Κατά την τελευταία δεκαετία, η μηχανική μάθηση επέτρεψε νέες μετασχηματιστικές εξελίξεις στην τεχνολογία φυσικής ασφάλειας ενώ έχει σημειωθεί εκπληκτική πρόοδος στη χρήση αλγορίθμων μηχανικής μάθησης προκειμένου να εκπαιδευτούν οι υπολογιστές στην αξιολόγηση και βελτίωση της υπολογιστικής διαδικασίας. Αν και τέτοια εργαλεία είναι χρήσιμα για την ασφάλεια και τις λειτουργίες, οι μηχανές απέχουν πολύ από το να είναι ικανές να σκέφτονται ή να ενεργούν ως άνθρωποι. Ωστόσο, προσφέρουν μοναδικές ευκαιρίες στις ομάδες να ενισχύσουν την ασφάλεια και την παραγωγικότητα.
Ευκαιρίες στην ασφάλεια και τις λειτουργίες
Στη φυσική ασφάλεια, η μηχανική μάθηση μπορεί να επιταχύνει τις έρευνες, βοηθώντας τις ομάδες ασφαλείας να βρουν γρήγορα σχετικές πληροφορίες. Προσδιορίζοντας μοτίβα ή πιθανές σχέσεις μεταξύ δεδομένων, αυτά τα εργαλεία εκμάθησης βοηθούν τις ομάδες ασφαλείας όπως και τις αρχές επιβολής του νόμου, να κατανοήσουν καλύτερα ένα περιστατικό ή σημαντικές συσχετίσεις μεταξύ τάσεων.
Από την πλευρά των λειτουργιών, η μηχανική μάθηση βοηθά τους οργανισμούς να αξιοποιήσουν καλύτερα τις επενδύσεις τους στη φυσική ασφάλεια καθώς συνδράμει στη συλλογή αξιοποιήσιμων πληροφοριών από τα δεδομένα του συστήματος για την αύξηση της παραγωγικότητας γεγονός που οδηγεί σε βελτιωμένες λειτουργίες.
Για παράδειγμα, η μηχανική μάθηση μπορεί να βοηθήσει στην αυτοματοποίηση της καταμέτρησης των ατόμων, στην παρακολούθηση της ροής της κυκλοφορίας και στην ενίσχυση της ασφάλειας στον κυβερνοχώρο, εντοπίζοντας και αποκλείοντας κακόβουλο λογισμικό. Δύναται επίσης να ενεργοποιήσει την αυτοματοποίηση που βοηθά τους οργανισμούς να τηρούν διάφορα βιομηχανικά πρότυπα και κανονισμούς μέσω βελτιωμένων διαδικασιών.
Βαθιά μάθηση για τη δομή δεδομένων
Ένας τύπος μηχανικής μάθησης που έχει επηρεάσει ιδιαίτερα τον κόσμο της φυσικής ασφάλειας είναι η βαθιά μάθηση, η οποία χρησιμοποιεί αλγόριθμους συγκεκριμένων εργασιών για να εκπαιδεύσει τους υπολογιστές στην ταξινόμηση δεδομένων.
Οι προγραμματιστές ξεκινούν με σύνολα δεδομένων που έχουν επισημανθεί. Στη συνέχεια, τα εργαλεία βαθιάς μάθησης λαμβάνουν μη δομημένα δεδομένα όπως ώρες βίντεο, μετατρέποντάς τα σε δομημένα, με τον υπολογιστή να αναγνωρίζει μοτίβα ή συσχετισμούς που ταιριάζουν. Ως αποτέλεσμα, οι ομάδες μπορούν πιο εύκολα να αντιστοιχήσουν τα συγκεκριμένα αντικείμενα ή εκδηλώσεις που αναζητούν.
Για παράδειγμα, τα σύγχρονα συστήματα ανάλυσης βίντεο μπορούν να κάνουν χρήση της βαθιάς μάθησης προκειμένου να «διαβάσουν» τα γράμματα και τους αριθμούς στις πινακίδες κυκλοφορίας. Άλλες ομάδες μπορούν να χρησιμοποιήσουν τα εργαλεία για να μετρήσουν πόσα άτομα περνούν από μια πόρτα ή να επιλέξουν ένα συγκεκριμένο μοντέλο αυτοκινήτου που κινήθηκε σε έναν πολυσύχναστο δρόμο. Πιο συγκεκριμένα, ο χειριστής μπορεί να ζητήσει από το σύστημα να εμφανίσει βίντεο που να ανταποκρίνεται σε ένα κόκκινο φορτηγό με συγκεκριμένη πινακίδα κυκλοφορίας ή ένα άτομο που φοράει μπλε τζιν, καρό πουκάμισο και καφέ καπέλο. Η γρήγορη ταξινόμηση δεδομένων συμβάλλει στην επιτάχυνση των διαδικασιών και επιτρέπει στις ομάδες να λειτουργούν άμεσα και αποτελεσματικά.
