الذكاء الاصطناعي في الأمن: كيف تُشكّل الخوارزميات وقوة الحوسبة والبيانات الضخمة المراقبة الذكية

انتقل الذكاء الاصطناعي (AI) من المفهوم إلى الواقع عبر العديد من الصناعات — وفي مجال كاميرات المراقبة ، فإن تأثيره عميق بشكل خاص. من التعلم الآلي (ML) إلى التعلم العميق (DL) وفي النهاية إلى الرؤية الحاسوبية (CV) ، تشكل هذه التقنيات المتعددة الطبقات الآن العمود الفقري لأنظمة المراقبة المدعومة بالذكاء الاصطناعي الحديثة .

تمكّن الرؤية الحاسوبية الآلات من “رؤية” وتفسير العالم، مما يسمح للكاميرات والأنظمة الخلفية بتحليل خلاصات الفيديو في الوقت الفعلي واستخلاص معلومات ذات مغزى. سواء كان ذلك تحديد السلوك المشبوه، أو اكتشاف المركبات، أو التعرف على الوجوه، فإن هذه القدرات تغير طريقة تفكيرنا في المراقبة والسلامة والكفاءة التشغيلية.

أساس وظائف الذكاء الاصطناعي: الخوارزميات، قوة المعالجة، والبيانات

يعتمد أداء ودقة أنظمة الأمن المعتمدة على الذكاء الاصطناعي بشكل كبير على ثلاثة عناصر أساسية:

الخوارزميات تحدد هذه كيفية تفاعل النظام بذكاء مع المدخلات — سواء كان ذلك وجهًا يدخل منطقة محظورة أو مركبة تنتهك تدفق حركة المرور.

قوة الحوسبة (معالجة الذكاء الاصطناعي) تحدد مدى سرعة وكفاءة النظام في تحليل البيانات وتشغيل النماذج المعقدة، خاصة عند الحافة.

البيانات الضخمة المواد الخام المستخدمة لتدريب وتحسين خوارزميات الذكاء الاصطناعي، بما في ذلك مليارات الإطارات من لقطات الفيديو، وبيانات الصوت، والبيانات الوصفية من بيئات العالم الحقيقي.

يجب موازنة هذه الركائز بعناية لتقديم أداء عالٍ لـ أنظمة المراقبة بالذكاء الاصطناعي قادرة على العمل في ظروف ديناميكية وفي الوقت الفعلي.

قدرات الذكاء الاصطناعي الأساسية في صناعة الأمن

أنظمة المراقبة الذكية تدعم مجموعة واسعة من ميزات الذكاء الاصطناعي، تُقسم عادةً إلى قائمة على الحافة (جانب الكاميرا) , الواجهة الخلفية (قائمة على المنصة) ، أو سحابية هجينة عند الحافة للمعمارية. تتضمن الوظائف الشائعة المدعومة بالذكاء الاصطناعي في قطاع الأمن ما يلي:

1. تحليل بشري

التعرف على الوجه يشمل الكشف، تحليل السمات (الجنس، النظارات، العمر، التعبير)

استخراج ميزات الجسم الوضعية، نوع الملابس، والسلوك

الكشف عن شكل الإنسان وحركته

2. تحليل المركبات

التعرف على لوحة الترخيص (LPR)

تصنيف المركبات الكشف عن العلامة التجارية، الطراز، اللون، والاتجاه

تطبيق قوانين المرور تحديد انتهاكات القواعد مثل القيادة في الاتجاه الخاطئ أو الوقوف غير القانوني

3. مراقبة السلوك

كشف التسلل عبور الخط، دخول/خروج المنطقة، التسكع

تنبيهات الشذوذ وضع/إزالة جسم مشبوه، تجمع الحشود، الكشف عن الحركة السريعة

الكشف عن تغيير المشهد والشذوذ الصوتي اختلافات الإضاءة أو الصوت المفاجئة

4. تحليل الصور والفيديو

تلخيص وهيكلة الفيديو

تشخيص جودة الفيديو

وسم البيانات الوصفية جاهزة للبحث الذكي

مع تطور ميزات الذكاء الاصطناعي هذه، فإنها توفر معلومات قابلة للتنفيذ للصناعات التي تتراوح من إنفاذ القانون والتحكم في حركة المرور إلى إدارة المرافق والتخطيط الحضري.

