آرشیو برچسب: آنالیتیک

مقالات

ویدئوها و آنالیتیک ها در سال 2019

Posted on by مدیر

با به پایان رسیدن سال 2018 همه ی افراد منتظرند که ببینند چه تکنولوژی هایی تبدیل به روندهای رایج امنیتی در سال 2019 خواهند شد. تا جایی که سیستم های نظارت ویدئویی مسئله موردبحث باشند، انتظار میرود که در سال 2019 سیستم های تجزیه و تحلیل محتوای ویدئویی، سیستم های تشخیص چهره و سیستم های محاسباتی اج-محور برجسته تر از قبل خودی نشان دهند.

تجزیه و تحلیل محتوای ویدئویی

تجزیه و تحلیل محتوای ویدئویی پیشرفت زیادی داشته و از تکنولوژی های اغراق-شده ی گذشته به نوآوری هایی اساسی که باعث بهبود وضع امنیت و همچنین هوشمندی بیزنسی میشوند تغییر شکل یافته است. انتظار میرود که در سال 2019 این تکنولوژی نقش پررنگ تری را در امنیت ایفا نماید.

در حال حاضر نرم افزارهای تجزیه و تحلیل محتوای ویدئویی که هوش مصنوعی ﴿AI﴾ و تکنولوژی یادگیری عمیق را در خود جای داده اند به مراتب ارزشمندتر از بررسی های پس از وقوع رخدادها تلقی میشوند. به خاطر سرعت باورنکردنی و قابلیت های هوشمند این سیستم ها، بسیاری از افراد درحال یافتن راه هایی جدید برای استفاده از آنها هستند. به عنوان مثال، بیزینس های خرده-فروشی در حال استفاده از این تکنولوژی جهت برنامه ریزی های کنش گرایانه و استراتژیک هستند تا تجربه ی بهتری را برای مشتریان فراهم ساخته و در نتیجه باعث افزایش میزان فروش خود و وفاداری آنها شوند؛ سازمان های درمانی و بهداشتی نیز از این تکنولوژی جهت رسیدگی به مسائل عملیاتی همچون یافتن افراد غیرمجاز در مناطقی با تاسیسات محدود استفاده می نمایند؛ و قطب-های حمل و نقل از این تکنولوژی ها جهت بهبود جریان مسافران استفاده کرده و شهرداری ها به صورت کنشگرایانه برای امن تر نگاه داشتن خیابان های شهری بهره میگیرند.

علیرغم صحبت های موجود مبنی بر فقدان یک عامل پیشبینی کننده در آنالیتیک های امروزی (این سیستم ها قادر به پیش بینی اینکه فردی قصد انجام کار بدی را دارد یا خیر نیستند!)، پیشرفت های صورت گرفته درآنالیتیک ها منجر به پیشگیری بهتر از وقوع جرائم میگردد. به عنوان مثال از طریق استفاده از بیگ دیتا یا کلان داده ها، مجاری قانونی بهتر میتوانند به تجزیه و تحلیل الگوی جرائم و روندهای آنها بپردازند و بدین شکل محل وقوع رخدادهای امنیتی را پیشبینی کرده و طبق این داده ها، نیروهای خود را به کار بگیرند. استفاده از ویدئوآنالیتیک ها در بررسی ها و تحقیقات صورت گرفته پس از وقوع رخدادها به عنوان امری مهم برای یافتن مجرمین، فهم بهتر صحنه جرائم و تعیین محل افراد گم شده تلقی میگردد و این داده ها هوشمندی لازم برای پیشگیری کنشگرایانه ی جرائم را فراهم میسازند.

سیستم های تشخیص چهره

سیستم های تشخیص چهره پیشرفتی جدید تلقی میشوند. با استفاده از تکنولوژی های یادگیری عمیق و تکنولوژی هوش مصنوعی ﴿AI﴾، سیستم های تشخیص چهره قادر به صدور اجازه ی ورود به گوشی هوشمند بوده و همچنین میتوانند دوستان شما را در تصاویر منتشرشده در شبکه های مجازی تشخیص بدهند. در حالی که به سیستم های تجزیه و تحلیل محتواهای ویدئویی فکر میکنیم، سیستم های تشخیص چهره بیشتر از هر زمان دیگری در حال ایفای نقشی پررنگ هستند. در سال 2019 شاهد استفاده ی بیشتر ارگان های اجرایی قانون از آنالیتیک های ویدئویی و سیستم های تشخیص چهره خواهیم بود تا بدین شکل وقایع صورت گرفته با سرعت بیشتری حل و فصل شوند. با استفاده از این تکنولوژی ها خرده فروشان به سرعت میتوانند به تشخیص سارقین وسایل موجود در فروشگاه ها بپردازند. از آنجایی که این تکنولوژی در حجم بالا در سراسر جهان به کار گرفته شده و بیشتر از هر زمان دیگری در دسترس افراد قرار دارد، انتظار میرود که این تکنولوژی به شکل قابل توجهی در سال 2019 بکار گرفته شود.

علیرغم وجود برخی نگرانی ها یا مسائل اخلاقی حول سیستم های تشخیص چهره، این سیستم ها راه هایی مناسب برای رسیدگی به این دست از مسائل خواهند بود.

سیستم های تشخیص چهره موارد کاربرد معناداری را ارائه میکنند؛ یکی از این کاربردها تطبیق چهره ها بر اساس تصویری در یک ویدئو یا تصویری بیرون از سیستم مربوطه ﴿ به عنوان بخشی از لیست افراد تحت تعقیب یا به عنوان یک تصویر منفرد﴾ میباشد. افراد شاهد ارجاعات زیادی از نوع فیلم “گزارش اقلیت” به کارگردانی استیون اسپیلبرگ به سیستم های تشخیص چهره بوده-اند؛ محور اصلی این فیلم روی سیستمی است که بر مبنای ۳ انسان کار می‌کند و می‌تواند جرایم را پیش از وقوع پیش‌بینی کند و بدین ترتیب مأموران اجرایی پیش از وقوع جنایت جلوی آن را می‌گیرند و بدین ترتیب مدت‌هاست که دیگر جنایتی رخ نداده است. اما همین سیستم پیچیده هم ممکن است فریب بخورد. زمانی که ماشین پیش‌بینی می‌کند در زمان مشخصی یکی از مأموران اصلی پروژه دست به قتل خواهد زد، او با این پرسش مواجه می‌شود که آیا خود اراده تغییر آینده خود را دارد یا مجبور است به تقدیر تن در دهد و در این راه معمای پیچیده‌ای را باز می‌کند. حقیقت آن است که وضع تصاویر هیچ پیشرفتی نداشته، هیچگونه ارتباطی با داده های فردی وجود نداشته و هیچگونه ارتباطی بین سایر تصاویر فرد موردنظر در خارج از ویدئویی که چهره ی وی با آن تطبیق داده شده وجود ندارد. با توجه به آنچه گفته شد، به احتمال زیاد شاهد نظارت قدرتمندتر از سوی دولت ها خواهیم بود تا بدین شکل سیاست هایی برای تنظیم استفاده از این تکنولوژی ها و تعریف حقوق انتخاب برای دنبال شدن به صورت دیجیتال را تعیین کنند.

پردازش اج-محور و محاسبات ابری

در آخر، پردازش اج-محور و محاسبات ابری نقشی به مراتب پررنگتر را در افزایش سرعت بکارگیری آنالیتیک های پیشرفته محتوای ویدئویی ایفا خواهند نمود. با ادامه یافتن شهرت ویدئوها، نیاز به حفظ پهنای باند در حال ایجاد موجی از مهاجرت ابری و محاسبات اج-محور است. این امر امکان آنالیتیک های پیشرفته محتواهای ویدئویی را فراهم میسازد؛ این آنالیتیک ها داده های جمع-آوری شده از دوربین ها و دستگاه ها را مورد پردازش قرار میدهند. پیشبینی میشود که در سال 2019 مهاجرت به سوی سیستم های محاسبات ابری و پردازش اج-محور همچنان ادامه پیدا کند و در نتیجه آن شاهد بکارگیری بیشتر آنالیتیک های AI-محور محتواهای ویدئویی در بسیاری از صنایع باشیم؛ این صنایع شامل صنعت حمل و نقل، آموزش عالی، مراکز بهداشتی و درمانی، خرده فروشی-ها و بسیاری از صنایع دیگر میشوند.

برگرفته از مجله a&s و دانشنامه آزاد ویکی پدیا

مقالات

چهره ی تکنولوژی ویدئویی در سال 2019

Posted on by مدیر

تنها در طول چند دهه، صنعت نظارت ویدئویی شاهد تغییراتی اساسی در زمینه تکنولوژی بوده است؛ گذار از دوربین های آنالوگ و سیستم های مداربسته به سوی سیستم های دیجیتال و تکنولوژی های ویدئویی IP که قدرت هوش مصنوعی ﴿AI﴾ را تحت کنترل خود در آورده اند.

بدون شک صنعت تولید سیستم های مدیریت ویدئویی VMS صنعتی رو به رشد است که طبق پیش بینی های صورت گرفته انتظار میرود تا سال 2019 ارزش این صنعت به 5.0$ میلیارد دلار در منطقه آسیا-اقیانوسیه برسد.

هر چه دوربین ها و سنسورها پیشرفته تر شده و تکنولوژی های نوظهوری چون اینترنت اشیاء ﴿IoT﴾ در حجم گسترده تری با سیستم های مدیریت ویدئویی تلفیق میشوند، انتظار میرود که تکنولوژی های مربوط به سیستم های ویدئویی به یک اندازه روی بیزینس ها و بازارها تاثیر بگذارند.

بنابراین در سال پیش رو از صنعت تکنولوژی ویدئویی چه انتظاری باید داشت؟ در این مقاله سه روندی که همچنان باعث تغییر زاویه دید و رویکرد ما در سال 2019 و پس از آن میشود مورد بحث و بررسی قرار خواهد گرفت.

هوش مصنوعی :عامل استمرار تغییر در بازار نظارت ویدئویی

هوش مصنوعی همچنان به بهبود وضعیت دوربین های نظارتی کمک خواهد نمود – این تکنولوژی دوربین ها را مجهز به مغزهایی دیجیتال میسازد که با چشمان آنها هماهنگ بوده و سیستم ها را قادر میسازد تا ویدئوهای زنده و ضبط شده را در حجم های بالاتر آنالیز کنند.

در گذشته از دوربین ها به عنوان اجسامی منفعل و مجهول یاد میشد، اما با کمک تحلیل رفتاری و بینش های پیشگیرانه همان دوربین ها حال به سرمایه هایی فعال و ارزشمند تبدیل شده اند. به عنوان مثال در شهرهایی چون سنگاپور و گویانگ کره، سیستم-های مجهز به تکنولوژی ویدئوی هوشمند در حال بکار گرفته شدن در مراکز فرماندهی و مراکز نظارتی هستند تا با کارایی و کارآمدی بیشتری به مبارزه با جرائم پرداخته شود.

در شهر سنگاپور، با کمک آگاهی نسبت به شبکه های عظیمی از دوربین های نظارتی موجود در جزیره های این کشور، تکنولوژی تشخیص چهره در حال مورد آزمایش قرار گرفتن است. سیستم ویدئویی مجهز به هوش مصنوعی قادر به تشخیص چهره ی افراد در یک محیط شلوغ و همچنین جدا کردن افراد موردنظر در لیست پیگیری نیروهای پلیس میباشد.

در شهر گویانگ نیز بکارگیری و مدیریت یکپارچه  و 24 ساعته سیستم های نظارتی-امنیتی به کمک سیستم های مجهز به هوش مصنوعی امکان پذیر شده است؛ این سیستم ها با استفاده از آنالیتیک های ویدئویی به انجام این دست کارهای دشوار میپردازند و به هر یک از کارکنان اجازه میدهند تا به بازبینی همزمان حدود 100 دوربین  پرداخته و به حفظ منابع ارزشمند شهری کمک کنند.

با پیشرفت صنعت نظارت، تکنولوژی ویدئویی مجهز به هوش مصنوعی تاثیر به مراتب بیشتر و عمیقتری روی صنعت نظارت ویدئویی میگذارد. طبق تخمین های صورت گرفته، تا سال 2020 حدود 1 میلیارد دوربین ویدئویی متصل به پلتفرم های  هوش مصنوعی وجود خواهد داشت و در سال 2019 این روند به صورت گسترده شروع به قدرت گرفتن خواهد نمود.

تکنولوژی ویدئویی: یک باید در استراتژی آی.تی هر شرکت

در شرکت های مدرن امروزی، پیشگامان بیزینسی و تصمیم گیرندگان کلیدی علاوه بر اهمیت قائل شدن برای ایمنی و امنیت سرمایه های کمپانی ها، روی آگاهی بهتر نسبت به فرآیندها و محیط های بیزینسی تاکید میکنند. دقیقا اینجاست که تکنولوژی ویدئویی هوشمند قادر به بهبود عملکرد بیزینسی و کاستن هزینه های عملیاتی خواهد بود.

بخش خرده فروشی نمونه ای از صنعتی است که به صورت کامل آماده ی استفاده از مزیت های تکنولوژی ویدئویی پیشرفته میباشد.

این صنعت راه زیادی را از گذشته تا به کنون آمده است؛ درگذشته به دوربین های ویدئویی تنها به عنوان سرمایه های ایمنی و امنیتی نگاه میشده است. در واقع خرده فروشان امروزی از گستره ی عظیمی از ابزارآلات و قابلیت های قدرتمند برخوردار هستند؛ اینترنت اشیاء (IoT) و سیستم های آنالیتیک ویدئویی از جمله این ابزارآلات و قابلیت ها هستند که به خرده فروشان اجازه میدهند تا آگاهی بیشتری نسبت به رفتار مشتریان خود و مسیر حرکت آنها در داخل مغازه کسب کنند.

به عنوان مثال، ویدئوی هوشمند قادر به تشخیص ورود یک فرد به فروشگاه و دنباله روی حرکات او در داخل فروشگاه میباشد. این کار باعث شکل گرفتن نقشه ای حرارتی میشود که به خرده فروشان اجازه میدهد تا متوجه شوند که هر یک از افراد به چه مدتی به یک ویترین نگاه کرده اند، قسمت های موردپسند فروشگاه کجا هستند و اینکه خریداران کدام قسمت ها را نادیده گرفته اند. این موضوع به خرده فروشان کمک میکند تا متوجه شوند چه کسی محصولات را بهتر معرفی و ارائه کرده و به صورت کارآمدتری شروع به انجام کارهای فروشگاه میکند و همچنین اینکه چه کسی روی کمپین های بازاریابی تاثیر بیشتری میگذارد.

همچنین ویدئوها قادر به تشخیص صف افراد هستند، بدین شکل خرده فروشان میتوانند زمان های بخصوصی که به پرسنل بیشتری نیاز است را متوجه شوند و در زمان هایی که به صورت غیرمنتظره سر پرسنل با تعداد زیاد مشتریان شلوغ میشود به پرسنل خود نسبت به باز کردن یک گیشه ی جدید آموزش دهند. همه ی این موارد به خرده فروشان کمک میکند تا از منابع انسانی خود به صورت بهینه استفاده کنند.

برای خرده فروشان، چنین استراتژی داده-محوری باعث کاهش هزینه های مربوط به نگهداری از مشتریان و زمان لازم برای ایجاد پروفایل های کاربران میشود. از سوی دیگر با کمک این استراتژی، مشتریان مزایای مضاعفی از لحاظ خدمات و محصولات بهتر دریافت میکنند.

ویدئو و اینترنت اشیاء نیروهای متصل به یکدیگری که از طریق نوآوری های تکنولوژی باعث تغییر بیزینس ها میشوند.

با افزایش تعداد دستگاه های متصل به یکدیگر از طریق تکنولوژی IoT و فوران کل داده های تولید شده، آنالیتیک های ویدئویی باعث افزایش سرعت خودکارسازی حجم بالای داده های غیرساختارمند میشوند؛ بدین شکل بینش و دانشی ایجاد میگردد که به کمک آن میتوان کاری انجام داد و ارزش های بیزینسی را قفل گشایی نمود.

طبق پیش بینی گارتنر، تا سال 2020 به جای آنالیز محتواهای (ویدئویی/تصویری) شرکتی توسط انسانها، حدود 99 درصد از این محتواها توسط ماشین ها آنالیز میگردند، بیشتر از 30 درصد در سال 2018. این پیش بینی با کمک جمع آوری پیشرفته داده ها و اتوماسیون سیستم ها، سرویس و نرم افزارها به واقعیت تبدیل خواهد شد، چرا که این کارها همچنان باعث افزایش میزان ویدئوها و نوآوری های آنالیتیکی ویدئویی میشوند.

به عنوان مثال در هارتفورد، ایالت کانکتیکات آمریکا، مجریان قانون این منطقه با بکارگیری تکنولوژی ویدئویی توانستند یک مرکز مواد مخدر را با کمک حجم بالای ترافیک مشکوک اطراف آن خانه شناسایی کنند. کارگاهان مربوطه، به جای بکارگیری تعداد زیادی از منابع خود برای تحت نظر گرفتن محل موردنظر در خودروها و یا در پشت بام ها توانستند در کمتر از یک دقیقه شواهد کافی را برای حمله به خانه موردنظر به دست آورند و بدین شکل حدود 32 ساعت کاری در انجام این ماموریت صرفه-جویی کنند.

آینده ی ویدئوها

پیشرفت های صورت گرفته در صنعت نظارت ویدئویی، ارگان های مختلف را بر آن داشته است که روی رویکرد خود نسبت به سیستم های ویدئویی تجدیدنظر کنند. از امن نگه داشتن شهرهای هوشمند گرفته تا بهینه سازی فروشگاه های خرده فروشی، آینده-ی ویدئوها امیدوارکننده به نظر میرسد. هنگامی که بیزینس ها شروع به دیدن موارد کاربرد بخصوص و عملی سیستم های نظارت ویدئویی میکنند، شاهد بکارگیری وسیع ویدئوهایی فراتر از امنیت در صنایع مختلف خواهیم بود.

منبع: مجله a&s

مقالات

50 شرکت امنیتی برتر: تکنولوژی غیرقابل انکار – AI

Posted on by مدیر

اگر قرار باشد که یک روند امنیتی بزرگ را در طول 12 ماه گذشته معرفی کرد، میتوان از موتورهای آنالیتیکی پیشرفته ای نام برد که اغلب به عنوان هوش مصنوعی یا AI از آنها یاد میشود. در این مقاله نحوه ی کمک این آنالیتیک­ ها به ارتقاء وضع امنیت و دلیل مخالفت برخی از فعالین این صنعت با این اصطلاح «AI» مورد بحث و بررسی قرار خواهد گرفت.

در مقایسه با آنالیتیک­ های اغراق­ شده در گذشته که وعده هایی بیش از توان اجرایی خود میداده اند، موتورهای آنالیتیکی امروزی به سطح مشخصی از تکامل رسیده و در زمینه­ هایی چون تشخیص اشیاء، جستجوی هوشمند و سایر کاربردها سودمند واقع شده­ اند. فاکتورهایی چون قدرت محاسباتی بالاتر، الگوریتم های پیشرفته ­تر، دسترسی وسیعتر به داده­ هایی که بتوان با کمک آنها به آموزش سیستم­ ها پرداخت و میزان آگاهی شما از تقاضای یک بازار، همگی به امکان پذیر شدن قابلیت­ های امروزی موتورهای آنالیتیکی کمک نموده­ اند.

نتیجه نهایی، راهکارهایی است که به کاربران کمک میکنند تا کارایی و آگاهی موقعیتی بیشتری به دست آورند. بکارگیری هوش مصنوعی AI در کنار تکنولوژی و نرم­ افزار آنالیتیک ویدئویی به شکل قابل توجهی باعث رشد بازار شده است و تا حد زیادی در حال کمک به روبه ترقی نگه داشتن چشم اندازهای رشد بازار میباشد. از آنجایی که این تکنولوژی باعث ایجاد دسترسی کارآمدتر و آسوده ­تر به تصاویر و ویدئوها شده و در نتیجه اتخاذ تصمیمات و تشخیص تهدیدها را با کارایی بیشتری بهبود بخشیده، استفاده از آن در حال افزایش است. بکارگیری تکنولوژی AI در سیستم­های امنیتی برای ارائه راهکارهای امنیت پیرامونی هوشمند بسیار موثر هستند؛ این راهکارهای امنیتی که تماما به صورت خودکار عمل میکنند، با کمک هوش مصنوعی مزاحمین را شناسایی کرده و بر اساس دستورالعمل های داده شده به سیستم به هنگام تجزیه ­و­تحلیل شرایط در محل رخداد به اتخاذ اقدامات مقتضی میپردازند.

به قطع میتوان گفت که تکنولوژی هوش مصنوعی (AI﴾ قویتر از هر زمان دیگری در حال به قبضه در آوردن بازار امنیت است، آن هم بدین خاطر که سیستم­­های نصب شده در حال بزرگ و بزرگتر شدن بوده و در مقایسه با گذشته تعداد سنسورها و دوربین­های بیشتری در حال بکار گرفته شدن هستند. از این رو، آگاهی یافتن از تمامی اطلاعات ورودی برای انسانها امکان ­ناپذیر خواهد بود. بنابراین برای گرفتن حداکثر نتیجه از نصب سیستم امنیتی خود، باید از هوش مصنوعی استفاده کنید تا بتوانید به نحو احسن از سیستم امنیتی نصب شده جهت بیرون کشیدن و تفسیر اطلاعات استفاده ببرید.

