Статьи рынка безопасности

События

Искусственный интеллект, нейросеть, DeepLearning, Индустрия 4.0 и «лишние» люди в мире SkyNet

  • 13.12.2019
  • 805

«Я думаю, что наш разум — это программа, в то время как мозг — аналог компьютера. Теоретически возможно скопировать содержимое мозга на компьютер и таким образом создать форму вечной жизни». Стивен Хокинг

«Искусственный интеллект — фундаментальная угроза для всего человечества». Илон Маск

Путаница понятий 

Искусственный интеллект (ИИ) сейчас на волне хайпа и, в отличие от блокчейна и Bitcoin, падения интереса к теме не наблюдается. Следовательно, нас закидывают разными инфоповодами, то вселяющими надежду на всеобщее благоденствие, то апокалипсисом типа Терминатора и восстания машин. Чем же отличается нейросеть от искусственного интеллекта (ИИ) и как разобраться: где маркетинговая чепуха, а где настоящие достижения и угрозы? 

Итак: нейросеть – это не искусственный интеллект, но сейчас именно они захватили всеобщее внимание. Если же кто-то говорит о machine learning, он имеет в виду метод обучения нейронной сети на основе статистической выборки, то есть, слова «нейросеть» и «машинное обучение» в маркетинговом контексте можно считать синонимами. 

При этом имейте в виду, что нейросеть и глубокое обучение не имитируют абстрактное мышление человека. Никакой магии в глубоком обучении нет, это просто один из методов самообучения нейронной сети на базе определенной, заранее подготовленной статистики, которая позволяет нейросети после обучения классифицировать новые данные в соответствии с имеющимся опытом. 

Грубо говоря, если обучить нейросеть, как обезьянку, определять где яблоко, а где апельсин, то после обучения она будет бодро определять именно эти два фрукта, но если показать ей банан, то нейросеть не поймёт что это, в отличие от живой обезьянки, которая поймет что банан съедобен и съест его. В этом и заключается главное отличие нейросети от полноценного ИИ или человеческого мозга. 

Однако действительно, не всегда понятно, как обученная нейросеть приходит к своим выводам. При этом, конечно же, не всегда её решения правильны. 

Системы безопасности и нейросети сегодня 

Сейчас никого уже не удивить, когда обращение на горячую службу банка или авиаперевозчика зачастую превращается из «Нажмите кнопку 1, если.., кнопку 2, если…» и так далее, в просьбу озвучить голосом ваш вопрос, после чего система автоматически распознает ваш голос и вопрос, и сразу направляет вас в нужный отдел, минуя оператора. Более того, с похожими голосовыми помощниками мы можем пообщаться даже в телефоне, в виде Алисы или Sir – это и есть примеры реализации нейросетей.  

При этом уже сейчас заметно, что системы безопасности постепенно также становятся более «умными», начинают применять не только нейросети, но и быстро интегрируются со смежными отраслями, становятся поставщиками данных для бизнес-аналитики, маркетинга и IoT (Inthernet of Things) и уже умеют поддерживать от NFC в телефоне для задач СКУД, до облачных систем видеонаблюдения, постепенно превращаясь в один из элементов в экосистеме огромного IT рынка. 

Такому проникновению современных ИТ в системы безопасности активно способствует как удобство, так и новые возможности: начиная от отсеивания ложных тревог на периметре и вывода тревоги на пост охраны только в том случае, когда именно человек перелезает через забор предприятия, а не муха ползёт по объективу, или показав маркетологу эффективность запущенной рекламной акции, или предоставляя помощь менеджеру в формировании рабочего графика и оценке эффективности сотрудников магазина, основываясь на количестве посетителей, наполненности полок, конверсии и среднем чеке, вплоть до создания полностью автономного магазина без постоянных сотрудников в зале и кассиров, когда систем сама понимает, что вы положили в корзину и на выходе автоматически списывает с вас нужную сумму без необходимости выкладывать и сканировать каждый товар – всё это примеры, того, как новые технологии, в том числе и нейросети, могут изменить не только ваш бизнес, но и отрасль в целом. 

Развитие ИИ 

ii1.jpg


Рисунок 1. Прогресс автоматической классификации изображений  – процент ошибок по годам, сделанных ИИ и обученным человеком при выполнении одной той же задачи.

Двумя главными направлениями развития искусственного интеллекта является: создание искусственного разума, способного решать проблемы человечества, и решение проблем, связанных с приближением специализированных систем ИИ к возможностям человека. 

