چرایی لزوم استفاده از آنالیتیک‌های ویدئویی در حمل‌و‌نقل عمومی

آنالیتیک‌های ویدئویی ویژه‌ی اتوبوس‌ها و قطارها، به تشخیص دغدغه‌های امنیتی و یافتن یک درک بیزینسی به صورت همزمان با وقوع رخداد کمک می‌کنند؛ این امر با استفاده از ویژگی‌هایی چون شمارش افراد، تجزیه‌و‌تحلیل رفتاری و تجزیه‌و‌تحلیل تراکم افراد صورت می‌گیرد. این نخستین مقاله از سری مقالاتی‌ست که جدیدترین پیشرفت‌های صورت‌گرفته در آنالیتیک‌های ویدئویی حمل‌و‌نقل عمومی و چالش‌هایی که باید بر آن غلبه کرد را مورد بررسی قرار می‌دهد.

در ماه فوریه‌ی سال جاری، در یکی از شب‌های جمعه، یک مهاجم ناشناس تا سرحد مرگ به دو نفر با چاقو حمله‌ور شد و دو نفر دیگر را در متروی نیویورک زخمی کرد.  پلیس سعی کرد تا با استفاده از دوربین‌های امنیتی فرد مشکوک را شناسایی کند و برنامه دارد تا با بکارگیری 500 نیروی مازاد در متروها، امنیت را قوت ببخشد.

چنین رخدادهایی غیرمتداول نیستند، اما واکنش ما نسبت به آنها همچنان به همان حالت باقی می‌ماند. آیا ما واقعا منابع موردنیاز برای بکارگیری نیروهای مازاد را در هر یک از سیستم‌های حمل‌و‌نقل عمومی که نیازمند محافظت بهتر هستند داریم؟

موضوع آنالیتیک‌های ویدئویی بیشتر در حمل‌و‌نقل

دوربین‌های نصب شده روی وسایل نقلیه، تا به الآن برای مدت زیادی‌ست که جهت اهداف قانونی و حقوقی کارآمد واقع شده‌اند. اما امروزه تکنولوژی آنالیتیک‌های ویدئویی را در اختیار داریم که می‌تواند به ما کمک کند تا احتمال وقوع یک رخداد را پیش از وقوع آن تشخیص دهیم. افزایش مداوم در عملکرد دوربین‌ها، پایه و اساس بکارگیری ابزارهای تجزیه‌و‌تحلیلی پیچیده‌تر تصاویر را فراهم نموده است؛ این کار مستقیما از داخل خود وسیله‌ی نقلیه انجام می‌شود، بدون آنکه لزوما احتیاجی به تکیه بر یک سرور اضافی باشد.

درست است که در ابتدا در مورد قابلیت تشخیص حرکت ساده صحبت می‌کردیم، اما امروزه می‌توانیم در مقایسه با سایر چیزها، اطلاعات پرجزئیاتی را در مورد رفتار یا ظاهر افراد و وسایل نقلیه ارائه کنیم. به مرور زمان، دوربین به یک دستگاه IoT بیگ دیتا تبدیل می‌شود. آنالیتیک‌های ویدئویی در جایگاه یک سنسور نرم‌افزاری «بخش‌بندی‌شده» به صورت موثر به این توسعه و پیشرفت کمک می‌کنند، به ویژه با انطباق تدریجی تکنولوژی‌های هوش مصنوعی و یادگیری عمیق.

عملکردها و ویژگی‌های آنالیتیک‌های روی وسایل نقلیه

البته عملکردهای موجود از قبل در مقابل مسافران، همچون شمارش افراد، ارزیابی تراکم مسافران و غیره وجود دارند که این عملکردها به صورت «همزمان با وقوع رخداد» کار می‌کنند. اما استفاده‌های پیشرفته‌ای نیز وجود دارند که در ضبط ویدئویی، کار جستجو برای رخدادها/آیتم‌های خاص را از میان داده‌هایی که سایز بزرگی دارند، ساده می‌کنند. برای آنالیتیک‌های ویدئویی موجود در دوربین‌های نصب‌شده در قسمت جلویی قطارها، کاربردهای دیگری وجود دارد که هرچند از لحاظ کمیت کوچک‌تر هستند. از این آنالیتیک‌ها می‌توان جهت تشخیص رخدادهایی استفاده نمود که به عنوان مثال «وقوعشان نزدیک» است. با استفاده از الگوریتم‌های اختصاص داده شده، این امکان وجود دارد که به راحتی بتوان به جستجوی رخدادی پرداخت که وقوع آن نزدیک بوده است و در ویدئوهای ضبط شده اتفاق افتاده است.

