Οι λανθασμένοι συναγερμοί αποτελούν μια σημαντική πρόκληση σε ότι αφορά την αποτελεσματική διαχείριση ενός ολοκληρωμένου συστήματος ασφάλειας. Ως επί το πλείστον, το μεγαλύτερο πρόβλημα που προκαλούν, είναι η αχρείαστη κατανάλωση των ανθρώπινων πόρων που διοχετεύονται σε ενέργειες χωρίς ουσιαστικό αντίκρισμα. Αν και από την πρώτη στιγμή εμφάνισης των ηλεκτρονικών συστημάτων ασφάλειας, ήταν γνωστό το πρόβλημα των εσφαλμένων συναγερμών, εδώ και αρκετές δεκαετίες, εντούτοις ακόμα δεν έχει δοθεί οριστική και ολοκληρωμένη λύση. Αυτό όχι γιατί δεν το θέλουν οι εμπλεκόμενοι. Τουναντίον, είναι μια βασική επιδίωξη όλων όσων δραστηριοποιούνται στον χώρο της ασφάλειας, ως κατασκευαστές συστημάτων, ως εγκαταστάτες έργων αλλά και ως τελικοί χρήστες. Αλλά προφανώς, η απάντηση σε αυτή την πρόκληση δεν είναι τόσο απλή, καθώς δεν υπάρχουν μαγικές λύσεις που θα εξαλείψουν με τη μία το συγκεκριμένο πρόβλημα.
Θα πρέπει να επισημάνουμε βέβαια ότι με την πάροδο των ετών και τη βελτίωση των τεχνολογιών που χρησιμοποιούνται στα ηλεκτρονικά συστήματα ασφάλειας, είναι αλήθεια ότι το πρόβλημα έχει αντιμετωπισθεί σε κάποιο βαθμό και έχει βελτιωθεί σημαντικά το έργο όσων επιτηρούν προστατευόμενες περιοχές.
Ειδικότερα τα τελευταία χρόνια, με τις πρόσφατες εξελίξεις στην τεχνητή ευφυΐα και την ενσωμάτωση της στα συστήματα επιτήρησης με τη μορφή των video analytics, αλλά και τη χρήση των αλγόριθμων βαθιάς εκμάθησης φαίνεται ότι πλέον προσεγγίζουμε ένα πολύ ικανοποιητικό επίπεδο σε ότι αφορά τη διαχείριση της εμφάνισης εσφαλμένων συναγερμών.
Σε συνδυασμό με την εμφάνιση ακόμα ισχυρότερων υπολογιστικών συστημάτων σε ότι αφορά το hardware τους, στοιχείο που επιτρέπει την καλύτερη αξιοποίηση των αλγορίθμων βαθιάς εκμάθησης (οι οποίοι ούτως ή άλλως απαιτούν ισχυρό hardware) φαίνεται ότι συνεχώς τα αποτελέσματα που θα έχουμε θα είναι πολύ καλύτερα ακόμα και σε σχέση με το πρόσφατο παρελθόν.
Βαθιά εκμάθηση
Η βαθιά εκμάθηση (deep learning) αποτελεί μια πολύ ισχυρή τάση για τον κόσμο της τεχνολογίας ευρύτερα. Ήδη τα τελευταία δύο χρόνια γίνεται συστηματική της χρήση σε τεχνολογικές εφαρμογές όπως η αναγνώριση ομιλίας, η μετάφραση φωνής και υπολογιστική όραση (computer vision). Σε αυτό το διάστημα διαπιστώθηκε ότι σε πολλούς τομείς ξεπερνάει ακόμα και τις ανθρώπινες δυνατότητες όπως στην αναγνώριση προσώπων και στη ανάλυση εικόνων. Οι μεγάλες δυνατότητες της βαθιάς εκμάθησης σε αυτούς τους τομείς, την καθιστούν ένα ιδανικό εργαλείο για την ενσωμάτωση στα ηλεκτρονικά συστήματα ασφάλειας και ειδικότερα στα συστήματα επιτήρησης.
