زمان مطالعه10 دقیقه
می پسنـدم0
اندازه متن12
افراد با شنیدن واژه هوش مصنوعی به ربات ها فکر می کنند و تصور می کنند که منظور از هوش مصنوعی همان ربات های بی احساسی هستند که برای انجام راحت تر کارها طراحی شده‌اند و قرار است در آینده جای انسان ها را بگیرند. مسئول این نوع تفکر به احتمال زیاد فیلم های علمی و تخیلی است اما واقعیت با آنچه که تصور میشود تفاوت دارد. هوش مصنوعی که امروزه از آن یاد میشود در واقع تکنولوژی است که به نحوی قابلیت تفکر دارد. البته این قابلیت تفکر با چیزی که ما به عنوان تفکر انسانی می‌شناسیم تا حد زیادی تفاوت دارد، اما در حقیقت سعی دارد تا از آن تقلید کند.
در علم کامپیوتر، هوش مصنوعی یا هوش ماشینی به هوشمندی گفته میشود که از هرنوع ماشین (و نه انسان) به‌دست اید. کتاب‌های مرجع در حوزه‌ی هوش مصنوعی، این علم را دانش مطالعه‌ی کارگزارهای هوشمند می‌دانند که چنین تعریف می‌شوند: هر دستگاهی که توانایی درک محیط و فعالیت با حداکثر شانس موفقیت را داشته باشد.
هنوز هیچ تعریف دقیقی از هوش مصنوعی که تمامی دانشمندان بر روی آن توافق داشته باشند ارائه نشده است ولی اکثر تعریف‌ها را می‌توان به شکل زیر دسته بندی کرد.
دو تعریف اول مربوط به فرآیندهای تفکر و استدلال است، در حالی دو تعریف دیگر با رفتار سر و کار دارند.
هوش مصنوعی یک علم بسیار گسترده و پیچیده است که شاخه‌های متعددی دارد که در زیر تعدادی از انها را اورده ایم:
ظهور هوش مصنوعی باعث ایجاد انقلابی در صنایع مختلف شده است و صنعت نظارت تصویر و سیستم های امنیتی نیز برنامه‌های مبتنی بر AI (مخفف artificial intelligence به معنای هوش مصنوعی) در دنیای امنیت سرو صدای زیادی کرده‌اند. طی سال‌های اخیر علاوه بر کمپانی‌های بزرگ و مطرح، شرکت‌های کوچک‌تر نیز محصولات مدرن و منحصربفردی تولید و عرضه کرده‌اند.
یکی از شرکت های پیشرو در زمینه ادغام هوش مصنووعی با سیستم های مداربسته، شرکت هایک ویژن است که نام فناوری ابداعی خود را Deep learning گذاشته است. در این فناوری سعی شده است با بکارگیری هوش مصنوعی در محصولات بسیاری از نارسایی های سیستم های هوشمند قدیمی در تجزیه و تحلیل داده ها برطرف گردد.
از دلایل عمده افزایش محبوبیت Deep Learning در سال های اخیر می توان به موارد زیر اشاره نمود:
فرآیند تشخیص چهره در دوربین مداربسته یکی از قابلیت های مهم و کارآمد است که دارای الگوریتم های مختلف و پیچیده ای است. این فرآیند دارای دو مرحله کلیدی است:
درجه دقت در این مرحله فاکتور بسیار مهمی است که مستقیما بر روی دقت الگوریتم تاثیر می گذارد. بیشتر کارهای پردازشی و محاسباتی مربوط به این بخش است. در دوربین های هوشمند قدیمی طراحی الگوریتم ها توسط متخصصین نرم افزار انجام می شد که اساسا بر اساس شاخصه های ذهنی بود. به همین دلیل تعریف بسیاری از ویژگی های انتزاعی به طرزی که برای انسان قابل درک باشد بسیار سخت بود و ناچارا از بین می رفت. در این دسته از دوربین ها با قابلیت تشخیص چهره بسیاری از فاکتورهای محیطی اعم از مکان نصب دوربین، زاویه دید، میزان نور در محیط بر روی کارایی این قابلیت تاثیر گذار هستند که این یک نکته منفی در آن محسوب می گردد. در الگوریتم هایی که بر اساس هوش مصنوعی طراحی شده اند اما سعی شده تا به نکات ظریف و جزئی دقت شود.