حقیقت این است که در مقایسه با گذشته، امروزه تعداد دوربین­ها و ویدئوهای ضبط شده ی بیشتری وجود دارد؛ این بدین معناست که اپراتورهای امنیتی باید با سرعتی مشابه این پیشرفت­ ها حرکت کرده و با چنین  چالشی دست و پنجه نرم کنند. ­موضوع حائزاهمیت دیگر این است که افراد محدوده توجه کوتاهی دارند. با این حال، هوش مصنوعی (AI) تکنولوژی است که میتواند به غلبه بر این چالش کمک کند؛ هوش مصنوعی در مقایسه با انسانها خستگی ناپذیر بوده و قادر به پردازش تعداد داده ­های ویدئویی بیشتری است. نقش هوش مصنوعی در امنیت دگرگون کننده است. نرم ­افزارهای مدیریت ویدئویی که با هوش مصنوعی کار میکنند به اپراتورهای امنیتی کمک میکنند تا کارآمدتر و موثرتر در کار خود عملکرد داشته باشند.

با از میان رفتن نیاز به مشاهده ­ی مداوم صفحه نمایش ویدئوها و خودکارسازی عملکرد «تشخیص» در نظارت، تکنولوژی AI به اپراتورها اجازه میدهد تا روی چیزی که خوب انجام میدهند متمرکز شوند: تایید و صورت دادن اقدامات لازم در صورت وقوع رخدادهای مهم. این کار علاوه بر سرعت بخشیدن به مراحل انجام تحقیقات قانونی، امکان عکس­ العمل نشان دادن به اتفاقات رخ داده را نیز فراهم میسازد.

یکی از نمونه کاربردهای مفید تکنولوژی AI مربوط به جستجوی هوشمند است؛ در این کاربرد، کاربر مربوطه میتواند به جای تماشای ساعت­ها ویدئوی نظارتی ضبط شده، با وارد کردن سوالات مربوط به ویدئوی مورد جستجو، به سرعت ویدئوی موردنظر را دریافت کند.

این آنالیتیک­ها کاربردی بسیار فراتر از جستجوی هوشمند را دارا هستند. به عنوان مثال، با کمک هوش مصنوعی کار تشخیص چهره را میتوان بسیار کارآمد و دقیق انجام داد، چرا که چهره­ ی هر فرد با چهره­ های موجود در پایگاه داده تطابق داده میشود، حتی اگر فرد موردنظر روی صورت خود ماسک کشیده و یا با لباس مبدل جلوی دوربین ظاهر شده باشد.

هوش مصنوعی/یادگیری عمیق نویدبخش بهبود چشمگیر عملکرد کاربردهای فعلی آن و معرفی ویژگی­های پیشرفته جدیدی است که پیشتر امکان­ پذیر نبوده است. فرقی نمیکند که چالش موردنظر تشخیص ویدئویی یک چهره ­ی مبدل در ازدحام باشد و یا بیرون کشیدن صدای فردی حاضر در یک تخلف امنیتی از میان نویزهای محیطی اطراف آن، هوش مصنوعی وعده­ ی عملکرد بهتر و آینده­ ای هیجان­ انگیزتر از‌ آن را میدهد.

مخالفت با اصطلاح «AI»

برخی از فروشندگان و مشاورینی که با آنها صحبت میشود، مخالف اصطلاح «AI» هستند. به نقل از این دست از افراد، تکنولوژی­ هایی که امروزه مورد استفاده قرار میگیرند در بهترین حالت از آنالیتیک­های پیشرفتهاستفاده میکنند، نه هوش مصنوعی! آنچه این تکنولوژی­ها ادعا میکنند با هوش مصنوعی فاصله بسیاری دارد. به نقل از یکی از این تحلیلگران، افراد باید مراقب استفاده­ ی خود از کلمه ­ی AIباشند، چرا که ادعاهای زیادی مبنی بر به ارمغان آوردن پیشرفت­ های بزرگ توسط AI وجود دارد. هوش مصنوعی واقعی با ما فاصله زیادی دارد و به این زودی خودروهای پرنده و یا حتی خودروهای خودران را در اختیار ما قرار نخواهد داد.

این موارد جزء «آنالیتیک­های پیشرفته» دسته بندی میشوند، نه « هوش مصنوعی»! هوش مصنوعی اصطلاحی وسیعتر بوده و شامل قابلیت­هایی فراتر از تشخیص اشیاء و طبقه بندی آنها میشود. هوش مصنوعی به این معناست که کامپیوتر کم و بیش به «فکر» میپردازد. برای آنکه کامپیوتر به فکر بپردازد، تکنولوژی­های پیچیده­ ی زیادی چون یادگیری ماشین، یادگیری تقویتی، شبکه ­های مولد تخاصمی (این شبکه ها بر اساس رویکرد تئوری بازی­ها بناگذاری شده­اند که در آن یک شبکه یادگیری عمیق که مولد نامیده میشود با یک روند تخاصمی رقابت می­کند) و یادگیری داده افزوده باید با یکدیگر ترکیب شوند.

طبق نظر این تحلیلگران، تکنولوژی امروز به یک عامل پیش­ بینی کننده نیاز دارد – به عنوان مثال، تشخیص و پیش­ بینی اینکه آیا فردی قصد انجام کاری بد را دارد، چرا که این فرد در حال نشان دادن رفتاری نامتناسب با پروفایل رفتاری خود است.

الگوریتم­ های “خود-یادگیرنده”ی زیادی در بازار موجود است. و این الگوریتم­ها مدت­ها پیش از الگوریتم­ های نویدبخش کنونی که بر اساس شبکه­ های نورونی کار میکنند، شکل گرفته و توسعه یافته ­اند. این الگوریتم ­های خود-یادگیرنده که قادر به تهیه تصاویر از اشیاء و مقایسه سرعت آنها با میانگین سرعت اشیاء حاضر در صحنه هستند، بسیار ابتدایی­ اند. به ندرت میتوان انتظار داشت که این الگوریتم ­ها بتوانند به صورت خودکار رفتار مشکوک یک فرد را شناسایی کرده و تشخیص دهند. در حال حاضر شبکه ­های نورونی قادرند که به صورت استثنایی به تشخیص هرگونه شیء ثابتی که تصور کنید بپردازند: از چهره­ های افراد گرفته تا اشیاء موجود روی اسکنر اشعه-ایکس. علاوه بر این، شبکه­ های نورونی پیچیده سه بعدی 3D وجود دارد که اخیرا پا به بازار گذاشته ­اند. این الگوریتم ­ها به افراد اجازه میدهند تا الگوی پیچیده حرکت را ارزیابی کرده و بدین شکل به طبقه ­بندی رفتار اشیاء بپردازند. اما پیش از بکارگیری کامل این تکنولوژی در سیستم­های امنیتی موجود در بازار، باید کارهای زیادی انجام شده و مسائل زیادی حل­ و­فصل شوند. به محض حل شدن این مسائل میتوان توسعه و تولید سیستم­های نظارتی بازدارنده را آغاز نمود.

به نقل از یکی از متخصصین، هوش مصنوعیقابلیت­های زیادی را برای حل مشکلات قدیمی ارائه کرده است که این قابلیت­ها شامل تشخیص چهره یا تشخیص یک فرد/وسیله نقلیه میشود. محصولات AI-محور هنوز به صورت گسترده نشان نداده­ اند که میتوانند تصمیمات پیچیده­ تری چون موارد زیر را اتخاذ کنند: «آیا این فرد در حال نشان دادن رفتاری مشکوک از خود است؟» یا اینکه «آیا این کار برای این فرد، برای این صحنه، برای این محیط طبیعی به نظر میرسد؟»

هرچند که این بدان معنا نیست که این آنالیتیک­های پیشرفته – فارغ از اینکه چه نامیده شوند – ذاتا هیچگونه ارزشی ندارند. میتوان گفت که آنالیتیک­های پیشرفته خود به تنهایی یک تکنولوژی پیچیده و قدرتمند هستند. این تکنولوژی ابعاد فوق­العاده ­ای را رو به تمامی ابعاد زندگی باز میکند. و سیستم­های نظارتی تنها بخشی از این تکنولوژی بزرگ هستند.

یادگیری ماشین و استدلال آماری موجود در برنامه­ هایی که القاکننده ­ی تصور هوشمندی هستند، باعث بهبود کارایی و عملکرد برای کاربران میشود. پیشرفت­های اخیر صورت­ گرفته در تکنیک­های یادگیری ماشین، مخصوصا در شبکه­ های نورونی عمیق در دسترس همه­ ی افراد قرار گرفته­ اند.

برگرفته از مجله a&s

مقالات

50 شرکت امنیتی برتر: روندهای تکنولوژی 2019

Posted on by مدیر

با به پایان رسیدن سال 2018، بسیاری از افراد به دنبال آن هستند که ببینند کدام یک از تکنولوژی­های امنیتی در سال 2019 رایج خواهند بود. 50 شرکت امنیتی برتر در سال 2018، برخی از این تکنولوژیها را معرفی نموده­ اند که خلاصه ­ای از آنها در ادامه این مقاله آورده شده است.

1. امنیت سایبری

از لحاظ تکنولوژیک، امنیت سایبری همچنان به عنوان موضوعی داغ در سال 2019 مطرح خواهند ماند. در واقع طبق طبقه­ بندی ارائه شده توسط انجمن صنعت امنیتی آمریکا ((SIA، امنیت سایبری نخستین رتبه را از میان 10 روند عظیم امنیتی از آن خود نموده است؛ انتظار میرود که این 10 روند عظیم امنیتی، صنعت امنیت را در سال 2019 شکل دهند. از میان تهدیدات سایبری موجود در مورد دستگاه ­های امنیتی که روز به روز بیشتر از پیش به سوی سیستم­ های تحت شبکه مهاجرت میکنند، فروشندگان این نوع سیستم ­ها باید ثابت کنند که راهکار­های آنها در مقابل حملات و هک­های صورت گرفته مقاوم هستند. در سال 2019، امنیت سایبری همچنان به عنوان موضوعی مهم مطرح خواهد بود و اقدامات مربوط به مقاوم­سازی در برابر حملات سایبری همچنان به عنوان وجهی کلیدی در توسعه محصولات باقی خواهند ماند.

