| Автор: Станислав Гучиа, директор по работе со стратегическими клиентами Axis Communications | |
Что такое глубокое обучение. Полное руководство по ИИ в сфере безопасности | |
| Индустрия безопасности подверглась ряду серьезных изменений,
которые были хорошо освещены в последние годы. Вопрос
только в том, как скоро придет следующая волна изменений? Рассмотрим термины, которые все чаще встречаются в отраслевых презентациях и в отчетах об исследовании рынка, но, возможно, не используются в повседневной лексике: искусственный интеллект (ИИ), машинное обучение и глубокое обучение. Предстоит проделать немало работы, поскольку эти все еще кажущиеся футуристическими технологии активно проникают в индустрию обеспечения безопасности. Многие производители оборудования не имеют опыта в этих областях, основные стратегии выхода на рынок в основном заключались в партнерстве с поставщиками решений для видеоаналитики, делающими свои первые шаги к ИИ. ИИ называют системы, которые демонстрируют интеллектуальное поведение, анализируя свою среду и на основе такого анализа выполняя различные задачи с определенной степенью автономии для достижения конкретных целей. Эта концепция кажется относительно простой для понимания, но аспекты глубокого обучения и машинного обучения, управляющие ИИ, могут потребовать дополнительного объяснения. Рассмотрим следующее утверждение одного из представителей поставщика решений: «Скоро все сосредоточится на глубоком обучении, камеры смогут выполнять практически все функции датчиков». Кто-то может сказать, что данное утверждение небесспорно, но на его основе можно начать анализировать технологии этой видеоаналитики, углубиться в составляющие глубокого обучения и посмотреть, каков будет выигрыш от такого рода интеллекта, например, в контексте задач умного города или иных применений. Разъяснение результатов анализа IP-камеры Во-первых, более простые однорежимные аналитические процессы видеонаблюдения в современных IP-камерах соответствуют ценам на высокофункциональные камеры на рынках в 2018–2019 годах. Однако при понижении цен на набор микросхем для ИИ уже есть поставщики решений, которые разработали многоуровневую архитектуру, необходимую для выполнения более сложных процессов ИИ на периферийном устройстве, а также для обмена результатами и их оценкой при обработке данных на сервере с глубокими нейронными сетями (об этом чуть позже). Во-вторых, традиционное периферийное устройство, такое как IP-камера, может не содержать и, в большинстве случаев, не должно содержать датчики. Сервер не сможет обрабатывать различные данные от локально расположенных вблизи камеры датчиков. Вместо этого датчики должны распределяться как сеть, часто с использованием батареи или с питанием по Ethernet, по принципу технологии интернета вещей (IoT). В-третьих, утверждение подразумевает, что видео является первичным набором данных, обрабатываемым в ИИ. Это очень далеко от истины; на самом деле, именно обработка аудио, когнитивные движки с функцией глубокого обучения использовались на последних президентских выборах в США посредством выявления ключевых слов кандидатов и соотнося их со многими факторами, такими как географическое положение, «колеблющиеся» штаты и соответствие профилю усредненного избирателя. Четвертая причина заключается в том, что большинство современных серверных решений по-прежнему используют более ранние версии нейронных сетей с одно- и трехсистемными уровнями распознавания образов, в которых располагаются более простые традиционные модельные слои, распознающие грани или удаленные объекты, пересекающие границу. Это неглубокая нейронная сеть. Чтобы лучше понимать это ошибочное представление о глубоком обучении в отношении IP-камеры, представлен краткий, но важный обзор нейронных сетей. Первые модели перцептрона или представления единичного нейрона были поверхностными, состоящими из одного входного и одного выходного слоя и, самое большее, одного скрытого слоя между ними. Более трех скрытых слоев (включая вход и выход) составляют глубокое обучение. Перцептроны – это самая простая форма нейронной сети. Таким образом, многослойные нейронные сети не используют процедуру обучения перцептрона и не должны называться многослойными перцептронами. Процедура совмещения перцептронов заключается в обеспечении того, что каждый раз, когда меняется вес, они приближаются к получению всех возможных вариантов веса*. Этот факт является гарантией того, что сеть перцептронов (простейшая нейронная сеть) не может быть расширена до более сложной модели, где среднее значение между двумя хорошими решениями может быть расценено, как плохое. Как обучаются решения ИИ Таким образом, очевидно, что до конца понять, что такое ИИ, получается не сразу. Интеграторы безопасности должны знать, что ИИ, особенно технологии машинного обучения, могут обучаться, принимая неограниченные данные систем обнаружения виртуальных вторжений, мобильных телефонов, навигационных систем, датчиков LIDAR (обнаружение, идентификация и определение дальности с помощью света), радарных датчиков, IP-видеокамер и многих других датчиков с целью прогнозирования и создания программ действий обученного интеллекта. ИИ и машинное обучение имеют существенные различия, но большая часть положительных результатов за последние годы относится к одной категории: системы контролируемого обучения, в которых машине представляется множество примеров правильного ответа на конкретную проблему. Этот процесс почти всегда включает отображение данных от множества входов X до множества выходов Y. Например, входами могут быть изображения различных животных, а правильными выходами – названия этих животных: собака, кот, лошадь. С этим должны быть знакомы поставщики средств по обеспечению безопасности и их клиенты. Входами также могут быть формы кривой записи звука, а выходами – слова: «да», «нет», «здравствуйте», «до свидания». Входы из системы обнаружения виртуальных вторжений приведут к выходам, определяющим, представлены ли эти действия в профиле вторжения, распознанном ранее. Возвращаясь к нейронным сетям, – они представляют собой набор алгоритмов, условно смоделированных по типу человеческого мозга, которые предназначены для распознавания образов. Они интерпретируют информацию от датчиков посредством своего рода машинного восприятия, маркировки или группирования необработанных входных данных. Распознаваемые ими образцы являются числовыми и содержатся в векторах, в которые должны быть переведены все реальные данные, будь то изображения, звук, текст или временные ряды. Нейронные сети помогают осуществлять группировку и классификацию. Вы можете рассматривать их как уровень группирования и классификации над данными, которые вы храните и которыми вы управляете. Они помогают сгруппировать немаркированные данные, исходя из их подобия известным типовым примерам, а также классифицируют данные при наличии маркированного набора данных для обучения. Например, глубокое обучение может различать нежелательные или важные сообщения в фильтре электронной почты. Некоторые клиенты вашего финансового учреждения используют глубокое обучение для выявления мошенничества; однако большинство из них все еще используют традиционный ИИ или уровень перцептрона, очевидный как только принимается неверное решение, хотя на самом деле это вы сами собираетесь совершить покупку, используя свою кредитную карту. Реальные применения Вот краткий обзор того, как клиенты используют ИИ и глубокое обучение:
Обзор приложения «Интеллектуальный город» Ближайшая точка пересечения с индустрией безопасности находится в интеллектуальных городах. В таких городах, как Лас-Вегас и Дубай, используется глубокое обучение для определения, когда и где необходимо собирать мусор, обслуживать уличные фонари или просто управлять сигналами перекрестков при возникновении сложных ситуаций, например, если пешеход выходит на пешеходный переход во время смены сигнала светофора. В некоторых городах уже внедрена система, обеспечивающая безопасность пешехода, который переходит дорогу с опозданием. В таких городах автоматически останавливается движение в обоих направлениях, замедляется движение приближающихся транспортных средств от отдаленных перекрестков, а также используются передовые датчики, такие как LIDAR, а не IP-камеры, для обнаружения присутствия транспортного средства и распознавания объектов на перекрестках. LIDAR может обеспечить обнаружение и распознавание объектов по меньшей, по сравнению с IP-камерой, цене, выполняя традиционную аналитику. С началом использования микросхем LIDAR снизились цены, что позволило городским службам использовать многие из этих экономически выгодных датчиков на перекрестках, собирая данные для глубокой нейронной сети. В поисках реальных примеров того, что будет широко использоваться в будущем, в первую очередь посмотрим на районы передовых технологий «интеллектуального города». В том же Дубае или в инновационном районе Лас-Вегаса мы видим множество случаев использования глубоких нейронных сетей. В апреле правительство Дубая наметило план действий по внедрению ИИ и глубокого обучения, что стоит рассматривать в качестве примера того, почему городские клиенты могут в будущем направляться к интеграторам систем безопасности: 3 квартал 2018 года: Дубай тестирует «интеллектуальные» цифровые номерные знаки со встроенными датчиками обнаружения столкновений и GPS-маячками, цифровые экраны с бегущими строками, сообщающими информацию о погоде и дорожных условиях. С помощью ИИ и глубокого обучения в интеллектуальных номерных знаках автоматизируются некоторые процессы безопасности: например, при обнаружении столкновения, они автоматически связываются с полицией и скорой помощью. Долгосрочный технологический план развития Дубая включает использование интеллектуальных номерных знаков с глубоким обучением для организации движения в реальном времени, а также ИИ для уменьшения количество рабочих, нужных для выполнения различных проектов на федеральных автодорогах. 