 На определенных этапах обучения, а также по его окончании модель тестируется сначала в режиме лабораторного моделирования (в нее загружают
ранее не использованные данные и наблюдают за реакцией), а потом и в
условиях реальной нагрузки. Возможны случаи, когда результат проверки
оказывается неудовлетворительным, и весь процесс, начиная со сбора обучающих данных, приходится начинать заново. Если же модель соответствует
ожиданиям, начинается этап развертывания. В ходе него делаются выводы и
прогнозы по поводу выполнения обученной моделью своих функций в рамках
системы видеонаблюдения с соответствующей производительностью.
То, что мы не могли себе представить
Специалисты в области видеонаблюдения уже находят самые разнообразные сценарии применения аналитики на основе искусственного интеллекта.
Типичный пример: более точное распознавание транспортных объектов в
системах управления трафиком, идентификация грузовиков, автобусов, легковых автомобилей и мотоциклов, сокращение количества ложных сигналов
тревоги. Аналитическая система также может зафиксировать движущийся
объект на запрещенной для прохода территории, распознать в нем человека
(а не животное) и выдать предупредительный сигнал.
Однако на этом наше изучение возможностей машинного обучения не
завершается. Более того, это только начало. С развитием этой технологии, особенно на уровне deep learning, мы сможем добиться от системы
видеонаблюдения еще более интересных вещей. Система способна в
течение долгого времени накапливать, обрабатывать и анализировать
огромный объем данных – их аналитику физически невозможно произвести вручную. Благодаря этому нам становится доступна информация о
неких закономерностях и аномалиях в контролируемых процессах – то, о
чем мы даже не могли предположить. Использовать их можно не только
для охраны, но и для мониторинга условий труда, улучшения сервиса,
анализа бизнес-процессов, прогнозирования инцидентов (например,
задымлений).
К слову, в США медицинский алгоритм глубокого обучения Etemadi научился
самостоятельно диагностировать рак легких гораздо точнее и на более
ранних стадиях, чем, если бы просто сопоставлял загруженные в модель
снимки. Даже по этому примеру можно судить о том,
насколько важны для общества исследования в области
искусственного интеллекта, глубокого обучения, видеоаналитики, машинного зрения.
Ограничения и перспективы искусственного интеллекта
Очевидно, что какую бы задачу видеоаналитики для искусственного интеллекта мы ни рассматривали, обучение
модели и ее работа должна основываться на данных
хорошего качества. Упомянутая выше медицинская система оперирует снимками компьютерной томографии,
сделанными в высочайшем разрешении. Обычно же нам
приходится иметь дело с различными видеокамерами и
различными сценариями, которые могут кардинально
влиять на работу аналитической системы.
Качество изображения может зависеть от разрешения
и светочувствительности камеры, условий освещения и
наличия хорошей подсветки в ночное время, правильного
расположения камеры, воздействия внешних факторов
– таких, как падающие листья, дождь или снег. На
точность аналитики влияют расстояние от камеры до
объекта, скорость и направление движения объекта, а
также настройка параметров записи. Известны случаи,
когда камера обладала высоким разрешением, но всё
равно упускала часть объектов из виду – просто потому,
что система анализировала кадры, сделанные с низкой
частотой. Возможно, для полноценной работы видеоаналитики камеру придется настроить на непрерывную
съемку, без какой-либо фильтрации исходной записи.
Разумеется, нельзя недооценивать и постоянное обслуживание устройств, так как обычная грязь или паутина
(бывает и такое) на объективе делают работу камеры
бесполезной.
Многое зависит от производительности системы и качества сети, которая должна быть способной без задержек и
сбоев передать видеопоток. Сейчас, впрочем, мы больше
говорим о периферийной аналитике, когда вычисления
происходят на борту камеры, а на сервер отправляется
уже результат этой аналитики – метаданные. Расположенные на борту камеры алгоритмы машинного обучения
требуют от устройства больших вычислительных ресурсов. Нужная производительность достигается с помощью
графических процессоров с особой архитектурой ядра и
дополнительных специализированных модулей обработки данных с поддержкой технологий machine learning и deep learning.
Видеоаналитика с помощью технологий искусственного
интеллекта и машинного обучения – это несомненное
будущее отрасли видеонаблюдения. Она позволит расширить функциональность и область применения систем
видеонаблюдения, автоматизировать и качественно улучшить широкий спектр бизнес-процессов. Особую роль
в будущем будет играть периферийная аналитика, она
позволит в условиях потребления всё большего объема
данных оптимизировать системы хранения и снизить
нагрузку на сетевую инфраструктуру.
|