Αρχή λειτουργίας
Πολλοί θεωρούν, ότι η βαθιά εκμάθηση είναι μια πιο εξελιγμένη έκδοση των νευρωνικών δικτύων. Όμως υπάρχουν σημαντικές διαφορές. Η τεχνολογία της βαθιάς εκμάθησης βασίζεται στη χρήση πολλαπλών επιπέδων επεξεργασίας. Κάθε επίπεδο χρησιμοποιεί διαδοχικά εισερχόμενα και εξερχόμενα σήματα. Δηλαδή το ένα επίπεδο βλέπει τα δεδομένα που προέρχονται από το προηγούμενο επίπεδο ως εισερχόμενα. Σε κάθε μεμονωμένο επίπεδο πραγματοποιείται επεξεργασία δεδομένων τα οποία στη συνέχεια στέλνονται στο επόμενο επίπεδο. Επειδή ακριβώς η τεχνολογία βασίζεται στη χρήση πολλαπλών υπο-επιπέδων ονομάστηκε βαθιά εκμάθηση. Το στοιχείο που τη διαφοροποιεί με άλλες τεχνολογίες τεχνητής ευφυΐας είναι η δυνατότητα εκμάθησης. Εδώ, αξιοποιείται η χρήση της τεχνολογίας των νευρωνικών δικτύων τα οποία προσομοιάζουν τον τρόπο με τον οποίο εργάζεται το ανθρώπινο μυαλό το οποίο έχει τη δυνατότητα της συνεχούς εκμάθησης και τροποποίησης του τρόπου με τον οποίο επεξεργάζεται τις πληροφορίες.
Μέχρι σήμερα τα συστήματα τεχνητής νοημοσύνης σε ότι αφορά τις εφαρμογές επιτήρησης, χρησιμοποιούσαν τα pixels για να επεξεργαστούν τα δεδομένα. Η τεχνολογία βαθιάς εκμάθησης δεν περιορίζεται μόνο στα pixels. Μπορεί να χρησιμοποιεί και άλλα δεδομένα όπως τα περιγράμματα και τα σχήματα των αντικειμένων αλλά και άλλα οπτικά στοιχεία. Όλα αυτά βοηθούν στην αποτελεσματικότερη επεξεργασία της πληροφορίας και τελικά συμβάλλουν στην πιο αξιόπιστη αναγνώριση των διάφορων αντικειμένων.
Στο παρελθόν, σκοπός όσων ασχολούνταν με την ενσωμάτωση της τεχνητής νοημοσύνης και της βαθιάς εκμάθησης στα συστήματα επιτήρησης ήταν να πετύχουν μια απλή αναγνώριση αντικειμένων. Δηλαδή να μπορούν τα συστήματα να αντιλαμβάνονται τη διαφορά μεταξύ ανθρώπου και ζώου. Πλέουν έχουμε περάσει σε ένα επόμενο στάδιο όπου είναι δυνατή και η διαφοροποίηση μεταξύ δύο ζώων όπως π.χ. μεταξύ ενός σκύλου και ενός αλόγου. Επιπλέον στις εφαρμογές ασφάλειας και video analytics είναι δυνατή πλέον η συνεχής βελτίωση του συστήματος μέσω της αυτό-εκπαίδευσης, όπου έτσι μπορεί συνεχώς να βελτιώνεται και να αντιλαμβάνεται διαφορές σε συμπεριφορές κινούμενων αντικειμένων, να αναγνωρίζει μεμονωμένα αντικείμενα και να αντιλαμβάνεται απροσδόκητες κινήσεις αντικειμένων.
Η πρόκληση της ενσωμάτωσης
Τα συμβατικά συστήματα επιτήρησης εντοπίζουν κυρίως κινούμενους στόχους, χωρίς περαιτέρω ανάλυση. Ακόμη και οι έξυπνες κάμερες IP μπορούν μόνο να αποτυπώσουν μεμονωμένα σημεία από ένα ευρύτερο σχήμα, καθιστώντας δύσκολη την ακριβή αποτύπωση συγκεκριμένων χαρακτηριστικών όπως μέτωπο ή μάγουλο και μειώνοντας έτσι την επιθυμητή ακρίβεια.