2. هوش مصنوعی/ یادگیری عمیق

لازم به گفتن نیست که هوش مصنوعی و آنالیتیک­های پیشرفته همچنان در زمینه صنعت امنیت حکمرانی خواهند نمود. هوش مصنوعی/ یادگیری ماشین/ یادگیری عمیق، یک روند تکنولوژی مداوم خواهد بود که قادر به بهبود بخشیدن قابل ­توجه عملکرد و قابلیت­های سیستم­ های امنیتی است.

3. محافظت از حریم شخصی

با این حال با مطرح­ شدن تکنولوژی هوش مصنوعی، چگونگی استفاده و محافظت از داده ­ها به مسئله ­ای اساسی تبدیل خواهد شد. البته باید گفت که بحث­ های زیادی حول هوش مصنوعی و یادگیری عمیق در این صنعت وجود دارد. علاوه بر این انتظار میرود که تاکید زیادی روی بحث حریم شخصی و شخصی­ سازی صورت بگیرد. دغدغه­ های موجود حول رویکرد یک شرکت نسبت به مسئله حریم شخصی و استفاده از داده ­های شخصی، یکی از تاثیرگذارترین جنبه ­های پیشرفت یک بیزینس خواهد بود.

4. محاسبات اج محور

در ارتباط نزدیک با تکنولوژی هوش مصنوعی/ یادگیری عمیق میتوان به محاسبات اج-محور اشاره نمود که به زودی برای انجام الگوریتم ­های پیچیده، قدرتمندتر خواهد شد؛ علاوه بر این، برای فهم تمامی داده­ های جمع آوری شده، محاسبات ابری به کار گرفته خواهند شد.

همچنین منابع پیشرفته ای برای محاسبات اج-محور موجود خواهد بود که باعث هوشمندتر شدن دستگاه­ های اج محور، پذیرش بیشتر راهکارهای ابر-محور در صنعت و استفاده هوشمندتر از تکنولوژی ­های ابری برای تجزیه ­و­تحلیل عمیق­تر رخدادها خواهد شد.

5. اعتبارسنجی موبایلی

در زمینه کنترل دسترسی، سیستم های کنترل دسترسی بیسیم و سیستم­های اعتبارسنجی موبایلی پذیرش بیشتری را در بازار به دست خواهد آورد. در مقایسه با استفاده از کارت­های پلاستیکی، اعتبارسنجی از طریق گوشی­های هوشمند با استقبال زیادی مواجه شده است.

برگرفته از: مجله a&s

مقالات

ویدئوآنالیتیک های AI-محور تا چه حد هوشمند هستند؟

Posted on by مدیر

در حال حاضر صحبت های زیادی حول استفاده از هوش مصنوعی ﴿AI﴾ در آنالیتیک های ویدئویی وجود دارد. به طوری که بسیاری از ارائه کنندگان راهکارهای امنیتی، واژه ی هوش مصنوعی را به عنوان یک ضرورت در تولید و عرضه محصولات خود میبینند. اگر بخواهیم منصفانه صحبت کنیم باید بگوییم که راهکارهای آنالیتیک ویدئویی راه زیادی را از نخستین روزهای ورود خود آمده اند. با این حال این سوال مطرح میگردد که آنالیتیک های ویدئویی تا چه حد هوشمند هستند؟

هوش مصنوعی در کجای صنعت امنیت جای میگیرد؟

هوش مصنوعی (AI﴾، یادگیری عمیق، آنالیتیک های ویدئویی همگی از جمله کلمات رایجی هستند که به دیدن آنها عادت کرده ایم.

علیرغم تمامی بحث ها و تبلیغات های صورت گرفته در مورد هوش مصنوعی، اغلب افراد ذهنیتی مبهم نسبت به اجزای تشکیل دهنده ی این تکنولوژی دارند. نکته جالب توجه اینجاست که این موضوع در بحث امنیت ساختمان های مسکونی و تجاری که در چند سال اخیر بیشتر مطرح شده صادق است.

همچنین اینکه اصطلاحات نزدیکی چون آنالیتیک ها، یادگیری ماشین و یادگیری عمیق چگونه زیرمجموعه، گونه جهش یافته یا زیرشاخه ای از هوش مصنوعی (AI﴾ محسوب میشوند نیز برای اکثر متخصصین امنیتی و مشتریان همچون یک راز تلقی میگردد. علاوه بر آن، به احتمال زیاد برای این افراد انجام یک سری عملیات پیچیده توسط ربات ها به قطع مستلزم درجه ای از هوش مصنوعی خواهد بود.

هوش مصنوعی یک اصلاح گسترده است که برای توصیف هر چیزی که همچون مغز یک انسان عمل میکند استفاده میشود. یادگیری ماشین تکنیکی است که در آن یک کامپیوتر میتواند با پردازش حجم بالایی از داده ها در مورد عملیات مربوطه، قدرت خود را برای انجام یک عملیات بهبود بخشد. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که از شبکه های نورونی بهره میگیرد. یک لایه از شبکه های نورونی پس از پردازش داده ها، نتیجه این پردازش را به لایه ی بعد منتقل میکند که این لایه نیز پس از انجام عملیات، پاسخ خود را به لایه بعد میفرستد. این دست از شبکه های نورونی به عنوان شبکه های نورونی پیچیده یا CNN مشهور هستند.آنالیتیک های نظارت ویدئویی نمونه ای عالی از بکارگیری هوش مصنوعی و یادگیری عمیق هستند که با ورود GPUها ﴿واحدهای پردازش گرافیکی﴾ امکان پذیر شده اند.

چرا هوش مصنوعی، آنالیتیک ها، سرویس های ابری و امنیت سایبری، فرصت های جدیدی را برای نصاب ها فراهم میکنند؟

به قطع آنالیتیک های ویدئویی یکی از رایجترین راه های بکارگیری هوش مصنوعی در کاربردهای امنیتی است. به همین شکل، سیستم های مدیریت اطلاعات مربوطه به امنیت فیزیکی ﴿PSIM﴾ که با تلفیق داده های امنیتی گوناگون باعث آگاهی موقعیتی میشوند نیز از تکنولوژی هوش مصنوعی بهره میگیرند.

ربات های بادوام و هوشمندی را تصور کنید که مجهز به چنین الگوریتم های پیشرفته و سنسورهای پردازش و هوشمند شوند. این ربات ها یک چشم انداز امنیتی وسیع را باز میکنند که با کمک آن تهدیدات انسانی به حداقل رسیده و مکان ها و ابعاد دوری را که غیرقابل دسترسی بوده اند، برای آنالیز، ارزیابی و پاسخگویی به صورت همزمان با وقوع رخداد مورد دسترس قرار میگیرند.

صنعت امنیت چگونه میتواند از هوش مصنوعی بهره مند شود؟

به تدریج با بهبود یافتن دستگاه ها و پایین آمدن قیمت ها، کاربری های این تکنولوژی گسترده تر خواهد شد. همچنین انواع مختلف تکنولوژی هوشمند مصنوعی به احتمال زیاد در اغلب جنبه های زندگی روزانه ما نفوذ خواهد کرد.

برعهده گرفتن آن دسته از کارهایی که از لحاظ فکری نیازمند انرژی چندانی نیستند توسط ماشین ها به روندی بزرگ برای سالهای پیش رو تبدیل خواهد شد. شرکت آمازون در حال بکارگیری این تکنولوژی در مغازه های خرده فروشی خود است که در آنها مفهوم گیشه پرداخت قیمت کالا با مشتریانی که خارج میشوند جایگزین شده است. تولید این نوع از ابزارهای فکری در مراحل اولیه خود به سر میبرند، با این حال این ابزارها به رسیدگی به مسائل و ایجاد ارزش ادامه خواهند داد. انقلاب صنعتی هوشمند در حال وقوع در اطراف ما است. شاید این انقلاب بسیار آشفته به نظر آید، اما در عین حال بسیار هوشمند و رهایی بخش است.

پتانسیل آنالیتیک های ویدئویی به مراتب سودمندتر از سیستم های قاعده-محور قدیمی است. با شهرت یافتن بیشتر GPUها در اجرای سیستم های AI، تولیدکنندگان بزرگی چون NVIDIA و حتی استارتاپ های کوچکتر شاهد سرمایه گذاری بیشتری در این زمینه هستند.

در سالهای اخیر یادگیری عمیق توجه های زیادی را جلب خود نموده است، چرا که این تکنولوژی عملکردهای گوناگونی را ارائه میکند که موردپسند مشتریان قرار گرفته است. به عنوان مثال، الگوریتم های جستجوی تصویری به مشتریان اجازه میدهد تا به جستجوی اشیاء، حیوانات بخصوص و یا سایر چیزهای دیگر بپردازند.

توانایی این تکنولوژی در داشتن هوش کافی برای کار کردن در جهت گیری ها و شرایط نوری مختلف است که آن را به یک تکنولوژی تاثیرگذار تبدیل نموده است. تکنولوژی یادگیری عمیق در واقع در سالهای 2012 و 2013 به صورت پررنگ مطرح شد. این تکنولوژی در کنار قدرت GPUهایی که قادر به انجام آن دسته از کارهایی هستند که در گذشته به صورت بازدارنده ای زمانگیر و طاقت فرسا بودند، به عنوان سوختی تلقی میگردد که موج نوآوری را امکان پذیر ساخته است.

هنگامی که صحبت از شبکه های نورونی میشود، منظور یک تکنولوژی یادگیری عمیق صرف نیست که متشکل از شبکه های عمیقی باشد که افراد از آنها به عنوان شبکه های نورونی پیچیده یاد میکنند. در حال حاضر شبکه های نورونی قدرتمندتر و توانمندتر از قبل شده اند و منابع و ابزارآلات بسیار خوبی نسبت به گذشته در اختیار افراد قرار گرفته است.

شرکت های فعال در این زمینه

با توجه به پتانسیل مشهود تکنولوژی هوش مصنوعی AI، برخی از غول های تکنولوژی نیز مشتاق ورود به این زمینه و جستجوی فرصت ها هستند. این شرکت ها تا حد زیادی به عنوان پیشگامان این زمینه عمل میکنند و توسعه و بکارگیری راهکارهای هوشمندتر را تشویق میکنند.

به قطع شرکت های بزرگ فعال در زمینه تکنولوژی همچون گوگل، با ارائه مدل TensorFlow خود کمک بزرگی در این زمینه  نموده اند. شرکت اینتل نیز دارای ابزارآلاتی عالی است که با بکارگیری مدل TensorFlow و وارد کردن آن، از هر منبعی که روی آن است (چیپ هایی که با کمک آنها به اجرای برنامه ها میپردازید) خروجی تهیه میکند. بنابراین شما یک ترکیب انعطاف پذیر از CPU و GPU را در اختیار دارید. حال منابعی در اختیار شما قرار دارد که این کار را برای شما هدف قرار میدهد. در مرحله بعد، شما تمام افرادی را دارید که روی راه هایی برای فعالسازی و توسعه مراکز آموزش که از اهمیت بالایی برخوردارند کار میکنند. در نتیجه چیزی شبیه به یک اکوسیستم کامل حول این مسئله که چگونه ماشینها دیدن و فهمیدن را یاد میگیرند شکل میگیرد.

