 |
| 上敦 AXXON 台灣總代理 |
影像監控是安全產業的一個方面，已經佈署演算法一段時間了。隨著人工智慧 (AI) 的快速發展，檢測的準確性呈指數級成長，可檢測的內容也呈指數級成長。美國一些專業監控業者在接下來的這則報導中，將深入研究人工智慧為影像監控客戶解決了什麼問題、如何訓練人工智慧，以及人工智慧佈署在邊緣、雲端，或兩者之間存在哪些差異。
過去的移動偵測
移動偵測過程，傳統上是圍繞著像素進行。 「在安控領域，人和車輛是場景中，最需要辨識的兩個物體，」安訊士公司（Axis Communications）平台技術業務開發經理 Quang Trinh 表示。 「傳統的影像移動偵測基於分析像素叢的演算法。透過這種偵測方式，最終客戶能夠根據物體在場景中的填充情況，來調整目標像素密度。這種方法會導致一些誤報，這些誤報是由於場景中光照、陰影和背景中晃動的物體，所造成的像素變化。」
Trinh 補充說：「借助基於深度學習的現代人工智慧架構，基於像素叢的檢測，現在可以轉變為對象檢測和分類。」以前，由於許多運動源都不是人類的，因此該過程容易出現誤報。隨著基於人工智慧的物件偵測和分類，在 IP 攝影機等邊緣設備上變得越來越有效率，與基本的影像移動偵測相比，誤報率大幅降低。由於這類人工智慧模型，專為偵測和分類人員和車輛而設計，因此它們能夠最大限度地減少，基於像素的影像移動偵測中，所導致誤報的環境因素。
韓華視覺美國公司銷售支援總監 Aaron Saks 補充道：「傳統系統採用基於像素的移動檢測，這會導致誤報率較高，並造成頻寬和儲存空間的過度限制。監控攝影機操作員很容易被過多的資訊和誤報事件所困擾，而這些資訊和誤報事件又是由風吹變化、陰影變化」等因素造成的光線變化。
這些模型使用的神經網路與人類大腦的反應，和從經驗中學習的方式相似。 ...他們不斷接受訓練，並從經驗中學習。
每個人的學習方式都不一樣，人工智慧機器學習也ㄧ樣
我相信我們都聽過這句話「每個人的學習方式都不同」。那麼，考慮到人工智慧學習模仿人類思維的方式，那麼人工智慧在某種程度上也一定是如此。那麼人工智慧可以透過哪些不同的方式學習呢？
加州聖馬刁市 Turing AI 總裁 Christopher Zenaty 提出了以下見解：
- 異常檢測 —— 人工智慧模型學習環境中的正常活動模式，並可以快速辨識異常行為（例如，未經授權的訪問、徘徊、無人值守的物件）。
- 模式辨識 —— 深度學習使人工智慧能夠區分人、車輛和物體，同時辨識特定動作，如攻擊性運動或可疑聚集。
- 自適應學習 —— 隨著時間的推移，深度學習演算法，透過對新影像資料進行持續訓練，減少誤報並改進事件檢測，來提高其準確性。
- 即時處理 —— 人工智慧驅動的深度學習，可以分析每秒數千幀的影像，為潛在的安全威脅提供即時警報。
Zenaty 說：「透過利用深度學習，現代人工智慧監控系統增強了安全性，實現了威脅檢測的自動化，並最大限度地減少了人類監控工作 —— 最終導致更快的即時反應處理，時間和更好的保護。」
如今，人工智慧的訓練不再只限於記錄像素變化這麼簡單。
Axis Trinh 表示：「隨著從人物和車輛中提取的特徵為場景增添背景，基於人工智慧的模型，會隨著時間的推移而改進。」基於人工智慧的人體偵測模型，還會辨識手、腿、上下衣顏色、頭部、臉部，以及其他能夠區分人體與其他移動物體的特徵。對於車輛而言，自行車、摩托車、轎車、SUV、卡車、貨車和公共汽車等車輛類型等子特徵，可以辨識出場景中重要的特定車輛類型。
人工智慧不僅能夠即時辨識問題，甚至預防問題的發生，還能提高事後篩選影像的效率。人類無需花費大量時間來篩選影像，而是可以利用人工智慧在極短的時間內，搜尋積壓的影像。
Eagle Eye Networks 執行長 Dean Drako 表示：「人工智慧也已應用於我們所謂的智慧影片搜尋。」你一定知道，企業主或保全主管可能需要花費很長時間，才能篩選出他們想要尋找的人、物或車輛。人工智慧影像搜尋就像網頁搜尋一樣。你輸入搜尋字詞，例如「紅色本田汽車」或「背著背包的男子」，它就會立即顯示你正在尋找的影像。
| iF+ 系列雙系統免接觸式智慧門鎖 |
人工智慧影像訓練如何進行
從某種程度上來說，人工智慧的學習方式與我們人類非常相似。它被賦予了一個大型資料集（或範例），其中包含它認為屬於「正常範圍」內的行為。然後，人工智慧會接觸到無數超出該範圍的行為範例，以便它能夠完全理解，哪些行為會構成問題，或可能出現問題的訊號。
