Обнаружение ложных тревог стало критически важной функцией в современных системах мониторинга видеонаблюдения. Количество ложных тревог, которые аналитики отмечают как реальные или потенциальные события, может утомлять операторов в диспетчерской, поскольку большая часть их времени уходит на то, чтобы разобраться с тревогами, только для того, чтобы классифицировать их как ложные.
Ложные тревоги не только демотивируют операторов, но и являются пустой тратой денег, поскольку ресурсы тратятся на реагирование на события, не являющиеся событиями. Идея мониторинга с «черным экраном» заключается в том, что операторам не нужно постоянно просматривать несколько записей с камер, они направляются технологией на то, чтобы сосредоточиться на реальных событиях. Однако ложные тревоги часто делают это практически невозможным, так как всегда найдется какое-нибудь событие, не требующее внимания.
Сегодня существует множество аналитических приложений, направленных на то, чтобы предотвратить ложные тревоги от операторов диспетчерских пунктов. Некоторые из них полностью базируются в облаке, другие размещаются на серверах на месте или даже на границе в самих камерах. Компания SMART Security Solutions побеседовала с Дене Алкема, директором компании Cathexis Africa (победитель OSPA Awards этого и прошлого года), чтобы узнать больше о различных вариантах ложных тревог, доступных для систем видеонаблюдения.
Облако или на месте
Учитывая все разговоры об облачных системах и решениях, которые, по-видимому, решат все Ваши проблемы, независимо от того, в какой отрасли Вы работаете, мы сначала спросили Алкему, какое решение, по его мнению, является лучшим. Он говорит: «Эффективный мониторинг объекта — это критически важный 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 столь надежны, как локальные системы, в районах с плохой связью. Необходимо также тщательно проанализировать вопросы кибербезопасности, чтобы обеспечить управление рисками клиента при развертывании «облачного» решения».
Алкема добавляет, что выездные системы можно рассматривать как более надежные, чем облачные, поскольку они не зависят от подключения к Интернету, если мониторинг осуществляется на самом объекте. Однако стоит отметить, что единовременные затраты и затраты на обслуживание локальных систем могут возрасти больше, чем облачных, в зависимости от их базы затрат. «Очень важно оценить требования каждого клиента и его ограничения на подключение индивидуально, прежде чем принимать решение о выборе решений».
Что касается вопроса о пропускной способности, то 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 что сообщать. Это может значительно сэкономить полосу пропускания и вычислительные ресурсы, независимо от того, подключена ли камера к облаку или к решению на месте. Все сводится к тому, как клиенты хотят контролировать свои объекты, какие требования они предъявляют к ним и какие ограничения на подключение им необходимо учитывать при разработке решения».
Вы должны 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 получает — так же, как и люди. Достаточно легко (в наши дни) отличить растение, развевающееся на ветру, от человека, но как системы различают, например, обнимающихся людей от ссорящихся людей?
Алкема согласен с тем, что глубокое обучение ИИ на основе видеоматериалов крайне важно, но добавляет, что данные, используемые для обучения ИИ, также непосредственно влияют на результат его работы. По его словам, при обучении нейронных сетей поставщики уравновешивают 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 потребуются большие объемы 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 позволяет поставщику вывести на рынок эффективные решения на основе ИИ».
Потеря рабочих мест
Вопрос о том, насколько мы можем полагаться на искусственный интеллект в выполнении тех работ, для которых в прошлом требовались обученные операторы, также требует решения. Вопрос о том, сколько рабочих мест займет искусственный интеллект у людей, является довольно популярным предметом обсуждения во всех отраслях промышленности, поскольку стало очевидно, что в очереди на получение работы окажутся не только «синие воротнички».
Если говорить конкретно о человеческих операторах диспетчерских пунктов, то насколько «опасной» сделает их работу искусственный интеллект? В настоящее время наилучшим сценарием является подход «черного экрана», при котором искусственный интеллект 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 занять эти рабочие места, или может? Однако в будущем что помешает ИИ распознать реальное событие и автоматически реализовать эти СОПы, не прибегая к помощи людей?
«Даже по мере развития технологии искусственного интеллекта, — говорит Алкема, — все равно потребуются люди-операторы для проверки и принятия мер в отношении событий, генерируемых искусственным интеллектом. Некоторые действия могут быть автоматизированы системами управления видео без вмешательства человека, но это будет зависеть от политики клиента 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, так что операторы смогут использовать эти инструменты еще более эффективно».
Однако 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 мониторинга в будущем».
Опции искусственного интеллекта и ложной тревоги CathexisVision
Наконец, мы спросили Алкему, что предлагает Cathexis в области обнаружения ложных срабатываний.
«В компании Cathexis наша концепция разработки решений на основе искусственного интеллекта заключается в повышении ценности видеоданных. Одним из основных способов достижения этой цели 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 диспетчерских пунктов только о тех событиях, о которых они должны быть проинформированы. Кроме того, имеется мощный инструмент обработки событий CathexisVision — шлюз управления тревогами, который позволяет операторам просматривать как живые, так и записанные видеособытия, получать информацию о своих СОПах и отчитываться о предпринятых действиях».
«Отчетность по 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.»