برای انجام این کار ابعاد و لایه های زیادی وجود دارد، چرا که اساسا این کار همان جمع آوری و نام گذاری داده ها است. کامپایلرهای متعددی که قادر به اجرای کارآمد مدل های شما در چیپ-ست های مختلف هستند، ابزارآلات تحلیل داده ای که برای تهیه خروجی از آنها بدان احتیاج پیدا خواهید کرد، همگی به پتانسیل تکنولوژی هوش مصنوعی AI در آنالیتیک های ویدئویی کمک میکنند.

برگرفته از مجله a&s و سکیوریتی-سیلز

مقالات

بکارگیری AI در نظارت ویدئویی

Posted on by مدیر

با آگاهی بیشتر مشتریان نسبت به لزوم و مزایای راهکارهای امنیتی، تعداد دوربین های بکار گرفته شده رو به افزایش است. با این حال، این موضوع مشکلات مختص خود را نیز به همراه می آورد.

در گذشته تعداد دوربین های بکارگرفته شده چندان زیاد نبوده است و پرسنل امنیتی میتوانستند با نشستن مقابل یک مانیتور به بازبینی ویدئوهای ضبط شده بپردازند. علیرغم ناکارآمدی چنین فرآیندی، گزینه ی دیگری هم وجود نداشته است.

خوشبختانه در حال حاضر ورود تکنولوژی هوش مصنوعی در حال تغییر دادن همه چیز است. طبق جدیدترین پست منتشر شده توسط شرکت پژوهشی مموری، یک گارد امنیتی مجهز به نرم افزار هوش مصنوعی-محور با داشتن تعداد چشمان بیشمار و بازه زمانی توجه بی انتها قادر به دنباله روی 24 ساعته تمامی فعالیت های صورت گرفته در جریان های ویدئوی میباشد. هنگام تشخیص یک مسئله توسط هوش مصنوعی، این تکنولوژی میتواند به هشداردهی به مسئولین مربوطه بپردازد و از صورت گرفتن اقدامات مربوطه اطمینان حاصل کند.

به نقل از پست منتشرشده توسط مموری: «مواردی چون ورود افراد غیرمجاز بدون اعمال هرگونه رفتار خشونت آمیز، به سرقت رفتن یک کالای ناامن، قرار داده شدن یک بسته ی مشکوک داخل یک سطل آشغال و بسیاری از شرایط مهم دیگر ممکن است که از چشمان یک فرد که در تلاش برای بررسی و اسکن چندین جریان ویدئویی مختلف است جا بمانند. هزینه استخدام پرسنل امنیتی کافی برای مدیریت تعداد دوربین های در حال افزایش بسیار بالا تمام خواهد شد. حتی هنگام وقوع یک رخداد، جستجو در تمامی ویدئوهای ضبط شده جهت جمع آوری شواهدی که به پرسنل امنیتی در شناسایی افراد مظنون و فهم توالی رخدادها کمک کند، بسیار دشوار و زمانگیر است».

در یکی از گزارشات اخیر ارائه شده توسط شرکت مموری، از رسیدگی به حجم در حال افزایش ویدئوهای نظارتی ایجاد و ضبط شده به عنوان امری بسیار دشوار برای سیستم های مجری قانون فعلی یاد شده است. با افزایش تعداد دوربین ها تا 12 درصد به صورت سالیانه، این حجم از ویدئوها بیشتر نیز خواهد شد. مسئله ی جالب اینجاست که در صورت عدم وجود راه هایی برای بازبینی و دنباله روی جریان های ویدئویی در حال تولید، هیچ تعداد دوربینی کارآمد نخواهد بود. و در حال حاضر ریسک بزرگی برای از دست دادن اطلاعات مهم وجود دارد، چرا که هیچ راه قابل اعتمادی برای بازبینی این اطلاعات وجود ندارد.

بکارگیری هوش مصنوعی AI

اهمیت هوش مصنوعی در زمینه سیستم های نظارتی بدون هیچ بحثی قابل قبول است. با این حال، پرسنل امنیتی باید بدانند که استفاده کارآمد از هوش مصنوعی به معنای خرید، نصب و به فراموشی سپردن یک راهکار نیست. همچون انسانی که پشت یک کامپیوتر مینشیند، هوش مصنوعی نیز باید آموزش داده شده و سفارشی سازی شود تا نسبت به نیازها، شرایط و محیط شما آگاهی پیدا کند.

به نقل از مموری :«نخستین بخش بکارگیری نظارت ویدئویی AI-محور شامل افزودن موتورهای آنالیتیکی به جریان های ویدئویی مختلف میشود که به نسبت ساده است. بخش دوم این کار پیکربندی این سیستم ها برای داشتن عملکرد دقیق و درست است که میتواند به مراتب پیچیده تر و زمانبرتر باشد. هر مکان دارای ویژگی های منحصر بفرد خود میباشد، حتی این امکان وجود دارد که مکانهای کاملا مشابه که از قوانین آنالیتیکی مشابهی استفاده میکنند، با توجه به یک سری الزامات عملیاتی بخصوص خود، نیازمند ارائه نتایجی کاملا متفاوت باشند. حتی در یک سیستم AI-محور خودآموز نیز شاید نیاز به تغییر تنظیمات مربوط به مناطق تشخیص و ماسک ها، زوایای دوربین و دورنمای آنها باشد. این بخش دوم بکارگیری این سیستم هاست که مانع بکارگیری آنها شده است».

هوش مصنوعی AI چقدر هوشمند است؟

تکنولوژی هوش مصنوعی AI روز به روز در حال قوی تر شدن است. اما آیا این تکنولوژی به قدری قدرتمند است که قادر به جایگزین کردن چشمان بشر باشد؟ علیرغم اینکه سوال پیشتر مطرح شده و سوالاتی چون اینکه آیا هوش مصنوعی متضمن بازگشت سرمایه است همچنان پرسیده میشوند، در حال حاضر به نظر میرسد که توافقی کلی روی اینکه آنالیتیک های ویدئویی قابلیتی بیش از آنچه راهکارهای قاعده-محور دارند صورت گرفته است.

به نقل از گزارش تهیه شده توسط مموری: « این کار تا حد زیادی به خاطر پیشرفت های بزرگ صورت گرفته در ساختار نیمه رساناها اتفاق افتاده است که باعث پردازش به مراتب سریعتری میشود؛ با استفاده از الگوریتم های یادگیری عمیق و یادگیری ماشین، تجزیه و تحلیل داده ها با سرعتی بیشتر از آنچه پیشتر امکان پذیر بود صورت میگیرد. سرمایه داران صنایع مختلف هم اکنون در حال تزریق میلیون ها دلار پول برای تامین سرمایه شرکت های تولیدکننده چیپ های هوش مصنوعی  AI و نرم افزارهای آنالیتیکی هستند.

موضوع اصلی احساس نیاز جدی به استفاده ی کامل از حجم بزرگ داده های ایجاد شده توسط دوربین های نظارت ویدئویی است و راهکارهای هوش مصنوعی-محور تنها پاسخ عملی هستند.

ساختار چیپ های مدرن مجهز به نرم افزارهای هوش مصنوعی به گونه ای است که قادر به جستجو و بررسی حجم بالای داده ها و افزایش امنیت، ایمنی و عملکرد کلی افراد، ساختمان ها و تشکیلات بیزینسی هستند.

علیرغم تمام پیشرفت های صورت گرفته هنوز هم پیشرفت های زیادی را در این زمینه اتفاق خواهد افتاد و مسیر این راه کاملا واضح و روشن است.

منبع: مجله a&s

مقالات

کارخانه هوشمند چیست؟

Posted on by مدیر

شاید یکی از رایجترین کلمات این دهه، واژه “هوشمند” باشد. هیچ صنعتی از این مفهوم مستثنی نیست. از تلفن ها گرفته تا منازل و ساختمان ها همگی در تلاش برای گنجاندن این مفهوم و برچسب در خود هستند. یکی از صنایعی که به صورت جدی نسبت به این امر علاقه نشان داده، صنعت تولید است. شناخته شده با عناوینی چون هوشمند، کارخانه های هوشمند و مفهوم گسترده تری چون صنعت 4.0، آهسته آهسته بخش تولید شاهد انقلابی است که میتواند روی بسیاری از بخش های دیگر تاثیرگذار باشد.

در قلب کارخانه های هوشمند موضوع هوشمندی قرار دارد و هوشمندی مکانی بخش مهمی از این کارخانه ها را تشکیل میدهد: در صورتی که چیزی حرکت کند و فرآیند انجام آن از اهمیت بالایی برخوردار باشد، ابتدا باید دید که این اتفاق در کدام مکان به وقوع پیوسته و در حال انجام چه کاری است. صنعت 4.0 محیطی را توصیف میکند که در آن فرآیندهای انعطاف پذیر و هوشمند با بهره گیری از داده های به دست آمده از سنسورهای متصل به تمامی بخش های یک زنجیره ی ارزش به صورت همزمان با وقوع رخداد استفاده میکند تا فرآیندهای بیزینسی بهینه سازی شوند. این سیستم های سایبری-فیزیکی از قدرت آنالیتیک های کلان داده ای برای ترجمه دید عملیاتی کامل به سرعت عمل و کارآمدی بی سابقه در امر تولید استفاده میکنند.

اما همواره گروهی از افراد وجود دارند که معتقدند بسته به مکان مورد بررسی از اصطلاحات متفاوتی استفاده میشود، با این حال مفهوم اصلی همچنان ثابت باقی می ماند.

بسته به منطقه و مکانی که این موضوع در آن مطرح میگردد، تعاریف مختلفی میتوان ارائه کرد. با این حال با انداختن نگاهی فراتر ازتعاریف مرسوم ارائه شده برای اصطلاحاتی چون “کارخانه هوشمند” یا “صنعت 4.0″، این اصطلاحات منعکس کننده ی تغییرات بنیادینی با توجه به چگونگی تغییر چهره ی فرآیندهای تولید از طریق “ساختارهای متصل به یکدیگر” هستند. امروزه مراحل مختلف فرآیندهای تولید، از همان ابتدا از پایین ترین سطح یک ماشین یا تجهیزات، مستقیما از طریق سنسورها/اینترنت اشیاء (IoT﴾ به یکدیگر متصل شده و مستقیما قادر به تعامل با یکدیگر هستند و در نتیجه این امر کل زنجیره ی تولید شفاف و کارآمدتر میشود. در حال حاضر این ماشین ها و تجهیزات را میتوان طوری برنامه ریزی کرد که علاوه بر تعامل با یکدیگر، با سیستم های بالاتر و پایین تر خود نیز به تعامل بپردازند و مستقل از مداخله نیروی انسانی، تصمیماتی هوشمندانه اتخاذ کنند. این دقیقا تعریف کارخانه هوشمند مدرن است.

