آرشیو برچسب: ابری

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

5 شکل بکارگیری هوش مصنوعی در صنعت خودروسازی

Posted on by مدیر

هوش مصنوعی (AI﴾ صنعت خودروسازی را به قبضه خود در آورده است و حال آنکه تمامی فعالین بزرگ صنعت خودروسازی مشغول بکارگیری منابع و تکنولوژی های خود هستند تا به مطلوبترین خروجی برسند.

زیبایی دستگاه های مجهز به هوش مصنوعی در آن نهفته است که این سیستم ها به دنبال یادگیری از تمامی ورودی های سنسوری همچون صداها و تصاویر هستند.

به همین شکل هنگامی که این هوشمندی در تکنولوژی موجود در یک خودرو گنجانده میشود، خودروی مربوطه محیط پیرامون خود را شناسایی کرده و هنگام حرکت یا مواجه شدن با موانع به ارزیابی علائم محیطی میپردازد.

در سال 2015، نرخ نصب و بکارگیری سیستم های هوش مصنوعی-محور در خودروهای جدید تنها 8٪ بوده است، اما تا سال 2025 انتظار میرود که این نرخ به 109٪ افزایش پیدا کند. این افزایش بخاطر نصب و بکارگیری سیستم های AI مختلف در وسایل نقلیه خواهد بود.

راندن خودروهای بدون راننده با کمک هوش مصنوعی

تفکر پشت خودروهای بدون راننده از حوالی سال 1970مطرح شد و از این جهت میتوان گفت که این پدیده موضوع جدیدی نیست. خودروهای مجهز به هوش مصنوعی که در فیلم های سالهای گذشه به تصویر کشیده شده اند همیشه تصورات ما را درگیر خود نموده اند. اما به احتمال زیاد، کمبود آگاهی فنی و منابع از جمله موانعی بوده اند که مانع به حقیقت پیوستن این تصورات تاچند سال اخیر شده اند. به تدریج تمامی فاکتورهایی که منجر به هوش مصنوعی میشدند شکل گرفتند و در حال حاضر شاهد به حقیقت پیوستن تولید خودروهای بدون راننده هستیم.

اما دیدن هوش واقعی در این نوع ماشین ها موضوعی است که نیاز به زمان دارد. ایده ی پشت تولید این نوع ماشین ها این بوده است که خودروها بتوانند بدون راننده ی انسانی و در شرایط مختلف خود به تنهایی به رانندگی بپردازند. شاید این کار آسان به نظر برسد، اما به هیچ وجه اینگونه نیست! چرا که برای انجام این کار به محاسبات بسیار دقیقی احتیاج است.

از طریق تکنیک هایی چون تلفیق سنسورها و یادگیری عمیق، محقیقن موفق به توسعه تکنولوژی شدند که به ایجاد یک نقشه سه بعدی از تمامی اتفاقات رخ داده در اطراف خودرو کمک میکند.

برخی از شرکت های بزرگ در زمینه تکنولوژی و خودروسازی همچون گوگل و تسلا، میلیونها دلار از پول خود را صرف پژوهش در مورد خودروهای بدون راننده نموده اند تا بدین شکل به یک تکنولوژی بهتر دست پیدا کرده و خودروهای خودگردان/خودران را به یک واقعیت تجاری تبدیل کنند.

حال بیایید به اشکال مختلفی که هوش مصنوعی به پیشرفت و توسعه صنعت خودردوسازی در آینده کمک میکند نگاهی بیاندازیم:

1. یادگیری ماشین

هوش مصنوعی ﴿AI﴾ نوعی هوش است که در نتیجه بهترین آزمایشات علمی مطرح شده و توسعه پیدا کرده است. هنگامی که این هوش در دستگاه ها و ماشین ها بکار گرفته میشود، آنها را به دستگاه/ماشین هایی مبدل میسازد که تا حد زیادی همچون انسانها عمل میکنند. با این حال، هوش مصنوعی با یادگیری عمیق متفاوت است. در هوش مصنوعی، دستگاه ها به شکلی به انجام کارها میپردازند که انسانها آن را هوشمند تلقی میکنند. یادگیری ماشین یا ML یکی از کاربردهای هوش مصنوعی است که در آن به ماشین ها یک سری داده ی بخصوص داده میشود و آنها به خودی خود شروع به یادگیری بر اساس این داده ها میکنند. یادگیری ماشین در حقیقت زیرمجموعه ای از هوش مصنوعی AI تلقی میگردد.

شرکت تویوتا یک گام جلوتر پیش رفته و از بیگ دیتا ﴿کلان داده﴾، یادگیری ماشین و هوش مصنوعی در جهت تولید سیستم های خودگردان به شدت حساسی بهره جسته است که به سهولت حرکت «افراد کم توان در رانندگی» کمک میکند.

2. یادگیری عمیق

یادگیری عمیق فرآیندی است که با کمک آن یادگیری ماشین بکار گرفته میشود. با کمک یادگیری عمیق است که بسیاری از فعالیت های هوش مصنوعی بدون هیچگونه شکستی صورت میپذیرند. یادگیری عمیق به سیستم ها کمک میکند تا وظایف خود را به بخش هایی قابل مدیریت تقسیم کنند. نرم افزار موجود در یادگیری عمیق قادر به یادگیری است و پس از آن شروع به تقلید از فعالیت های لایه های نورونی مغز ما میکند.

