Τεχνητή Νοημοσύνη στην Ηλεκτρονική Ασφάλεια

Η κατανόηση των όρων και η πρακτική εφαρμογή

 Όροι όπως, “Artificial Intelligence”, “Deep Learning” και “Machine Learning” έχουν εισέλθει σχετικά πρόσφατα και στον τομέα της ηλεκτρονικής ασφάλειας και ειδικότερα στη βίντεο επιτήρηση. Τι ουσιαστικό όμως κρύβεται πίσω από αυτούς τους όρους και πως μπορούν πραγματικά να ωφεληθούν οι integrator, οι εγκαταστάτες μικρών και μεγάλων έργων και φυσικά οι τελικοί πελάτες από την εφαρμογή λύσεων που υποστηρίζουν αυτές τις νέες τεχνολογίες;

Του Αριστοτέλη Λυμπερόπουλου

Όλο και αυξανόμενος αριθμός κατασκευαστών συστημάτων ηλεκτρονικής ασφάλειας προσφέρουν σήμερα προϊόντα, συστήματα και ολοκληρωμένες λύσεις ανάμεσα στα χαρακτηριστικά των οποίων, αναδεικνύονται σε μεγάλο βαθμό πλέον οι όροι Artificial Intelligence (Τεχνητή Νοημοσύνη), Machine Learning (Μηχανική Εκμάθηση) και Deep Learning (Βαθιά εκμάθηση. Πολλοί ίσως να ταυτίζουν μεταξύ τους, όλους αυτούς τους όρους, θεωρώντας ότι όλοι αποτελούν διαφορετικές εκφράσεις για την ερμηνεία της τεχνητής ευφυΐας. Μόλις όμως πριν λίγα τεύχη, το Security Manager είχε αφιερώσει ένα άρθρο προκειμένου να ερμηνευτούν πιο αναλυτικά οι όροι Artificial Intelligence και Deep Learning και να παρουσιαστούν οι διαφορές τους. Φυσικά, αυτή η παρερμηνεία είναι σε ένα βαθμό λογική καθώς όντως όλες αυτές οι τεχνολογίες βασίζονται στην ανάπτυξη της Τεχνητής Ευφυΐας πριν από αρκετές δεκαετίες (πρωτοεμφανίστηκε ως τεχνολογία την δεκαετία του 1950 με την εμφάνιση των πρώτων υπερυπολογιστών για τα δεδομένα της τότε εποχής). Πλέον με την απίστευτη εξέλιξη της διαθέσιμης υπολογιστικής ισχύος, οι συγκεκριμένες τεχνολογίες έχουν αναπτυχθεί και αποτελούν πλέον λύσεις που ενσωματώνονται σε πολλούς διαφορετικούς κλάδους.

Ο κλάδος της ηλεκτρονικής ασφάλειας είναι φυσικό να είναι ένας από αυτούς που κάνουν χρήση αυτών των τεχνολογιών, καθώς οι δυνατότητες που αυτές μπορούν να προσφέρουν, δίνουν μια νέα διάσταση στον τρόπο λειτουργίας των συστημάτων ασφάλειας. Οι δυνατότητες είναι απεριόριστες και έχουν ως όριο μόνο την φαντασία των κατασκευαστών. Όσο μάλιστα η υπολογιστική ισχύς αυξάνεται, τόσο θα πολλαπλασιάζονται και οι νέες λειτουργίες που θα ενσωματώνουν τα μελλοντικά συστήματα ηλεκτρονικής ασφάλειας. Ακριβώς αυτό είναι και το σημαντικό στοιχείο που πρέπει να έχουν υπόψη τους οι εγκαταστάτες των συστημάτων ασφάλειας και να το έχουν εμπεδώσει σε τέτοιο βαθμό, ώστε να μπορούν να το παρουσιάσουν αποτελεσματικά στους τελικούς πελάτες. Διότι τους τελικούς πελάτες-χρήστες των συστημάτων δεν τους ενδιαφέρει μόνο το τεχνολογικό υπόβαθρο που κρύβεται πίσω από αυτές τις εξελίξεις, όσο τι μπορούν αυτές να τους προσφέρουν στην πράξη. Σε αυτό το σημείο είναι λοιπόν που πρέπει να εστιάσουν αυτήν την περίοδο όσοι ασχολούνται επαγγελματικά με την εγκατάσταση συστημάτων ηλεκτρονικής ασφάλειας. Δηλαδή στην κατανόηση των νέων τεχνολογιών ώστε να μπορούν να αναδείξουν αποτελεσματικά τα οφέλη που αυτές θα επιφέρουν.

Διακρίνοντας τους όρους

Όπως αναφέρθηκε και στην αρχή του άρθρου, πάρα πολύ συχνά βρισκόμαστε απέναντι στο φαινόμενο να ταυτίζονται αυτοί οι όροι, δηλαδή: “ΑΙ – Artificial Intelligence”, “Deep Learning” και “Machine Learning”. Τις περισσότερες φορές ακόμα και άνθρωποι που είναι τεχνικά εξοικειωμένοι με τα συστήματα ηλεκτρονικής ασφάλειας χρησιμοποιούν χωρίς καμία διάκριση τους όρους τεχνητή ευφυΐα, βαθιά εκμάθηση και μηχανική εκμάθηση, θεωρώντας ότι είναι απολύτως ισοδύναμοι. Μπορεί να είναι σε μεγάλο βαθμό συνδεδεμένοι μεταξύ τους και να ξεκινούν από το ίδιο σημείο, αλλά πλέον και σε ότι αφορά το τεχνικό κομμάτι είναι σημαντικά διαφοροποιημένοι.

Η πιο σαφής ερμηνεία για την τεχνητή ευφυΐα/νοημοσύνη (ΑΙ) είναι ότι αποτελεί εκείνη την τεχνολογία, η οποία επιτρέπει σε ένα μηχάνημα να αξιοποιεί δεδομένα από το περιβάλλον της, ώστε να μεγιστοποιήσει τις πιθανότητες επιτυχίας για την υλοποίηση μιας εργασίας που της έχει ανατεθεί. Με προσομοίωση της ανθρώπινης συλλογιστικής, αλλά και της επιστήμης των πιθανοτήτων, η τεχνητή ευφυΐα επιτρέπει σε ένα μηχάνημα ή σε ένα σύστημα να διαμορφώνει τη δημιουργία μιας απόφασης (decision making) η οποία επηρεάζει την απόδοση της μηχανής ή του συστήματος. Τα συστήματα τεχνητής ευφυΐας λειτουργούν επειδή ακριβώς μαθαίνουν από το περιβάλλον στο οποίο λειτουργούν και τις διάφορες ενέργειες που γίνονται μέσα σε αυτό το περιβάλλον, ενέργειες που μπορούν να χαρακτηρισθούν είτε ως φυσιολογικές είτε ως έκτακτες καταστάσεις. Εδώ τώρα υπεισέρχονται και οι άλλοι δύο όροι που σχετίζονται με τη διαδικασία εκμάθησης. Δύο είναι οι βασικοί τύποι εκμάθησης που συσχετίζονται με την Τεχνητή Νοημοσύνη: η Μηχανική Εκμάθηση (Machine Learning) και η Βαθιά Εκμάθηση (Deep Learning).