「深度學習在幕後使用神經網路（nueral networks），」Zeus Fire and Security 資訊長 Priya Serai 說。 「神經網路實際上就像層層遞進的演算法，其數據處理方式與人腦非常相似。正因如此，像 chatGPT 這樣的生成式人工智慧模型，才能獲得與人類相似的即時反應。這些模型使用的神經網路與人腦的反應方式，和從經驗中學習的方式類似。它們並非訓練一次就萬事 ok。它們會不斷接受經驗，並從經驗中學習。
IDIS Americas 產品管理副總裁 Dave deLisser 給出了零售市場的以下例子：「例如，基於零售店錄影訓練的深度學習模型，可以辨識顧客在商店內和周圍的自然走動，」他說。當它偵測到異常行為（例如有人閒逛或大量人群聚集）時，它會向操作員發出相應的警報。透過實現早期威脅偵測，或緊急情況偵測，它變得更加主動，使安全團隊能夠在損失或事故發生之前，更快採取行動。
自動化這個過程的好處很多。 「在深度學習出現之前，監控人員通常會透過多個影像串流，即時監控和追蹤物體，例如人或汽車，」deLisser 說。這會導致操作員疲勞並錯過事件，尤其是在查看來自繁忙場景的多個攝影機訊號時。如今，深度學習演算法可以利用影像資料中的時空模式，精準地偵測和分類目標。這種能力提升了監控系統的效率。它還能輔助執行各種任務，例如在刑事調查中辨識嫌疑人、分析交通模式，以更好地進行城市規劃，以及利用熱圖和人流方向性來優化賭場、酒店或商店的佈局。
Milestone 公司美洲區副總裁 Tim Palmquist 表示，Milestone 正在推出一項新的數據洞察專案（new data insights project），「我們稱之為 Hafnia 專案，這是我們的數據洞察產品，」他說。數據洞察是我們產業未來的新技術領域，因為高品質的訓練資料，才能真正發揮人工智慧產品的效能。目前，我們有很多承諾，但成果不多。隨著我們提高訓練資料的品質，你將會獲得更好的結果。
Palmquist 說，該計畫源自於對高品質訓練資料的探索。他說：「問題在於他們的工具是基於通用數據，而不是現實生活中的更高品質的數據進行訓練的。」Milestone 提出的建議是，如果我們能夠獲得海量數據，真實的數據，我們能夠以負責任的方式進行處理，既能保護隱私，又能提供高品質的數據，來訓練 AI 模型。這不會加速產業發展嗎？
整合商的持續服務
人工智慧的生命週期是怎麼樣的：如何處理更新？整合商在這其中扮演什麼角色？答案是 —— 正如通常情況那樣 —— 視情況而定。
「在大多數基於邊緣的監控系統中，用戶端不需要進行任何培訓，」韓華總監 Aaron Saks 說。這一切都在軟體開發過程中完成，並隨產品一起發布。隨著時間的推移，可能會進行更新以增強模型並提升其效能，但這只是正常安裝和維護過程的一部分，目的是保持一切保持最新狀態。有些系統允許使用者針對新類型的物件進行自訂訓練。
安全經銷商和整合商可以透過定期提供更新的訓練資料、實施自適應學習系統，以及結合使用者標記假陽性或陰性的回饋循環來提高模型的準確性。
Saks 繼續說道：「還有一些基於伺服器的產品，可以隨著時間的推移進行學習，或者針對未知物體進行客製化訓練。其他系統可以動態添加訓練，但由於數據集規模較小，其深度不如工廠訓練。最佳方法是遵循攝影機安裝參數的最佳實踐指南。」
Axis Trinh 提出以下問題：「安全經銷商將來是否能夠提供，這種客製化的 AI 訓練服務？當然可以。」目前已經有開放平台（open-source plateform），允許安全經銷商透過開發客製化的 AI 模型，來獲利並建立業務。為了抓住這一機會，安全產業需要培養一支，能夠處理特定 AI 任務的專業化人才隊伍，但機會就在那裡。
Trinh 繼續說道：「供應商和安全經銷商也有機會，圍繞人工智慧的道德使用和發展，制訂安控產業的指導方針。」「在全球、聯邦和州層面立法之前，人工智慧的道德和負責任的使用，依賴於自我管理。」
芝加哥摩托羅拉系統公司 Avigilon & Pelco 產品副總裁 Hamish Dobson 表示：「與此同時，一些製造商提供了利用現場微調的方式。這使得精度隨著時間的推移而不斷提高。經銷商和最終使用者，通常都可以選擇一些真實和虛假事件，並訓練設備在下次表現得更好。」