تکنیک های یادگیری عمیق در صنعت خودروسازی بسیار سودمند واقع شده است، چرا که این تکنیک ها در زمینه سیستم های پیشرفته راهنمای رانندگی و رانندگی خودکار کمک میکنند. این موارد تنها کاربردهای یادگیری عمیق در داخل خودروها بوده اند. تکنولوژی یادگیری عمیق نقش پررنگی را در خارج از محیط خود خودروها نیز ایفا میکند – در طول تولید، فروش و خدمات پس از فروش. حتی در سرویس هایی که تا کنون تکنولوژی در آنها تا حدودی مبهم به نظر میرسید، تکنولوژی یادگیری عمیق تفاوت ایجاد کرده و پیشرفت بزرگی را رقم زده است.

3. اینترنت اشیا ء ﴿IoT﴾

اینترنت اشیاء تاثیری انکارناشدنی روی صنعت خودروسازی داشته است و همچنان مستعد قوی تر شدن در سالهای پیش رو نیز هست. خودروهایی که به تازگی تولید شده اند مجموعه ای از مواردجدید را به همراه خود دارند – سنسورهای هوشمند، قابلیت های تجزیه و تحلیل محیطی با کمک بیگ دیتا، کاربردهای اتصال گنجانده شده در خود سیستم.

با توجه به ویژگی های رویایی این خودروها، صاحبان این سیستم ها میتوانند از مزیت برخی ویژگی ها بهره مند شوند. برخی از این ویژگی ها عبارتند از:

  • فروشندگان یا تولیدکنندگان این سیستم ها از طریق نرم افزارهای بروزرسانی بیسیم، فریمور خودروها را بروزرسانی میکنند.
  • در صورتی که یک وسیله نقلیه در یک روز به خصوص برای سرویس یا تعمیر شدن برنامه ریزی شده باشد، داده های مربوط به عملکرد خودرو به مرکز تولیدکننده/فروشنده/خدمات رسانی ارسال خواهد شد.
  • تولید کنندگان خودروها میتوانند تنها از طریق یک نرم افزار مشخص به حل و فصل برخی از مسائل مربوط به عملکرد خودرو بپردازد و دارنده ی خودرو مجبور به تهیه یک لیست بلند بالای خرید نخواهد شد.
  • کمپانی هایی که دارای مجموعه ای از وسایل نقلیه خود هستند میتوانند با کمک پارامترهای امنیتی ارتقاء یافته، به صورت یک شکل به مدیریت خودروهای خود بپردازند.
  • کیفیت تولید ارتقاء یافته از طریق فرآیندهای اینترنت اشیاء (IoT) امکان پذیر است.
  • در صورت وقوع موارد نیازمند فوریتهای پزشکی، سنسورهای هوشمند خودرو پرسنل پزشکی مربوطه را فراخوانده و خواهند فرستاد.

 

 

4. قابلیت های ادراکی

انقلاب رانندگی بدون راننده در گوشه و کنار خیابانها به مسیر خود ادامه خواهد داد و افراد نه تنها شاهد بکارگیری قابلیت های هوش مصنوعی در خودروهای کوچک خواهند بود، بلکه کامیون های 18-چرخی را خواهند دید که مجموعه ای از کالاها را با خود حمل میکنند. این امر با کمک آنالیزهای ادراکی یک گام پیشتر آمده است، چرا که این آنالیزها با نگاه کردن به الگوهای رفتاری و قابلیت های داده کاوی به تقلید از رفتار افراد میپردازند.

سیستم های ادراکی باید عملکردی همچون یک انسان را در تفسیر شرایط واقعی داشته باشند. برای انجام این کار داشتن فهم و آگاهی عمیق نسبت به داده های غیرساختار-یافته ضروری است.

این دانش و آگاهی با کمک کسر بزرگی از داده های غیرساختار-یافته به دست می آید تا روی چگونگی نشان دادن عکس العمل طبیعی به صورت همزمان با وقوع رخداد تصمیم گیری صورت گیرد.

این قابلیت های ادراکی همچنین قادر به کنترل شرایط عملیاتی پویا و دینامیک خواهند بود. در حال حاضر تولیدکنندگان خودروها شروع به گنجاندن این نوع قابلیت ها در خودروهای خود نموده اند. به عنوان مثال، شرکتBMW با همکاری شرکت IBM تلاش نموه است تا این قابلیت های ادراکی را به خودروهای خود بیافزاید.

5. سیستم های اطلاع رسانی و سرگرمی

هوش مصنوعی، سیستم های اطلاع رسانی و سرگرمی موجود در خودروها را به شکل عظیمی تغییر میدهد. به خاطر این روند، تقاضا برای راهکارهای سخت افزاری و نرم افزاری باکیفیت نیز افزایش یافته است، چرا که تمام این سیستم ها باید سازگار با تکنولوژی هوش مصنوعی AI باشند.

در گروه سیستم های اطلاع رسانی و سرگرمی میتوانید شاهد پیشرفت و توسعه ویژگی های زیر باشید: تشخیص صدا، دنباله روی مسیر حرکت چشم، بازبینی رانندگی، تشخیص حرکات بدن و پایگاه داده زبان های طبیعی ﴿زبان طبیعی، قابلیت یک رایانه برای درک چیزی است که انسان در قالب کلام به او می‌گوید﴾. به مرور زمان این پیشرفت ها یک گام جلوتر خواهند رفت تا سیستم های ارزیابی شرایط راننده، سیستم های دید ماشینی متصل به دوربین، واحدهای کنترل موتور ترکیب سنسورها و واحدهای تشخیص رادار-محور را درنظر گرفته و در خود بگنجانند.

اینترفیس های ماشینی-انسانی مربوط به سیستم های سرگرمی و اطلاع رسانی وجود دارد که قبلا به خودروها متصل شده اند. این اینترفیس ها میتوانند طبق الگوریتم های به دست آمده از شبکه های نورونی ابر-محور به بازبینی پرداخته و عمل کنند. از این قابلیت بعدها میتوان برای انجام کارهای پیشرفته استفاده نمود.

