Security Manager - ΤΕΥΧΟΣ 71
Περιοδικό για την ασφάλεια.
Περιοδικό για την ασφάλεια.
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
video.Surveillance<br />
Toυ Αριστοτέλη Λυμπερόπουλου<br />
Deep Learning -<br />
Το επόμενο στάδιο<br />
στα video analytics<br />
Η ανερχόμενη τάση του Deep Learning στα συστήματα βίντεο επιτήρησης αναβαθμίζει<br />
σημαντικά τα video analytics με την ευρύτερη έννοια και επιτρέπει στους integrators και<br />
τους εγκαταστάτες να προσφέρουν λύσεις στους πελάτες τους που θα είναι περισσότερο<br />
προσαρμοσμένες στις δικές τους ιδιαίτερες απαιτήσεις.<br />
Ο όρος έξυπνα video analytics δεν είναι κάτι το καινούριο<br />
για όσους ασχολούνται με τα ηλεκτρονικά συστήματα ασφάλειας<br />
και ειδικά με τα συστήματα επιτήρησης. Σχεδόν έχουν<br />
περάσει πάνω από 10 χρόνια από την εμπορική εμφάνιση<br />
της συγκεκριμένης τεχνολογίας και είναι δύσκολο να βρεθεί<br />
κάποιος που να αμφισβητήσει ότι τα video analytics έχουν<br />
προσδώσει μια σημαντική επιπρόσθετη αξία στα συστήματα<br />
επιτήρησης.<br />
Η συζήτηση που γίνεται όμως και παρουσιάζει ιδιαίτερο<br />
ενδιαφέρον είναι αν κατά πόσο αυτή η τεχνολογία μπορεί<br />
σήμερα να θεωρηθεί πραγματικά “έξυπνη”. Η μια πλευρά -που<br />
αποτελείται κυρίως από τα στελέχη των εταιρειών που πωλούν<br />
και διαθέτουν στην αγορά συστήματα video analyticsυποστηρίζουν<br />
ότι όντως η τεχνολογία ενσωματώνει σε μεγάλο<br />
βαθμό στοιχεία τεχνητής ευφυΐας. Κάποιοι εγκαταστάτες<br />
ή εταιρίες που υλοποιούν έργα από την άλλη πλευρά συχνά<br />
διαφωνούν με αυτήν την προσέγγιση. Μια νέα εξέλιξη που<br />
αποκαλείται ως τεχνολογία βαθιάς εκμάθησης (deep<br />
learning) στα συστήματα ασφάλειας μπορεί να συμβάλλει<br />
ουσιαστικά στην μεταστροφή αυτών των απόψεων.<br />
Καταρχήν, δύο είναι θεωρητικά τα στάδια κατά την ενσωμάτωση<br />
των video analytics σε μια εφαρμογή επιτήρησης. Το<br />
αρχικό στάδιο, στο οποίο ο κατασκευαστής ενσωματώνει<br />
την τεχνολογία σε ένα σύστημα επιτήρησης. Εδώ πρόκειται<br />
για μια τυποποιημένη επαναλαμβανόμενη παραγωγική<br />
διαδικασία χωρίς ιδιαίτερες δυσκολίες. Το δεύτερο στάδιο<br />
και αρκετά πιο χρονοβόρο, είναι η προσαρμογή κάθε λύσης<br />
video analytics στην εκάστοτε εφαρμογή. Αυτό το στάδιο,<br />
συνήθως απαιτεί αρκετή έρευνα, μελέτη και αξιολόγηση σε<br />
κάθε εγκατάσταση και πολύ χρόνο σε εξειδικευμένες παραμετροποιήσεις.<br />
Κάθε εγκατάσταση είναι διαφορετική, αλλά<br />
και οι απαιτήσεις των χρηστών διαφέρουν σημαντικά από<br />
εφαρμογή σε εφαρμογή. Παραδείγματος χάρη, σε μια εφαρμογή<br />
μπορεί να χρειάζεται η επιτήρηση μόνο των οχημάτων,<br />
ενώ σε άλλη εφαρμογή να απαιτείται η καθολική επιτήρηση<br />
οχημάτων και προσώπων. Σε άλλες περιοχές μπορεί να δίνεται<br />
μεγαλύτερη έμφαση στην ασφάλεια και στην αποτροπή<br />
παράνομων εισβολών (στρατιωτικές ή κρίσιμης σημασίας<br />
εγκαταστάσεις), ενώ σε άλλες να εστιάζουν περισσότερο στις<br />
δυνατότητες διαχείρισης της εγκατάστασης και του πλήθους<br />
που κινείται μέσα σε αυτές (εμπορικά κέντρα).<br />
Ορίζοντας την τεχνητή ευφυΐα<br />
Όπως και σε πολλούς άλλους κλάδους, έτσι και στη βιομηχανία<br />
των συστημάτων ηλεκτρονικής ασφάλειας, ο όρος<br />
“τεχνητή νοημοσύνη” αρκετές φορές ερμηνεύεται με μια ευρεία<br />
και γενικόλογη προσέγγιση. Αυτό δεν είναι απαραίτητα<br />
λάθος, αλλά μερικές φορές μπορεί να είναι παραπλανητικό. Τι<br />
σημαίνει άραγε ότι ένα σύστημα διαθέτει στοιχεία τεχνητής<br />
ευφυΐας;<br />
Για πολλούς ένα σύστημα που χρησιμοποιεί δύο διαφορετι-<br />
64 . security manager