Συνδυασμός αναλυτικών στοιχείων βίντεο με αυτοματοποίηση
Χρησιμοποιώντας τη μηχανική μάθηση, τα συστήματα μπορούν να συγκεντρώνουν δεδομένα από κάμερες και να χρησιμοποιούν αναλυτικά στοιχεία βίντεο για τον εντοπισμό συγκεκριμένων δραστηριοτήτων ή αντικειμένων.
Για παράδειγμα, όταν εντοπίζεται ένας εισβολέας, το σύστημα προγραμματίζεται να ειδοποιεί την ομάδα ασφαλείας. Τα δεδομένα βίντεο και αισθητήρων βοηθούν στην παρακολούθηση των κινήσεων του εισβολέα σε έναν χάρτη, ώστε οι ανταποκριτές να τα εντοπίζουν πιο εύκολα. Το σύστημα μπορεί να λάβει πρόσθετα μέτρα, όπως το κλείδωμα των εσωτερικών θυρών και η ειδοποίηση των αρχών. Καθ’ όλη τη διαδικασία, είναι σημαντικό να σημειωθεί ότι κάθε ενέργεια ακολουθεί κριτήρια που καθορίζονται από τους προγραμματιστές οι οποίοι και ρυθμίζουν τις συγκεκριμένες ροές εργασίας.
Τα εργαλεία αυτοματισμού απλώς ακολουθούν τα βήματα με βάση τις εισόδους που λαμβάνονται και αναγνωρίζονται.
Ενοποίηση, ιδιωτικότητα και ανθρωποκεντρικός σχεδιασμός στον πυρήνα
Τα ενοποιημένα συστήματα φυσικής ασφάλειας που αξιοποιούν τη μηχανική μάθηση, μπορούν να συλλέγουν και να ερμηνεύουν πληθώρα δεδομένων από πολλές πηγές. Ομοίως, τα συστήματα ανοικτής αρχιτεκτονικής δίνουν στους επαγγελματίες ασφαλείας την ελευθερία να εξερευνήσουν εφαρμογές από διάφορους κατασκευαστές. Καθώς νέες λύσεις κάνουν την εμφάνισή τους στην αγορά, οι ομάδες δύνανται να επιλέξουν εκείνη που καλύπτει ολοκληρωτικά τους στόχους και το περιβάλλον τους.
Εντούτοις, ανεξάρτητα από τις εφαρμογές που επιλέγονται, είναι κρίσιμο η χρήση της τεχνολογίας να γίνεται με τρόπους θεμιτούς και στα πλαίσια της ηθικής καθώς και να επιβεβαιώνεται από τον κατασκευαστή ότι τα δεδομένα στα οποία εκπαιδεύεται το σύστημα βαθιάς εκμάθησης, επιτρέπεται να χρησιμοποιηθούν. Οι άνθρωποι πρέπει να δώσουν τη συγκατάθεσή τους και ο κατασκευαστής οφείλει να διασφαλίσει ότι γίνεται σεβαστό το δικαίωμά τους στην ιδιωτικότητα.
Παράλληλα, προκειμένου να έχει χρησιμότητα εις βάθος, η τεχνολογία μηχανικής μάθησης πρέπει να συνδυαστεί με ανθρωποκεντρικό σχεδιασμό που βασίζεται σε πραγματικά προβλήματα πελατών.
Όταν εξερευνώνται επιλογές, πρέπει να προσδιοριστούν με σαφήνεια οι προκλήσεις και τα επιδιωκόμενα αποτελέσματα και εάν η μηχανική μάθηση είναι πράγματι το σωστό εργαλείο για τα παραπάνω.
Ομοίως, οι άνθρωποι πρέπει να είναι οι τελικοί υπεύθυνοι λήψης αποφάσεων επιβεβαιώνοντας ότι εφαρμόζονται οι βέλτιστες πρακτικές σε όλες τις καταστάσεις. Τα συστήματα μηχανικής μάθησης μπορούν να εξορθολογήσουν τις διαδικασίες, να ταξινομήσουν τα δεδομένα και να διασφαλίσουν ότι οι διαδικασίες ακολουθούνται σωστά, το μόνο βέβαιο είναι όμως, ότι δεν αντικαθιστούν την ανθρώπινη εμπειρογνωμοσύνη.
