Security Manager - ΤΕΥΧΟΣ 74

video.Surveillance
των πιθανοτήτων, η τεχνητή ευφυΐα επιτρέπει σε ένα μηχάνημα
ή σε ένα σύστημα να διαμορφώνει τη δημιουργία μιας απόφασης
(decision making) η οποία επηρεάζει την απόδοση της
μηχανής ή του συστήματος. Τα συστήματα τεχνητής ευφυΐας
λειτουργούν επειδή ακριβώς μαθαίνουν από το περιβάλλον
στο οποίο λειτουργούν και τις διάφορες ενέργειες που γίνονται
μέσα σε αυτό το περιβάλλον, ενέργειες που μπορούν να
χαρακτηρισθούν είτε ως φυσιολογικές είτε ως έκτακτες καταστάσεις.
Εδώ τώρα υπεισέρχονται και οι άλλοι δύο όροι που
σχετίζονται με τη διαδικασία εκμάθησης. Δύο είναι οι βασικοί
τύποι εκμάθησης που συσχετίζονται με την Τεχνητή Νοημοσύνη:
η Μηχανική Εκμάθηση (Machine Learning) και η Βαθιά
Εκμάθηση (Deep Learning).
Το Machine Learning αποτελεί μια πολύ κοινή πλέον τεχνολογία
στον κόσμο της πληροφορικής και χρησιμοποιείται ευρέως.
Εφαρμογές της βλέπουμε στις διάφορες πλατφόρμες κοινωνικής
δικτύωσης -γνωστότερες και ως social media- στις μηχανές
αναζήτησης, σε διάφορες on line υπηρεσίες, καθώς και σε
συστήματα διαχείρισης δεδομένων. Βασίζεται, στην εκτέλεση
πολλών αλγορίθμων οι οποίοι με την σειρά τους επεξεργάζονται
ένα όσο μεγαλύτερο γίνεται πλήθος δεδομένων και
χρησιμοποιεί τα αποτελέσματα που προκύπτουν από την εκτέλεση
αυτών των αλγορίθμων, ώστε να προβλέπει καταστάσεις
και πράγματα σε ένα δοσμένο περιβάλλον. Η εκμάθηση των
μηχανημάτων σήμερα λειτουργεί ικανοποιητικά και αποδίδει
καλά αποτελέσματα, όμως η χρήση της εξαρτάται από τον
τρόπο με τον οποίο αξιοποιεί τα δεδομένα για να προβεί σε
μελλοντικές αποφάσεις.
Το Deep Learning, είναι ένα στάδιο παραπάνω σε σχέση με
την μηχανική εκμάθηση σε ότι αφορά τις δυνατότητες της.
Χρησιμοποιεί πολλαπλά επίπεδα αλγορίθμων μέσω των οποίων
προσπαθεί να κατανοήσει το περιβάλλον μέσα στο οποίο
λειτουργεί και προχωράει σε αποφάσεις βάσει αυτών που έχει
μάθει από την εκτέλεση των αλγορίθμων.
Ένας καλός τρόπος για να αντιληφθούμε τη διαφορά μεταξύ
Machine Learning - Deep Learning, είναι ότι η πρώτη τεχνολογία
χρησιμοποιεί ένα τεράστιο όγκο δεδομένων προκειμένου
να βρει μια λύση σε ένα προκαθορισμένο περιβάλλον
σύμφωνα με προκαθορισμένα κριτήρια. Ενώ, η βαθιά εκμάθηση
χρησιμοποιεί το δίπτυχο της αποκτηθείσας γνώσης και
της συσσωρευμένης εμπειρίας προκειμένου να αντιληφθεί το
περιβάλλον στο οποίο λειτουργεί και στην συνέχεια αποφασίζει
το πώς θα λειτουργήσει ανάλογα με το τι έχει μάθει από την
προηγούμενη διεργασία.
Τα οφέλη στον τομέα της ασφάλειας
Όπως προείπαμε όμως, το πιο βασικό δεν είναι να εμβαθύνουμε
στον τρόπο υλοποίησης αυτών των τεχνολογιών, αλλά στο τι
μπορούν να προσφέρουν πρακτικά στις εφαρμογές ασφάλειας.
Οι εφαρμογές που μπορούν να αναπτυχθούν βάσει αυτών των
τεχνολογιών είναι πολλές και σημαντικές. Κάνοντας ένα βήμα
πιο πέρα από την υφιστάμενη και ήδη πολύ διαδεδομένη χρήση
των video analytics, η συνδυασμένη χρήση της τεχνητής
ευφυΐας και της βαθιάς εκμάθησης επιτρέπει σε ένα σύστημα
επιτήρησης την ανάλυση σχημάτων και αντικειμένων
και την γρήγορη και ακριβή ταξινόμηση τους σε διάφορες
κατηγορίες. Μπορεί παραδείγματος χάρη, με τη χρήση αυτών
των τεχνολογιών ένα σύστημα επιτήρησης να αντιληφθεί τις
διαφορές ακόμα και μεταξύ ζώων (όπως γάτα και σκύλος)
και πολύ περισσότερο μεταξύ διαφορετικών ζωντανών οργανισμών,
όπως ζώα και άνθρωποι. Βιομετρικά χαρακτηριστικά
όπως τα χέρια και τα πόδια, μπορούν να αποτελέσουν πολύ
χρήσιμα δεδομένα στη διαδικασία αναγνώρισης και ταξινόμησης.
Επίσης, ένα σύστημα επιτήρησης εφοδιασμένο με αυτές
τις τεχνολογίες μπορεί να κάνει πολύ ακριβή αναγνώριση προσώπου
ή και αναγνώριση οχημάτων με τη χρήση διάφορων
78 . security manager