کارخانه هوشمند به صنعتی گفته میشود که از دستگاه های متصل به اینترنت اشیاء ﴿IoT) برای بهبود کارایی، پیوستگی و امنیت عملیات های خود بهره میگیرد. تعامل به صورت همزمان و دورادور بین اجزای تولید و اپراتورها، کارخانه جات را به ویترینی برای اتوماسیون و اتوماتیک سازی تبدیل میکند. مفهوم کارخانه هوشمند را میتوان در دو فاز مجزا تعریف نمود. به عنوان مثال، کارخانه هوشمند بخشی از صنعت 4.0 است. صنعت 4.0 شامل فاز طراحی، فاز تولید و فاز لجستیک میشود. تمام این فازها به عنوان صنعت 4.0 نامیده میشوند، اما کارخانه هوشمند به نقطه ی میانی این فرآیند تبدیل میشود.

کارخانه های هوشمند حداقل به چهار عنصر نیاز دارند. عنصر اول، یکپارچه سازی ماشین با ماشین (M2M﴾ است. عنصر دوم مربوط به دانش حوزه مربوطه میشود. عنصر سوم مربوط به هوشمندی بیزینسی در بخش های بیرونی و داخلی این کارخانه ها است. عنصر چهارم نیز به تقاضای بازار برمیگردد.

این چهار عنصر از چهار حوزه ی متفاوت می آیند؛ این بدان معناست که اگر بخواهیم کارخانه هوشمند را در یک کلمه تعریف کنیم، میتوانیم از آن به عنوان تلفیق و یکپارچه سازی یاد کنیم.

ایده ی تقسیم این مفهوم به چهار دسته مختلف به نظر میرسد که در این صنعت بسیار شناخته شده باشد. صنعت 4.0 شامل چهار ستون میشود که کارخانه هوشمند یکی از این ستون ها را تشکیل میدهد. علاوه بر کارخانه هوشمند، تجربه دیجیتال مشتریان، زنجیره ی تامین متصل به یکدیگر و تشکیلات دیجیتال سایر ستون های صنعت 4.0 را تشکیل میدهند. هر صنعت 4.0 ابتدا با یکی از این ستون ها شروع میشود و سپس به سرعت به سوی سایر حوزه های دارای هم پوشانی حرکت میکند.

نقش دوربین ها در کارخانه های هوشمند

کارخانه های هوشمند میتوانند از دامنه ی گسترده ای از اطلاعات ورودی برای تغذیه قابلیت های تصمیم گیری خود استفاده کنند – ویدئوهای ضبط شده یکی از این منابع را تشکیل میدهند. از این ویدئوها میتوان برای سنجش و برای کنترل فرآیند استفاده کرد ﴿به عنوان مثال، اطمینان حاصل نمودن از اینکه برخی مناطق مشخص که در آن فرآیندهای تولید صورت میگیرند توسط اشیاء خارجی مسدود نشده باشند﴾، به علاوه اینکه این ویدئوها برای تست و آزمایش نیز کارایی دارند ﴿به عنوان مثال، اطمینان حاصل نمودن از اینکه تمام پیچ های موردنیاز برای سر هم کردن یک کیس در کالای تولید شده تعبیه شده است.﴾

داده های ویدئویی نیازمند تفاسیر زیادی هستند و زمانی بهترین عملکرد را از خود نشان میدهند که فرآیند و توضیحات مربوط به آن به خوبی محدود شده باشند و در نتیجه به الگوریتم های پردازش تصاویر امروزی اجازه دهند که با نرخ های خطای پایین عمل کنند. در مواردی که این فرآیندها به آن اندازه محدود نشده باشند، روش های مستقیم شناسایی و تشخیص اشیاء، یعنی سیستم های RFID ترجیح داده میشوند.

دوربین های داخل کارخانه های هوشمند برای کاربری هایی چون جلوگیری از ضرر، بازبینی دورادور، فرآیندهای عملیاتی، ایمنی و امنیت مورد استفاده قرار میگیرند. به عنوان مثال شرکت مارلنکا اینترنشنال که یک شرکت تولیدکننده کیک های عسلی واقع در کشور جمهوری چک است، به خاطر الزامات استانداردهای صنعتی، با قرار دادن دوربین در بالای خطوط تولید اقدام به بازبینی حرکات تسمه نقاله ای و فرآیند پخت خمیر نموده است. بخش های دیگری از این شرکت که در آنها از دوربینها استفاده شده است، بخش بسته بندی محصولات و بخش ارسال، برای بازبینی میزان ترافیک میباشد.

به عنوان مثال دیگری از چگونگی بکارگیری دوربین ها در تاسیسات هوشمند میتوان به شرکت زامپرا اسپول، یک شرکت مهندسی بین المللی واقع در کشور جمهوری چک اشاره کرد. این شرکت عمدتا به دلایل امنیتی مرسوم و همیشگی، همچون محافظت از فضاهای پیرامونی، جلوگیری از سرقت و بازبینی، از دوربین ها استفاده نموده است. این دوربین ها در امر بازبینی امنیت در کار و برخی از فرآیندهای کاری مشخص خود را نشان داده اند؛ با بکارگیری این دوریبن ها، تعداد صدمات ناشی از کار و غیاب های گزارش نشده در محیط کار کاهش یافته است. با این وجود خیلی زود مشخص شد که کیفیت مثال زدنی و قابلیت های نرم افزاری دوربین های بکار گرفته شده، همچون جستجوی آسان برای فایل های ضبط شده، این کار را ممکن ساخت که از این دوربین ها برای اقدامات دیگری که تا حد زیادی باعث بهینه سازی عملیات های تولید میشدند استفاده نمود.

از زمان بکارگیری دوربین ها در این کارخانه ها، افزایش قابل توجهی در کیفیت تولید، رشد در تولید و کاهش صدمات کاری و غیاب های گزارش نشده در محیط کار مشاهده شد.

در کارخانه جات هوشمند از دوربین ها در دو سناریوی مختلف استفاده میشود. سناریوی اول، کنترل و بررسی بروز هرگونه خطا. کار اصلی دوربین های صنعتی، بررسی و کنترل میزان دقت یا مقاومت موردنیاز است. سناریوی دوم ، بحث نظارت است که کاربرد استاندار برای امنیت تلقی میگردد.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/how-to-define-smart-factories

مقالات

دوربین های چندسنسوره برای چه صنایعی مناسب اند؟

Posted on by مدیر

دوربین های چندسنسوره از مزیت های بسیاری برخورداند. در مقایسه با نصب چند دوربین ثابت مختلف، با گنجاندن چندین لنز مختلف در یک دستگاه واحد، یک دوربین چندسنسوره قادر به پوشش دهی منطقه ای گسترده است. این روزها، دوربین های چندسنسوره در صنایع مختلفی بکار گرفته میشوند و کاربران میتوانند از ویژگی های منحصربفرد این دوربین ها بهره مند شوند.

به صورت کلی، دوربین های چندسنسوره برای کاربرانی که فضاهای باز وسیعی را در اختیار دارند بسیار مناسب تلقی میشود. این فضاها شامل محوطه های پارکینگ، فرودگاه ها، کارخانه جات و استادیوم های بزرگ میشوند. در چنین فضاهایی، به جای استفاده از سه یا چهار دوربین در هر یک از کنج های موجود، تنها با داشتن سه دوربین یا کمتر میتوانید همان منطقه را با تعداد نقاط کور کمتر پوشش دهید.

ساختمان های تجاری، هتل ها، مناطق مسکونی، مدارس و فرودگاه ها دارای فضاهای بازی چون لابی، کافه تریا و باشگاه خود هستند. این فضاهای باز معمولا سقف های بلندی دارند که همین موضوع باعث دشواری نصب دوربین ها میشود. در چنین مناطقی، نصب یک دوربین که کار چندین دوربین مختلف را انجام دهد بسیار مطلوب است، چرا که این کار باعث کم شدن زحمت نصب دوربین های متعدد میگردد. علاوه بر این، اینگونه فضاها دارای راهروهای زیادی داخل ساختمان خود هستند که دوربین های چندسنسوره میتوانند زوایای مختلف راهروها را به خوبی پوشش دهند.

با توجه به آنچه گفته شد، صنایع زیر از جمله مواردی هستند که میتوانند از مزایای دوربین های چندسنسوره بهره مند شوند.

نظارت شهری

از آنجایی که شهرهای بزرگ معمولا دارای فضاهای بزرگ هستند، دوربین های چندسنسوره میتوانند برای کاربردهای نظارت شهری بسیار ایده آل باشند. خطر تروریسم نیز در دور و اطراف همه افراد احساس میشود. از اینرو، تمامی فضاهای باز باید بدون هیچگونه نقاط کوری موردبازبینی و مانیتور قرار بگیرند. راه حل این کار، استفاده از دوربین های چندسنسوره با رزولوشن بالا است.

چهار لنز با قابلیت جابجایی که هر کدام دارای سنسور تصویر 4K باشند، تصاویر واضح و شفافی را به دست میدهند. مزیت چنین قابلیتی این است که نقاط کور به حداقل میزان ممکن رسیده و دوربین ها میتوانند خود را با تقاطع های با اشکال مختلف و مناطق بازبینی موجود در مراکز شهر تطبیق دهند.

نظارت حمل و نقل

حمل و نقل از جمله صنایع دیگری است که میتواند از مزیت های دوربین های چندسنسوره بهره مند شود. دوربین های چندسنسوره در بازبینی چهارراه ها یا ایستگاه های مترویی که ساختار مسیریابی ﴿روی زمین/زیرزمین﴾ پیچیده ای دارند بسیار سودمندند.

در این قسمت به بررسی یک مثال میپردازیم. در این مورد، مشتری مربوطه توانست تنها با کمک یک دوربین چندسنسوره به بازبینی یک خیابان بزرگ و طولانی بپردازد. این درحالی است که در صورت استفاده کردن از دوربین های قدیمی، حداقل به سه دوربین نیاز بود. با بکارگیری دوربین های چندسنسوره، علاوه بر کاهش تعداد کلی دوربین ها، کار نصب و نگهداری از سیستم ها تا حد زیادی آسان میگردد؛ چرا که برای این کار تنها یک دوربین باید نصب گردد و به تنها یک دسته کابل نیاز است.

