شرکت لنر
شرکت ترنسند Transcend
شرکت میلتا Mielta Technologies
شرکت شاتل Shuttle
شرکت روسما Rossma
شرکت کیوریتور Qrator
شرکت کسپراسکای Kaspersky
گواهینامه پایداری سیستم B Corp
شرکت سیج رن SageRAN
شرکت دورابوک Durabook
شرکت اسپایرنت Spirent
شرکت دکتر وب Dr.Web
فهرست:
- چرا هشدارهای بیشتر، لزوماً به نظارت بهتر منجر نمی‌شوند؟
- IntentSentinel چیست و چگونه کار می‌کند؟
- نقش سخت‌افزار EAI-I233 شرکت لنر در این راهکار
- این رویکرد برای چه محیط‌هایی قابل بررسی است؟
- پیش از اجرای پروژه چه مواردی باید مشخص شوند؟
- بررسی زیرساخت هوش مصنوعی لبه با ناوک هوشمند پویان
- پرسش‌های متداول
دوربین‌های نظارتی تصاویر زیادی از محیط ثبت می‌کنند؛ اما تشخیص اینکه کدام اتفاق واقعاً به بررسی نیاز دارد، همچنان یکی از چالش‌های مراکز کنترل است. بارش باران، تغییر سایه‌ها یا عبور عادی افراد ممکن است هشدارهایی ایجاد کند که بررسی آن‌ها زمان و تمرکز اپراتورها را بگیرد.
تحلیل هوشمند ویدئو زمانی ارزش عملیاتی پیدا می‌کند که به تشخیص رویدادهای مهم و تصمیم‌گیری بهتر کمک کند. راهکار IntentSentinel، حاصل همکاری شرکت لنر و MicroIP، با همین هدف معرفی شده است: ترکیب هوش مصنوعی لبه، قواعد قابل تنظیم و تحلیل پیشرفته ابری برای تبدیل تصاویر دوربین به رویدادهایی قابل بررسی و پیگیری.
چرا هشدارهای بیشتر، لزوماً به نظارت بهتر منجر نمی‌شوند؟
در برخی سامانه‌های تحلیل تصویر، تشخیص حرکت یا حضور یک فرد برای تولید هشدار کافی است. با این حال، اهمیت یک رویداد به شرایط محیط، توالی رفتار و قواعد تعریف‌شده برای آن محل بستگی دارد.
این مسئله سه چالش اصلی ایجاد می‌کند:
خستگی اپراتور از هشدارهای غیرضروری
وقتی اپراتور روزانه با تعداد زیادی اعلان کم‌اهمیت مواجه می‌شود، بررسی هر هشدار دشوارتر خواهد شد. این وضعیت می‌تواند احتمال نادیده گرفتن یک رویداد امنیتی یا ایمنی واقعی را افزایش دهد.
وابستگی به ارسال مداوم ویدئو به ابر
انتقال پیوسته تصاویر خام به زیرساخت ابری، پهنای باند مصرف می‌کند و می‌تواند هزینه، تأخیر و دغدغه‌های مربوط به محل نگهداری داده را افزایش دهد.
دشواری تطبیق سامانه با نیاز هر مجموعه
شرایط یک انبار با یک ساختمان اداری یا محوطه صنعتی یکسان نیست. در سامانه‌هایی با مدل‌های بسته و انعطاف‌پذیری محدود، حتی تغییرات کوچک در قواعد تشخیص ممکن است به به‌روزرسانی سازنده وابسته باشد.
IntentSentinel چیست و چگونه کار می‌کند؟
IntentSentinel یک راهکار تحلیل هوشمند ویدئو است که پردازش محلی تصاویر را با تحلیل تکمیلی در ابر ترکیب می‌کند.
در این معماری، کامپیوتر هوش مصنوعی لبه EAI-I233 شرکت لنر وظیفه تشخیص، ردیابی و اجرای قواعد رویداد را در محل بر عهده دارد. سپس فقط کلیپ‌های علامت‌گذاری‌شده برای تحلیل عمیق‌تر به مدل بینایی‌ـ‌زبانی یا VLM در ابر ارسال می‌شوند.
مدل بینایی‌ـ‌زبانی می‌تواند اطلاعات بصری را همراه با مفاهیم زبانی پردازش کند. در این راهکار، چنین تحلیلی به ارائه توضیح ساختاریافته درباره رویداد و دلیل نیاز آن به بررسی کمک می‌کند.
۱. بررسی رفتار در چند فریم متوالی
یک تصویر ثابت همیشه برای قضاوت درباره یک اتفاق کافی نیست. برای مثال، حضور فردی کنار یک ورودی می‌تواند بخشی از رفت‌وآمد عادی یا رفتاری نیازمند بررسی باشد؛ تفاوت این دو به توالی رفتار و قواعد همان محل بستگی دارد.