Το Machine Learning αποτελεί μια πολύ κοινή πλέον τεχνολογία στον κόσμο της πληροφορικής και χρησιμοποιείται ευρέως. Εφαρμογές της βλέπουμε στις διάφορες πλατφόρμες κοινωνικής δικτύωσης -γνωστότερες και ως social media- στις μηχανές αναζήτησης, σε διάφορες on line υπηρεσίες, καθώς και σε συστήματα διαχείρισης δεδομένων. Βασίζεται, στην εκτέλεση πολλών αλγορίθμων οι οποίοι με την σειρά τους επεξεργάζονται ένα όσο μεγαλύτερο γίνεται πλήθος δεδομένων και χρησιμοποιεί τα αποτελέσματα που προκύπτουν από την εκτέλεση αυτών των αλγορίθμων, ώστε να προβλέπει καταστάσεις και πράγματα σε ένα δοσμένο περιβάλλον. Η εκμάθηση των μηχανημάτων σήμερα λειτουργεί ικανοποιητικά και αποδίδει καλά αποτελέσματα, όμως η χρήση της εξαρτάται από τον τρόπο με τον οποίο αξιοποιεί τα δεδομένα για να προβεί σε μελλοντικές αποφάσεις.

Το Deep Learning, είναι ένα στάδιο παραπάνω σε σχέση με την μηχανική εκμάθηση σε ότι αφορά τις δυνατότητες της. Χρησιμοποιεί πολλαπλά επίπεδα αλγορίθμων μέσω των οποίων προσπαθεί να κατανοήσει το περιβάλλον μέσα στο οποίο λειτουργεί και προχωράει σε αποφάσεις βάσει αυτών που έχει μάθει από την εκτέλεση των αλγορίθμων.

Ένας καλός τρόπος για να αντιληφθούμε τη διαφορά μεταξύ Machine Learning – Deep Learning, είναι ότι η πρώτη τεχνολογία χρησιμοποιεί ένα τεράστιο όγκο δεδομένων προκειμένου να βρει μια λύση σε ένα προκαθορισμένο περιβάλλον σύμφωνα με προκαθορισμένα κριτήρια. Ενώ, η βαθιά εκμάθηση χρησιμοποιεί το δίπτυχο της αποκτηθείσας γνώσης και της συσσωρευμένης εμπειρίας προκειμένου να αντιληφθεί το περιβάλλον στο οποίο λειτουργεί και στην συνέχεια αποφασίζει το πώς θα λειτουργήσει ανάλογα με το τι έχει μάθει από την προηγούμενη διεργασία.

Τα οφέλη στον τομέα της ασφάλειας

Όπως προείπαμε όμως, το πιο βασικό δεν είναι να εμβαθύνουμε στον τρόπο υλοποίησης αυτών των τεχνολογιών, αλλά στο τι μπορούν να προσφέρουν πρακτικά στις εφαρμογές ασφάλειας. Οι εφαρμογές που μπορούν να αναπτυχθούν βάσει αυτών των τεχνολογιών είναι πολλές και σημαντικές. Κάνοντας ένα βήμα πιο πέρα από την υφιστάμενη και ήδη πολύ διαδεδομένη χρήση των video analytics, η συνδυασμένη χρήση της τεχνητής ευφυΐας και της βαθιάς εκμάθησης επιτρέπει σε ένα σύστημα επιτήρησης την ανάλυση σχημάτων και αντικειμένων και την γρήγορη και ακριβή ταξινόμηση τους σε διάφορες κατηγορίες. Μπορεί παραδείγματος χάρη, με τη χρήση αυτών των τεχνολογιών ένα σύστημα επιτήρησης να αντιληφθεί τις διαφορές ακόμα και μεταξύ ζώων (όπως γάτα και σκύλος) και πολύ περισσότερο μεταξύ διαφορετικών ζωντανών οργανισμών, όπως ζώα και άνθρωποι. Βιομετρικά χαρακτηριστικά όπως τα χέρια και τα πόδια, μπορούν να αποτελέσουν πολύ χρήσιμα δεδομένα στη διαδικασία αναγνώρισης και ταξινόμησης. Επίσης, ένα σύστημα επιτήρησης εφοδιασμένο με αυτές τις τεχνολογίες μπορεί να κάνει πολύ ακριβή αναγνώριση προσώπου ή και αναγνώριση οχημάτων με τη χρήση διάφορων στοιχείων, όπως π.χ. το χρώμα του αντικειμένου. Αλλά το σημαντικότερο, είναι ότι μπορεί να αναλύσει και συμπεριφορές, ώστε να αντιληφθεί αν κάποια κίνηση είναι φυσιολογική ή όχι.

