AI à la limite de la surveillance vidéo: innovation ATTENTION DE LA PRINCIATION

Au cours des dernières années, Le nombre d’appareils liés au niveau de périmètre des réseaux privés et publics a continué à croître Et selon les États des hommes d’État en 2030, il atteindra plus de 32,1 milliards dans le monde. Beaucoup de ces appareils IoT (Internet des objets) sont également devenus des appareils informatiques puissants, avec une grande capacité à effectuer plus de traitement en lui grâce à la fonctionnalité de Informatique Edge.

Ainsi, également dans le domaine de surveillance vidéocette plus grande puissance de traitement est la base d’évolutions importantes. En fait, les progrès dans l’apprentissage automatique et l’apprentissage en profondeur, deux sous-ensembles de l’intelligence artificielle, ont permis d’apporter la fonctionnalité de l’IA à l’intérieur des caméras et c’est pourquoi aujourd’hui nous parlons AI sur le bord. Dans le cas spécifique d’un réseau de surveillance vidéo, l’IA sur le bord indique la capacité d’effectuer plus d’actions sur les caméras elles-mêmes, en grande partie par analyse plus avancée.

Les implications de l’IA sur le bord de la surveillance vidéo

Merci à l’IA, Les caméras peuvent inclure une scène et catégoriser les détails importants en temps réel. Cette capacité à détecter, classer, compter et tracer des objets (tels que les personnes et les véhicules) avec un degré de précision très élevé est le point de départ fondamental pour obtenir des informations et prendre des mesures en fonction des données acquises.

Les informations ainsi collectées parviennent non seulement à accélérer les temps d’analyse des données et la réponse, mais aussi pour fournir des informations précieuses à façonner, par exemple, l’avenir des bâtiments, des villes ou des systèmes de transport.

Des informations plus utilisables et des caractéristiques de recherche avancées

Auparavant, toute analyse basée sur le mouvement simple enregistré par une caméra de surveillance vidéo a noté que « quelque chose » avait déplacé et activé un avis. L’analyse des bords basée sur l’IA, en revanche, prend plus de mesures: tout d’abord, identifie l’objet en mouvement, qu’il s’agisse d’un véhicule ou d’une personne, et fournit également une série supplémentaire d’élémentspar exemple, si ce véhicule ou ce véhicule est entré dans une zone sous réserve de restrictions ou dangereuses ou s’il y a des personnes voisines qui pourraient être en danger, offrant aux opérateurs des informations beaucoup plus utilisables qui réduisent considérablement les faux positifs.

Pour faire un autre exemple lié au secteur des réseaux routiers, l’analyse basée sur l’IA sur le bord identifie les objets de l’autoroute en les distinguant rapidement des ombres (qui a longtemps représenté un grand défi) et en informant automatiquement les conducteurs grâce à des signes numériques de la nécessité d’un bloc de circulation ou à l’alerte directement les services d’urgence.

Ceci, ainsi que les données et les métadonnées créées par l’analyse de la pointe, prend également en charge des recherches beaucoup plus avancées dans les séquences vidéo: Les opérateurs peuvent en fait identifier rapidement des objets spécifiques d’intérêt sur la base des heures de tournage par de nombreuses caméras, ce qui augmente également considérablement la vitesse et l’efficacité des enquêtes post-incident.

Division de charge: AI sur le bord dans une architecture hybride

L’IA sur le bord permet non seulement des analyses puissantes en termes de périmètre du réseau, mais joue également un rôle précieux dans les architectures hybrides. Généralement, lorsque les analyses sont centralisées sur un serveur, l’ajout de caméras supplémentaires augmente le transfert de données et des serveurs supplémentaires sont donc nécessaires pour gérer les analyses. Au lieu de cela, une fois que l’analyse basée sur le bord a été mise en œuvre, seules les informations les plus pertinentes sont envoyées via le réseau, réduisant la charge sur la bande passante et le stockage.

Travaillant intelligemment dans une architecture hybride, en utilisant la fonctionnalité, la capacité et la force de chaque partie du système, les collines de bouteille sont évitées et les faibles coûts sont maintenus face à des performances élevées.

AI à la limite de la surveillance vidéo: entre l’éthique et la responsabilité

Si, en général, l’annonce améliore la précision des algorithmes d’analyse, dans le domaine de la vidéosurveillance, il existe des zones sensibles dans lesquelles l’IA, si elle est utilisée incorrectement, pourrait impliquer des risques pour les individus et la société.

Parmi les facteurs les plus critiques, il y a certainement la confidentialité des données vidéo, et en particulier des données biométriques, ainsi que l’utilisation de la technologie pour extraire les données personnelles, par exemple (restant dans le domaine des routes) en associant les plaques de véhicules à des temps et des lieux spécifiques. Ici, la sécurité des archives et de la gestion de l’information est d’une importance fondamentale.

Un autre risque concerne les distorsions dans les applications, en particulier pour s’assurer qu’elles ne présentent pas une qualité de détection différente en fonction de facteurs tels que le sexe, l’âge et l’ethnicité, provoquant une discrimination structurelle. En outre, un autre cas de risque se présente lorsque des analyses basées sur l’IA sont utilisées pour automatiser les processus et les décisions: Ici, il est conseillé d’intégrer la supervision humaine dans le processus de prise de décision, un concept souvent défini Humain dans la boucle.

L’éthique et la responsabilité doivent donc faire partie intégrante de l’identité des réalités opérant dans le domaine de la surveillance vidéo à la lumière du fait que les applications et les analyses basées sur l’IA ouvriront de nouvelles opportunités au-delà des applications de sécurité traditionnelles, tandis que les caméras joueront un rôle de plus en plus important en tant que sources de données.