نتیجه

با کمک قابلیتهای هوش مصنوعی افراد میتوانند شاهد نوع جدیدی از راندن خودروها ﴿پدیده «ابرها به خودروها»﴾ باشند. توسعه دهندگان این نوع سیستم ها با کمک قدرت محاسباتی فوق العاده ی موجود خود قادر به ساخت اپلیکیشن هایی شده اند که هوش مصنوعی را به مرحله ی جدیدی از کمال رسانده اند.

استفاده از هوش مصنوعی محدود به خودروهایی که به خودی خود و در شرایط گوناگون همچون یک راننده ی واقعی میرانند نمیشود. علاوه بر این، هوش مصنوعی به ساخت خودروهای ارزانتری کمک میکند که قادر به حس کردن محیط بوده و علیرغم تمام موانعی که ممکن است در جریان رانندگی سر راه افراد قرار بگیرد قادر به راهیابی باشند.

منبع: Bigdata-Madesimple

مقالات

هوش مصنوعی و خودروهای خودگردان

Posted on by مدیر

هوش مصنوعی (AI)، صنعت خودروسازی را تحت کنترل خود گرفته است تا بدین شکل تولید خودروهای خودگردان سطح-4 و سطح-5 کلید بخورد. شاید این سوال برای شما پیش بیاید که چرا علیرغم پیدایش و مطرح شدن هوش مصنوعی از سال 1950، این تکنولوژی به تازگی سر زبانها افتاده و شهرت یافته است؟ به صورت ساده شاید بتوان گفت که دلیل رشد سریع تکنولوژی هوش مصنوعی، وجود حجم بالای داده هایی است که امروزه در اختیار افراد قرار دارد. با کمک دستگاه ها و سرویس های متصل به هم، افراد میتوانند در هر صنعتی به جمع آوری داده ها بپردازند و در نتیجه آنچه را که برای آغاز انقلاب هوش مصنوعی AI لازم است تامین کنند. علیرغم تلاش های صورت گرفته برای بهبود سریع سنسورها و دوربین ها برای تولید داده های مربوط به خودروهای خودگردان، شرکت انویدیا در ماه اکتبر سال 2017 از نخستین کامپیوتر هوش مصنوعی خود پرده برداری کرد تا امکان یادگیری عمیق، بینایی رایانه ای و الگوریتمهای محاسباتی موازی را فراهم سازد. تکنولوژی هوش مصنوعی AI به بخش مهمی از تکنولوژی خودروهای خودگردان تبدیل شده است و دانستن چگونگی کارکرد این تکنولوژی در خودروهای خودگردان و متصل به یکدیگر حائزاهمیت است.

هوش مصنوعی چیست؟

مهندس کامپیوتری به نام جان مک کارتی، اصطلاح «هوش مصنوعی» را در سال 1955 ساخت. تعریفی که از هوش مصنوعی ارائه میشود بدین شرح است: توانایی یک برنامه کامپیوتری یا ماشین برای فکر کردن، یادگیری و اتخاذ تصمیمات. در استفاده ی کلی، این اصطلاح به معنای ماشینی است که قوه ی فهم انسانی را جعل میکند. با کمک تکنولوژی هوش مصنوعی AI، برنامه های کامپیوتری و ماشین ها قادر به انجام کارهایی میشوند که پیشتر انسان ها انجام میداده اند. این برنامه ها و ماشین ها با حجم زیادی از داده های تجزیه و تحلیل و پردازش شده تغذیه میشوند تا در نهایت قادر به تفکر به صورت منطقی  و انجام کارهای انسانی شوند. فرآیند خودکارسازی کارهای تکراری انسان ها تنها بخش کوچکی از کوه یخی بزرگ به نام هوش مصنوعی را تشکیل میدهد. تجهیزات مربوط به تشخیص بیماریها و خودروهای خودگردان همگی با هدف نجات جان انسانها، شروع به بکارگیری تکنولوژی هوش مصنوعی AI نموده اند.

رشد هوش مصنوعی در صنعت خودروسازی

طبق گزارش های موجود پیش بینی شد که در سال 2017 بازار AI در صنعت خودروسازی ارزشی برابر 783$ میلیون دلار داشته و تا سال 2025 با ترکیب نرخ رشد سالانه ای برابر 38.5٪ این ارزش به 11$ هزار میلیون دلار خواهد رسید.  طبق پیش بینی آی.اچ.اس مارکیت، در مقایسه با نرخ بکارگیری ۸ درصدی سیستم های AI-محور در خودروهای جدید، انتظار میرود که تا سال 2025 این نرخ تا 109٪ افزایش پیدا کند. سیستم هایAI-محور در خودروهای جدید تبدیل به یک استاندارد خواهند شد، مخصوصا در دو دسته زیر:

  1.   واسط سرگرمی و اطلاع رسانی بین انسان و ماشین که شامل تشخیص صدا، تشخیص رفتار، دنباله روی مسیر حرکت چشم و بازبینی راننده، راهنمای مجازی و واسط های زبان طبیعی (پردازش زبان‌های طبیعی یکی از زیرشاخه‌های بااهمیت در حوزه گسترده علوم رایانه، هوش مصنوعی است که به تعامل بین کامپیوتر و زبان‌های (طبیعی) انسانی می‌پردازد) میشود. سیستم های پیشرفته راهنمای راننده ﴿ADAS﴾ و خودروهای خودگردان که شامل سیستم های دید ماشینی دوربین-محور، واحدهای تشخیص رادار-محور، ارزیابی شرایط راننده و واحدهای کنترل موتور و ترکیب سنسورها میشود.
  2.          تکنولوژی یادگیری عمیق که یک تکنیک برای بکارگیری یادگیری ماشین ﴿رویکردی برای رسیدن به هوش مصنوعی AI﴾ است، انتظار میرود که بزرگترین و پرسرعت ترین تکنولوژی از لحاظ رشد در بازار هوش مصنوعی خودروها باشد. در حال حاضر این تکنولوژی در حال بکار گرفته شدن در بخش هایی چون تشخیص صدا، جستجوی صدا، موتورهای پیشنهادکننده و توصیه گر، تجزیه و تحلیل احساسات، تشخیص تصاویر و تشخیص حرکت در خودروهای خودگردان میباشد.

