El análisis de video basado en inteligencia artificial promete un salto tecnológico con grandes beneficios para los clientes. Pero solo cuando los usuarios críticos están, o en otras palabras, informados, la tecnología puede apreciarse adecuadamente. Este artículo quiere trasmitir algunos principios básicos para poder estimar adecuadamente la funcionalidad, aplicación y beneficios en cada aplicación específica.
También los sistemas tienen dificultades de aprendizaje
La tecnología de seguridad por video siempre ha incluido procesos basados en inteligencia artificial. Cada vez más aplicaciones y productos nuevos utilizan algoritmos para ofrecer nuevos análisis o para hacer que los análisis existentes sean significativamente más potentes. El objetivo es un claro valor agregado para el usuario, y los resultados hablan por sí mismos: si el procesamiento de imágenes tradicional requirió mucho esfuerzo en el pasado para reconocer de manera confiable un árbol de tormenta golpeado como una falsa alarma, hoy en día la IA lo hará cumplir sin ningún problema.
También te puede interesar ????: Inteligencia artificial para toma de decisiones éticas y morales
La principal ventaja que distingue el análisis de imágenes o video del procesamiento de imágenes tradicional y aquellos con inteligencia artificial es que los algoritmos ya no son programados ‘simples’ sino más bien ‘enseñados’ usando big data. Con estos datos, el sistema aprende a reconocer patrones y así, por ejemplo, a distinguir entre árboles e intrusos. Pero el concepto de aprendizaje automático también plantea nuevos problemas y desafíos. Un buen ejemplo de ello es la diferencia en la calidad del reconocimiento de los diferentes grupos étnicos, tema que incluso conmovió a la opinión pública. Sin embargo, la esencia es relativamente simple: solo cuando hay suficientes datos, suficiente diversidad y distribución uniforme, la IA puede aprender de manera poderosa.
Inteligencia artificial ‘buena’ y ‘mala’ – o: la calidad del sistema IA
Todo esto lleva a cuestionar el desempeño de un sistema que utiliza inteligencia artificial. ¿Qué métricas se utilizan para poder comparar, por ejemplo, dos procesos, sistemas o fabricantes diferentes? Por ejemplo, ¿qué significa «precisión de detección del 95%» o «identificación confiable» si el folleto lo prepara? ¿Qué es el 95% de precisión? Y finalmente, ¿qué es una «acreditación de confianza»?
Para hacer esto, primero debe comprender cómo se pueden evaluar las acciones de IA. El primer paso es definir la aplicación y el cliente específico para el significado de «falso» y «correcto», especialmente en casos extremos: por ejemplo, en un sistema de reconocimiento de personas, la detección también es cierta si no estás en la foto. o video ¿Ves a una persona real pero solo un anuncio de una sola persona? Deben configurarse estos y otros parámetros.
Una vez que existe esta definición, se requiere un conjunto de datos en el que se conozcan los resultados esperados exactos. La IA ahora analizará este conjunto de datos y, por lo tanto, determinará las tasas correctas de detección y error. Los cálculos aquí proporcionan al usuario diferentes métricas, como la sensibilidad (la tasa de detección esperada realmente detectada) o la precisión de los resultados (tasa de detección real). Precisión). Entonces, la «calidad» de la IA, después de todo, sigue siendo una declaración estadística sobre el conjunto de datos de evaluación que se utilizó.
¿Verano o invierno?
La utilidad real de esta declaración para los usuarios o clientes potenciales del sistema depende de la distribución del conjunto de datos. La evaluación puede dar fe del buen desempeño de detección. Pero si bien el conjunto de datos se basa únicamente en imágenes de los meses de verano, esta clasificación no proporciona información sobre la calidad de la IA en invierno porque la iluminación y las condiciones climáticas pueden variar mucho.
Entonces, en general: las afirmaciones sobre la calidad del escaneo de IA, especialmente aquellas con números duros como «99.9%», deben tomarse con precaución sin conocer todos los parámetros. Sin conocimiento del conjunto de datos utilizado, la medida aplicada y otros parámetros, no se puede hacer una declaración clara sobre cuán representativos son los resultados.
No puede haber indicaciones exactas
Cada sistema tiene sus limitaciones, por supuesto, incluido el sistema de IA. Por lo tanto, conocer los límites es un requisito previo para tomar decisiones informadas. Pero aquí también, las estadísticas y la realidad se cruzan, como vemos en el siguiente ejemplo: cuanto peor reconoce la IA los objetos en las fotos / videos, tiene sentido que sean más pequeños.
La primera pregunta, planteada del usuario es en sistema y cual es la distancia máxima hasta la que los objetos pueden ser explorados, ya que influye en el rango de las cámaras necesarias y, por tanto, en los costes del sistema. Pero no es posible determinar una distancia exacta. Simplemente no hay ningún valor que el análisis de video basado en inteligencia artificial al 100% de precisión y un valor que no sea uno que no se puede detectar. La evaluación solo puede proporcionar estadísticas aquí, por ejemplo, la precisión de detección en función del tamaño del objeto.
Mejor comparar directamente
Con respecto a los límites del sistema, se elige describir, en la medida de lo posible, límites sistemáticos con valores mínimos o máximos especificados: por ejemplo, en las fichas técnicas del producto. Entre estos, habrá una distancia mínima o precisión mínima. Esto tiene sentido porque el cliente o instalador necesita una referencia para poder evaluar el sistema.
Sin embargo, por supuesto, todavía hay mucha incertidumbre, por ejemplo, si el fabricante ha indicado estos valores límite con cautela u optimismo. Los usuarios deben tener en cuenta que es posible que no existan limitaciones claras y específicas en el análisis de video basado en inteligencia artificial. Para cualquier sistema debería ser así: incluso en presencia de ciertos errores en los parámetros, y al mismo tiempo, en las condiciones adecuadas, se pueden producir resultados útiles, incluso superando los límites.
Si los usuarios quieren determinar la verdadera calidad de los análisis basados en IA, esto solo puede ser posible mediante la comparación directa; La cantidad y los parámetros de diferentes fabricantes son muy diferentes. Además, las condiciones de entrada y de marco deben, por supuesto, ser las mismas en todos los sistemas. Las pruebas reales con productos de demostración, prestados o similares, son una buena perspectiva para esto.
Además, el rendimiento del sistema se muestra solo en el caso de uso deseado. Esto también es clave para evaluar el rendimiento de los sistemas de IA en general: depende completamente de usted utilizarlo en cada caso. Esto debe determinarse con la mayor precisión posible. Entonces, con la solución adecuada, será posible lograr un valor agregado real para los clientes.