至於整合商所扮演的角色，Pro-Vigil 公司的首席技術官 Satish Raj 表示：「安全經銷商和整合商，可以透過定期提供更新的訓練數據、實施自適應學習系統，以及結合回饋循環機制（用戶可在此標記誤報或漏報以改進性能），來提高模型準確性。」
人工智慧的好處
更明確地說，由於人工智慧和深度學習，影像監控市場的準確性和效率正在提高。Avigilon & Pelco Dobson 說：「在許多垂直領域，客戶很快就認識到人工智慧影像的潛力，可以進一步改善他們的安全狀態，並應對其他營運挑戰。」隨著我們持續投資創新的 AI 增強解決方案，我們認為其應用領域幾乎是無限的，尤其是在 AI 的準確性，和性能持續快速提升的背景下。從預防犯罪、健康與安全、法規遵循、提升客戶服務，到店內和客戶行為智慧，使用者不斷發現，現有分析工具的新用途，並要求獲得新的功能。
談到健康安全以及法規合規性，以及預防犯罪，Raj 補充道：「透過自動追蹤車輛和人員，人工智慧減少了持續人工監控的需求，從而讓員工可以專注於更高優先級的任務。許多客戶還尋求人工智慧監控，來確保合規性和安全性，例如確保員工遵守安全規程，例如在危險的工作環境中，佩戴必要的防護設備。」
展望未來，Zeus Fire and Security 執行長 Scott R. Elkins 表示：「隨著製造商技術的進步，無論是攝影機還是網路錄影機(NVR)，都會搭載更多人工智慧。經銷商必須要問和回答的問題是 —— 無論他們是小型、中型還是大型企業，無論他們是整合商，還是傳統的安全警報公司 —— 他們是否會致力於創造客戶相對於其特定市場想要的獨特案例？我向你保證，雜貨店、零售店、醫療保健和學校，都會有獨特的案例和特定需求，而這些需求不會開箱即用立即出現。 」
AI 是要建置在邊緣；抑或建置在雲端
AI 既可以佈署在攝影機上，也可以佈署在雲端。有時，AI 會專門佈署在任一位置，而在其他情況下，它可以在一個位置上分層佈署。但關鍵的差異是什麼？
Axis Communications 的 Quang Trinh 表示：「人工智慧影像監控的優勢，取決於客戶對即時資料分析與事後事件偵測的延遲的容忍度。」「幸運的是，邊緣人工智慧正變得越來越容易取得，且成本越來越低，使得人工智慧模型能夠在 IP 攝影機等遠端設備，或支援物件偵測和分類的內部邊緣伺服器上運作。
他說：「多模式模型等新的人工智慧架構，結合了文字、語言、圖像和影像，以釋放更多功能。」「雖然這些新模型需要更多的運算，但這些多模式模型的基於雲端的版本，可以為現有的安全系統提供價值。」
美國韓華的 Aaron Saks 補充說：「對於 Hanwha Vision 來說，主要有三種方式：攝影機邊緣、雲端和伺服器。我們主要的『首選』方法是基於邊緣的，這意味著我不需要將資料流傳輸到雲端；我不需要網路連線。沒錯，雲端可以快速擴展，它非常有彈性。但通常情況下，任何雲端資料都會按資料處理。邊緣和雲端之間的另一個主要區別在於，在雲端系統中，資料必須離開現場場景，進入雲端，進行處理，然後返回。最終，沒有哪個比另一個更好。不同應用程式具有不同的功能。基於伺服器的系統，由於所需的處理能力而具有較大的初始成本，並且根據其檢測的分析類型和對象，其可以處理的攝影機總數，或百萬像素可能會受到限制。 」
最後，IDIS Americas 的 Dave deLisser 說：「雖然邊緣和雲端的人工智慧影像處理，都提供了類似的好處，但一個主要區別是影像分析的執行位置，每種都有其優勢和挑戰。 具有分散式智慧的邊緣系統，在不使網路過載的情況下，提供擴充敏捷性。 對於每個邊緣裝置，影像都會在本地進行分析。 如果客戶需要更多攝影機，它們很容易新增到監控系統中，不會像許多 VSaaS 模型那樣，導致雲端伺服器或網路過載，或經常性的許可費。
deLisser 繼續說道：「雲端系統採用集中控制和儲存，使客戶能夠透過一個介面輕鬆管理多個場景。然而，雲端的挑戰在於，除非其儲存和處理能力具有高度可擴展性，但如果網路無法處理大量數據傳輸，尤其是在大量遠端攝影機的情況下，就會出現瓶頸，進而導致潛在安全威脅的警報延遲。對於關鍵任務安全環境，基於雲端的監控變得難以承受，因為每一分每一秒都對辨識、驗證和回應潛在的安全事件非常重要。 」」
 |
| Klacci 凱樂奇商用級智慧門鎖各種應用解決方案 |
0 comments:
張貼留言