تمامی این کاربردها، «تشخیص ویدئویی» ساده‌ی قدیمی را که صرفا بر اساس تشخیص حرکت بوده به حال خود رها کرده‌اند و به سوی استفاده از هوش مصنوعی سوق پیدا کرده‌اند. در چنین محیطی، با استفاده از یادگیری عمیق، از این تکنولوژی برای دو کاربرد اصلی متفاوت استفاده می‌شود.

1.حذف تمامی «نویزهای ناخواسته»ی موجود در تصاویر و موقعیت‌ها تا بدین شکل بتوان فقط از محتوای مدنظر جهت هدف موردنظر استفاده نمود. 

2.دسته‌بندی سوژه‌های موردنظر با توجه به یک سری ویژگی‌ها، به عنوان مثال، یک فرد/چهره، یا رنگ لباس بالاتنه، رنگ لباس پایین‌تنه، چمدان و وسایل (بله/خیر). این اطلاعات به عنوان متادیتا یا فراداده در دستگاه‌های ضبط ویدئو ذخیره می‌شوند.

جدای از استفاده‌های روی خود وسیله‌ی نقلیه، آنالیتیک‌های ویدئویی در زمین/ ایستگاه‌ها نیز کاربرد دارند. از دید امنیتی و ایمنی، برای ارزیابی موقعیتی به صورت همزمان با وقوع رخداد و هم جهت بررسی بیشتر، این کاربردها از جمله موضوعات موردتوجهی هستند که «باید» وجود داشته باشند. یکی از مهم‌ترین عملکرد‌ها در چنین استفاده‌های جدیدی، دسته‌بندی سوژه‌هاست.

چالش‌هایی که باید بر آنها غلبه کرد

دوربین‌های بیشتر و بیشتری روی وسایل نقلیه وجود دارند که یک سفر راحت، امن و ایمن را به مسافرین ارائه می‌کنند، با این حال چالش‌هایی وجود دارند که عملکرد‌های آنها را محدود می‌کنند.

 سازگاری برای یکپارچه‌سازی

این موضوع حائزاهمیت است که منابع سخت‌افزاری (یعنی دستگاه‌های) موجود، با ضروریات نرم‌افزاری سازگار باشند. هنگامی که هر دوی این اجزاء با یکدیگر هماهنگ می‌شوند، مزیت‌های رویکرد اِج-محور کاملا عیان می‌شود. اگر قابل‌اعتمادترین نرم‌افزار را داشته باشید، ولی این نرم‌افزار برای کار روی اِج بهینه‌سازی نشده باشد، هیچ ارزش افزوده‌ای در کار نخواهد بود.

در بیزینس روزمره، تولیدکننده این وظیفه را روی دوش خود احساس می‌کند که کاری کند تا همکارانش بهترین راهکارها را برای مشتریان خود طراحی و ارائه کنند. با توجه به پیشنهاداتی که به صورت مداوم در بازار در حال رشد هستند، اتخاذ یک تصمیم درست کاملا دشوار است. این موضوع اغلب این تصور را به همراه خود دارد که نرم‌افزاری که یادگیری عمیق یا AI روی آن نوشته شده باشد، یک نوع سلاح چندمنظوره است و در تمامی شرایط بدون مداخله‌ی اضافی، بی هیچ نقصی کار می‌کند. شرایط پروژه را همیشه باید در نظر گرفت. مدیریت انتظارات و ضروریات موردنظر مشتری یک نکته‌ی کلیدی‌ست.

میدان دید محدود