Για την ασφάλεια περιμέτρου, για παράδειγμα, μπορούν να χρησιμοποιηθούν (και χρησιμοποιούνται) άλλες τεχνολογίες ώστε να επιτευχθεί μεγαλύτερη ασφάλεια. Αλλά και αυτές έχουν συγκεκριμένα μειονεκτήματά: Οι ανιχνευτές δεσμών υπερύθρων μπορούν να υπερπηδηθούν και είναι επίσης επιρρεπείς σε ψευδείς συναγερμούς που προκαλούνται από ζώα. Οι φράκτες με ηλεκτρικό ρεύμα ίσως δημιουργούν κινδύνους για τη σωματική ασφάλεια όσων κινούνται κοντά σε αυτούς και άρα περιορίζονται μόνο σε συγκεκριμένες χρήσεις. Τέλος, ορισμένες από αυτές τις εναλλακτικές λύσεις μπορεί επίσης να είναι δαπανηρές και περίπλοκες στην εγκατάσταση. Αντικείμενα όπως ζώα, φύλλα ή ακόμα και η ύπαρξη φωτός μπορούν να προκαλέσουν ψευδείς συναγερμούς. Οπότε εδώ οι δυνατότητες που προσφέρουν οι τεχνολογίες τεχνητής ευφυΐας- και ακόμα πιο συγκεκριμένα η βαθιά εκμάθηση – στην αναγνώριση ενός ανθρώπινου σχήματος συμβάλλουν στη βελτίωση της ακρίβειας των συστημάτων ανίχνευσης περιμέτρου που κάνουν χρήση των τεχνολογιών VCA.
Είναι άλλωστε αναμφισβήτητο ότι οι συχνοί εσφαλμένοι συναγερμοί αποτελούν πάντα πρόβλημα για τους τελικούς χρήστες διότι πρέπει να αφιερώσουν χρόνο για να ερευνήσουν τι συμβαίνει πραγματικά. Η συνολική διαδικασία καθυστερεί την ενεργοποίηση όλων των εμπλεκόμενων και μειώνει τη συνολική αποτελεσματικότητα του γενικού συστήματος ασφάλειας.
Ας εξετάσουμε, για παράδειγμα, ένα μάλλον σενάριο με όχι ιδιαίτερα επιβαρυντικούς παράγοντες. Στο σενάριο αυτό, υπάρχει μια τοποθεσία όπου κατά τη διάρκεια της νύχτας κινούνται ένας σχετικά μικρός αριθμός αυτοκινήτων και ανθρώπων γύρω από αυτήν. Ακόμα και σε αυτήν, την όχι ιδιαίτερα επιβαρυμένη περίπτωση, μπορεί να υπάρχουν 50 λανθασμένοι συναγερμοί σε μια νύχτα. Ας υποθέσουμε ότι χρειάζονται 2-3 λεπτά για να ελεγχθεί ένας εσφαλμένος συναγερμός και ότι μόλις 3 από τους 50 συναγερμούς απαιτούν περισσότερη διερεύνηση με χρόνο που κυμαίνεται περίπου στα 15 λεπτά ο καθένας. Σε κάθε περίπτωση, είτε στην πρώτη είτε στη δεύτερη, ο φύλακας είτε πρέπει να ελέγξει απλώς το σύστημα και να διαγράψει την ειδοποίηση του εσφαλμένου συναγερμού, είτε στη δεύτερη να μεταβεί στο σημείο από το οποίο ήρθε η ειδοποίηση και να ελέγξει αν όντως υπάρχει παραβίαση. Επίσης, θα πρέπει να καταγράψει στο ημερολόγιο του (log book) όλες αυτές τις ενέργειες. Το σύνολο λοιπών των λεπτών που θα καταναλώσει ο φύλακας θα ξεπεράσει τα 150 λεπτά. Δηλαδή, θα σπαταληθούν πάνω από δυόμιση ώρες για τη διερεύνηση εσφαλμένων συναγερμών. Μόνο και μόνο από αυτήν την παράθεση μπορούμε να αντιληφθούμε πόσο σημαντικό είναι το σωστό και αποτελεσματικό φιλτράρισμα των συναγερμών.