Ακριβώς επειδή το σύστημα μαθαίνει να αναγνωρίζει αντικείμενα, πρόσωπα, οχήματα και συμπεριφορές, αυτό σημαίνει ότι συνεχώς βελτιώνεται με αυτόματο τρόπο η δυνατότητα αναγνώρισης. Επίσης, η αναζήτηση κάποιας περίεργης κίνησης ή συμπεριφοράς μπορεί να γίνει πολύ ευκολότερα. Αυτό γίνεται διότι αντί να αναζητά το σύστημα κάποια παραβίαση όπως π.χ. διασταύρωση με μια προκαθορισμένη γραμμή σε έναν συγκεκριμένο τομέα από την αντίστοιχη κάμερα ή να αναζητά ένα συμβάν από διαφορετικές πηγές βασιζόμενο σε κριτήρια χρόνου και ημερομηνία, τώρα μπορεί με τη χρήση προηγμένων αλγόριθμων τεχνητής ευφυΐας, να αναζητά πολύ συγκεκριμένες πληροφορίες από όλα τα δεδομένα που καταγράφονται. Δηλαδή μπορεί να εστιάσει σε πολύ συγκεκριμένους στόχους, όπως ένας άνθρωπος με ένα τζάκετ συγκεκριμένου χρώματος ή ένα όχημα τύπου βαν ή μια γυναίκα που σπρώχνει ένα παιδικό καρότσι.

Αυτό όμως είναι μόνο η αρχή. Εκεί που απογειώνεται η χρήση των συστημάτων τεχνητής ευφυΐας με ενσωματωμένες δυνατότητες βαθιάς εκμάθησης, είναι όταν κάτι ύποπτο καταγραφεί για πρώτη φορά. Τότε το σύστημα και από εκείνη την χρονική στιγμή μπορεί να αναζητά καταγραφές, που να συσχετίζονται με αυτήν την συγκεκριμένη καταγραφή. Με κάθε καταγραφή επικίνδυνου ή ύποπτου περιστατικού το σύστημα βρίσκει αφορμή και χρησιμοποιεί αυτές τις πληροφορίες προκειμένου να “αυτοβελτιώσει” τις δυνατότητες επιτήρησης με σκοπό να ενημερώνει τους χρήστες πολύ πιο γρήγορα σε ενδεχόμενη εμφάνιση παρόμοιου συμβάντος.

Η αναζήτηση υπόπτων ή ο εντοπισμός στόχων μπορεί να φαίνεται κάτι απλό, ειδικά για τεχνολογίες που φαίνεται ότι αποτελούν ένα παράθυρο προς το μέλλον, αλλά στην πράξη προσφέρουν σημαντικά οφέλη στον τελικό χρήστη και απλοποιούν κατά πολύ την εργασία του. Αναζήτηση υπόπτων που σήμερα κρατάει ώρες ή και ημέρες πλέον θα μπορεί να γίνεται μέσα σε ελάχιστο χρονικό διάστημα ή ακόμα το πιο εντυπωσιακό να έχει προβλεφτεί πριν ακόμα συμβεί. Με αυτόν τον τρόπο ελαχιστοποιούνται επίσης τα ανθρώπινα λάθη που οφείλονται σε αμέλεια ή και κόπωση των χειριστών. Μόνο όσοι έχουν καθίσει μπροστά από έναν μεγάλο αριθμό οθονών προσπαθώντας να διερευνήσουν ή και να προλάβουν ένα συμβάν, μπορούν να αντιληφθούν σε όλη την έκταση τους τα οφέλη που θα επιφέρει στα συστήματα επιτήρησης η ενσωμάτωση των νέων τεχνολογιών.