چگونگی کارکرد هوش مصنوعی در خودروهای خودگردان

این روزها واژه ی هوش مصنوعی به اصطلاحی رایج تبدیل شده است، اما سوالی که پیش می آید این است که این تکنولوژی دقیقا چطور در خودروهای خودگردان عمل میکند؟

نخست باید به زاویه دید یک انسان نسبت به راندن یک خودرو با استفاده از عملکردهای حسی چون بینایی و شنوایی برای دیدن جاده و سایر خودروهای موجود در جاده نگاهی انداخت. هنگامی که در مقابل یک چراغ قرمز ترمز میکنیم یا منتظر عبور یک عابر پیاده از عرض خیابان هستیم، در واقع در حال استفاده ازحافظه خود برای اتخاذ چنین تصمیات سریعی هستیم. تجربه ی  به دست آمده از سالها رانندگی، ما را نسبت به جستجو برای چیزهای کوچکی که اغلب در جاده ها با آنها مواجه میشویم ﴿ شاید یک راه بهتر برای رسیدن به اداره و یا شاید یک برآمدگی بزرگ در مسیر جاده﴾ عادت میدهد.

خودروهای خودگردانی که خودشان کار راندن را انجام میدند در حال تولید و ساخته شدن هستند، اما چیزی که حائزاهمیت است ساختن خودروهایی است که همچون رانندگان انسانی به راندن خودروها میپردازند. این به معنای تعبیه نمودن یک سری عملکرد در این وسایل نقلیه است که عملکردهای حسی، عملکردهای فکری ﴿حافظه، تفکر منطقی، تصمیم گیری و یادگیری﴾ و قابلیت های اجرایی که انسانها برای راندن وسایل نقلیه مورد استفاده قرار میدهند را شامل شود. صنعت خودروسازی به صورت مداوم در حال رشد و تکامل است تا در طی چند سال اخیر موفق به نیل این هدف شود.

به نقل از گارتنر تا سال 2020 حدود 250 میلیون خودرو قادر خواهند شد که از طریق سیستم های مختلف V2X (تکنولوژی ارتباط خودرو با همه چیز) به یکدیگر و زیرساخت های پیرامون خود متصل شوند. فناوری V2Xیا Vehicle-to-Everything ارتباط بین یک خودرو را با هر چیزی که دراطرافش از آن تأثیر می‌گیرد، ممکن می‌سازد که این ارتباط می‌تواند شامل «سایر خودروها» یا خودرو با خودرو/ V2V، زیرساخت‌های مرتبط و پیرامون خودرو/ V2I یا حتی موبایل / V2P باشد که درنتیجه سیستم خودرو با یک فرد موبایل به‌دست به‌عنوان عابر یا راننده خودروی کناری ارتباط برقرار کرده و بدین ترتیب خودروی شما با هر چیز ممکنی به‌صورت لحظه‌ای ارتباط می‌گیرد تا تعاریف استاندارد را اجرا کند. هر چه میزان داده های داده شده به واحدهای IVI ﴿in-vehicle infotainment به مجموعه ای از سخت افزارها و نرم افزارهای موجود در خودردوها گفته میشود که سرگرمی های صوتی و ویدئویی را ارائه میکنند﴾ یا سیستم های برقراری ارتباط از راه دور بیشتر شود، خودروها بیشتر قادر خواهند شد که به صورت همزمان با وقوع رخداد به ضبط و به اشتراک گذاری وضعیت داخلی سیستم ها و داده های مربوط به مکان خودرو و هرگونه تغییرات صورت گرفته در اطراف خودرو بپردازند. خودروهای خودگردان در حال مجهز شدن به دوربین ها، سنسورها و سیستم های ارتباطی هستند تا وسیله نقلیه مربوطه را قادر به تولید حجم بالایی از داده ها کنند. با بکارگیری تکنولوژی هوش مصنوعی AI، وسایل نقلیه قادر به دیدن، شنیدن، فکر کردن و اتخاذ تصمیماتی چون تصمیمات رانندگان انسانی میشوند.

چرخه درک عمل AI در خودروهاي خودگردان

هنگامي كه خودروي خودگردان از فضاي اطراف خود داده توليد ميكند و اين داده ها را در اختيار يك عامل هوشمند قرار ميدهد، يك لوپ تكرارشونده به نام چرخه درک عمل ايجاد ميشود. در مبحث هوش مصنوعی، عامل هوشمند به موجودی گفته می‌شود که در یک محیط، اطراف خود را شناخته و اعمالی را روی محیط انجام می‌دهد و کلیه اعمالی که انجام می‌دهد در جهت نیل به اهدافش می‌باشد. این سیستم‌ها امکان یادگیری دارند و سپس از دانش اکتسابی خود برای انجام اهداف خود استفاده می‌کنند. این کنشگرها ممکن است بسیار ساده یا پیچیده باشند. بطور مثال ماشین‌های کوکی که با برخورد به دیوار، راه خود را عوض می‌کنند نمونه‌ای از کنشگرهای هوشمند هستند. با توجه به تعریف اراده شده، این عامل هوشمند با استفاده از داده هاي ارائه شده شروع به تصميم گيري كرده و خودروي خودگردان موردنظر را قادر به انجام يك سري عمليات خاص در آن محيط ميسازد. اين فرايند به سه بخش اصلي تقسيم ميشود:

بخش ١: سيستم هاي جمع آوري داده و سيستم هاي ارتباطي داخل خودرو

خودروهای خودگردان مجهز به تعداد زیادی سنسور، رادار و دوربین هستند که برای تولید حجم عظیمی از داده های محیطی مورد استفاده قرار میگیرند. تمامی این سیستم ها به وسیله نقلیه خودگردان کمک میکنند تا به دیدن، شنیدن و حس کردن جاده، زیربناهای جاده ای، سایر وسایل نقلیه و هرشیء دیگر موجود در/نزدیک جاده کمک میکند؛ دقیقا همانطوری که یک راننده ی انسانی به هنگام رانندگی به جاده توجه میکند. این داده ها در مرحله ی بعد توسط سوپرکامپیوترها مورد پردازش قرار میگیرند و سیستم های ارتباطی داده ها برای تبادل امن اطلاعات (ورودی) ارزشمند به پلتفرم ابری رانندگی خوگردان استفاده میشوند. وسیله نقلیه خودگردان ابتدا فضای رانندگی و/یا شرایط رانندگی بخصوص را به پلتفرم رانندگی خودگردان مخابره میکند.

بخش ٢: پلتفرم رانندگي خودگردان (ابري)

پلتفرم رانندگي خودگردان كه در فضاهاي ابري قرار دارد داراي يك عامل هوشمند است كه از الگوريتم هاي هوش مصنوعي براي اتخاذ تصميمات منطقي و معنادار استفاده ميكند. اين پلتفرم به عنوان سياست كنترل يا مغز خودروهاي خودگردان عمل ميكند. عامل هوشمند نيز به يك پايگاه داده متصل ميشود كه به عنوان يك حافظه كه تجربيات رانندگي هاي پيشين در آن ذخيره ميگردد عمل ميكند. اين داده ها به همراه  داده هاي ورودي همزمان با وقوع رخداد ارائه شده توسط خودروي خودگردان و محيط اطراف آن، به عامل هوشمند كمك ميكنند تا تصميمات دقيقي در رانندگي بگیرد. حال خودروي خودگردان دقيقا ميداند كه براي رانندگي در چنين فضاهايي و يا در برخي شرايط بخصوص چه كاري بايد انجام بدهد. 

بخش ٣: عملكردهاي AI-محور در خودروهاي خودگردان

بر اساس تصميمات گرفته شده توسط عامل هوشمند، خودروي خودگردان قادر به تشخيص اشياء در خيابان، داشتن عملكرد در ترافيك آن هم بدون دخالت افراد و ايمن رسيدن به مقصد موددنظر خود ميباشد. همچنين خودروهاي خودگردان مجهز به سيستم هاي كاربردي AI-محوري چون تشخيص صدا و كلام، كنترل حالت بدن، دنباله روي مسير چشم و ساير سيستم هاي بازبيني رانندگي، راهنماي مجازي و سيستم هاي تشخيص مسير و مكان و سيستم هاي امنيتي ميباشند. اين سيستم هاي كاربردي تنها برخي از سيستم هاي بكار گرفته شده در خودروهاي خودگردان هستند. همچنين اين عملكردها بر اساس تصميمات اتخاذشده توسط عامل هوشمند موجود در پلتفرم رانندگي خودگردان انجام ميشوند. اين سيستم ها ساخته شده اند تا يك تجربه ي كاربري عالي را به مشتريان خود ارائه كنند و از آنها در جاده ها محافظت كنند. تجربه هاي رانندگي به دست آمده از هر بار رانندگي، ضبط و در پايگاه داده ذخيره ميشوند تا به عامل هوشمند در تصميم گيريهاي دقيقتر در آينده كمك كنند. 

اين لوپ داده كه چرخه درک عمل نيز ناميده ميشود به صورت مداوم تكرار ميشود. هر چه تعداد دفعات تكرار چرخه های درک عمل بيشتر باشد، عامل هوشمند مربوطه هوشمندتر شده و در نتيجه تصميات مربوطه، مخصوصا در شرايط رانندگي دشوار با دقت بيشتري گرفته ميشود. هر چه تعداد دستگاه هاي متصل شده بيشتر باشد، تعداد تجربيات رانندگي بيشتري ضبط ميشود. اين تجربيات به عامل هوشمند كمك ميكنند تا بر اساس داده هاي ايجادشده توسط چندين دستگاه خودگردان مختلف تصميم گيري كند. اما اين موضوع بدان معنا نيست كه هر دستگاه خودگردان لزوما بايد در يك شرايط رانندگي پیچيده قرار بگيرد پيش از آنكه قادر به فهمیدن آن شود. 

هوش مصنوعي، مخصوصا شبكه هاي نوروني و  يادگيري عميق به موضوعي اساسي در عملكرد درست و ايمنی خودروهاي خودگردان تبديل شده است. هوش مصنوعي در حال باز كردن راه براي راه اندازي خودروهاي خودگردان سطح ٥ است. در اين نوع خودروها ديگر نيازي به فرمان، پدال گاز يا ترمزها نخواهد بود. 

