CCTV and Machine learning

CCTV and Machine learning Mηχανική μάθηση στα συστηματα παρακολουθησης

Η τεχνητή νοημοσύνη είναι πλέον μέρος της καθημερινότητάς μας, με τη χρήση πρακτόρων συνομιλίας, προβλέψεις χειρόγραφου στα εισερχόμενα email ή λογισμικό επεξεργασίας κειμένου, αναγνώριση προσώπου για ξεκλείδωμα των συσκευών μας και προτάσεις που γίνονται από ηλεκτρονικά καταστήματα, κοινωνικά δίκτυα, εφαρμογές μουσικής, GPS, κ.λπ. Οι επαγγελματίες έχουν κατανοήσει επίσης την αξία αυτού του εργαλείου και το χρησιμοποιούν σε ένα ευρύ φάσμα εφαρμογών: εξατομικευμένη μάθηση στην εκπαίδευση, προγνωστική ανάλυση της συμπεριφοράς των πελατών στο μάρκετινγκ, στόχευση διαφήμισης, βελτιστοποίηση ταξιδιών στον τομέα της εφοδιαστικής ή ακόμα και ανίχνευση ύποπτων χειρονομιών στην ασφάλεια.

Η τελευταία εφαρμογή μας ενδιαφέρει στο βαθμό της πρόληψης  και της  καταπολεμησης της εγκληματικότητας  αοπως πχ οι  κλοπές. Πώς γίνεται αυτό εφικτό; Κυρίως χάρη στη Μηχανική Μάθηση. Τι σημαίνει όμως αυτή η τεχνική εκμάθησης και πώς έχει φέρει επανάσταση στον τομέα της ασφάλειας;

Σκοπός της Μηχανικής Μάθησης

Η Μηχανική Μάθηση ανήκει στο πεδίο της τεχνητής νοημοσύνης (AI). Η ιδέα είναι η εξής: ο προγραμματισμός ενός συστήματος υπολογιστή για την εκτέλεση μιας συγκεκριμένης εργασίας είναι πολύ περίπλοκος και χρονοβόρος. Ως αποτέλεσμα, πρέπει να διδαχθεί να μαθαίνει ώστε να μπορεί να προσαρμοστεί σε καταστάσεις που είναι διαφορετικές από τις δικές του.

Προσεγγίσεις Μηχανικής Μάθησης
Για να γίνει αυτό, ένα σύνολο ποιοτικών δεδομένων παρέχεται στο μηχάνημα από ειδικούς στον τομέα. Υπάρχουν διάφορες προσεγγίσεις:

Εποπτευόμενη Μηχανική Μάθηση, η οποία δημιουργεί το δικό της μοντέλο χρησιμοποιώντας αλγόριθμους ταξινόμησης παραμετροποιημένους από ανθρώπους. Οι τελευταίοι αποδίδουν ετικέτες στα παραδείγματα που παρέχονται για να κάνουν μια πρόβλεψη.
Η Μη εποπτευόμενη Μηχανική Εκμάθηση δεν βασίζεται στην επισήμανση. Ομαδοποιεί τα ίδια τα δεδομένα εκπαίδευσης σε ομάδες με βάση τα χαρακτηριστικά που καταφέρνει να επισημάνει

.
Η διαφορά με το Deep Learning Βαθεια μάθηση

Προκειμένου να λυθούν πιο σύνθετα προβλήματα πιο αποτελεσματικά, τα τελευταία χρόνια αναπτύχθηκε μια υποκατηγορία Μηχανικής Μάθησης: Βαθιά Μάθηση. Πώς διαφέρει όμως από τη μηχανική εκμάθηση; Ο όγκος των δεδομένων είναι πολύ μεγαλύτερος. Επιπλέον, εμπνέεται από τον ανθρώπινο εγκέφαλο, κυρίως νευρώνες: δημιουργείται ένα τεχνητό νευρωνικό δίκτυο και αυτά ομαδοποιούνται σε πολλά επίπεδα, καθένα από τα οποία βελτιώνει την επεξεργασία των δεδομένων.

Επιπλέον, αυτά τα νευρωνικά δίκτυα είναι συνελικτικά, που σημαίνει ότι είναι ικανά να φιλτράρουν δεδομένα, ιδιαίτερα οπτικά και φωνητικά δεδομένα, προκειμένου να αναγνωρίσουν τα προς ανάλυση στοιχεία.

Το Deep Learning είναι πολύ χρήσιμο και ισχυρό, αλλά απαιτεί μεγάλο όγκο δεδομένων και επομένως μεγάλη χωρητικότητα αποθήκευσης, καθώς και πολλούς υπολογιστικούς και ενεργειακούς πόρους.

Ποια είναι τα πλεονεκτήματα της Μηχανικής Μάθησης στη βιντεοπαρακολούθηση;
Ο τομέας της βιντεοεπιτήρησης έχει εκμεταλλευτεί τις τεχνολογικές προόδους που συνδέονται με τη Μηχανική Μάθηση και συνεχίζει να παρακολουθεί στενά όλες τις εξελίξεις προκειμένου να καλύψει τις ανάγκες των υπευθύνων λιανικής ασφάλειας.

