Обнаружение ложных тревог стало критически важной функцией в современных системах наблюдения.
Облако или на месте
Учитывая все разговоры об облачных системах и решениях, которые, очевидно, решат все Ваши проблемы, независимо от того, в какой отрасли Вы работаете, мы сначала спросили Алкему, какое решение он считает лучшим.
Он говорит: «Эффективный мониторинг объекта — важнейший аспект любой системы безопасности, и как облачные, так и локальные системы имеют свои преимущества и недостатки, когда речь идет о снижении количества ложных тревог».
«Облачные» системы становятся все более популярными благодаря своей гибкости и масштабируемости. Однако облачные системы зависят от подключения к Интернету и могут быть не такими надежными, как локальные системы в районах с плохой связью. Также необходимо тщательно проанализировать вопросы кибербезопасности, чтобы обеспечить управление рисками клиента при внедрении облачных решений».
Алкема добавляет, что выездные системы могут считаться более надежными, чем облачные, поскольку они не зависят от подключения к Интернету, если мониторинг осуществляется на самом объекте.
Однако стоит отметить, что единовременные затраты на установку и обслуживание систем на объекте могут возрасти больше, чем облачных систем, в зависимости от их стоимости.
«Очень важно оценить требования каждого клиента и его ограничения на подключение к Интернету индивидуально, прежде чем принимать решение о выборе решения».
Говоря о пропускной способности, он отмечает: «Требования к пропускной способности напрямую зависят от того, как спроектировано решение. Вы можете внедрить ИИ на границе камеры, когда камера отправляет события и видео только после того, как определит, что есть о чем сообщить. Это может сэкономить много пропускной способности и вычислительных ресурсов, независимо от того, подключена ли она к облаку или к решению на месте. Все зависит от того, как клиенты хотят контролировать свои объекты, от их требований и ограничений по подключению, которые они должны учитывать при разработке решения».
Вам нужно обучать людей и машины.
Мы много слышим о том, что приложения для обнаружения ложных тревог снижают количество ложных срабатываний на 90% и более (хотя мало кто задумывается о том, сколько реальных событий пропускают системы), однако эффективность любого ИИ зависит от обучения, которое он проходит — так же, как и люди.
В наши дни достаточно легко отличить растение, развевающееся на ветру, от человека, но как системы отличают, например, обнимающихся людей от дерущихся?
Алкема согласен с тем, что глубокое обучение ИИ на основе видео очень важно, но добавляет, что данные, используемые для обучения ИИ, также напрямую влияют на результат его работы.
По его словам, при обучении нейронных сетей поставщики учитывают следующие аспекты:
- Качество данных: Качество данных, используемых для обучения нейронной сети, имеет решающее значение.
Данные низкого качества или плохо помеченные данные могут привести к неточным результатам и негативно повлиять на работу нейронной сети. - Количество данных: В зависимости от того, насколько конкретно Вы обучаете свою нейронную сеть, для эффективного обучения нейронных сетей потребуется большое количество разнообразных данных, что может занять много времени и стоить дорого.
- Вычислительные ресурсы: Обучение нейронных сетей на основе видео требует дорогостоящих вычислительных ресурсов.
«Нейронные сети можно обучить точности и эффективности. Опыт в этой области, инвестиции в достаточное количество ресурсов для разработки и доступ к достаточно качественным данным — все это позволит поставщику вывести на рынок эффективные решения на основе ИИ».
Потеря работы
Вопрос о том, насколько мы можем положиться на ИИ в выполнении работы, для которой в прошлом требовались квалифицированные операторы, также требует решения.
Вопрос о том, сколько рабочих мест ИИ заберет у людей, является довольно популярным предметом обсуждения во всех отраслях, поскольку стало очевидно, что в очереди безработных окажутся не только «синие воротнички».
Если говорить конкретно о человеческих операторах диспетчерских пунктов, насколько «опасной» сделает их работу ИИ?
В настоящее время лучшим сценарием является подход «черного экрана», при котором ИИ устраняет большинство ложных тревог и, надеюсь, улавливает все реальные тревоги и уведомляет оператора, который затем выполняет стандартные операционные процедуры (SOP) для компании или для конкретного клиента (если диспетчерская контролирует инфраструктуру нескольких клиентов).
В настоящее время ИИ не может взять на себя эту работу, или может?
Однако в будущем что может помешать ИИ распознать реальное событие и автоматически реализовать эти СОПы, не прибегая к помощи людей?
«Даже по мере развития технологии искусственного интеллекта, — говорит Алкема, — операторы-люди все равно будут необходимы для проверки и принятия мер в отношении событий, сгенерированных искусственным интеллектом. Некоторые действия могут быть автоматизированы системами управления видео без вмешательства человека, но это будет зависеть от политики заказчика в отношении реагирования на реальные события. Идеальная стратегия снижения рисков будет включать в себя лучшее из того, что может предложить автоматизация на основе ИИ и вмешательство человека, чтобы операторы могли использовать эти инструменты еще эффективнее».
Тем не менее, он также отмечает: «В настоящее время на глобальном уровне в ИИ на основе видеоматериалов вкладывается очень много средств. Скорость, с которой совершенствуются технологии ИИ, становясь все более точными и эффективными, изменит ландшафт того, как будет выглядеть диспетчерская в будущем».
Опции искусственного интеллекта и ложной тревоги CathexisVision
Наконец, мы спросили Алкему, что Cathexis предлагает в области обнаружения ложных срабатываний.
«В компании Cathexis наша концепция разработки решений на основе искусственного интеллекта заключается в повышении ценности видеоданных. Одним из ключевых способов решения этой задачи является пакет видеоаналитики CathexisVision, в котором используются нейросетевые модели и искусственный интеллект для того, чтобы программное обеспечение могло обнаруживать аномалии на месте и оповещать операторов диспетчерской только о тех событиях, о которых они должны быть проинформированы. Кроме того, CathexisVision предлагает мощный инструмент обработки событий — шлюз управления тревогами, который позволяет операторам просматривать как живые, так и записанные видеособытия, получать информацию о своих СОПах и отчитываться о предпринятых действиях».
«Отчеты об обработке событий — важная функция программного обеспечения, которая помогает поддерживать целостность диспетчерской. Эффективное внедрение CathexisVision на крупных объектах с высокой проходимостью по всему миру является подтверждением способности решения повысить ценность видеоданных, чтобы операторы могли оставаться в курсе событий и сосредоточиться на самых важных задачах.»