Более того, в разрезе систем видеонаблюдения и безопасности нас, в первую очередь, интересует искусственная нейросеть для задач распознавания образов на базе алгоритма глубокого машинного обучения (Deep Learning), и поэтому в данной статье попробуем оценить задачи, решение которых существенно упрощается или становится возможным с помощью алгоритмов на базе нейросетей, и как это может повлиять на развитие индустрии безопасности в обозримом будущем. 

Почему это становится трендом? Хотя распознавать образы, различные ситуации и принимать решения человек всё еще может лучше машины, в отдельных направлениях без нейронных сетей не обойтись, так как. человек слаб и может устать, что-то перепутать, его можно подкупить или напугать. Исходя их этого, предприятия, заинтересованные в снижениях ошибок и потерь, стараются решать имеющиеся задачи с наименьшим количеством людей, и именно такие предприятия получают максимальные конкурентные преимущества, а значит и прибыль.

Компьютер Deep Blue стоимостью в $10 млн, в котором было 480 специализированных шахматных процессоров и 30 обычных, обыграл чемпиона мира Каспарова еще в 1997 году. При этом простая даже для маленького ребенка задача – отличить котика от собачки – долго была не под силу машинам. Пока на сцену не вышли нейронные сети.

Применение нейросети? 

Во всем многообразии применения нейросетей в системах безопасности и видеонаблюдения мне кажется правильным выделить три основных направления в применении таких алгоритмов

  • анализ и контроль поведения или поведенческая аналитика; 
  • задачи распознавания, идентификации и верификации; 
  • машинное зрение. 

При этом машинное зрение, хотя постепенно и меняется, но зачастую остается довольно простой или традиционной видеоаналитикой классификации объектов по заранее жестко заданным критериям. Например, классификация человека и автомобиля по соотношению высоты и ширины изменяемых пикселей, а также скорости его движения, либо контроль правильности установки микросхемы на плату. 

Однако такие системы, как правило, ограничены в видах данных, которые они могут классифицировать. Они, например, не могут отличить мужчину от женщины или мотоцикл от велосипеда. Кроме этого, такие системы подвержены ошибочной классификации, когда объекты не соответствуют заданным ожиданиям. Человек, ползающий по земле, может быть классифицирован как транспортное средство. 

Особый интерес вызывает поведенческая аналитика и распознавание, так как с широким внедрением технологий довольно чёткие границы, существовавшие еще несколько лет назад между этими направлениями, окончательно стираются. Нейронные сети становятся общим местом всей индустрии, при этом все эти задачи могут быть решены одним и тем же способом, вернее одной и той же нейронной сетью. 

Что же такое нейросеть? 

Нейросеть или искусственная нейронная сеть – математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. 

ii2.jpg


Рисунок 2. Схема простой нейросети. Зелёным цветом обозначены входные нейроны, голубым — скрытые нейроны (скрытый слой), жёлтым — выходной нейрон

После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: для прогнозирования, распознавания образов, в задачах управления и др.

ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно просты и, тем не менее, будучи соединёнными в большую сеть они вместе способны выполнять довольно сложные задачи

Если вы пересекаетесь со сферой систем безопасности, то точно уже слышали про новое поколение способов обучения Deep Learning. Что же это такое и как проникает ИИ в системы безопасности? 

Deep Learnin – это нейронные сети с глубоким обучением. В системах глубокого обучения задействовано несколько уровней абстракции, откуда и происходит сам термин «глубокое» или «глубинное обучение». Иными словами, при глубоком обучении программное обеспечение не только учится, как классифицировать объекты, но и самостоятельно находит признаки для такой классификации и алгоритмы, по которым будет проходить эта классификация. 

Ключевое преимущество систем глубокого обучения состоит в том, что они могут постоянно самообучаться и совершенствоваться, получая новые наборы данных и вводя новые критерии. 

Еще одно существенное отличие глубокого обучения — способность обнаруживать события, которые не предусмотрены исходными условиями или являются неожиданными, т.е. адаптироваться к изменениям окружающей среды или сцены без необходимости ручной перенастройки

Использовать алгоритм конкретной нейросети для универсального практического применения не выйдет: любая нейросеть является узкоспециализированным инструментом. Применимость конкретной обученной нейросети соответствует элементарному моторному навыку человека. То есть, если вы в совершенстве водите автомобиль, это не даёт абсолютно ничего для успешного фехтования. 

Как делают нейросети? 

По сути, создание нейросети состоит из трех этапов: программирование, «обучение», применение. При этом говорить о «самообучении нейросетей» можно сколько угодно, но ни одна нейросеть без участия человека ничему не научится. 