Εδώ, υπεισέρχεται η σημασία της βαθιάς εκμάθησης. Διότι έχει τη δυνατότητα να επεξεργαστεί έναν τεράστιο όγκο δεδομένων με τρόπο παρόμοιο με εκείνο του ανθρώπινου εγκεφάλου. Η συνδυασμένη χρήση συστημάτων επιτήρησης και η λήψη δεδομένων από τις κάμερες για τον έγκαιρο διαχωρισμό των σημάτων που έρχονται από τα συστήματα συναγερμού οδηγεί ακριβώς στην ανάγκη για την επεξεργασία ενός τόσο μεγάλου όγκου δεδομένων.
Όλες οι μεγάλες εγκαταστάσεις διαθέτουν πλέον πολύ εκτεταμένα συστήματα επιτήρησης. Η πρόκληση είναι να χρησιμοποιηθούν αποτελεσματικά αυτά τα συστήματα ώστε οι φύλακες να μπορούν να εντοπίζουν κατευθείαν τους κρίσιμους συναγερμούς. Μέχρι σήμερα, έρευνες έχουν δείξει ότι η χρήση συστημάτων βαθιάς μάθησης αυξάνει την ακρίβεια των συναγερμών σε ποσοστό που κυμαίνεται γύρω στο 38%. Κάνοντας χρήση απλών μαθηματικών αυτό οδηγεί σε εξοικονόμηση του χρόνου των φυλάκων κατά μία ώρα με εφαρμογή στο προαναφερθέν σενάριο.
Εύκολα αντιλαμβανόμαστε πόσο αποτελεσματική μπορεί να είναι η ενσωμάτωση συστημάτων βαθιάς εκμάθησης σε συστήματα περιμετρικής ανίχνευσης.
Όμως οι δυνατότητες της βαθειάς εκμάθησης δεν περιορίζονται μόνο σε συστήματα περιμετρικής ανίχνευσης. Μπορεί να χρησιμοποιηθεί και σε άλλα συστήματα ηλεκτρονικής ασφάλειας, διευρύνοντας κατά πολύ τις δυνατότητες τους. Ενσωματώνεται σε συστήματα επιτήρησης αναβαθμίζοντας τη λειτουργία τους και κυρίως τις video analytics δυνατότητες τους και όχι μόνο σε εφαρμογές ασφάλειας.
Η έγκαιρη “ανάγνωση” ύποπτων κινήσεων, παραδείγματος χάρη ενός οχήματος που κινείται απειλητικά ή ενός ανθρώπου που αποτελεί ενδεχόμενη απειλή για ένα χώρο γίνεται πιο βατή με τη χρήση της τεχνολογίας βαθιάς εκμάθησης. Το σύστημα μαθαίνει πότε μπορεί να ξεχωρίζει τις περιπτώσεις και μόνο σε περίπτωση που διαβλέπει μεγάλη πιθανότητα ενδεχόμενου κινδύνου ειδοποιεί τον χρήστη.
Εντέλει αυτό που διαφαίνεται την τελευταία περίοδο είναι ότι όσο πιο πολύ αξιοποιούνται οι δυνατότητες τεχνολογιών τεχνητής ευφυΐας τόσο πιο πολύ θα φτάνουμε κοντά σε αυτό που εκλαϊκευμένα αποκαλούμε ως έξυπνα συστήματα. Τα οποία είναι τελικά αυτά που μπορούν να δώσουν την καλύτερη δυνατή λύση στη διαχείριση των συναγερμών και στη μείωση της εμφάνισης λανθασμένων ενδείξεων.
Source: securitymanager.gr