As máquinas podem aprender?

O futuro do nosso segmento caminha para a utilização do sistema de análise de dados para determinar padrões de comportamento em diversos equipamentos de segurança

Há muito tempo que falamos sobre vídeo analítico em sistemas de CFTV, de como sua utilização melhora o funcionamento e aumenta a produtividade dos operadores, pois irão fazer outras tarefas enquanto o computador faz o trabalho inicialmente feito por eles. Mas qual é realmente a efetividade do vídeo analítico? Ele consegue realmente substituir todo o trabalho humano? Rapidamente posso dizer, não substitui. Entretanto consegue supri algumas tarefas, vou explicar.

O vídeo analítico tradicional que usamos em nossos projetos é baseado em regras. Programamos a câmera para identificar algum comportamento específico, como por exemplo, identificar se uma pessoa cruza uma linha ou entra em uma área proibida. O sistema irá gerar um alerta avisando o operador da ocorrência. Isso funciona muito bem, podemos colocar as câmeras para identificar a invasão de perímetros, monitorar a remoção de objetos ou monitorar áreas com baixa movimentação, tarefas estas que facilmente teríamos falha humana. Mas o que acontece se o sistema está programado para identificar a remoção de um objeto (um quadro, por exemplo) e ocorre qualquer outra ação nessa sala, como um início de incêndio. Teremos o alerta do sistema de CFTV? Não, pois essa segunda ação não estava previamente programada, seria uma ocorrência normal para o sistema.

Com a tecnologia do Machine Learning (ML) ou em tradução livre, aprendizado de máquina, essa realidade está para mudar. A ML é um método de análise de dados que automatiza os analíticos. Através da análise das imagens, sons ou quaisquer dados, o computador aprenderá o que é um comportamento padrão do local e identificará qualquer comportamento anormal, gerando um alerta.

Fora do mundo de segurança já temos alguns exemplos de ML em prática, como recomendações online de compras em sites como Amazon ou recomendações de conteúdo como Youtube ou Netflix. Quantas vezes você se perguntou, “como eles sabem o que eu gosto? Ou “como eles sabem que estou procurando esse produto?”.

No segmento de crédito, a análise em buscas de fraude é feita por sistemas, com aplicativos que analisam o comportamento e padrões de utilização do cartão do cliente, e caso identifiquem um comportamento ou utilização diferente, podem bloquer ou gerar alertas ou ligações sobre o uso. Assim quanto mais tempo o sistema funciona, mais ele “aprende” o comportamento do usuário.

Uma outra técnica de aplicação do ML é termo chamado Deep Learning (DL) ou Aprendizado Profundo. Como disse anteriormente, quanto mais se utiliza o sistema mais ele aprende, então essa técnica é baseada na exposição massiva de dados, forçando o sistema a aprender e reduzir esse tempo de maturação.

Em testes no Google em 2012, foi realizado uma aplicação de Deep Learning para identificar a imagem de um gato em qualquer figura, essa alimentação massiva foi feita com imagens de milhares vídeos do Youtube. Temos aplicativos hoje para identificar com muita precisão, tumores em exames de ressonância magnética ou qualquer outra doença, dando ao médico a possibilidade de melhores diagnósticos, uma ótima aplicação para a técnica. Se temos hoje aplicativos para identificar as anomalias em exames, em breve identificaremos comportamentos em nossos sistemas de CFTV e chegaremos em um novo nível nas análises de vídeo. As câmeras alimentarão os softwares de análises e depois de um certo tempo, o sistema estará calibrado com a normalidade da cena, ou seja, terá “aprendido” o comportamento normal da cena. Qualquer diferença será tratada como alerta ou fora do padrão.

Pensando em aplicação, em uma rodovia, uma câmera posicionada para monitorar o tráfego tratará como normalidade, após um período de aprendizado, os carros trafegando em velocidade constante, sem alteração de via, por exemplo. Uma freada brusca, um acidente, um veículo “costurando” seria tratado como um comportamento fora do padrão e gerado um alerta. Simplesmente o sistema poderia identificar qualquer comportamento, diferente dos sistemas de vídeos analíticos que temos hoje, onde programamos para identificar um ou dois comportamentos.

Vejo que esse será o futuro de nosso mundo de segurança, uma análise massiva de dados, não somente análise das imagens das câmeras, mas também de sistemas de áudios, de sensores de alarmes, de diversos equipamentos e após um “aprendizado” a vigilância será muito precisa.

Claudio Moraes

Claudio Moraes

Product Specialist - Anixter do Brasil Ltda.

Notícias Relacionadas

Cases

Grupo Unidasul adota solução óptica Furukawa em centro de distribuição e em novas unidades no Rio Grande do Sul

Com a expansão de sua rede de supermercados Rissul e de atacarejos Macromix pelo estado do Rio Grande do Sul,…

Destaque

Datacenters precisam de vigilância RSA para garantir segurança

Esta ferramenta do Genetec Security Center combinado ao uso dos sensores existentes ajuda a lidar proativamente com ameaças antes que…

Destaque

Como a tecnologia pode aprimorar a segurança em cidades inteligentes?

Apesar de o conceito de cidade inteligente ser relativamente recente, ele já se consolidou como assunto fundamental na discussão da…