علاوه بر این موارد، با استفاده از دوربین های پانوراما میتوان به راحتی به دنباله روی اشیاء در سراسر مسیر پرداخت و با اطمینان خاطر تمام جزئیات اساسی و مهم را به صورت تمام وقت ثبت و ضبط نمود. این درحالی است که در صورت استفاده از دوربین های معمولی، افراد برای مشاهده ی رخدادها ناگزیر به مراجعه به تصاویر ضبط شده توسط دوربین های مختلف میشدند.

مراکز دولتی

مراکز دولتی بخش دیگری از صنایع ذکر شده هستند که میتوانند از مزایای وجود دوربین های چندسنسوره بهره مند شوند. دوربین های چندسنسوره قادر به بازبینی کنج های یک ساختمان دولتی و ارائه ی دیدی 180 درجه ای از این مناطق هستند. تکنیک هایی چون اتصال تصاویر به یکدیگر و اعوجاج گیری آنها به افراد اجازه میدهد که با تعداد دوربین های کمتر به بازبینی کنج ها بپردازند. همچنین با کمک این دوربین ها میتوان مناطق پیرامونی ورودی های ساختمان را موردبازبینی قرار داد. فرودگاه ها در ارتباط نزدیکی با مراکز دولتی هستند. با کمک دوربین های چندسنسوره در فرودگاه ها میتوان به بازبینی مناطق گسترده ای چون محل تحویل بار و باند فرودگاه ها پرداخت.

مراکز آموزشی و بهداشتی

مراکز آموزشی و بهداشتی دو مورد دیگر از صنایعی هستند که از مزایا و کمک های ارائه شده توسط دوربین های چندسنسوره بهره مند شده اند. به عنوان مثال، در محوطه ی یک دانشگاه ممکن است که به نصب و بکارگیری یک دوربین چندسنسوره در محدوده یک باجه تلفن اضطراری احتیاج باشد تا بدین شکل، قبل از وقوع یک رخداد و در حین وقوع آن، پوشش دهی گسترده ای از آن منطقه به عمل آید. به عنوان مثالی دیگر، بیمارستان ها میتوانند با استفاده از دوربین های چندسنسوره، میزان بازدهی و محافظت ارائه شده به بیمارستان ها را در مناطقی چون لابی های بزرگ موجود در ورودی یا در طبقه ی بیماران ارتقاء دهند.

دوربین های چندسنسوره قادر به ارائه ی تصاویر بهتر و پوشش دهی ببیشتر هستند و در نتیجه به تعداد دوربین های کمتری نیاز خواهد بود.

در حقیقت، مزیتی که دوربین های چندسنسوره برای این صنایع به ارمغان می آورند، مسئله ی مهمی است که موردتوجه اینگونه مراکز قرار دارد. برای بازارهایی چون مراکز آموزشی و بهداشتی که بودجه ی زیادی برای بخش امنیت ندارند، داشتن دوربین های چندسنسوره میتواند بار هزینه های وارده را تا حد زیادی کم و یا حتی رفع کند.

به جای سرمایه گذاری روی دوربین های معمولی مختلف، به دوربین های چندسنسوره فکر کنید. این دوربین ها چندین سنسور مختلف را در خود جای داده اند که این به معنای افرایش میدان دید و حذف نقاط کور است، بدون آنکه هزینه های کلی افزایش پیدا کنند.

نرم افزارهای خود دوربین

علاوه بر آنچه تا به اینجا گفته شد، دوربین های چندسنسوره قادر به کار با انواع نرم افزارها و آنالیتیک ها هستند و آگاهی موقعیتی و پیش آگاهی به مراتب بهتری را در اختیار کاربران قرار میدهند. از آنجایی که کاربران باید در عین بازبینی مناطق گسترده، رخدادهای به وقوع پیوسته را به سرعت تشخیص دهند، به دنبال آنالیتیک های ویدئویی مختلف هستند. با کمک نرم افزارهای پشتیبان بیشتر میتوان در صورت روئیت و تشخیص وقوع رخدادها، وجود صداهای غیرطبیعی یا رفتارهای غیرعادی همچون افتادن یا درگیر شدن افراد، آلارم های موجود را به صدا درآورد.

دوربین های چندسنسوره میتوانند نرم افزارهایی را در خود گنجانده باشند که بدون اشغال فضای زیاد، تصاویری باکیفیت و پرجزئیات ارائه کنند. با ادغام هر دوی این تقاضاها در یک دوربین کارآمد واحد، گزینه های زیادی در اختیار کاربران قرار میگیرد تا بدین شکل سیستم های نظارتی امنیتی خود را بهبود ببخشند.

 

منبع: مجله a&s

http://www.didarc.com/fa/%3F-news/what-verticals-are-multisensor-cameras-suitable-for

مقالات

یادگیری عمیق چیست؟

Posted on by مدیر

این روزها یادگیری عمیق به موضوعی داغ تبدیل شده است و در طیف گسترده ای از صنایعی که در حال سرمایه گذاری روی زمینه هایی چون هوش مصنوعی، کلان داده و آنالیتیکها هستند ریشه دوانده است. به عنوان مثال شرکت گوگل از یادگیری عمیق در الگوریتم های تشخیص صدا و تصویر استفاده نموده است، این در حالی است که شرکت هایی چون نتفیلیکس و آمازون در حال استفاده از آن برای فهم رفتار مشتریان خود هستند. شاید باور آن برای شما دشوار باشد، اما محققین دانشگاه ام.آی.تی در تلاش برای پیش بینی آینده با استفاده از یادگیری عمیق هستند. حال به این موضوع فکر کنید که یادگیری عمیق از چه پتانسیلی برای راه اندازی انقلاب در جهان و نحوه ی کار ما با چیزهای اطرافمان برخوردار است. قبل از صحبت از یادگیری عمیق باید رابطه ی آن را با یادگیری ماشین و هوش مصنوعی متوجه شد. راحت ترین راه برای فهم این ارتباط، مراجعه به دیاگرام زیر است:

  • هوش مصنوعی – مهندسی ساخت ماشین ها و برنامه های هوشمند
  • یادگیری ماشین – قابلیت یادگیری بدون آنکه مشخصا برنامه ریزی صورت گرفته باشد
  • یادگیری عمیق – یادگیری بر اساس شبکه های عصبی عمیق

طبق شکل بالا متوجه خواهید شد که یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است. این بدین معناست که میتوانیم ماشین هایی هوشمندی را بسازیم که قادر به یادگیری بر اساس داده های ارائه شده هستند. علاوه بر این، یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن از الگوریتم های یادگیری ماشین مشابهی برای آموزش شبکه های عصبی استفاده شده است؛ این کار برای کسب دقت بیشتر در مواردی انجام میشود که یادگیری عمیق  قادر به ارائه عملکرد کافی نبوده است. موضوعات زیر در ادامه مقاله مورد بررسی قرار خواهند گرفت:

  • هوش مصنوعی
  • یادگیری ماشین
  • نقاط ضعف یادگیری ماشین

1. هوش مصنوعی

اصطلاح هوش مصنوعی در سال 1956 توسط جان مک کارتی ساخته شد؛ وی پدر هوش مصنوعی نام گرفته است. ایده ی پشت طرح هوش مصنوعی بسیار ساده و شگفت انگیز است. هدف از طرح هوش مصنوعی ساختن ماشین های هوشمندی بوده است که قادر به تصمیم گیری هستند. شاید این طرح همچون نوعی فانتزی علمی به نظر برسد، اما با توجه به پیشرفتهای اخیر صورت گرفته در تکنولوژی و قدرت محاسبات، این ایده هر روز بیشتر از پیش در حال نزدیک شدن به واقعیت است.

2. یادگیری ماشین: گامی به سوی هوش مصنوعی

حال که با مفهوم هوش مصنوعی آشنا شده اید، نوبت آن است که در مورد یادگیری ماشین صحبت شود و اینکه برنامه دهی ماشین ها برای یادگیری به چه معناست. ابتدا با تعریفی مشهور از یادگیری ماشین شروع میکنیم:

تعریف تام میشل از دانشگاه­ کارنژی ملون: «زمانی میتوان گفت که یک برنامه کامپیوتری از تجربه E با توجه به وظیفه T و ارزیابی عملکرد P یاد میگیرد که طبق ارزیابی P، عملکرد آن روی T، با کمک تجربه E بهبود یابد».

بنابراین در صورتی که بخواهید برنامه شما الگوهای ترافیکی موجود در یک تقاطع شلوغ ﴿وظیفه T﴾ را پیشبینی کند، از طریق الگوریتم های یادگیری ماشین و با کمک داده های موجود در مورد الگوهای ترافیکی قدیمی ﴿تجربه E﴾ میتوانید این کار را انجام دهید. دقت پیشبینی صورت گرفته ﴿ارزیابی عملکرد P﴾ به این بستگی دارد که آیا برنامه مربوطه موفق به استفاده از مجموع داده های موجود شده است یا خیر ﴿تجربه E﴾.

اساسا یادگیری ماشین به نوعی هوش مصنوعی اطلاق میشود که در آن کامپیوترها بدون نیاز به حجم زیادی از داده برای برنامه ریزی شدن، قدرت یادگیری پیدا میکنند. قانون و قاعده اصلی پشت یادگیری ماشین، یادگیری از مجموع داده ها و تلاش برای حداقل رساندن خطاها و به حداکثر رساندن احتمال به وقع پیوستن پیشبینی های آنها است.­

3. نقاط ضعف یادگیری ماشین

به هنگام کار با داده های بُعد-بالا، یعنی زمانی که با تعداد زیادی ورودی و خروجی سر و کار داشته باشیم، الگوریتم های یادگیری ماشین قدیمی چندان کاربرد ندارند. به عنوان مثال به هنگام تشخیص دست خط افراد، مقادیر زیادی ورودی موجود است­ که در آن انواع مختلفی ورودی که­ تداعی کننده انواع دست خط ها هستند وجود خواهد داشت. چالش اصلی دوم فهماندن این موضوع به کامپیوتر است که باید به دنبال چه ویژگی هایی باشد که نقشی مهم در پیش بینی نتیجه و همچنین کسب دقت بیشتر در حین انجام این کار ایفا خواهد کرد. به این فرآیند استخراج ویژگی گفته میشود.

دادن داده های خام به الگوریتم ها به ندرت کارایی داشته و به همین دلیل است که استخراج ویژگی بخش مهمی از جریان کاری یادگیری ماشین قدیمی را تشکیل میدهد. بنابراین بدون استخراج ویژگی، چالش های پیش روی برنامه نویس مربوطه افزایش پیدا میکند، چرا که کارایی الگوریتم ها تا حد زیادی به بینش برنامه نویس آن بستگی دارد. ­

از این رو بکارگیری این مدل یادگیری ماشین یا الگوریتم ها در برنامه هایی چون تشخیص اشیاء، تشخیص دست خط، پردازش زبان های طبیعی NLP و غیره بسیار دشوار است.