الميزات الذكية: توسيع الإمكانيات

الجيل القادم من كاميرات الأمن بالذكاء الاصطناعي تدمج مجموعة واسعة من الوظائف الذكية:

الكشف عن الأشخاص والوجوه والحيوانات

تحليل كثافة الحشود

إحصائيات تدفق المركبات والمشاة

الكشف عن الانتهاكات للمشاة والمركبات وراكبي الدراجات

هيكلة الفيديو لمحتوى المراقبة القابل للبحث

الوعي متعدد الأبعاد يجمع بين السلوك البشري وحركة المركبات وديناميكيات المشهد

تمكّن هذه القدرات المتخصصين في الأمن ليس فقط من مراقبة البيئات ولكن أيضًا من توقع التهديدات واتخاذ إجراءات وقائية.

قوة الحوسبة: قياس أداء الذكاء الاصطناعي في المراقبة

قلب أي كاميرا ذكية أو وحدة معالجة هو قوتها الحسابية ، والتي تقاس غالبًا بـ TOPs (تيرا عملية في الثانية) يشير هذا المقياس إلى عدد التريليونات من العمليات التي يمكن للرقاقة أن تؤديها في الثانية. الوحدات الأخرى تشمل:

GOPs 1 مليار عملية/ثانية

MOPs 1 مليون عملية/ثانية

TOPs/W تصنيف الكفاءة — العمليات في الثانية لكل واط من الطاقة المستهلكة

أداء شريحة الذكاء الاصطناعي في المراقبة

فئات معالجات الذكاء الاصطناعي في أنظمة الأمن

لا تختلف هذه المعالجات في العمارة فحسب، بل أيضًا في نطاق التطبيق. إن اختيار المعالج يؤثر بشكل مباشر على سرعة الذكاء الاصطناعي ودقته وكفاءة استهلاكه للطاقة.

الخوارزميات: بناء طبقة الذكاء

الخوارزميات هي محركات المنطق وراء قرارات الذكاء الاصطناعي. في التعلم الآلي، يعتمد اختيار الخوارزمية المناسبة على نوع المشكلة والنتيجة المرجوة. تتضمن الخوارزميات الشائعة:

• أشجار القرار / الغابات العشوائية
• K-Nearest Neighbor / K-Means
• SVM / الانحدار اللوجستي
• بايز الساذج
• الشبكات العصبية
• نماذج ماركوف
• Adaboost

من المفاهيم الخاطئة أن الخوارزميات المعقدة تكون دائمًا أفضل. في كثير من الأحيان، توفر الخوارزمية الأبسط والأكثر ضبطًا نتائج أسرع وأكثر موثوقية، خاصة عند نشرها في بيئات العالم الحقيقي ذات الموارد المحدودة.

البيانات الضخمة: وقود نظام مراقبة الذكاء الاصطناعي

في عالم غني بالبيانات، تُولّد مراقبة الفيديو واحدة من أكبر مجموعات البيانات على مستوى العالم. اعتبارًا من عام 2020، كانت الصين وحدها تمتلك أكثر من 225 مليون كاميرا أمن قيد التشغيل. يمكن لمدينة متوسطة الحجم واحدة أن تُولّد 36 بيتابايت من بيانات الفيديو على مدار 90 يومًا .

هذا يمثل تحديًا وفرصة على حد سواء:

التحدي : فهم محتوى الفيديو الضخم غير المنظم

الفرصة : استخدام هذه البيانات لتدريب وتحسين نماذج الذكاء الاصطناعي، وتحسين الكشف والتصنيف والتنبؤ

مشاريع مثل مدن آمنة , سنو برايت ، و الشبكات الحضرية الذكية تعتمد على بيانات الفيديو المركزية لخلق بيئات حضرية أكثر أمانًا واستجابة. تجعل البيانات المنظمة من الأنظمة الذكية من السهل استخراج القيمة من هذه المعلومات.

الخلاصة: الذكاء الاصطناعي يُعيد تشكيل الأمن من أجل المستقبل

من الكاميرات الأمامية المجهزة تحليلات ذكية إلى منصات فيديو قائمة على السحابة تدعم تعلم الذكاء الاصطناعي للبيانات الضخمة ، يتغير المشهد الأمني. ما كان يتطلب عيونًا بشرية وغرف تحكم يدوية يُدار الآن بواسطة أنظمة ذكاء اصطناعي سريعة، ومتجاوبة، ومتزايدة الاستقلالية.

مع تطور أجهزة الحوسبة ونضج الخوارزميات، سيتزايد التركيز بشكل متزايد نحو الدقة، والكفاءة ، و الاستجابة في الوقت الفعلي . لن تسجل أنظمة المراقبة الذكية في المستقبل فحسب، بل ستفهم وتتكيف وتحمي.