IntentSentinel با بررسی چند فریم متوالی، اطلاعات ردیابی، رفتار قابل مشاهده، شرایط صحنه و قواعد از پیش تعیین‌شده را کنار هم قرار می‌دهد.
منظور از «تحلیل قصد» در اینجا، ارزیابی زمینه رفتاری رویداد است؛ نه تشخیص قطعی نیت ذهنی افراد. تمرکز راهکار معرفی‌شده نیز بر رفتار و اتفاقات محیط است و بر شناسایی چهره، هویت اشخاص یا پلاک خودرو تکیه ندارد.
۲. پردازش در محل، تحلیل تکمیلی در ابر
در معماری IntentSentinel، جریان اصلی ویدئو در محل باقی می‌ماند و تشخیص اولیه به‌صورت محلی انجام می‌شود. تنها کلیپ‌های رویدادهای علامت‌گذاری‌شده برای تحلیل تکمیلی ارسال می‌شوند.
این تقسیم کار، نیاز به انتقال پیوسته تصاویر خام را کاهش می‌دهد و کنترل بیشتری بر داده‌های ارسالی ایجاد می‌کند. طبق معرفی راهکار، کلیپ‌های منتخب هنگام انتقال رمزنگاری می‌شوند و مراحل پردازش قابلیت ردیابی و ممیزی دارند.
کنسول کنترل می‌تواند کاملاً در شبکه محلی فعالیت کند. اپلیکیشن موبایل نیز بسته به شیوه استقرار، از طریق درگاه محلی یا واسط ابری امن متصل می‌شود. البته محلی بودن کنسول به معنای اجرای محلی تمام قابلیت‌ها نیست؛ تحلیل پیشرفته VLM در معماری معرفی‌شده، در ابر انجام می‌شود.
۳. اتصال هشدار به فرایند رسیدگی
هشدار زمانی مفید است که اپراتور بتواند موقعیت را بفهمد و اقدام مناسب را انتخاب کند. IntentSentinel این فرایند را از تشخیص تا ثبت نتیجه دنبال می‌کند:
سامانه یک رویداد غیرعادی را در چند فریم شناسایی می‌کند.
کلیپ رویداد و توضیح ساختاریافته تحلیل در کنسول کنترل نمایش داده می‌شود.
مسئول نظارت، وضعیت را بررسی و در صورت نیاز نیروی پاسخ‌گو اعزام می‌کند.
ویدئو و موقعیت رویداد از طریق اپلیکیشن موبایل در اختیار نیروی میدانی قرار می‌گیرد.
نتیجه بررسی و رسیدگی ثبت می‌شود.
تصمیم‌های اپراتور نیز در سامانه ثبت می‌شوند تا سابقه‌ای قابل پیگیری از تشخیص اولیه تا پایان رسیدگی وجود داشته باشد. این سابقه یا Audit Trail برای بازبینی عملکرد و بررسی نحوه مدیریت رویدادها کاربرد دارد.
۴. بهبود با بازخورد انسانی و قواعد قابل تنظیم
شرایط محیطی و نیازهای نظارتی در طول زمان تغییر می‌کنند. IntentSentinel امکان بازبینی کلیپ‌های علامت‌گذاری‌شده توسط افراد مجاز را فراهم می‌کند و فقط داده‌های تأییدشده انسانی برای بهبود درک سامانه از رویدادهای همان محل استفاده می‌شوند.
قواعد محلی نیز می‌توانند متناسب با نیاز بهره‌بردار تنظیم شوند؛ بدون اینکه هر تغییر در قواعد، الزاماً به بازسازی کامل مدل هوش مصنوعی نیاز داشته باشد.
نقش سخت‌افزار EAI-I233 شرکت لنر در این راهکار
زیرساخت پردازش محلی IntentSentinel، دستگاه EAI-I233 شرکت لنر مبتنی بر NVIDIA Jetson AGX Orin است. این پلتفرم برای اجرای استنتاج هوش مصنوعی در لبه شبکه طراحی شده است؛ یعنی پردازش داده‌ها نزدیک به محل تولید آن‌ها.
در این راهکار، تقسیم وظایف به شکل زیر است:
| بخش | نقش |
|---|---|
| سخت‌افزار EAI-I233 | تأمین زیرساخت محاسباتی برای پردازش محلی تصاویر |
| نرم‌افزار MicroIP | فراهم کردن منطق تحلیل، ردیابی و مدیریت رویداد |
| مدل بینایی‌ـ‌زبانی ابری | تحلیل تکمیلی کلیپ‌های منتخب |
| کنسول و اپلیکیشن موبایل | نمایش رویداد، هماهنگی پاسخ و ثبت نتیجه |
طراحی حرارتی صنعتی، بهره‌وری انرژی و پشتیبانی از چرخه عمر طولانی، از ویژگی‌هایی هستند که در معرفی این پلتفرم مورد تأکید قرار گرفته‌اند. انتخاب پیکربندی مناسب برای هر پروژه باید بر اساس تعداد دوربین‌ها، کیفیت تصاویر، مدل‌های پردازشی و شرایط نصب انجام شود.
