Η τεχνολογία deep learning ή βαθιάς εκμάθησης έχει μπει δυναμικά στην ατζέντα των θεμάτων που αφορούν την ασφάλεια και ειδικότερα στο τομέα των Video Analytics και των έργων βιντεο-επιτήρησης. Οπότε αξίζει και από την πλευρά μας να εμβαθύνουμε…στην βαθιά εκμάθηση!
Δεν θα ήταν υπερβολή να ισχυριστούμε ότι η τεχνολογία deep learning οδηγεί σε μεγάλο βαθμό πλέον τις εξελίξεις στο τομέα των video analytics αναβαθμίζοντας ακόμα περισσότερο τις δυνατότητες τους σε ένα υψηλότερο επίπεδο.
Για την πλήρη όμως αξιοποίηση όλων των δυνατοτήτων που παρέχει πλέον η τεχνολογία deep learning θα πρέπει να προηγηθούν κάποια σημαντικά βήματα. Η αποτελεσματική χρήση των σύγχρονων video analytics, τα οποία βασίζονται στην τεχνολογία της βαθιάς εκμάθησης απαιτεί και αρκετά μεγαλύτερη προετοιμασία από τους εγκαταστάτες των έργων, αλλά και τους τελικούς χρήστες σε σχέση με την προηγούμενη γενιά συστημάτων που βασίζονται στη προγενέστερη τεχνολογία video analytics.
Αν θα θέλαμε να αναδείξουμε 3 βασικά στοιχεία που πρέπει να ληφθούν υπόψη για τη μετάβαση στα σύγχρονα video analytics με deep learning θα παραθέταμε τα εξής:
- Ο βαθμός ετοιμότητας της υφιστάμενης υποδομής συστημάτων ασφάλειας.
- Αξιολόγηση των απαιτήσεων που καλύπτει το ήδη εγκατεστημένο σύστημα βίντεο-επιτήρησης.
- Νέες ευκαιρίες και επιχειρηματικά οφέλη
Στις σελίδες που θα ακολουθήσουν θα αναλυθούν τα τρία αυτά στοιχεία ώστε ο αναγνώστης να είναι σε θέση να κρίνει αν ήρθε η στιγμή για τη μετάβαση στη νέα γενιά συσκευών με τις αναβαθμισμένες δυνατότητες video analytics.
Βαθμός ετοιμότητας εγκατεστημένης υποδομής
Tο πρώτο πράγμα που πρέπει να γίνει είναι ένας έλεγχος ώστε να διαπιστωθεί αν η υποδομή -που είναι ήδη εγκατεστημένη- υποστηρίζει τη μετάβαση στη νέα τεχνολογία video analytics. Για να είναι όμως αυτό εφικτό θα πρέπει να υπάρχει ένας πλήρης ενημερωμένος κατάλογος με όλες τις συσκευές του συστήματος επιτήρησης. Η λίστα θα πρέπει να περιλαμβάνει πληροφορίες σχετικά με το υλικό (μάρκα και μοντέλο συσκευής, διάρκεια ζωής εγγύησης και υποστήριξης) καθώς και το λογισμικό (εγκατεστημένη έκδοση, τελευταία έκδοση, διάρκεια ζωής εγγύησης και υποστήριξης).
Πολύ σημαντικό στοιχείο είναι η καταγραφή του κόστους εγκατάστασης των συστημάτων καθώς και του ετήσιου σέρβις και της συντήρησης. Παρέχει ένα οικονομικό πλαίσιο για το κόστος υποστήριξης και δίνει μια καλύτερη εικόνα για τη συνολική επένδυση.
Έχει διαπιστωθεί ότι πολλές δικτυακές κάμερες υπερβαίνουν το όριο ζωής τους στο οποίο η κατασκευάστρια εταιρεία παρέχει την προβλεπόμενη υποστήριξη. Τότε δημιουργούνται κίνδυνοι ασφάλειας για τα δεδομένα όχι μόνο του συστήματος επιτήρησης αλλά και ολόκληρου του πληροφοριακού συστήματος του οργανισμού.
Άλλο ένα ζήτημα που προκύπτει για τις παλιότερες δικτυακές κάμερες είναι ότι τα συστήματα βαθιάς εκμάθησης απαιτούν πολύ μεγαλύτερη επεξεργαστική ισχύ που προφανώς τα μοντέλα προηγούμενων ετών δεν μπορούν να την προσφέρουν.
