تفکر روی این موضوع که در حال حاضر کجا هستیم و در مقابل رهسپار چه مقصدی هستیم، چیزی‌ست که می‌تواند به ما کمک کند. این روزها در مقایسه با محصولاتی که به صورت فیزیکی در بازار موجود هستند، کماکان بحث‌های زیادی مبنی بر امور امکان‌پذیر در آینده وجود دارد. بیشتر صحبت‌ها متمرکز بر موضوعات زیر است: 

• راه‌های عملی استفاده از یادگیری عمیق و شبکه‌های عصبی یا نورونی
• چگونگی تاثیر این تکنیک‌ها روی بهبود آنالتیک‌ها و پایین آوردن قابل‌توجه مثبت‌های کاذب برای رخدادهایی که از اهمیت بالایی برخوردار هستند.

 

با گفتگو با کاربران حول موضوع آنالیتیک‌ها مشخص می‌شود که هنور بسیاری از آنها از این آنالیتیک‌ها استفاده‌ی کامل نمی‌برند. شاید در برخی از موارد این امر به خاطر تجربه‌ی گذشته‌ی کاربران با نسل قبلی این آنالیتیک‌ها باشد که مملوء از مثبت‌های کاذب بود، اما در سایر موارد شاید موضوع چیز دیگری باشد؛ شاید در ذهن افراد نمی‌گنجد که آنالیتیک‌هایی قابل‌اطمینان وجود دارند که پاسخگوی نیازهای خاص و منحصربه‌فرد افراد هستند. خبر خوب این است که با کمک تکنولوژی هوش مصنوعی AI یا دقیق‌تر بگوییم، تکنولوژی یادگیری عمیق و شبکه‌های عصبی یا نورونی، ما به سطح جدیدی از آنالیتیک‌های پیشرفته و جمع‌آوری داده در دو حوزه‌ی کلیدی زیر دست پیدا می‌کنیم:

 

1. دقت بیشتر در آنالیتیک‌های موجود:

در گذشته توسعه‌دهندگان سیستم سعی در تعریف این موارد داشتند:

• به چه چیزی سوژه می‌گویند؟
• حرکت چیست؟
• چه چیزی را باید یک حرکت جالب‌توجه تلقی کرد که علاقه‌مند به دنباله‌روی آن هستیم و در مقابل چه چیزی یک حرکت بی‌خود تلقی می‌شود که باید نادیده گرفت؟

یک مثال خوب وزش باد است که برگ‌های درختان را حرکت می‌دهد یا یک کیسه‌ی پلاستیکی را در هوا معلق نگاه می‌دارد. چیزی به سادگی مکانیسم تشخیص حرکت برای مدت‌ زیادی‌ست که با مثبت‌های کاذب ایجاد شده به خاطر وزش باد دچار اختلال شده است. کاربران می‌توانند سعی کنند و میزان حساسیت سیستم را برای نسیم‌های ملایم پایین بیاورند، اما به محض از راه رسیدن یک طوفان بزرگ، رخدادهای حرکتی سیستم فعال می‌شوند. استفاده از شبکه‌های عصبی و یادگیری عمیق برای تعریف سوژه‌هایی چون افراد، خودوروها، اتوبوس‌ها و حیوانات بدین معناست که حال آنالیتیک‌های قدیمی می‌توانند روی سوژه‌ها تمرکز کنند. این الگوریتم‌های جدید با دیدن تصاویر هزاران نفر طوری آموزش دیده‌اند که افراد را تشخیص بدهند. این یادگیری مکرر دقیقا به همان گونه‌ایست که یک شبکه‌ی عصبی می‌تواند تشخیص یک فرد یا یک خودرو را یاد بگیرد. با یادگیری این نمونه‌ها سیستم می‌تواند این دانش و اطلاعات پیشرفته را روی آنالیتیک‌های موجود اعمال کند. به عنوان مثال در صورتی که یک خودرو از خط موجود در یک دروازه‌ی ورودی عبور کند، می‌توان این حرکت را تأیید کرد و مانعی برای آن ایجاد نکرد. با این حال در صورتی که یک فرد دقیقا از همان خط عبور کند، شاید خواستار مخابره‌ی یک هشدار باشیم. سایه‌ها باید نادیده گرفته شوند و حرکت درختان نباید موردتوجه قرار بگیرد. راندن یک خودرور در مسیر مخالف قطعا نیازمند یک هشدار است، ولی حرکت آزادانه‌ی افراد هیچ مشکلی ندارد. تمامی آنالیتیک‌های قدیمی مرتبط با حرکت که شامل ظاهر شدن/ ناپدید شدن، عبور از خط، اشیاء رها شده به حال خود و پرسه‌زنی می‌شوند، با استفاده از هوش مصنوعی AI و قدرت تشخیص سوژه‌ها دقیق‌تر خواهند شد و قادر به پالایش بیشتری خواهند بود.

