Yapay Zeka, Video Gözetim Sistemlerini Dönüştürüyor; Ama nasıl?

IBM'in Deep Blue bilgisayarının 1996 yılında dünya şampiyonu Garry Kasparov'a karşı ilk satranç oyununu kazandığında insanla, bilgisayarların rekabette ne kadar güçlü olabileceklerini ilk kez anlamıştı. O zamandan bu yana sadece bilgi işlem gücü katlanarak büyümekle kalmadı, aynı zamanda maliyeti de önemli ölçüde düştü.

Her geçen gün hız kazanan teknolojik trendler ve yapay zeka algoritmalarındaki ilerlemelerle birlikte, bazı durumlarda insanlardan bile daha iyi görev yapabilen sistemlerin geliştirilmesini sağladı. Vİdeo gözetimi bu önemli görevlerden biridir. Yapılan araştırmalara göre, 2017 yılı sonunda - tahmini 300 milyon kameradan gönderilen veriler günde yaklaşık 2.5 milyar exabyte veri oluşturulacak. Böylesi bir veri yoğunluğu, sektördeki oyuncular için şüphesiz büyük fırsatları da beraberinde getirecek.

Video Gözetim Sistemlerindeki Başlıca Zorluklar

Gözetim operatörleri için en önemli problem dikkat yorgunluğudur. Beyin faaliyetleri doğal olarak dikkat ve dağılma dönemlerine sahiptir. Ancak, gözetim sırasında dikkat dağınıklığı, telafisi mümkün olmayan sonuçlar doğurabilir. Gözetim sistemi için dikkati hiçbir zaman dağılmayan ve hataları ortadan kaldırmak için insanlarla birlikte çalışan biri olsa nasıl olurdu? Video gözetiminde yapay zekanın vaadi budur.
Yapay zekanın dikkati dağılmasa da bilgisayarlar gerçekten insan beyni gibi çalışmazlar En azından şimdilik. Örneğin bilgisayarlar yalnızca dijital sistemler iken beyin hem analog hem de dijital özellikler gösterir. Bu yüzden modellemek daha karmaşıktır. Nöromorfik hesaplama, insan beyninin nasıl çalıştığını anlamaya ve bu özelliklerin bir kısmını bilgisayarlara belirli işlevlerde daha iyi hale getirmeye çalışan bilimdir. Örneğin bir cep telefonu işlemcisi, bu tür işlemlerin 100 milyarını bir saniyede tamamlayabilir. Beynimiz bu işlemleri yapmak için gelişmedi. Bununla birlikte çevremizden toplanan bilgilerin akışına algılama, işleme ve tepki vermede son derece iyi. Yapay zeka bu karakteristiğe sahip olduğu için video gözetim sistemlerinde devrim yaptı.

Yapay Zekanın Erken Gelişimi

2012 yılına kadar bilgisayarlar pek çok farklı resim türünü tanımıyordu ancak Alex Krishevsky tarafından geliştirilen bir algoritma bunu değiştirdi. Krishevsky çeşitli hesaplama öğeleri ile ağı simule ederek eğitilebileceğini, nesne tanıma ve sınıflandırmanın başarılabileceğini gösterdi. Bu ağın topolojisi beyin hücrelerinin (nöronların) topolojisine benziyordu, Bu nedenle yapay sinir ağı adını aldı. Krishevsky'nin temel hesaplama öğesi, bir konvolüsyon ve filtreleme yapan bir matematik işlevi türüdür. Bu nedenle bu tür ağlar, konvolüsyon sinir ağları (convolutional neural networks- CNN) olarak bilinir hale geldi.

Yapay zekada öğrenme süreci çok fazla hesaplama gerektirir. Güçlü bulut bilgisayarları için görevi tamamlamak günler veya haftalar alabilir. Diğer bir zorluk sistemin eğitilmek için geniş bir veri tabanına sahip olması. Görüntü tanımada bu, her nesnenin etiketlendiği çok sayıda resim toplanması anlamına gelir. Sistemin öğreneceği işle ilgili tüm nesneleri tanımak için milyonlarca eğitim döngüsü ve milyonlarca etiketli görüntü gerekli olabilir.

Özetlemek gerekirse, CNN'ler video gözetimini geliştirmek için kullanılabilir, ancak yalnızca önemli miktarda işlemci gücü ve muazzam miktarda eğitim verisi ile kullanılabilir.

Spiking Sinir Ağı (SNN) ve Video Gözetimi

SNN'ler, beynin çalışma biçiminin farklı yönlerini simüle etmeye çalışırlar. Beyinlerimiz kısa enerji hatları üretirler. Bunlar çeşitli zamanlarda birbirlerine göre oluşurlar. Beynimiz, renkler ve görüntü segmentleri de dahil olmak üzere görsel ve diğer uyaranları, nöronlar tarafından işlenen hatlara dönüştürür. Sinapslar nöronları bir araya getirir ve her sinaps, elektrik enerjisi tarafından belirlenen bir değeri depolayan küçük bir hafızaya sahiptir.

Peki bu videonun görüntü sınıflandırması için ne anlama geliyor? Günümüzün SNN teknolojisi, tek bir resimden videolardaki kalıpları ve kişileri bulabilir. Örneğin, canlı video akışlarında bir şüpheli arayan bir polis merkezi, o şüphelinin binlerce görüntüsüne sahip değildir. CNN sistemini eğitmek için haftaları da yoktur. SNN tabanlı bir sistemde görüntü 24 x 24 piksel kadar küçük olabilir. Yüksek çözünürlüklü olması gerekmez. Teknoloji gerçek zamanlı olarak öğrenir. Bunun için tipik bir x86 masaüstü bilgisayar veya sunucu yeterlidir. Pahalı donanım veya altyapı yükseltmeleri gerektirmeden eski sistemlerle kullanılabilir. SNN teknolojisi sadece yazılım çözümü olarak uygulanabilir veya FPGA tabanlı bir PCIe eklenti kartı kullanılarak hızlandırılabilir.

Sadece birkaç yıl öncesine kıyasla makineler için imkânsız görünen görevler rutin hale geliyor. CNN'ler ileriye doğru atılmış önemli bir adımdır, ancak SNN'ler belki de bugün değerli yeni yetenekleri ana video gözetimine getirmek için en büyük potansiyele sahiptir.