Парадоксът на смарт технологиите

Реалността обаче удря още първия уикенд. И тук не е виновна техниката, алгоритмите за детекция (като Motion Detection 2.0 и 3.0) са отлична технология, базирана на дълбоко обучение (Deep Learning), които работят безупречно. Те правят точно това, за което са създадени: анализират сложни визуални данни, разпознават форми и успешно класифицират хора и автомобили.

Проблемът е в начина, по който тези алгоритми "виждат" света. Уловката не е в качеството им, а в самото естество на видеонаблюдението: изкуственият интелект на интелигентната система, сканира двуизмерно изображение, а не физическо пространство както прави обемният датчик или магнитният контакт на алармата при физическо нарушение на периметъра.

Представете си следната реална ситуация: имате паркиран автомобил в двора. Вечерта нощна пеперуда прелита точно пред обектива. Алгоритъмът засича движението от насекомото, сканира зоната зад него, вижда паркирания ви автомобил и математиката му казва: "Има движение + има автомобил = изпращам аларма за движещ се автомобил". Технологията работи точно както е програмирана, но резултатът за вас е фалшиво известие в 3 през нощта.

Ето какво реално се случва в процесора на камерата с Deep Learning алгоритъм при тази ситуация:

1. Пеперудата прелита близо до обектива. Тъй като е близо, тя заема голяма част от визуалното поле и създава силен тригер за движение.

2. AI процесорът се "събужда", за да провери зоната, в която е отчетено движението.

3. Камерата вижда света двуизмерно (2D). Тя не знае, че пеперудата е на 5 сантиметра от обектива, а колата е на 15 метра назад. За процесора те са в една и съща равнина.

4. Процесорът търси контури на човек или автомобил в зоната на движението. Той намира перфектния контур на паркираната кола.

5. Условието е изпълнено. Има движение + има разпознат контур на автомобил = генерира се известие на телефона за МПС.

Алгоритъмът е обучен с милиони изображения и е изключително добър в това да игнорира движещи се листа, дъжд, сняг или летящи насекоми... но само когато са на празен фон.

Ето точната разлика в това как мисли процесорът:

• Сценарий 1 (Празен фон): Пеперудата прелита на фона на асфалт, поляна или тухлена ограда. Алгоритъмът регистрира движението й чрез промяната в пикселите, сканира картинката точно в тази зона и вижда... тухли. Тъй като тухлената ограда не прилича нито на човек, нито на кола, изкуственият интелект я класифицира като маловажно движение и го филтрира. Няма известие. Тук обучението му сработва перфектно.

• Сценарий 2 (Натоварен фон): Пеперудата прелита точно на фона на паркираните коли. Алгоритъмът регистрира движението, сканира зоната зад пеперудата и намира перфектен контур на автомобил. Заради липсата на 3D зрение, той привързва движението на пеперудата към формата на колата отзад. Резултатът е фалшиво известие за движещо се МПС.

Това, което обърква изкуствения интелект в този случай, не е липсата на обучение, а липсата на 3D зрение в дълбочина.

За камерата светът е плосък и двуизмерен. Тя няма радар и не мери разстояние. Когато пеперудата прелети пред обектива, алгоритъмът регистрира движение и веднага прилага своя AI филтър върху тази зона от екрана. И какво вижда там? Вижда перфектно съвпадащ контур на автомобил.

Тъй като алгоритъмът няма чувство за дълбочина, той не може да разбере, че движението е на 5 сантиметра от обектива, а колата е на 15 метра назад. За процесора двете неща са залепени едно върху друго на екрана. Изводът му е логичен спрямо плоската картина: обектите се припокриват, значи колата се движи.

Точно тук е брилянтният аргумент за алармената система например AJAX: Камерата разчита на картина. Аларменият датчик за движение на AJAX разчита на физика - той засича реална телесна топлина и физическа маса, движещи се в 3D пространството. Една пеперуда пред датчика никога няма да излъчи топлината и масата на човек или на автомобил.

Така че, MD 2.0 е обучен брилянтно за визуална класификация, но е ограничен от физиката на плоския екран. Алармата няма този проблем.