Простейшая нейросеть 

Как, например, может выглядеть упрощённая нейросеть для решения задачи распознавания рукописной цифры, написанной на поле размером 28 на 28 точек. Всего получается 784 пикселей или входных нейрона нашей нейросети, имеющих значение от 0 – черный фон, до 1 – белая цифра, включая промежуточные значения серого. 

Принцип работы нейросети состоит в том, что активация в одном слое определяет активацию в следующем. Если на входной нейрон подать значения яркости каждого пикселя, цепочка активации приведет к возбуждению следующей группы или слою нейронов, а конечном итоге это приведет к активации одного из десяти нейронов последнего слоя, что соответствует распознанной цифре – по выбору нейронной сети. 

ii3.jpg

Рисунок 3. Упрощенная схема нейронной сети для распознавания рукописных цифр.

После того, как параметры нейросети настроены адекватно решаемой задаче, можно запускать «обучение». Которое, на самом деле, является многократным перезапуском одного и того же алгоритма с различающимися данными на входе. Суть обучения сводится к наработке большого массива данных, хранящего базу данных соответствий типа «Х на входе — Y на выходе». 

Для того чтобы добиться однозначного определения нейронной сетью, что за цифра написана, мы будем «скармливать» ей готовый большой массив картинок с изображением рукописных цифр с заранее известным пониманием того, что за цифра изображена. При этом каждый раз мы будем корректировать вес каждой связи нейрона, изменяя «толщину» связи разных слоев, как бы закрепляя полученный верный результат путём увеличения веса каждой нейронной связи в предыдущем слое. 

После этого при получении результата мы методом обратного распространения изменяем веса каждой связи в предыдущем слое, пока не изменим все веса во всей нейронной сети, вплоть до входного слоя. После чего многократно повторяем процесс, добиваясь, чтобы при поступлении входного значения у нас активировался только один нейрон выходного слоя, соответствующий правильно распознанной цифре.

ii4.jpg

Рисунок 4. Процесс обучений нейронной сети, путем
изменения веса связей между слоями.

Для того, чтобы провести один цикл обучения, нам нужно скорректировать более 13 тысяч весов (связей между нейронами), влияющих на передачу информации, так как каждый нейрон каждого слоя соединен со всеми нейронами предыдущего слоя. 

На третьем, заключительном, этапе практического применения наша свежеобученная нейросеть готова исполнить своё предназначение и распознать любую вручную написанную цифру, «зажигая» только один выходной нейрон, однозначно определяя итоговую распознанную цифру. 

Упрощенно нейросеть работает с видеопотоком похожим образом: сначала система находит в видеопотоке лицо, затем вырезает его и выравнивает относительно вертикали. На следующем этапе алгоритм сопоставляет ваше лицо с имеющимися в базе данных образцами, и в итоге выдаёт оператору фото вашего лица вместе с образцом из базы, указывая, что ваше лицо соответствует образцу, например, на 98%. Оператор визуально убеждается, что вы и найденная личность из базы соответствуют друг другу, и вам, например, выписывается штраф. 

В данном случае оператор является конечным звеном для принятия решения, необходимым для окончательной верификации правильности работы алгоритма идентификации и поиска. Также должен поступать и сотрудник полиции при выписке вам «письма счастья» при нарушении ПДД, но, как мы знаем из новостей, иногда бывает, что и система, и оператор, скажем так, «ошиблись». 

DeepLearning нейросети 

Нейросети глубокого обучения логично противопоставляются нейросетям с неглубоким обучением, причем главное отличие заключается в количестве преобразований, с которыми сталкивается сигнал, распространяющийся от входного слоя к выходному слою. При этом не существует универсально согласованного порога глубины деления неглубокого и глубокого обучения, но обычно считается, что глубокое обучение характеризуется несколькими нелинейными слоями (больше двух). 

Применяя этот же принцип, инженеры производят создание и глубокое обучение своих нейросетей, например, в международном конкурсе ILSVRC (ImageNet Large Scale Visual Recognition Challenge), в рамках которого различные программные продукты соревнуются в классификации и распознавании объектов и сцен в самой большой в мире базе аннотированных изображений ImageNet. В этом году победила нейронная сеть из Китая, содержащая 269 скрытых слоев

Конечно же, вручную обучить такую нейросеть просто невозможно, счет связей и весов, которые необходимо скорректировать на каждом этапе обучения, идёт на сотни миллионов. Колоссальный объем вычислений, необходимых в процессе обучения, диктует потребность в суперкомпьютерных мощностях и массе времени для обучения сложных нейросетей. 