سوژه های مختلف اعم از وسایل نقلیه، اشیا مختلف، افراد، حیوانات و … دارای ویژگی های ظاهری مختلفی هستند و تشخیص هر کدام بر اساس الگوریتم های تعریف شده متفاوتی است. از آنجایی که ویژگی های ظاهری یک وسیله نقلیه پیچیدگی خاصی نداشته و نهایتا شامل شاخصه هایی نظیر نوع آرم، ابعاد، رنگ و …است، دوربین های هوشمند قدیمی در تشخیص اشیا و وسایل نقلیه بسیار موفق عمل می کردند.
اما در مورد کاراکترهای ظاهری انسان به دلیل آنکه اغلب به دلیل تنوع بالا و پیچیدگی زیاد دچار خطا می شدند. و بازده خوبی ندارند به همین دلیل افزایش درک عمقی بواسطه طراحی الگوریتم های پیچیده تر در هوش مصنوعی به شدت لازمه کارکرد بهتر قابلیت تشخیص چهره در دوربین های مداربسته است.
به طور کلی ترکیب هوش مصنوعی AI و دوربین مداربسته کمک فراوانی به ما در خصوص کاهش حرائم و کاهش هزینه ها به ما کرده است . به عبارت دیگر به جای آنکه ساعت ها وقت خود را صرف جستجو در تصاویر دوربین مداربسته کنیم با توجه به داده هایی که قبلا توسط هوش مصنوعی ذخیره سازی شده است بهترین بهره را از دوربین مداربسته خود می گیریم.
یادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، تقلید می‌کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می‌باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند، بسیار کاربردی است و روند تحلیل و تفسیر داده‌ها را سریعتر و آسان تر می کند.
البته می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، عمل یادگیری را برای یک سیستم هوش مصنوعی انجام میدهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می‌کند و می تواند الگوهای مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی‌ها دانست.
برای شناسایی نحوه کار کرد یادگیری عمیق باید با شبکه‌های عصبی آشنا باشید. این نوع از یادگیری در واقع همانند یادگیری به وسیله شبکه‌های عصبی هستند که دارای لایه پنهان زیادی می‌باشند و هر چقدر در این لایه ها جلو تر بروید به مدل های پیچیده‌تر و کامل‌تری می‌رسید.
تکنولوژی هوش مصنوعی در دوربین مداربسته هایک ویژن که آن را با نام Deep learning می شناسیم بر اساس پارامتر ها و الگوریتم هایی برای تشخیص المان های ظاهری پیچیده طراحی میشود. این بدین معنی است که طراحی ها دیگر توسط افراد انجام نشده و می توان آن را بر عهده ماشین ها گذاشت.
کارایی این سیستم در جایی مشخص میشود که می تواند اطلاعات اضافی و کم اهمیت را نیز تشخیص داده و در صورت لزوم حذف کند(object abstraction) و یا اینکه اطلاعات جدیدی خلق یا بازیابی(recreation) نماید.
طراحی این تکنولوژی بر اساس عملکرد سیستم عصبی مغز انسان انجام شده و همانطور که مغز توانایی یادگیری موضوعات و دسته بندی آنها را در لایه و سطوح مختلف خود دارد Deep learning نیز می تواند کاراکترهای متنوع را درک و دسته بندی کرده و اقدام لازم را در مورد آنها انجام دهد.
سیستم‌های نظارت تصویری مبتنی بر هوش مصنوعی (AI) می‌توانند بصورت بسیار دقیق‌تر و پیشرفته‌تر به تشخیص چهره و اشیاء موجود در محیط بپردازند. در واقع سیستم‌های هوش مصنوعی پتانسیل‌های بسیار بالاتری در زمینه تشخیص چهره افراد (facial detection) در امکان شلوغ و فضاهای بزرگ دارند.
کسب‌وکارهای بزرگ نیز می‌توانند با بهره‌گیری از سیستم تشخیص چهره هوشمند، مشتریان ارزشمند را شناسایی کرده و خدمات مخصوصی به آنها ارائه دهند.