Αξιολόγηση των απαιτήσεων που καλύπτει το ήδη εγκατεστημένο σύστημα βίντεο-επιτήρησης
Τα συστήματα βίντεο-επιτήρησης έχουν τοποθετηθεί στη πλειοψηφία των οργανισμών -ανεξαρτήτως του μεγέθους τους- τις τελευταίες δύο δεκαετίες και συνήθως σταδιακά. Είναι φυσικό λοιπόν να υπάρχει ένα μείγμα καμερών, ίσως διαφορετικής τεχνολογίας που συχνά δεν ανταποκρίνονται στις σύγχρονες απαιτήσεις από ένα σύστημα επιτήρησης. Επιπλέον, συχνό είναι το φαινόμενο όπου έχουν μεταβληθεί οι συνθήκες ενός χώρου με αποτέλεσμα να μην υπάρχει επαρκή κάλυψη του χώρου.
Για όλους αυτούς τους λόγους η αξιολόγηση του υφιστάμενου συστήματος θα πρέπει οπωσδήποτε να λαμβάνει υπόψη τους ακόλουθους παράγοντες:
- Είναι ικανοποιητικός ποσοτικά ο αριθμός των καμερών ώστε να καλύπτονται επαρκώς όλα τα σημεία ενδιαφέροντος από πλευράς ασφάλειας;
- Τα πεδία θέασης των καμερών είναι αποδεκτά;
- Είναι επαρκής η ανάλυση καταγραφής των βίντεο; Ανεπαρκής ανάλυση μπορεί να οδηγήσει σε μη ικανοποιητική καταγραφή πολύ χρήσιμων λεπτομερειών όπως αναγνώριση προσώπων και αντικειμένων, καταγραφή οχημάτων και εντοπισμό ύποπτων δραστηριοτήτων.
Όπως αντιλαμβανόμαστε όλοι αυτοί οι παράγοντες αλληλοεπηρεάζονται. Δηλαδή αν το πεδίο καταγραφής είναι ανεπαρκές τότε η χρήση υψηλότερης ανάλυσης δεν θα βοηθήσει σημαντικά. Επίσης θα πρέπει να ληφθεί υπόψη ότι πολλές εφαρμογές επιτήρησης ενεργοποιούν την καταγραφή όταν αντιλαμβάνονται κίνηση ή ενεργοποιούνται από το σύστημα συναγερμού. Οπότε θα πρέπει να απαντηθεί το ερώτημα αν το σύστημα βίντεο-επιτήρησης θα πρέπει να λειτουργεί συνδυαστικά με το συναγερμό. Συνήθως η απάντηση είναι θετική όμως πολλές φορές υπεισέρχεται το ακόλουθο πρόβλημα. Σε πολλά συστήματα δεν γίνεται χρήση αυτής της δυνατότητας διότι ακριβώς η κάλυψη της κάμερας δεν επαρκεί. Εδώ λοιπόν οι νέες τεχνολογίες deep learning αντιμετωπίζουν αποτελεσματικά αυτή την αδυναμία και επιτρέπουν πλέον τη συνδυασμένη χρήση των συστημάτων επιτήρησης με τα συστήματα συναγερμού.
Νέες ευκαιρίες και επιχειρηματικά οφέλη
Εδώ και πολύ καιρό, όλοι οι εμπλεκόμενοι στα έργα ασφάλειας αλλά και οι διαχειριστές των συστημάτων αυτών, έχουν αντιληφθεί ότι ένα έξυπνο σύστημα επιτήρησης μπορεί να βοηθήσει έναν οργανισμό και σε άλλες πτυχές της καθημερινής λειτουργίας εκτός της ασφάλειας. Σε ένα εμπορικό κέντρο, η χρήση του συστήματος επιτήρησης μπορεί να δώσει σημαντικά πλεονεκτήματα στη διαχείριση των ροών του πλήθους που κινείται μέσα στους χώρους. Ένα στοιχείο ακόμα σημαντικότερο στη σημερινή εποχή όπου η αποφυγή του συνωστισμού είναι πλέον απαίτηση λόγω της πανδημίας του COVID 19. Η βαθιά εκμάθηση μπορεί να δώσει μια σημαντική ώθηση σε αυτή τη διαδιακασία.
Επίσης στις εγκαταστάσεις παραγωγής φαρμάκων, συνηθίζεται να χρησιμοποιούνται κάμερες ακόμα και στους καθαρούς χώρους παραγωγής -όχι φυσικά για λόγους ασφάλειας αλλά για λόγους διαφύλαξης της ποιότητας του προϊόντος. Οι τεχνολογίες τεχνητής νοημοσύνης θα μπορούσαν να αποβούν ιδιαίτερα χρήσιμες στην αποτροπή σφαλμάτων ιδιαιτέρως επικίνδυνα. Αυτές οι δικλείδες ασφάλειας προφανώς και υπάρχουν σήμερα αλλά απαιτείται μεγάλος αριθμός ανθρώπινων πόρων και διαδικασιών που προφανώς αυξάνουν και το κόστος του προϊόντος.
Εμβαθύνοντας …στη βαθιά εκμάθηση !