Важно отметить, что ошибка нейросетей никогда не бывает равной нулю, однако точность довольно высока. Что же касается сравнения точности работы живого мозга и нейросети, то в 2014 году были проведены испытания между лучшей на тот момент сетью Меттью Зиллера и живым мозгом. В итоге оказалось, что в обычных условиях клетки мозга реагировали так же хорошо, как и нейросеть, однако, при увеличении скорости показа объектов, количества шумов и количества объектов на изображении скорость распознавания и его качество в живом мозге сильно падает, а нейросеть продолжает работать с высокой эффективностью. Другими словами, нейронные сети в узких задачах работают лучше, чем наш мозг

ii5.jpg


Рисунок 5. Пример распознавания образов на фотографии с улицы с указанием вероятной точности определения типа объекта на экране.

Распознавание лиц, идентификация и верификация в системах безопасности 

Итак, уже сейчас мы имеем большое количество готовых нейронных сетей, которые могут за доли секунды искать и находить ваше лицо в базе жителей страны, более того определять ваш пол и примерный возраст в целых маркетинга. На рынке присутствуют готовые терминалы со встроенным распознаванием лиц для применения в СКУД, которые пускают вас в офис и учитывают рабочее время в системах УРВ, которые невозможно обмануть и подкупить. 

Если еще недавно нейросети решали узкие задачи, такие как оценка кредитоспособности клиента в финансовом секторе и торговля на бирже, то теперь даже в каршеринговом боте, который для контроля личности просит вас отправить селфи с документом в руках, применяются элементы ИИ. 

Ну, и конечно, применение в государственных и право - охранительных структурах, где нейросеть стала важным инструментом для целей поиска как «бенладенов», так и банальных подозреваемых в совершении преступлений. Совсем недавно мэр Москвы признал пилот с NtechLab (лучший алгоритм по версии NIST) успешным и в ближайшее время планируется развернуть нейросеть FindFace на все 160 тысяч столичных камер видеонаблюдения. Как говорится: «Здравствуй, Оруэл!». 

Одновременно со снижением цен на сами видеокамеры и упрощением внедрения применение нейросетевых технологий становится важным инструментом и в масс-сегменте в промышленности, на предприятиях и в офисах. Нейросети, встроенные в видеокамеры для периметра и распознавания автономеров, ловят нарушителей, заменяют юристов в банках для составления типовых исков, сокращают службы контроля качества и маркетинга, количество охранников на объектах и проходных и даже могут определить наличие средств индивидуальной защиты, таких как сапоги, каска, перчатки и застёгнут ли халат на сотруднике, работающем на опасном производстве. Не говоря уже о беспилотных автомобилях, автоматических дронах и подводных лодках. 

Куда же все это двигает нас? 

«Лишние» люди и киберпанк? Всё эти новшества, роботы и автоматизация проводит к двум главным глобальным трендам: 

  • снижение количества задействованных в экономике людей на «простых» работах; 
  • повышение квалификации и эффективности оставшихся работников. 

При этом огромные массы людей становятся не нужны, и при всеобщей автоматизации неизбежно возрастают требования к квалификации остающихся работников. Однако нужно понимать, что количество вновь открываемых рабочих мест несопоставимо с количеством высвобождающейся рабочей силой, так и возникают «лишние», то есть не нужные экономике работники.

 Это и есть обратная сторона прогресса, внедрения Индустрии 4.0, диджитализации и насыщения ИТ технологиями всех отраслей экономики. В итоге мы приходим к попыткам некоторых стран (например, известный референдум в Швейцарии и менее известные в Скандинавии) поэкспериментировать с безусловным доходом, когда каждому гражданину выплачивается некоторый постоянный доход. Некий условный аналог есть и в США, так называемый велфер (Welfare) – это государственная программа выплаты социальных пособий, система искусственного перераспределения средств от богатых к бедным. 

Однако, это приводит к «ничегонеделанию» и последующей маргинализации лишенных возможности трудиться больших масс населения, распространению преступности и неизбежного снижения качества людского капитала. Поэтому во многих странах можно наблюдать попытки искусственного замедления научного прогресса на законодательном уровне, чтобы предоставить населению чуть больше времени для получения новых навыков и перестройки своей жизни в соответствии с новыми реалиями.

Поделиться:

Все права защищены
© ООО АДВ Секьюрити,
2003—2020
Яндекс.Метрика
Метрика cайта: новости: 7609 (+3) | компании: 527 | бренды: 415 | статьи: 949 (+24)

О проекте / Контакты / Политика конфиденциальности и защиты информации

Techportal.ru в соц. сетях