قدرت هوش مصنوعی تا جایی است که حتی تشخیص بدون چهره (faceless recognition) را نیز ممکن می‌کند. بدین صورت که افراد با استفاده از فاکتورهایی مانند قد، طرز ایستادن و غیره نیز قابل تشخیص و شناسایی هستند. علاوه بر این دوربین های مداربسته با بهره‌گیری از AI، می‌توانند آگاهی بیشتری نسبت به محیطی که نظارت می‌کنند داشته، الگوهای رفتاری را تشخیص داده و ناهنجاری‌ها را گزارش دهند. این عوامل و قابلیت‌ها کمک زیادی به پیش‌بینی تهدیدات می‌کنند.
یک سیستم نظارت تصویری متشکل از دوربین‌های مداربسته، سنسورها، آلارم‌ها و غیره می‌باشد. این تجهیزات برای پوشش کامل محیط و جلوگیری از بروز هرگونه خطایی نصب و راه‌اندازی می‌شوند. این موضوع به این معنی است که سیستم امنیتی با حجم زیادی از اطلاعات و داده سروکار دارد. همانطور که پیداست برنامه‌ای پیشرفته برای مدیریت ترافیک داده‌های موجود در سیستم مورد نیاز است.
در حال حاضر کارآمدی دوربین های مداربسته به اپراتورهایی که دائما در حال نظارت محیط هستند بستگی دارد. در ارتباط با انسان‌ها یکی از عواملی که تاثیر منفی فراوانی بر کیفیت امنیت می‌گذارد، خستگی است. فردی که در حال نظارت محیط می‌باشد ممکن است بدلیل خستگی توجه و تمرکز کافی نداشته و عکس‌العمل به‌موقع و صحیح را هنگام بروز مشکل نداشته باشند یا حتی بعضی اتفاقات دیده نشوند.
از دیگر مزایای سیستم های دوربین مداربسته مبتنی بر هوش مصنوعی این است که می‌توانند خطاهای انسانی را جبران کنند. به این معنی که هیچ اتفاق یا تهدیدی نادیده نمی‌ماند و هیچ اطلاعات یا جزئیاتی از دست نمی‌رود.
این سیستم این امکان را به ما میدهد بدون اتلاف وقت به اطلاعات مورد نیاز خود از دوربین مداربسته دست پیدا کنیم. این کار را در گذشته خود کاربر انجام میداد و به دلیل خستگی و یا خظای ذهنی شاهد یک‌سری اشتباهات در تصمیم گیری های نهایی می شد.
یکی دیگر از مزایا این است که به کاهش تصادفات در رانندگی ، کاهش جرم و جرائک و بزهکاری در جامعه کمک می کند.
از دیگر مزایای این سیستم چشم پوشی از تبعیض نژادی و یا رنگ پوست و غیره است. به نوعی دیگر برای هوش مصنوعی مبتنی در دوربین مداربسته هیچ فرقی نمی کند که سارق و یا مشتری سیاه پوست است و یا سفید پوست.
یکی از بزرگترین معایب هوش مصنوعی در دوربین مداربسته این است که در آینده حریم خصوصی انسان مورد خطر است. به تبع آن خطرات بالقوه ای در عدالت اجتماعی در جوامع ایجاد می کند. اینکه سیاست مداران کلیه آحاد ملت را زیر نظر داشته باشند و بدانند کی به کجا می رود می تواند تبعات بدی در سرشت و شخصیت انسان ایجاد کند و به مرور زمان از ما انسان ها یک موجود چیزواره ای شکل بدهد.به اصطلاح امروزی ها “ماشینی شدن” انسان ها
دیگر معایب این سیستم در دوربین مداربسته ضریب خطای آن است. به طور مثال : یک فرد دارد با سرعت می دود . سیستم نمی تواند آنالیز کند که آن فرد میخواهد به مترو برسد و یا از دست کسی فرار می کند و یا چیزی از این فرد به سرقت رفته است.
به دلیل رشد و پیشرفت تکنولوژی های صوتی تصویری اهمیت ابداع مدل هایی مانند Deep Learning بسیار افزایش می یابد. با استفاده از این الگو در قابلیت های هوشمند مانند تشخیص چهره، تشخیص نفوذ، ردیابی و تعقیب سوژه و … می توان به طور کامل انتظارات و نیاز های کاربران را برآورده ساخت.
در زیر به بسیاری از کاربردهای این مدل در سیستم های نظارت تصویری اشاره شده است:
کلیه حقوق مادی و معنوی برای این سایت محفوظ می باشد و هرگونه کپی برداری شامل پیگرد قانونی می باشد.
