هوش مصنوعی چگونه از آلارم های کاذب جلوگیری می کند؟
سیستم آلارم در بسیاری از دوربین ها و تجهیزات مداربسته وجود دارد و می تواند یک فاکتور کمک کننده برای برقراری امنیت یک محیط محسوب گردد. اما بسیاری از مواقع چنین مزیتی تبدیل به یک عیب بزرگ می شود. زیرا بحث آلارم های کاذب و تفکیک آنها از موارد واقعی به میان می آید. آلارم های کاذب معمولا می توانند بر اثر عدم موفقیت دوربین در تشخیص صحیح سوژه ها رخ دهند و بسیار آزاردهنده باشند. وقوع آلارم های کاذب و دفعات آنها تا حد زیادی به نوع سیستم مداربسته ای که استفاده می کنید بستگی دارد.
فناوری Deep Learning ،با قدرت محاسباتی بالای خود در حال فراگیر شدن در سطح جهانی است، مفهوم Deep Learning الهام گرفته از نحوه عملکرد مغز انسان است. مغز ما می تواند به عنوان مثالی فراگیر از مدل Deep Learning در نظر گرفته شود. شبکه عصبی مغز شامل میلیاردها نورون متصل به هم است. Deep Learning این ساختار را شبیه سازی می کند. این شبکه های چند لایه می توانند اطلاعات را جمع آوری کرده و اقدامات مربوطه را بر اساس تحلیل آن اطلاعات انجام دهند.
جایگاه هوش مصنوعی در سیستم های مداربسته
در دو سال گذشته، این تکنولوژی در تشخیص گفتار، دید رایانه ای، ترجمه صوتی و … بسیار پیشرفت کرده است. و حتی از توانایی های انسانی در زمینه تشخیص چهره (Face Detection) و طبقه بندی تصاویر نیز فراتر رفته است. از این رو، در زمینه صنعت نظارت تصویری بسیار مورد توجه قرار دارد. توانایی برای تشخیص و تمایز افراد از سایر موجودات (حیوانات) باعث می شود که این فناوری در پروژه های متفاوت امنیتی مورد استفاده قرار گیرد. یکی از مشکلات رایج در این پروژه ها هشدار های کاذب و نادرستی است که 94%-99% کلیه آلارم ها را تشکیل می دهند. این یک ضعف بزرگ در یک سیستم نظارتی است و باعث بر هم خوردن نظم سیستم و افزایش هزینه ها می گردد.
سیستم های نظارتی قدیمی اغلب قادر به تشخیص سوژه های در حال حرکت بدون تحلیل های پیشرفته هستند. حتی دوربین های هوشمند تحت شبکه نیز تنها می توانند اجزا مختلف را به شکل یک به یک و کلی نمایش دهند، و این باعث می شود که برخی از ویژگی ها و جزئیات دیگر از قلم بیفتند (برای مثال می تواند تصویر کلی از صورت انسان نمایش دهد و جزئیات دیگر مانند فرم چانه، پیشانی و … را نمایش نمی دهد)، بنابراین در کل دقت کار کاهش می یابد.
راهکارهای قدیمی
برای ارتقا عملکرد سیستم مدار بسته در محیط های خارجی و بزرگ نیاز به فناوری های پیشرفته دیگری نیز می باشد اما آنها نیز دارای نقص ها و کاستی هایی هستند. برای مثال یکی از چالش های موجود در یک سیستم مداربسته تصویربرداری در شب است. دتکتورهای نور IR شاید کلید حل مشکلاتی باشند اما آنها نیز نسبت به آلارم های کاذب ناشی از ورود حیوانات در شرایطی که هدف سوژه های انسانی هستند، حساس اند. از طرفی برای حفظ امنیت مکان مورد نظر راه حل دیگر استفاده از حصارهای الکترونیکی است که به نوبه خود خطر داشته و یا مناسب مناطقی خاص هستند. اکثر این راهکارها اغلب پر هزینه بوده و یا استفاده از آن ها پیچیدگی های خاص خودش را دارد.