مقالات

سه راه استفاده از ابرها به عنوان یک سرویس

Posted on by مدیر

انعطاف پذیری، سادگی و انتخاب، سه مورد از بزرگترین نقاط قوت نهفته در رایانش ابری است. همانطور که در حال حاضر انتظار مشاهده ی فیلم ها و انجام بازی های کامپیوتری را به صورت آنلاین داریم، رایانش ابری راهی را برای استفاده از منابع رایانشی بنا-به-درخواست ارائه میکند: داده ها، رایانش، اپلیکیشن ها و سرویس ها.

رایانش-بنا-به-درخواست نوعی مدل ارائه سرویس است که با کمک آن و بنا به نیاز افراد، منابع رایانشی در اختیار آنها قرار میگیرد. این سیستم ها ممکن است که در شرکت کاربر موردنظر نگهداری شوند و یا با کمک یک ارائه کننده ی سرویس ابری در دسترس کاربر قرار بگیرند. هنگامی که این سرویس ها توسط شرکت دیگری ارائه میشوند، اغلب از اصطلاح رایانش ابری استفاده میشود که مترادف با همان رایانش-بنا-به-درخواست است.

مدل رایانش بنا-به-درخواست با هدف غلبه بر چالش معمول شرکت ها که مبنی بر برآورده سازی کارآمد نیازهای متغیر بوده است، ایجاد شده است. از آنجایی که نیازهای یک شرکت به منابع رایانشی در بازه های زمانی مختلف بسیار متفاوت است، داشتن منابع کافی برای برآورده سازی چنین نیازهای حجم بالایی، بسیار پرهزینه تمام خواهد شد. از طرف دیگر، در صورتی که یک شرکت با نگهداری حداقل منابع رایانشی خود جهت کم کردن هزینه های خود اقدام کند، احتمال آن میرود که منابع کافی برای برآورده سازی چنین حجم بالایی از نیازها وجود نداشته باشد.

مدل رایانش بنا-به-درخواست به شرکت ها میکند که منابع رایانشی خود را تنها با یک کلیک، ایجاد تماس API یا یک قانون بیزینسی کم و زیاد کنند. قابلیت هایی چون مقیاس پذیری، پرداخت برای هر بار استفاده و سلف سرویس از جمله ویژگی های این مدل هستند. فرقی نمیکند که منبع موردنظر یک برنامه برای کمک به همکاری بین افراد یک تیم باشد یا حافظه ی بیشتر برای آرشیو تصاویر، منابع رایانشی انعطاف پذیر، قابل اندازه گیری و آسان برای بکارگیری و استفاده هستند.

سرویس های ابری همچون یک موتور رشد برای بیزینس ها عمل میکنند. از آنجایی که تکنولوژی باعث تغییر چگونگی تعامل ما با همه چیز، ازرسانه های آنلاین گرفته تا مراکز درمانی و سرویس های بانکی میشود، رایانش ابری به شرکت ها کمک میکند تا سرویس های جدید را با سرعت بیشتری ارائه کنند، به سرعت موارد کاربرد جدید ایجاد کنند و از کالاها و سرویس های موردپسند مشتریان سر در بیاورند.

کمپانی هایی که از سرویس های ابری استفاده میکنند، میتوانند به جای خریداری و اجرای سرورها و نرم افزارها، روی بیزینس خود تمرکز کنند. سرویس های ابری، ابزارها و تکنیک های جدیدی را در اختیار آنها قرار میدهد تا بدین شکل، زمان موردنیاز شرکت ها برای تبدیل ایده ها به واقعیت کاهش پیدا کند. این سرویس ها به شرکت ها اجازه میدهد که حجم بالایی از داده ها را جمع آوری، به اشتراک گذاری و تجزیه و تحلیل کنند.

بیشتر سرویس های رایانش ابری به سه گروه گسترده تقسیم میشوند: زیربنا به عنوان یک سرویس ﴿IaaS﴾، پلتفرم به عنوان یک سرویس ﴿PaaS﴾  و نرم افزار به عنوان یک سرویس ﴿SaaS﴾. از این سه گروه گسترده گاهی به عنوان توده رایانشی نیز یاد میشود، چرا که هر کدام از آنها روی دیگری ایجاد میشود. هوشمندی هر شرکت و ارگانی در آن نهفته است که بداند با توجه به نیازهای خود، کدام مدل را انتخاب کند

هر یک از این مدل های مختلف به عنوان یک سرویس ارائه میشوند و از مزیت دیگری که سرویس های ابری ارائه میکنند برخوردار هستند – تحت لیسانس بودن به جای ساخت و خرید نرم افزارها و سخت افزارها. این مدل ها عبارتند از :

1﴾ نرم افزار به عنوان یک سرویس ﴿SaaS﴾:  این مدل این امکان را برای بیزینس ها فراهم میسازد که به صورت مستقیم، اجازه ی دسترسی به اپلیکیشن ها را برای کارمندان، همکاران و یا مشتریان خود صدور کنند. از آنجایی که این اپلیکیشن ها به صورت مرکزی روی ابرها مدیریت میشوند، هیچ نیازی به نگهداری لیسانس ها یا آپگریدها نیست.

2﴾ پلتفرم به عنوان یک سرویس ﴿PaaS﴾:  این مدل یک پلتفرم توسعه اپلیکیشن است که بنا به درخواست ارائه میشود و به توسعه دهندگان اجازه میدهد که بدون متحمل شدن هزینه و دشواری خرید و مدیریت سخت افزار، نرم افزار، تامین ذخایر و هاستینگ تحت آن، روی طراحی، توسعه و بکارگیری نرم افزار تمرکز کنند. 

به عنوان مثال، با استفاده از مدل PaaS، یک شرکت طراحی بازی های آنلاین میتواند سرعت عمل و ابتکار عمل بیشتری را کسب کند. پیش از در اختیار قرار گرفته شدن منابع ابری، راه اندازی محصولات جدید این کمپانی با استفاده از زیربناها و پیکربندی های مخصوص خود، حدود دو تا چهار ماه طول میکشید. بکارگیری مدل PaaS به این کمپانی اجازه داد که تنها در عرض چند ساعت، منابع درست و مناسب را در اختیار سازندگان بازی ها و مشتریانی که خواهان بازی با آنها بوده اند قرار دهد.

3﴾ زیربنا به عنوان یک سرویس ﴿IaaS﴾:  این مدل بنا به درخواست افراد، قدرت محاسبه/رایانش، محل دخیره سازی و شبکه سازی را در اختیار آنها قرار میدهد و در صورت ارائه ی سرویس از بیرون، هزینه های سنگین مربوط به نگهداری، تامین نیروی کار و انرژی و خنک سازی یک مرکز داده در محل حذف میگردد. در صورتی که این سرویس در داخل خود شرکت و در سطح یکی از بخش های آن شرکت ارائه شود، این مدل همچنان سرعت و کارآمدی مناسبی را در ارائه منابع رایانشی موردنیاز بیزینس ها ارائه میکند.

نمیتوان گفت که تمامی سرویس های ابری مشابه یکدیگر هستند. سه راه مختلف برای بکارگیری منابع رایانش ابری وجود دارد که هر یک از آنها را در ادامه این مقاله بررسی خواهیم نمود :سرویس ابری عمومی، سرویس ابری خصوصی و سرویس ابری هیبریدی.

سرویس ابری عمومی

ابرهای عمومی توسط ارائه کنندگان سرویس های ابری شخص ثالث خریداری و اجرا میشوند که منابع رایانشی خود همچون سرورها و حافظه ها را از طریق اینترنت ارائه میکنند. با کمک سرویس ابری عمومی، تمامی سخت افزارها، نرم افزارها و سایر زیربناهای پشتیبان توسط ارائه کننده ی سرویس ابری خریداری و مدیریت میشوند. شما میتوانید با کمک یک مرورگر وب به این سرویس ها دسترسی پیدا کنید و حساب کاربری خود را مدیریت کنید.

سرویس ابری خصوصی

یک سرویس ابری خصوصی به منابع رایانش ابری اشاره دارد که به صورت گسترده در یک بیزینس یا سازمان منفرد استفاده میشده است. سرویس ابری خصوصی را میتوان به صورت فیزیکی در مرکز داده ی موجود در محل کمپانی قرار داد. همچنین، برخی از شرکتها به ارائه کنندگان سرویس شخص ثالث پول پرداخت میکنند تا بدین شکل ابر خصوصی آنها را هاست کنند. یک ابر خصوصی، ابری است که در آن سرویس ها و زیربناها روی یک شبکه خصوصی نگهداری میشوند.

سرویس ابری هیبریدی

ابرهای هیبریدی، ابرهای عمومی و خصوصی را با یکدیگر ترکیب میکنند و با کمک تکنولوژی که امکان به اشتراک گذاری داده ها و اپلیکیشن ها را میان آنها فراهم میسازد به یکدیگر مربوط میسازند. با ایجاد امکان حرکت و انتقال داده ها و اپلیکیشن ها میان ابرهای خصوصی و عمومی، ابرهای هیبریدی به بیزینس ها کمک میکنند تا انعطاف پذیری بیشتر و گزینه های بکارگیری بیشتری پیدا کنند.

علیرغم تمام آنچه که گفته شد، تکنولوژی به خودی خود باعث ایجاد تغییر نمیشود. چگونگی استفاده از آن و آگاهی مناسب نسبت به آن است که تغییر واقعی و فرهنگ نوآوری را ایجاد میکند.

برگرفته از Searchitoperations، Wired و Azure

http://www.didarc.com/fa/news/three-ways-to-use-cloud-as-a-service

مقالات

انقلاب در صنعت نظارت ویدئویی

Posted on by مدیر
Cloud computing

شاید به خاطر آوردن زمان پیش از بررسی و کنترل تک تک حرکات افراد توسط دوربین های تحت شبکه دشوار به نظر برسد. طبق گزارش اداره صنعت امنیت انگلستان (بی.اس.آس.ای)، در حال حاضر بیش از 5.9 میلیون دوربین تحت شبکه در انگلستان وجود دارد. فرقی نمیکند که در یک سوپرمارکت باشید یا در حال راندن خودرو خود و یا در حال پیاده روی در خیابان، احتمال تحت رصد قرار گرفتن شما توسط یک دوربین همیشه وجود دارد.

با این حال زمان زیادی از آن روزها گذشته است که فردی در یک اتاق تاریک به تماشای ساعت ها ویدئوی زنده از حرکات شما که در سرورهای خاک خورده ذخیره میشد میپرداخت. در حال حاضر داده های ذخیره شده روی فیلم بیشتر به صورت خودکار روی فضاهای ابری و در یک مرکز داده دورادور و به شدت امنیتی ذخیره میشوند و آماده ی پخش در هر دستگاهی – از تبلت و گوشی موبایل گرفته تا یک مرورگر وب – هستند. این کار به سازمان های با اندازه های مختلف اجازه میدهد که مناسبترین و مقرون به صرفه ترین سیستم موجود را بکار بگیرند، هزینه های زیربنایی را به حداقل برسانند و کار نصب را تسهیل سازند.  