Η είσοδος της βαθιάς εκμάθησης στον γενικότερο τομέα της τεχνητής νοημοσύνης θα δώσει αναμφισβήτητα μια σημαντική ώθηση σε πολλούς τομείς. Δίνει τη δυνατότητα για νέα επιτεύγματα στους κλάδους των ρομποτικών συστημάτων, της επεξεργασίας γραφικών και βίντεο, της ψηφιακής απεικόνισης ιατρικών εξετάσεων και φυσικά στη διαχείριση των Big Data.
Μεταξύ όλων αυτών των αλλαγών που θα επιφέρει η χρήση της βαθιάς εκμάθησης προφανώς θα επωφεληθούν και τα συστήματα video analytics. Ιδιαίτερα, αν συνυπολογίσουμε την ολοένα και μεγαλύτερη διαθέσιμη ισχύ που φέρουν τα σύγχρονα υπολογιστικά συστήματα, οι εξελίξεις που θα δούμε τα επόμενα χρόνια στα συστήματα video analytics θα είναι εντυπωσιακές.
Κάθε νέα τεχνολογία όμως που αναπτύσσεται και εφαρμόζεται στον τομέα της ασφάλειας δεν θα πρέπει να αποτελεί αυτοσκοπό, αλλά να έχει ουσιαστικό αντίκρισμα στην απόδοση των έργων, ενισχύοντας τις δυνατότητες των συστημάτων, με αξιοπιστία λειτουργίας, αποτελεσματικότητα αλλά και φιλικότητα χρήσης.
Έτσι λοιπόν και σε ότι αφορά το Deep Learning, αξίζει να δούμε το πως η τεχνολογία αυτή μπορεί να βοηθήσει τις εφαρμογές video analytics, ώστε να είναι ακόμα πιο αποτελεσματικές. Να κάνουν δηλαδή το επόμενο βήμα στη νέα γενιά έργων με συστήματα βίντεο-επιτήρησης. Σε αυτό το σημείο, έχει τη σημασία του να δούμε πως είναι η κατάσταση σήμερα προκειμένου να αξιολογήσουμε τις αναβαθμίσεις που μπορεί να προσφέρει η τεχνολογία deep learning. Υπάρχουν λοιπόν σήμερα στην αγορά πολλές εφαρμογές video analytics. Όμως οι δυνατότητες τους δεν είναι ίδιες. Υπάρχουν λογισμικά που αντιλαμβάνονται πολλά στοιχεία, όπως παραδείγματος χάρη μια ύποπτη κίνηση ή μια ύποπτη πινακίδα οχήματος, αλλά και αλλά λογισμικά που προσφέρουν πιο απλές λειτουργίες video analytics οι οποίες ταιριάζουν περισσότερο σε απλές τεχνολογίες ανίχνευσης κίνησης. Ακόμα όμως και τα λογισμικά με τις περισσότερες δυνατότητες συνήθως έχουν ένα πολύπλοκο περιβάλλον εργασίας το οποίο καθιστά δύσκολο ή και απρόσιτο στον απλό χρήση την εξοικείωση του με το πρόγραμμα και την αξιοποίηση όλων των δυνατοτήτων.
Η τεχνολογία Deep learning μπορεί να είναι ο καταλύτης για να επιτευχθεί βελτιωμένη ακρίβεια και καλύτερη επεξεργασία των καταγεγραμμένων βίντεο. Για να γίνει όμως εφικτό αυτό θα πρέπει να αυξηθούν τα διαθέσιμα δεδομένα από αρχεία βίντεο Όσο περισσότερα αρχεία βίντεο και όσο μεγαλύτερος όγκος δεδομένων υπάρχουν διαθέσιμα τόσο βελτιώνονται τα σενάρια επιτήρησης που χρησιμοποιούνται για την εκπαίδευση των νευρωνικών δικτύων που χρησιμοποιούνται στη βαθιά εκμάθηση. Όμως, ακόμη και σήμερα ο όγκος των δεδομένων -παρά τον τεράστιο αριθμό βίντεο που παράγονται καθημερινά παγκοσμίως – δεν είναι απόλυτα ικανοποιητικός για την αύξηση της αποτελεσματικότητας των συστημάτων video analytics μέσω της διαδικασίας της βαθιάς εκμάθησης.
Οι προβλέψεις
Εντούτοις, οι τάσεις είναι ξεκάθαρες. Όλο και περισσότερα συστήματα επιτήρησης εγκαθίστανται και όλο μεγαλύτερος όγκος δεδομένων παράγονται σε καθημερινή βάση από όλα αυτά τα συστήματα. Αυτή είναι η καλύτερη βάση για την εκπαίδευση των εφαρμογών video analytics μέσω της τεχνολογίας deep learning και των αυξανόμενων δυνατοτήτων της τεχνητής νοημοσύνης.