 

2. داده‌کاوی بهتر:

با استفاده از هوش مصنوعی AI، دوربین‌ها می‌توانند چیزهایی بیشتری در مورد سوژه‌های موردشناسایی خود به ما بگویند. اینطور نیست که سیستم صرفا یک فرد را تشخیص بدهد، بلکه می‌تواند تشخیص بدهد که فرد موردنظر به عنوان مثال لباس سبز و شلوار مشکی به تن دارد، عینک دودی به چشم زده است و خودروی او یک ماشین سدان کوچک و قرمزرنگ است. این اطلاعات مضاعف در فراداده‌های ثبت و ضبط شده به همراه ویدئو (فراداده‌ها در واقع داده‌هایی در مورد داده‌ها هستند) گجانده شده است. هر فریم ویدئو، هِدِر یا سرآیند خاص خودش را دارد که شامل فراداده‌های آنالیتیکی مضاعف می‌شود. این یعنی این فراداده‌ها از لحاظ زمانی به درستی با ویدئو تنظیم شده‌اند. اگر این داده در محل ضبط ویدئو ذخیره‌سازی شده باشد، می‌توانید نگاهی به فایل‌های ضبط شده بیندازید و به دنبال یک لباس سبز در این فراداده‌ها بگردید. این کار می‌تواند ساعت‌ها جستجو را به چند دقیقه یا کمتر از آن تقلیل بدهد.

 

اِج در مقابل سرور

آنالیتیک‌ها می‌توانند روی یک سرور اختصاصی یا روی اِج موجود در خود دوربین اجرا شوند. AI سمت-سرور (سمت سرور به مجموعه عملیات‌های گفته می‌شود که در سمت سرور در یک شبکه کلاینت-سرور اجرا می‌شود) زمانی مورداستفاده قرار می‌گیرد که به تحلیل داده‌های سنگین‌تری احتیاج باشد؛ تحلیل‌هایی همچون مقایسه‌های بزرگی که در پایگاه داده‌ انجام می‌شود و در تشخیص چهره، ALPR و غیره رایج است. با این وجود حتی در کارهای سنگین محاسباتی، کارآمدی سرعت پردازش و الزامات پهنای باند کم را می‌توان با استفاده از یک رویکرد هایبرید یا ترکیبی برآورده کرد؛ ترکیبی که شامل دستگاه‌های اِج-محور و سرورهایی می‌شود که با یکدیگر کار می‌کنند. به جای ارسال ویدئوهای خام، فراداده‌های به دست آمده از هوش مصنوعی AI موجود در اِج را می‌توان به یک اپلیکیشن سمت سرور ارسال کرد؛ ویدئوهای خامی که سرور را مجبور به کدگشایی چندین جریان ویدئویی می‌کنند تا فقط یک سری تجزیه‌و‌تحلیل انجام شود.

 

با آمدن این قابلیت‌های AI جدید روی اِج، دوربین‌های امنیتی قدرتمند‌تر از هر زمان دیگری شده‌اند و دقت آنالیتیک‌ها به صورت تصاعدی افزایش پیدا کرده است.