Σήμερα, μια συντηρητική εκτίμηση είναι ότι μόνο ένα πενιχρό ποσοστό της τάξης του 5% των δεδομένων που καταγράφονται από τα συστήματα επιτήρησης χρησιμοποιούνται αποτελεσματικά. Αυτό οφείλεται στους πόρους και στον χρόνο που απαιτείται για την ουσιαστική επεξεργασία όλων αυτών των πληροφοριών. Με τη χρήση αυτών των τεχνολογιών στα συστήματα επιτήρησης θα είναι πλέον δυνατή η αξιοποίηση πολύ μεγαλύτερου όγκου δεδομένων. Το πιο εντυπωσιακό είναι ότι αυτό δεν αφορά μόνο τη δυνητική χρήση σε εφαρμογές ασφάλειας, αλλά η χρήση τους μπορεί να επεκταθεί και σε άλλες εφαρμογές όπως: η βελτιστοποίηση της παραγωγής ενός εργοστασίου, η καλύτερη διαχείριση του προσωπικού σε μεγάλες επιχειρήσεις, ο αποτελεσματικός έλεγχο της ροής των επιβατών σε αεροδρόμια, σιδηροδρομικούς σταθμούς ή και λιμάνια, η πρόληψη κυκλοφοριακού φόρτου σε μεγάλες οδικές αρτηρίες και σε πολλές άλλες εφαρμογές.

Η ενσωμάτωση αυτών των τεχνολογιών θα βελτιώσει κατά πολύ τις δυνατότητες των υφιστάμενων συστημάτων επιτήρησης που χρησιμοποιούν τις απλούστερες τεχνολογίες τύπου video analytics. Ακριβώς διότι η ενσωμάτωση τους θα βοηθήσει στη μείωση των πόρων που απαιτούν αυτού του τύπου οι τεχνολογίες, ο αριθμός των οποίων τις περισσότερες φορές τις καθιστά ουσιαστικά ανενεργές. Όλα πλέον θα είναι απλούστερα χωρίς ο χρήστης να οφείλει να εμβαθύνει στα μενού ρυθμίσεων και παραμετροποιήσεων της εφαρμογής για να μπορέσει να εκμεταλλευτεί τις δυνατότητες των συστημάτων ή να αναζητά συνεχώς την βοήθεια των εγκαταστατών. Σήμερα παρατηρείται το φαινόμενο να είναι τόσο πολύπλοκα τα συστήματα ώστε ακόμα και οι εγκαταστάτες πολλές φορές να μην μπορούν να δώσουν ουσιαστικές απαντήσεις σε απορίες των χρηστών.

Το μέλλον

Η μεγαλύτερη διείσδυση των τεχνολογιών τεχνητής ευφυΐας, μηχανικής εκμάθησης και βαθιάς εκμάθησης, είναι γεγονός ότι θα συμβάλει στην εμφάνιση νέων δυνατοτήτων για τα συστήματα επιτήρησης, αλλά και θα βοηθήσει στην πολύ καλύτερη αξιοποίηση και υφισταμένων τεχνολογιών, όπως τα video analytics. Η μεγάλη πρόκληση για τις εταιρίες υλοποίησης μεγάλων έργων για την ασφάλεια, αλλά και ευρύτερα για τους επαγγελματίες εγκαταστάτες συστημάτων ασφάλειας, είναι να προσπαθήσουν ώστε όλες αυτές οι δυνατότητες και αλλαγές να μετουσιωθούν σε ουσιαστικά οφέλη για τους χρήστες των συστημάτων. Μόνο έτσι θα επιταχυνθεί ο ρυθμός ενσωμάτωσης αυτών των τεχνολογιών στα συστήματα επιτήρησης, καθώς η εμπειρία έχει δείξει ότι οι απαιτήσεις της αγοράς είναι αυτή που σε μεγάλο βαθμό καθορίζει την εξέλιξη των συστημάτων και την ενσωμάτωση των νέων τεχνολογιών. Πρόκειται για έναν κανόνα που ισχύει ανεξαιρέτως σε όλους τους κλάδους.