Τρία είναι τα σημεία που αναμένουμε ότι θα δούμε σημαντική αναβάθμιση σε ότι αφορά τις λειτουργίες video analytics:
- Ανίχνευση απρόβλεπτων περιστατικών. Οι ενισχυμένοι αλγόριθμοι της τεχνητής νοημοσύνης θα μπορούν να εντοπίζουν πιο γρήγορα ένα περιστατικό το οποίο δε συμβαδίζει με την ομαλή ροή της καθημερινής λειτουργίας ενός οργανισμού
- Καλύτερη κατανόηση της σκηνής. Αυτή η λειτουργία έχει μεν σχέση και με την προηγούμενη αναβάθμιση αλλά εστιάζει πιο πολύ στην καλύτερη επεξεργασία και κατανόηση μιας σκηνής που δεν παρουσιάζει έντονες διαφορές αλλά έχει κάποια σημεία που μπορεί να εγείρουν υποψίες. Δηλαδή, μια τσάντα που είναι εγκαταλελειμμένη για αρκετό χρονικό διάστημα σε ένα σημείο ανήκει σε αυτή τη κατηγορία.
- Συνεχή επιτήρηση: Η συνεχής επιτήρηση δεν έχει να κάνει τόσο με την ασφάλεια αλλά με τη βελτίωση και άλλων επιχειρηματικών λειτουργιών. Η χρήση της βαθιάς εκμάθησης θα επιτρέπει στα συστήματα επιτήρησης να εντοπίζουν με τη χρήση της λειτουργίας συνεχούς επιτήρησης να εντοπίζουν ουρές ή περιστατικά συνωστισμού και να ενημερώνουν εγκαίρως του υπεύθυνους του χώρου.
Προληπτική επιτήρηση
Η είσοδος της βαθιάς εκμάθησης αναδεικνύει μια πολύ σημαντική έννοια. Εκείνη της προληπτικής επιτήρησης. Πλέον τα συστήματα επιτήρησης από εργαλεία διερεύνησης ενός περιστατικού μπορεί να μετασχηματισθούν σε εργαλεία έγκαιρης πρόβλεψης ενός επικίνδυνου περιστατικού. Η χρήση τους θα αναβαθμίσει τις επιχειρησιακές δυνατότητες των τμημάτων ασφαλείας και θα δώσει στα στελέχη τη δυνατότητα να επεμβαίνουν έγκαιρα και να αποτρέπουν κρίσιμες καταστάσεις. Οι δυνατότητες που θα φέρει η βαθιά εκμάθηση δεν θα σταματήσει μόνο σε θέματα ασφαλείας αλλά θα δώσει και μια νέα διάσταση σε ένα μεγάλο αριθμό λειτουργιών των σύγχρονων οργανισμών. Η αξία των συστημάτων επιτήρησης θα αναβαθμιστεί και ο ρόλος τους θα είναι ιδιαίτερα κρίσιμος. Διότι πλέον δεν θα αποτελούν μόνο πηγή χρήσιμων δεδομένων κάτι που ούτως ή άλλως είναι πολύ σημαντικό αλλά θα μπορούν να επεξεργάζονται αυτά τα δεδομένα και να δίνουν φιλτραρισμένες πληροφορίες στους ανθρώπους που θα κληθούν να πάρουν αποφάσεις βάσει αυτών των πληροφοριών. Διότι μπορεί η ανθρώπινη δυνατότητα να είναι περιορισμένη σε ότι αφορά την επεξεργασία μεγάλου όγκου δεδομένων κάτι στο οποίο τα υπολογιστικά συστήματα υπερτερούν σαφώς, αλλά η ανθρώπινη ικανότητα για τη λήψη αποφάσεων παραμένει ακόμα εκτός ανταγωνισμού από οποιοδήποτε υπολογιστή. Οπότε η χρήση των συστημάτων τεχνητής νοημοσύνης θα βοηθήσει τους ανθρώπους να επιτελέσουν ακόμα καλύτερα το δικό τους ρόλο που είναι η λήψη κρίσιμων αποφάσεων μέσα σε συνθήκες πίεσης και σε περιορισμένα χρονικά όρια.
Η ανάπτυξη των video analytics που θα βασίζονται στη βαθιά εκμάθηση είναι σίγουρα μια πιο σύνθετη διαδικασία σε ότι γνωρίζουμε μέχρι τώρα για τις τεχνολογίες των συστημάτων ασφάλειας. Μπορεί να απαιτήσει μια σημαντική προετοιμασία για να διασφαλιστεί ότι θα επιτευχθούν ικανοποιητικά αποτελέσματα σε ότι αφορά την απόδοση επένδυσης (ROI).
Αναδημοσίευση από securitymanager.gr