برگرفته از edureka

http://www.didarc.com/fa/news/what-is-deep-learning

مقالات

مزایای یادگیری عمیق برای صنعت امنیت

Posted on by مدیر

به دلیل استفاده ی گسترده از مانیتورینگ با وضوح بالا، در یک بازه ی زمانی کوتاه میزان داده های موردنیاز برای نظارت امنیتی به شکل قابل توجهی افزایش پیدا کرده است. جمع آوری کارآمد، تجزیه و تحلیل و بکارگیری داده ها و استفاده هوشمندانه از آنها بیشتر از هر زمان دیگری در این صنعت به موضوعی جدی تبدیل شده است.  بنابراین ارتقاء سطح هوشمندی ویدئویی، هدفی ناگزیر و همه گیر در این صنعت به نظر میرسد. کاربران امنیتی امیدوارند که سرمایه گذاری آنها روی محصولات جدید، مزایایی فراتر از دنباله روی و جستجوی ساده علایق افراد و جمع آوری شواهد پس از یک رخداد امنیتی برای آنها به ارمغان آورد. به جای آن نیاز به یافتن راه های چه بسا کارآمدتر که به نظارت اجازه ی گذار از جستجو پس از وقوع رخداد به هشدارهایی حین وقوع رخداد و یا حتی هشدارهایی پیش از وقوع رخداد به شدت احساس میشود. برای برآورده سازی این نیازها، تکنولوژی های جدیدی لازم است. نظارت ویدئویی هوشمند برای سالهای زیادی در دسترس بوده است. با این حال، نتایج بکارگیری آن چندان ایده آل واقع نشده است. ظهور یادگیری عمیق، امکان تحقق این نیازها را برآورده ساخته است.

عدم کفایت الگوریتم های هوشمند قدیمی

نظارت ویدئویی هوشمند قدیمی دارای الزامات بسیار دقیقی برای پس زمینه ی یک صحنه است. دقت شناسایی و تجزیه و تحلیل هوشمند در سناریوهای مشابه به صورت یکنواخت باقی نمی ماند.

ویژگی های موجود در الگوریتم های هوشمند قدیمی توسط انسانها طراحی شده اند و همیشه به شدت فردی بوده اند. ذات این سیستم های به گونه ای است که ویژگی های غیر شهودی تر (ویژگی هایی که فهم و توصیف آنها برای انسانها دشوارند) در آنها نادیده گرفته میشوند. در فرآیند یادگیری طبقه بندی، با بالا رفتن تعداد دسته های موجود برای طبقه بندی، سطح دشواری نیز بالا میرود.

الگوریتم های هوشمند قدیمی معمولا از مدلهای یادگیری سطحی برای حل و فصل شرایطی با میزان داده های بزرگ در طبقه بندی های پیچیده استفاده میکنند. نتایج این تجزیه و تحلیل با شرایط ایده آل بسیار فاصله دارد. از سوی دیگر، این نتایج مستقیما وسعت و عمق کاربری های هوشمند و پیشرفت بیشتر آنها را محدود میسازد. از این رو برای صنعت امنیت، نیاز به افزایش “عمق” هوشمندی در کلان داده ها در حال پدیدار شدن است.

مزایای یادگیری عمیق و الگوریتم های آن

الگوریتم های هوشمند قدیمی توسط انسانها طراحی شده اند. این سیستم ها چه در صورتی که خوب طراحی شده باشند و چه برعکس، تا حد زیادی وابسته به تجربه و حتی شانس هستند و این فرآیند نیازمند زمان بسیار زیادی است. بنابراین آیا میتوان با این ماشین ها کاری کرد که به صورت خودکار برخی از این ویژگی ها را یاد بگیرند؟ بله! در واقع این کار هدف هوش مصنوعی (AI﴾ است.
طرح تکنولوژی یادگیری عمیق از شبکه های عصبی مغز یک انسان الهام گرفته شده است. به مغز ما انسانها میتوان به چشم یک مدل یادگیری عمیق پیچیده نگاه کرد. شبکه های عصبی مغز متشکل از میلیاردها عصب به یکدیگر متصل هستند؛ یادگیری عمیق این ساختار را شبیه سازی میکند. این شبکه های چندلایه ای قادر به جمع آوری اطلاعات و انجام فعالیت های متناظر واز قابلیت تشخیص و بازآفرینی سوژه برخوردار هستند.

یادگیری عمیق به صورت ذاتی با الگوریتم های دیگر متفاوت است. نحوه ی حل و برطرف سازی عدم کفایت الگوریتم های سنتی توسط یادگیری عمیق در جنبه های ذیل گنجانده شده است.

نخست، از “سطحی” به “عمیق”

مدل الگوریتمی یادگیری عمیق از ساختار به مراتب عمیق تری نسبت به دو ساختار سه لایه ای الگوریتم های قدیمی برخوردار است. در برخی از موارد، تعداد لایه ها به بیش از یکصد میرسد که این موضوع یادگیری عمیق را قادر به پردازش حجم زیادی از داده در طبقه بندی های پیچیده میسازد. یادگیری عمیق بسیار مشابه فرآیند یادگیری انسان عمل میکند و دارای فرآیند تشخیص ویژگی لایه لایه است. یادگیری عمیق به ما کمک میکند تا فهم جزئی (سطحی) به یک تشخیص کلی (عمیق) تبدیل شده و بدین شکل سوژه موردنظر شناسایی شود.

دوم، از “ویژگی های مصنوعی” به “یادگیری ویژگی”

یادگیری عمیق نیازی به مداخله دستی ندارد، ولی در عوض برای استخراج ویژگی ها وابسته به یک کامپیوتر است. بدین شکل یادگیری عمیق میتواند بیشترین تعداد ویژگی های ممکن را از سوژه موردنظر استخراج کند؛ ویژگی های غیرشهودی که برای توصیف دشوار یا غیرممکن هستند از جمله این ویژگی ها محسوب میشوند. هر چه تعداد ویژگی ها بیشتر باشد، امر شناسایی و تشخیص دقیقتر خواهد بود.

فاکتورهای اصلی یادگیری عمیق

به صورت کلی سه دلیل عمده برای شهرت یافتن یادگیری عمیق در سالهای اخیر (چرا زودتر از آن این اتفاق نیافتاده است!) وجود دارد: مقیاس داده های موردنیاز، قدرت محاسبه و ساختار شبکه.

پیشرفتهای صورت گرفته در عملکرد الگوریتم های داده-محور در یک بازه ی زمانی بسیار کوتاه باعث تسریع نفوذ یادگیری عمیق در کاربری های هوشمند مختلف شده است. مخصوصا که با افزایش در مقیاس داده ها، عملکرد الگوریتمی نیز بهبود یافته است. از این رو تجربه ی کاربر بهبود یافته و کاربران بیشتری درگیر این موضوع شده اند که این کار خود باعث تسهیل بیشتر در مقیاس بزرگتری از داده ها شده است.

پلتفرم های سخت افزاری با عملکرد بالا باعث فعالسازی قدرت محاسباتی بیشتر میشوند. مدل یادگیری عمیق نیازمند تعداد نمونه های زیادی است که این موضوع انجام حجم زیادی از محاسبات را اجتناب ناپذیر میسازد. پیشرفت سریع واحدهای پردازش گرافیکی ﴿GPU﴾، سوپرکامپیوترها، محاسبات ابری و سایر پلتفرم های سخت افزاری با عملکرد بالا شرایط را برای ممکن شدن یادگیری عمیق فراهم نموده اند.

در آخر، ساختار شبکه نقش خود را در پیشرفت یادگیری عمیق ایفا میکند. با کمک بهینه سازی مداوم الگوریتم های یادگیری عمیق، تشخیص سوژه ی بهتری صورت میگیرد. برای کاربری های پیچیده تری چون تشخیص چهره و یا در سناریوهایی با نورپردازی، زوایا، حالت ها و عوامل متفاوت دیگر، ساختار شبکه دقت تشخیص را تحت تاثیر قرار خواهد داد.

موارد بکارگیری محصولات یادگیری عمیق

در دو سال گذشته، تکنولوژی یادگیری عمیق در زمینه هایی چون تشخیص صدا، بینایی رایانه ای یا کامپیوتر، ترجمه صوتی و بسیاری موارد دیگر به خوبی ظاهر شده است. این تکنولوژی در زمینه هایی چون تایید چهره و طبقه بندی تصاویر از قابلیت های انسانی نیز پیشی گرفته است؛ از این رو برای صنعت امنیت در زمینه هایی چون نظارت ویدئویی که کاربری هایی چون تشخیص چهره، تشخیص خودرو، تشخیص ویژگی بدن انسانی، دنباله روی چندین سوژه مختلف و سایر موارد را شامل میشود، به یادگیری عمیق توجه زیادی میشود.

این نوع از عملکردهای هوشمند به یک سری دوربین های نظارتی جلویی، سرورهای پشتی و دیگر محصولاتی نیازمندند که از الگوریتم های یادگیری عمیق پشتیبانی کنند. در کاربردهای با مقیاس کوچک، دوربین های جلویی میتوانند مستقیما کار استخراج ویژگی از یک انسان ساختارمند و وسیله نقلیه را انجام دهند و هزاران تصویر از چهره ی افراد را میتوان در دستگاه های جلویی ذخیره سازی کرد تا چهره ها به صورت مستقیم با یکدیگر مقایسه شوند و بدین شکل هزینه های برقراری ارتباط با سرور کاهش یابد. در کاربردهای با مقیاس بزرگ، دوربین های جلویی میتوانند با سرورهای پشتی کار کنند. مخصوصا اینکه کار ویدئویی ساختارمند به وسیله ی دستگاه های جلویی صورت میگیرد و بدینوسیله بار کاری دستگاه های پشتی کاهش می یابد؛ همچنین کارآمدی تطابق و جستجوی سرورهای پشتی ارتقاء پیدا میکند.

یادگیری عمیق سطح بعدی پیشرفت هوش مصنوعی است. این تکنولوژی بسیار فراتر از یادگیری ماشین عمل میکند؛ در یادگیری ماشین، کار طبقه بندی نظارت شده ی ویژگی ها و الگوها با کمک الگوریتم ها صورت میگیرد. دقت بهبودیافته نتیجه ی یادگیری چندلایه ای و جمع آوری گسترده داده ها است. بکارگیری این الگوریتم در تشخیص چهره، تشخیص وسیله نقلیه، تشخیص افراد و سایر پلتفرم ها باعث پیشرفت قابل توجه عملکردآنالیتیک ها خواهد شد.

منبع: مجله a&s

http://www.didarc.com/fa/news/how-deep-learning-benefits-the-security-industry