این رویکرد برای چه محیط‌هایی قابل بررسی است؟
معماری IntentSentinel می‌تواند برای مجموعه‌هایی که هم با حجم زیاد تصاویر و هم با نیاز به پیگیری منظم رویدادها مواجه‌اند، قابل بررسی باشد. نمونه‌های پیشنهادی عبارت‌اند از:
کارخانه‌ها و محوطه‌های صنعتی: بررسی رویدادهای مرتبط با محدوده‌های تعریف‌شده و ارجاع آن‌ها به مسئول مربوط.
انبارها و مراکز لجستیکی: ارزیابی اتفاقات محوطه و ورودی‌ها بر اساس قواعد عملیاتی.
ساختمان‌های سازمانی و پردیس‌ها: هماهنگی میان اتاق کنترل و نیروهای مستقر در محل.
پارکینگ‌ها و محوطه‌های پیرامونی: بررسی رفتارهای نیازمند توجه در توالی ویدئو.
این موارد، سناریوهای پیشنهادی برای ارزیابی هستند. امکان اجرای هر کاربرد باید با توجه به قابلیت‌های نرم‌افزار، زاویه دوربین‌ها، کیفیت تصویر و آزمون در محیط واقعی تأیید شود.
پیش از اجرای پروژه چه مواردی باید مشخص شوند؟
برای طراحی یک سامانه نظارت تصویری هوشمند، تعداد دوربین‌ها تنها معیار انتخاب نیست. تعریف دقیق رویدادهای مهم، زمان مورد انتظار برای پاسخ‌گویی، دسترسی به سرویس ابری و سیاست نگهداری داده نیز در طراحی اثر دارند.
در مرحله ارزیابی بهتر است این موارد روشن شوند:
چه رفتارها یا رویدادهایی باید هشدار ایجاد کنند؟
چه کلیپ‌هایی مجاز به خروج از شبکه محلی هستند؟
چه کسی هشدار را بررسی می‌کند و مسئول اقدام بعدی کیست؟
عملکرد سامانه با چه شاخص‌هایی، مانند هشدارهای غیرضروری و رویدادهای ازدست‌رفته، سنجیده می‌شود؟
در صورت قطع ارتباط با ابر، چه قابلیت‌هایی در دسترس خواهند بود؟
اجرای یک پایلوت با تصاویر واقعی مجموعه، مبنای مناسب‌تری برای ارزیابی عملکرد و تعیین ظرفیت مورد نیاز فراهم می‌کند.
بررسی زیرساخت هوش مصنوعی لبه با ناوک هوشمند پویان
برای بررسی زیرساخت سخت‌افزاری پروژه‌های تحلیل هوشمند ویدئو، می‌توانید نیازهای مجموعه خود را با تیم ناوک هوشمند پویان مطرح کنید. تعداد دوربین‌ها، شرایط محل نصب و نوع تحلیل مورد انتظار، نقطه شروع انتخاب و ارزیابی پلتفرم مناسب لنر هستند.
برای مشاوره انتخاب سخت‌افزار و بررسی امکان تست متناسب با پروژه، با کارشناسان ناوک هوشمند پویان در ارتباط باشید.
پرسش‌های متداول
این راهکار به تغییر تصویر یا مشاهده حرکت محدود نمی‌شود؛ توالی رفتار در چند فریم، اطلاعات ردیابی، شرایط صحنه و قواعد تعریف‌شده را برای ارزیابی رویداد بررسی می‌کند.
خیر. در معماری معرفی‌شده، جریان اصلی ویدئو در محل باقی می‌ماند و فقط کلیپ‌های علامت‌گذاری‌شده برای تحلیل تکمیلی به ابر ارسال می‌شوند.
خیر. تشخیص، ردیابی و اجرای قواعد در محل انجام می‌شوند، اما تحلیل تکمیلی VLM به سرویس ابری وابسته است. رفتار دقیق سامانه هنگام قطع ارتباط باید در طراحی پروژه بررسی شود.
فرایند معرفی‌شده بر همکاری سامانه و نیروی انسانی تکیه دارد. سامانه اطلاعات رویداد را آماده می‌کند و اپراتور درباره بررسی، اعزام نیرو و رسیدگی تصمیم می‌گیرد.
در مقاله مبنا، درصد مشخصی اعلام نشده است. میزان بهبود باید با توجه به شرایط محیط، قواعد تنظیم‌شده و نتایج آزمون میدانی سنجیده شود.
محصولات ویژه
EAI-I233
سامانه استنتاج هوش مصنوعی مجهز به NVIDIA® Jetson AGX Orin
| CPU | NVIDIA® Jetson AGX Orin |
| Chipset | N/A |
بدون دیدگاه