίας.