Inteligencia artificial para videovigilancia

Ante la incapacidad de los guardias humanos para vigilar los monitores de vigilancia a largo plazo, la primera solución fue añadir detectores de movimiento a las cámaras. Se pensó que el movimiento de un intruso o agresor enviaría una alerta al operador de monitoreo remoto, eliminando la necesidad de vigilancia humana constante. El problema radicaba en que, en exteriores, existe un movimiento constante o cambios de píxeles que componen la imagen total en pantalla. El movimiento de las hojas de los árboles meciéndose con el viento, la basura en el suelo, los insectos, los pájaros, los perros, las sombras, los faros de los coches, los rayos del sol, etc., constituyen movimiento. Esto provocaba cientos o incluso miles de falsas alarmas diarias, lo que hacía que esta solución fuera inoperable, excepto en interiores y fuera del horario laboral.

La siguiente evolución redujo las falsas alarmas en cierta medida, pero a costa de una calibración manual compleja y laboriosa. En este caso, se detectan los cambios de un objetivo, como una persona o un vehículo, con respecto a un fondo fijo. Cuando el fondo varía estacionalmente o debido a otros factores, la fiabilidad disminuye con el tiempo. El coste económico de responder a demasiadas falsas alarmas volvió a ser un obstáculo, y esta solución resultó insuficiente.

Una de las características más poderosas del sistema es que un agente u operador humano, al recibir una alerta de la IA, podía hablar inmediatamente con el intruso a través de altavoces exteriores. Esto tenía un alto valor disuasorio, ya que la mayoría de los delitos son oportunistas y el riesgo de ser capturado se acentúa tanto cuando una persona real le habla que es muy probable que desista de la intrusión y se retire. El agente de seguridad describiría las acciones del intruso para que este no tuviera ninguna duda de que una persona real lo estaba observando. El agente anunciaría que el intruso estaba infringiendo la ley, que se estaba contactando a las autoridades y que estaba siendo grabado en vídeo. ^{[ 9 ]}

La policía recibe una enorme cantidad de falsas alarmas de sistemas antirrobo . De hecho, el sector de la seguridad informa que más del 98% de estas alarmas son falsas. Por consiguiente, la policía da muy poca prioridad a las alarmas antirrobo y puede tardar entre veinte minutos y dos horas en llegar al lugar. En cambio, el delito detectado mediante análisis de vídeo se notifica al operador de la central de monitoreo, quien verifica personalmente que se trata de un delito real en curso. Acto seguido, avisa a la policía, que da máxima prioridad a estas llamadas.

Mediante el análisis del comportamiento, una IA autodidacta, sin reglas predefinidas, toma los datos de las cámaras de vídeo y clasifica continuamente los objetos y eventos que observa. Por ejemplo, una persona cruzando la calle es una clasificación. Un grupo de personas es otra. Un vehículo es una clasificación, pero con el aprendizaje continuo se podría distinguir un autobús público de un camión pequeño y este último de una motocicleta. Con una mayor sofisticación, el sistema reconoce patrones en el comportamiento humano. Por ejemplo, podría observar que las personas pasan por una puerta de acceso controlado de una en una. La puerta se abre, la persona presenta su tarjeta de proximidad o etiqueta, pasa y la puerta se cierra. Este patrón de actividad, observado repetidamente, constituye la base de lo que se considera normal desde la perspectiva de la cámara que observa la escena. Ahora bien, si una persona autorizada abre la puerta, pero una segunda persona no autorizada la agarra antes de que se cierre y pasa, esa es la clase de anomalía que generaría una alerta. Este tipo de análisis es mucho más complejo que el análisis basado en reglas. Mientras que el análisis basado en reglas funciona principalmente para detectar intrusos en áreas donde normalmente no hay nadie presente en determinados momentos del día, el análisis de comportamiento funciona donde las personas están activas para detectar cosas que se salen de lo común.

Un incendio al aire libre sería un evento inusual y activaría una alerta, al igual que una columna de humo ascendente. Los vehículos que circulan en sentido contrario en una entrada de un solo sentido también serían un ejemplo típico de un evento con una fuerte señal visual y se desviarían del patrón observado repetidamente de vehículos que circulan correctamente en el carril. Que un atacante arroje a alguien al suelo sería un evento inusual que probablemente activaría una alerta. Esto depende de la situación. Por lo tanto, si la cámara observara un gimnasio donde se practica lucha libre, la IA aprendería que es habitual que una persona arroje a otra al suelo, en cuyo caso no activaría una alerta.

La IA no sabe ni comprende qué es un ser humano, un fuego o un vehículo. Simplemente identifica las características de estos elementos basándose en su tamaño, forma, color, reflectividad, ángulo, orientación, movimiento, etc. Luego, descubre que los objetos que ha clasificado presentan patrones de comportamiento típicos. Por ejemplo, los humanos caminan por las aceras y, a veces, por las calles, pero no suelen trepar por las fachadas de los edificios. Los vehículos circulan por las calles, pero no por las aceras. Por lo tanto, el comportamiento anómalo de alguien escalando un edificio o de un vehículo desviándose hacia la acera activaría una alerta.

Los sistemas de alarma típicos están diseñados para detectar sin problemas los verdaderos positivos (eventos delictivos reales) y minimizar la tasa de falsas alarmas. En este sentido, las alarmas antirrobo detectan muy pocos verdaderos positivos, pero presentan una tasa de falsas alarmas muy alta, incluso en entornos interiores controlados. Las cámaras con detección de movimiento detectan algunos verdaderos positivos, pero sufren una gran cantidad de falsas alarmas en exteriores. Los análisis basados ​​en reglas detectan de forma fiable la mayoría de los verdaderos positivos y tienen una baja tasa de falsas alarmas, pero no funcionan en entornos con actividad, solo en entornos vacíos. Además, se limitan a la simple discriminación de la presencia o ausencia de un intruso.

Algo tan complejo o sutil como una pelea o que un empleado incumpla un procedimiento de seguridad no puede ser detectado ni discriminado por un análisis basado en reglas. Con el análisis de comportamiento, sí. Los lugares donde la gente se mueve y trabaja no presentan problemas. Sin embargo, la IA puede detectar muchas cosas que parecen anómalas pero que son inofensivas. Por ejemplo, si los estudiantes de un campus caminan por una plaza, se considerará normal. Si un par de estudiantes decidieran llevar una sábana grande al aire libre ondeando al viento, eso sí podría activar una alerta. El responsable de la monitorización sería alertado, revisaría su monitor y vería que el evento no representa una amenaza, por lo que lo ignoraría. El grado de desviación de la norma que activa una alerta se puede configurar para que solo se informen las cosas más anormales. Sin embargo, esto constituye una nueva forma de interacción entre humanos e IA que no se corresponde con la mentalidad tradicional de la industria de las alarmas. Esto se debe a que habrá muchas falsas alarmas que, no obstante, pueden ser valiosas para un agente humano que pueda observar rápidamente la situación y determinar si requiere una respuesta. En este sentido, es como un "toque en el hombro" de la IA para que el humano observe algo.

Debido a que se procesan continuamente muchos datos complejos, el software realiza muestreos a una resolución muy baja de solo 1 CIF para ahorrar recursos computacionales. Esta resolución de 1 CIF implica que un objeto del tamaño de una persona no se detectará si la cámara utilizada es gran angular y la persona se encuentra a más de 18 a 24 metros de distancia, según las condiciones. Los objetos más grandes, como vehículos o humo, se detectarían a mayores distancias.

La utilidad de la inteligencia artificial para la seguridad no existe en el vacío, y su desarrollo no fue impulsado únicamente por estudios académicos o científicos. Más bien, responde a necesidades del mundo real y, por ende, a fuerzas económicas. Su uso para aplicaciones no relacionadas con la seguridad, como la eficiencia operativa, el mapeo de calor de compradores en áreas de exhibición (es decir, cuántas personas se encuentran en un área determinada en un espacio comercial) y la asistencia a clases, son usos en desarrollo. ^{[ 11 ]} Los humanos no están tan bien capacitados como la IA para recopilar y reconocer patrones que consisten en conjuntos de datos muy grandes que requieren cálculos simultáneos en múltiples ubicaciones vistas remotamente. No hay nada intrínsecamente humano en tal percepción. Se ha demostrado que esta multitarea desvía la atención y el rendimiento humanos. Las IA tienen la capacidad de manejar tales datos. Para fines de seguridad, al interactuar con cámaras de video, funcionalmente tienen una mejor agudeza visual que los humanos o la aproximación de la máquina a la misma. Para juzgar las sutilezas de los comportamientos o intenciones de los sujetos o los grados de amenaza, los humanos siguen siendo muy superiores en el estado actual de la tecnología. Así pues, la IA en seguridad funciona para realizar un escaneo amplio que va más allá de la capacidad humana y para examinar los datos hasta un primer nivel de clasificación por relevancia, alertando al agente humano, quien entonces asume la función de evaluación y respuesta.

En el mundo práctico, la seguridad se determina económicamente, de modo que el gasto en seguridad preventiva rara vez supera el costo percibido del riesgo a evitar. Los estudios han demostrado que las empresas suelen gastar solo una veinticincoava parte de lo que les cuestan sus pérdidas reales en seguridad. ^{[ 12 ]} Lo que, según la teoría económica pura, debería ser una equivalencia u homeostasis, dista mucho de serlo. Una teoría que explica esto es la disonancia cognitiva , o la facilidad con la que se pueden apartar de la mente consciente cosas desagradables como el riesgo. Sin embargo, la seguridad representa un gasto importante, y la comparación de los costos de los diferentes medios de seguridad es siempre una prioridad para los profesionales de la seguridad.

Otra razón por la que las futuras amenazas o pérdidas de seguridad se subestiman es que, a menudo, solo se considera el costo directo de una posible pérdida, en lugar del conjunto de pérdidas consecuentes que se experimentan simultáneamente. Por ejemplo, la destrucción por vandalismo de una máquina de producción especializada en una fábrica o de un camión frigorífico resultaría en un largo período de reemplazo durante el cual no se podría atender a los clientes, lo que provocaría la pérdida de sus negocios. Un delito violento tendrá un gran daño a la imagen pública de un empleador, más allá de la responsabilidad directa por no proteger al empleado.

El análisis del comportamiento funciona de manera única más allá de la simple seguridad y, debido a su capacidad para observar infracciones en patrones estándar de protocolos, puede encontrar eficazmente actos inseguros de los empleados que pueden resultar en incidentes de compensación laboral o responsabilidad civil. Aquí también, la evaluación de los costos de incidentes futuros no se ajusta a la realidad. Un estudio de Liberty Mutual Insurance Company mostró que el costo para los empleadores es aproximadamente seis veces el costo directo asegurado, ya que los costos no asegurados de daños consecuenciales incluyen trabajadores de reemplazo temporal, costos de contratación para reemplazos, costos de capacitación, tiempo de los gerentes en informes o tribunales, moral negativa en otros trabajadores y efecto en los clientes y las relaciones públicas. ^{[ 13 ]} El potencial de la IA en forma de análisis del comportamiento para interceptar y prevenir proactivamente tales incidentes es significativo.