Οι χρήσεις της Μηχανικής Μάθησης στο λιανικό εμπόριο
Με τις κλοπές σε καταστήματα να αυξάνονται, οι έμποροι λιανικής έχουν πολύ υψηλές προσδοκίες από βιντεοπαρακολούθηση. Τι λύσεις μπορεί να φέρει η Μηχανική Μάθηση στα προβλήματά τους;

Προειδοποίηση των λιανοπωλητών για ύποπτη συμπεριφορά. Κατά την ανάλυση των δεδομένων από τις κάμερες, εάν το AI κρίνει ότι μια χειρονομία είναι ύποπτη, στέλνει ένα βίντεο στο tablet, τον υπολογιστή ή το smartphone του φύλακα. Ο έμπορος λιανικής μπορεί στη συνέχεια να παράσχει βοήθεια στον πελάτη για να τον αποτρέψει από τη διάπραξη της κλοπής ή να τον εντοπίσει για να άρει τυχόν αμφιβολίες όταν φεύγουν από το κατάστημα.

Εντοπισμός άλλων προβλημάτων. Η τεχνητή νοημοσύνη μπορεί επίσης να εκπαιδευτεί για να προειδοποιεί τους καταστηματάρχες σε περίπτωση πτώσης, ασθένειας ή επίθεσης, ώστε να μπορούν να αντιδράσουν γρήγορα για να προστατεύσουν τους ανθρώπους. Το ίδιο ισχύει και για τα κατεστραμμένα εμπορεύματα.
Η Μηχανική Μάθηση χρησιμοποιείται επίσης για την πρόβλεψη της συμπεριφοράς των πελατών, ιδίως συνεχίζοντας να μαθαίνει από τα βίντεο που μελετά. Ως αποτέλεσμα, οι μετοχές μπορούν να διαχειρίζονται καλύτερα και τα τμήματα μάρκετινγκ μπορούν να βελτιστοποιήσουν τις επικοινωνιακές τους καμπάνιες.

Χρήση της μηχανικής μάθησης .

Η Μηχανική Μάθηση μπορεί να χρησιμοποιηθεί με τους εξής τρόπους:

Ανίχνευση κίνησης. Το μηχάνημα εκπαιδεύεται σε μεγάλα σύνολα δεδομένων για να εντοπίζει τυπικές χειρονομίες που φαίνονται ύποπτες σε εικόνες που παράγονται από κάμερες παρακολούθησης.
Αναγνώριση αντικειμένου. Τέλος, η Μηχανική Μάθηση απαιτείται να αναγνωρίζει σακίδια πλάτης, καρότσια αγορών, καροτσάκια κ.λπ., αλλά και τι ανήκει στο κατάστημα (ράφια και είδη).
Στη συνέχεια, οι χειρονομίες και τα αντικείμενα συνδέονται μεταξύ τους: εάν ένα αντικείμενο που προσδιορίζεται ως αντικείμενο ακολουθεί την κίνηση ενός μέρους του σώματος και καταλήγει σε ένα άλλο αντικείμενο, όπως ένα κράνος μοτοσικλέτας, ενεργοποιείται μια ειδοποίηση, καθώς αυτό αντιστοιχεί σε μια ύποπτη χειρονομία.

Άλλα στοιχεία, συμπεριλαμβανομένου του Deep Learning, συμπληρώνουν αυτήν τη λύση για τη βελτίωση της αναγνώρισης και τη μείωση των ψευδών συναγερμών.

Όρια στη χρήση της Μηχανικής Μάθησης στη βιντεοπαρακολούθηση
Η χρήση της τεχνητής νοημοσύνης σε καταστήματα και στο χώρο εργασίας ρυθμίζεται αυστηρά από το νόμο. Η τεχνητή νοημοσύνη, και επομένως η Μηχανική Μάθηση, πρέπει να χρησιμοποιούνται μόνο για την ασφάλεια και την επιτήρηση προϊόντων. Σε καμία περίπτωση δεν πρέπει να χρησιμοποιείται για την παρακολούθηση εργαζομένων ή για οπτική, φωνητική ή βιομετρική αναγνώριση ,για την αναγνώριση ατόμων.

Τελικά, η Μηχανική Μάθηση είναι ένας τύπος τεχνητής νοημοσύνης που σχεδιάζει συστήματα υπολογιστών ικανά να μαθαίνουν μόνα τους.

Χάρη σε αυτήν την αυτόματη εκμάθηση, τα συστήματα παρακολούθησης βίντεο προσφέρουν στους υπεύθυνους εμπορικών καταστημάτων  τη δυνατότητα να εντοπίζουν ύποπτες χειρονομίες χωρίς να βρίσκονται συνεχώς πίσω από τον υπολογιστή τους.

Τέλος, η Μηχανική Εκμάθηση δίνει σε όλους την ευκαιρία να επωφεληθούν από την προστασία κατά της κλοπής, ακόμη και τα καταστήματα που δεν διαθέτουν τους οικονομικούς πόρους για να προσλάβουν security .