Ett stort problem med videoövervakning i dag är mängden insamlad information samt den tid det tar för operatörer att manuellt övervaka skärmar. Men med Irisitys algoritmbaserade AI-lösning agerar systemet själv.
– Systemet analyserar och filtrerar videodata i realtid och skickar larm till larmcentral först när en detektion faktiskt görs. Tusentals timmar video kan därmed filtreras ner till endast några enstaka minuter, vilket drastiskt ökar effektiviteten och förbättrar arbetsmiljön i bevakningsverksamheten, säger Marcus Bäcklund.
Med hjälp av AI och computer vision analyseras varje bild i en kameraström med hög noggrannhet och precision för att upptäcka otillåten aktivitet i definierade zoner. Systemet utför en pixelanalys av bilden och en objektklassificering för att avgöra om en rörelse avser en människa, ett djur, eller ett objekt. När otillåten eller udda aktivitet upptäcks, som exempelvis intrång, brand, fall, kvarlämnade objekt eller våldsamt beteende larmar systemet direkt till säkerhetscentralen som kan se till att rätt åtgärd tas.
För att inte kränka integriteten appliceras maskering, antingen genom fullständig anonymisering, som används vid känsliga installationer som exempelvis skolor, eller genom att utvalda delar maskeras ut så att endast relevanta delar av scenen med tillstånd för kamerabevakning spelas in eller övervakas.
– Som företag verkar vi för att skapa smart teknologi för att skydda människor och tillgångar – inte att inskränka på den personliga integriteten. Mer specifikt utvecklar eller tillämpar inte Irisity ansiktsigenkänning eller någon annan teknik för att identifiera individers identitet. Vi arbetar inte heller för att kategorisera eller systematisera inspelad videodata baserat på personliga egenskaper som utseende, etnicitet, kläder eller liknande, säger Marcus Bäcklund.
Hur står tekniken sig mot cyberhot och kriminella som vill hacka systemet?
– Vi har mycket rigorösa procedurer kring hur vi systematiskt lär upp och tränar systemet som sedan själv kan känna igen scenarier, människor och beteenden. En nyckel i detta är att ha tillräckligt mycket relevant och annoterad träningsdata, både situationer som systemet skall larma på och situationer som systemet inte skall larma på. Självklart är det också viktigt att i träningen av systemet specifikt ta hänsyn till situationer som kan lura andra kamerabaserade system, så som regn, snö, dåliga installationer, lågupplösta kameror till exempel.
– I hela händelsekedjan kommer människan alltid vara en nyckel. På larmcentralen för att göra en nyanserad bedömning av situationen som helhet, och på plats för att avhysa inkräktare eller skapa en fysisk trygghet. Men det är smart att låta maskiner göra det de är bra på. Det finns en helt annan acceptans för kameradrivna lösningar och många är överens om att kameran i många fall är en överlägsen sensor i och med att den utöver larmet via en videosekvens ger kontext till situationen. Tekniskt går utvecklingen av hårdvara fort och vi har helt andra ”muskler” att intelligent bearbeta videodata och ta beslut baserat på det. Framåt tror vi att mer och mer intelligenta algoritmer kommer kunna köras direkt i kameran eller på specialiserad hårdvara nära kameran, avslutar Marcus Bäcklund.