این فرآیند به نظارت ویدئویی به عنوان یک سرویس (VSaaS)  نیز معروف است. طبق گزارش اخیر ارائه شده توسط ترنزپرنسی مارکت ریسرچ پیش بینی میشود که تا سال 2020 ارزش این بازار به 48.32 میلیارد دلار برسد. مزیت یک راهکار هاست شده آن است سازمان ها میتوانند زمان خود را صرف بیزینس اصلی خود کرده و در عین حال تمامی قابلیت های یک سیستم نظارت ویدئویی قدیمی را  حفظ کنند. این قابلیت ها شامل موارد ذیل میشوند: بررسی ویدئوهای ضبط شده، دریافت هشدارهایی مبنی بر وقوع  رخدادها و دسترسی دورادور به دوربین ها از هر مکانی که در آن امکان اتصال به اینترنت وجود داشته باشد.

دغدغه های رو به افزایش مبنی بر امنیت و ایمنی، سرقت، نظارت ترافیکی و قوانین دولتی باعث رشد تکنولوژی نظارت ویدئویی به عنوان یک سرویس (VSaaS) شده است. علیرغم اینکه سیستم های تحت شبکه به عنوان ابزاری جاافتاده در تشخیص خسارات، سرقت، ورود غیرمجاز و فجایع طبیعی مطرح هستند، اغلب تماشای تصاویر ویدئویی ضبط شده پس از وقوع رخداد بسیار دیر است. تکنولوژی نظارت ویدئویی به عنوان یک سرویس به بیزینس ها این امکان را میدهد که محیط خود را بازبینی کرده، به سرعت عکس العمل نشان داده، شرایط را کنترل نموده و ضررهای مالی خود را کاهش دهند.

این کار نه تنها از طریق ذخیره سازی دورادور، بلکه از طریق یک مجموعه کاربری های آنالیتیک ویدئویی انجام میگیرد. این کاربری ها به سازمان ها کمک میکنند تا در محل و در مکان هایی که پیشتر از لحاظ هزینه های تحمیلی بسیار گران تمام میشدند، به برقراری سیستم های نظارت ویدئویی پیش فعالانه بپردازند. این کار به بیزینس ها اجازه میدهد که محیط خود را بازبینی کرده، به سرعت عکس العمل نشان داده، شرایط را کنترل نموده و ضررهای مالی خود را کاهش دهند.

این کاربری ها میتوانند فراتر از فراهم سازی نظارت پیش فعالانه رفته و هوشمندی بیزینسی ارزشمندی را جمع آوری کنند. به عنوان مثال، خرده فروشان و تاسیسات مربوط به رخدادهای بزرگ همچون محل برگزاری کنسرت ها میتوانند با کمک آنالیتیک ها به بازبینی ترافیک مشتریان خود بپردازند. معمولا دوربین ها در قسمت بالایی ورودی ها قرار دارند و مشتریان را به سرعت در هر ساعت، هر روز یا هر هفته از طریق شبکه بازبینی میکنند. قابلیت بازبینی دقیق ترافیک افراد حاضر در یک محل به بیزینس ها اجازه میدهد که خدمات مشتریان خود را بهبود بخشیده، تاثیر کمپین های بازاریابی را اندازگیری نموده و تعداد کارمندان موردنیاز را پیش بینی کنند.

همچنین این آنالیتیک ها دارای قابلیت تشخیص عبور از خطوط هستند؛ اشیاء در حال حرکتی که از یک خط مجازی درنظر گرفته شده عبور میکنند، با کمک این قابلیت شناسایی شده و به صورت خودکار هشدار، ایمیل یا پیامکی مبنی بر وقوع چنین رخدادی فعال میشود. تشخیص عبور از خطوط با کمک کاهش نیازهای مربوط به پهنای باند و حافظه باعث افزایش کارایی سیستم میشود و در بیشتر فضاهای باز و بسته و در شرایط نوری متفاوت قابل نصب بوده و دارای کارایی است. این سیستم برای بسیاری از شرایط همچون بازبینی ویدئویی ورودی ساختمان ها، لنگرگاه های بارگیری و محوطه های پارکینگ مناسب است.

دنباله روی خودکار دیجیتال، اشیاء در حال حرکتی چون افراد و وسایل نقلیه را شناسایی و دنبال میکند و نیاز به بازبینی چندین صفحه نمایش را از بین میبرد. این کاربرد برای بازبینی مناطق با حجم ترافیک پایینی چون محوطه های پارکینگ، موزه ها و نظارت در ساعات تعطیلی مدارس، فروشگاه ها و محل های ساخت و ساز ایده آل است. این موارد تنها چند نمونه از طیف گسترده کاربری هایی است که دوربین ها را قادر به تشخیص و تصویربرداری از وقایع میسازد و نیاز به جستجو میان ساعت ها تصاویر ویدئویی ضبط شده را از میان میبرد.

بدون شک در سالهای پیش رو، تعداد کاربری ها و گستره ی قابلیت های آنالیتیکی شاهد رشد زیادی خواهد بود، مخصوصا اینکه بازار تکنولوژی نظارت ویدئویی به عنوان یک سرویس (VSaaS) فراتر از آمریکای شمالی و اروپا خواهد رفت و به کشورهایی چون ژاپن، چین و هند کشیده خواهد شد. علیرغم آنکه انتظار میرود بخش های حمل و نقل و خرده فروشی همچنان جزء بزرگترین کاربران باقی بمانند، با اشتیاق سازمان ها برای جلوگیری از جرائم و مهار ضررهای بیزینسی، از تبدیل شدن تکنولوژی VSaaS به استاندارد نظارت ویدئویی دهه ی آینده تعجب نکنید.

منبع: مجله Capita

برگرفته شد از سایت:

http://www.didarc.com/fa/news/cloud-computing-revolutionized-video-surveillance