نحوه عملکرد Deep Learning در تفکیک آلارم های کاذب
سوژه هایی از قبیل حیوانات مختلف، برگ درختان یا حتی نور (برای مثال چراغ ماشین) می توانند آلارم های کاذب ایجاد کنند، بنابراین توانایی شناسایی و تمایز انسان از این سوژه ها توسط زیرمجموعه های فناوری تجزیه و تحلیل VCA به شدت می تواند دقت عملکردی سیستم را بهبود بخشد. آلارم های کاذب که دائما و پشت سر هم اتفاق می افتند اغلب مشکل آزار دهنده ای برای کاربران محسوب می شوند زیرا می بایست وقت زیادی را صرف بررسی هر کدام کرده که به طور بالقوه ای باعث به تاخیر افتادن پاسخ های ضروری به آنها می گردد.
به عنوان مثال، تصور کنید که محل نصب دوربین ها مکانی نسبتا آرام بوده و در شب هنگام تنها چند اتومبیل و افراد کمی در حال تردد در آن هستند. حتی در این فضا نیز، تعداد آلارم های کاذب می تواند به 50 مورد برسد. خب حداقل 2 الی 3 دقيقه زمان برای بررسی هر آلارم کاذب نیاز است و اگر تنها 3 مورد از این 50 مورد علت واقعی داشته باشند و زمان بررسی هرکدام را 15 دقیقه در نظر بگیریم می شود 45 دقیقه . حال فردی که برای نگهبانی در محل حضور دارد نیز باید به بررسی و کنترل سیستم مداربسته و همچنین مکان مورد نظر پرداخته و مشاهده کند که آیا فردی بدون اجازه وارد محل شده است یا خیر. در بیشتر سازمان ها تمامی جزئیات این پروسه باید مکتوب و گزارش شود که خود کاری زمان بر خواهد بود. بنابراین تمامی آن 50 آلارم کاذب می تواند در هر شب منجر به هدر رفتن 2 ساعت زمان گردد و هزینه ی زیادی را چه از نظر زمانی و چه مالی بر سیستم تحمیل نماید.
مزایا
با وجود فناوری Deep Learning اوضاع خیلی فرق خواهد داشت. اساس عملکرد سیستمی که بر پایه هوش مصنوعی Deep Learning کار می کند در اختیار داشتن حجم بالایی از اطلاعات و نحوه طبقه بندی آنهاست. با وجود حجم زیادی از داده های با کیفیت که توسط دوربین ها و منابع دیگر ثبت می گردند، و همچنین بیش از صدها نفر از کارکنان شرکت که این اطلاعات را دسته بندی و برچسب گذاری می کنند داده های سمپل با میلیون ها دسته بندی در این بخش انباشته شده اند. با استفاده از این مقدار داده (شامل داده های انسانی، حیوانات، وسایل نقلیه و …)، مدل های تشخیصی، عملکرد بهتر و دقیق تری خواهند داشت.بر اساس آزمایشات انجام شده، دقت تشخیص در این راه کار ها با استفاده از الگوریتم فراگیر Deep Learning، دقت سیستم را تا 38٪ افزایش می دهد. با توجه به این موضوع در مثال قبلی، می توان تقریبا یک ساعت در هر شب از زمان هدر رفته کاست.
کاربردهای دیگر Deep Learning
همچنین Deep Learning کاربردهای عملی و پیچیده دیگری نیز دارد. برای مثال موقعیتی را در نظر بگیرید که سقوط کردن (فرد یا جسم) خطری تهدید کننده محسوب می گردد، برای مثال خانه سالمندان یا کودکستان. در این کاربری ها می توان آستانه ارتفاع را در حد 0.5 متر و زمان طی شده را 10 ثانیه قرار داد در این صورت اگر فردی در حال سقوط و زمین خوردن باشد و ارتفاع آن از سطح زمین به زیر نیم متر برسد و بیش از ده ثانیه روی زمین بماند سیستم با ارزیابی پارامتر های موجود آلارم را فعال می کند. با شناخت ویژگی ها و مزایایی از این قبیل، می توان به آسانی به انواع راهکارهایی که Deep Learning می تواند ارائه کند پی برد.