2019 год: автономные полицейские автомобили вместе с сопутствующими аэродронами с технологией распознавания лиц, начнут патрулировать улицы Дубая, чтобы помочь городу определить и выследить подозреваемых в совершении преступлений. Робот с функцией естественного языка ИИ будет поддерживать эти автономные полицейские транспортные средства, управляемые дистанционно с компьютерной панели. Транспортное средство по обеспечению безопасности оснащено встроенным аэродроном, который может вести наблюдение за районами и людьми вне зоны досягаемости робота. Патрульная машина, получившая название O-R3 и оснащенная телевизионными сканирующими считывателями, а также считывателями номерных знаков, может перемещаться самостоятельно. «Применение искусственного интеллекта окажет положительное влияние на безопасность в этом секторе и сократит затраты в очень серьезном вопросе, повысив эффективность и сократив трудозатраты на 80%», – считает государственный министр по вопросам искусственного интеллекта. К 2021 году министр развития инфраструктуры вместе с государственным министром по вопросам искусственного интеллекта исследуют применение технологии ИИ в проектах федеральных автодорог во время выездного тура по маршруту проекта развития кольцевой дороги г. Кальба, что будет способствовать предполагаемому сокращению продолжительности проекта на 54%, расхода топлива на 37%, зависимости от рабочей силы на 80% и требуемого оборудования и рабочей силы на 40%. К 2030 году Дубай планирует, что роботы искусственного интеллекта/глубинного обучения будут составлять 25% полицейских сил. К 2031 году ОАЭ очень быстро стратегически внедряют искусственный интеллект в активные области, где от таких нововведений будет максимальный результат. «Все эти действия направлены на благо страны и благополучие ее народа. Деятельность министерства развития инфраструктуры соответствует стратегии ОАЭ в области искусственного интеллекта на 2031 год, направленной на то, чтобы ОАЭ были ведущей страной в области внедрения искусственного интеллекта. Эта технология будет иметь большую экономическую отдачу – темпы развития в 26% и экономия в 335 миллиардов дирхамов», – говорит государственный министр по вопросам искусственного интеллекта. Чем успешнее применение, тем быстрее внедрение Отрасль только начинает осознавать, насколько ИИ, машинное обучение и глубокое обучение влияют на рынки физической и информационной безопасности, и то, каким типам клиентов лучше всего предлагать такие решения. Интеграторы систем сыграют важную роль в этом процессе, если начнут внедрение строгих стандартизированных информационно-коммуникационных технологий (ИКТ) и развертывания ИТ-инфраструктуры. Как в Дубае, так и в Лас-Вегасе дизайнеры, разработчики и руководители проектов набираются в соответствующих отделах ИКТ. В Северной Америке интеграторы безопасности используют широкий спектр типов кабелей Ethernet, часто выбираемых без учета масштабируемости, способной поддержать новые стандарты IEEE и BICSI, такие как инфраструктура нового поколения, соответствующая стандарту 802.3bt. Тем не менее, эти интеграторы все еще определяют нестандартные устройства расширения мультимедиа Ethernet для перемещения камер видеонаблюдения на расстояния, превышающие те, что указаны в стандарте 802.3bt. Следует понимать, что «интеллектуальные» города и транспортная инфраструктура, будут одними из наиболее распространенных случаев использования ИИ, и эти проекты, как правило, соответствуют строгим стандартам ИКТ и привлекают подрядчиков с опытом работы в области безопасности/наблюдения и инфраструктуры. Если интеграторы безопасности не начнут внедрять передовой опыт в области ИКТ в своей основной деятельности, их роль в проектах ИИ/машинного обучения уменьшится еще до того, как эти проекты начнут активно применятся. Источник: www.securitysales.com | |
Внимание! Копирование материалов, размещенных на данном сайте допускается только со ссылкой на ресурс http://www.tzmagazine.ru |
