Por Rafael Kechichian*
Hoje em dia é comum ouvir a expressão inteligência artificial (IA), mas na verdade, o que isso significa?
É fácil imaginar que tudo o que é chamado de “smart” seja algo inteligente, mas isso não é necessariamente bem assim. Um exemplo recorrente na indústria são as análises inteligentes, que apesar de possuírem essa denominação, em sua maioria representam algoritmos pré-definidos que dependem de alguém para modificá-los, atualizá-los e aprimorá-los, ou seja, eles não aprendem inevitavelmente algo novo, com a passagem do tempo.
Tradicionalmente, a análise de vídeo tem sido baseada em regras definidas por um programador humano. Em comparação, a tecnologia de análise baseada em IA pode aprender diretamente a partir do vídeo
Em sua forma mais básica, IA refere-se à capacidade da máquina de aprender por si mesma, diferente do aprendizado de máquina (machine learning), que se refere a como a IA está sendo aplicada na avaliação de dados, tanto em um nível superficial, como em um nível profundo. Nós temos também os analíticos, que geralmente são um conceito que abrange todos os resultados apresentados ao usuário, mas que não estão necessariamente relacionados com a IA.
A inteligência artificial e os analíticos de vídeo
Tradicionalmente, a análise de vídeo tem sido baseada em regras definidas por um programador humano, que estabelece parâmetros fixos para cada situação que o sistema deva reconhecer. Em comparação, a tecnologia de análise de conteúdo baseada em IA, pode aprender diretamente a partir do vídeo, sobre objetos, seus relacionamentos entre si e seus comportamentos.
Isso permite identificar os objetos de maneira “inteligente” e classificar as situações. O sistema poderá compreender, quando ocorrer um comportamento normal ou anormal, e alertar o operador sobre atividades incomuns, o que levará ao desenvolvimento de sistemas preditivos no futuro.
A inteligência artificial e o aprendizado de máquina são aplicados a dispositivos e equipamentos, para obter funções que o ser humano não poderia realizar; por exemplo, sentar-se e observar as imagens de todas as câmeras simultaneamente.
Nossa atenção não funciona dessa maneira, mas as máquinas são extremamente adequadas e detalhadas para essa finalidade. Aproveitar os dados e vídeos dos dispositivos é a base para combinar a inteligência da máquina com o julgamento humano.
Em outros termos, a inteligência artificial é a evolução da análise de vídeo. Mas, ao invés de criar algoritmos em torno de algo que estamos vendo, ela está construindo sistemas que realmente aprendem o que está ocorrendo no momento do fato. Inerentemente, a qualidade continuará evoluindo ao longo do tempo, e isso nos ajudará a impulsionar uma melhor adoção, com uma melhor qualidade.
Aprendizagem do superficial ao profundo
Devido às limitações da capacidade de processamento de hardware, o aprendizado de máquina conseguia implementar apenas um aprendizado superficial de conjuntos de dados muito grandes. Com os recentes e significativos avanços, no potencial de processamento das unidades de processamento gráfico (GPUs), podemos agora usar uma abordagem de aprendizado profundo, na qual conseguimos avaliar dados, em muitos outros níveis ou dimensões; daí a correlação com a palavra “fundo”.
A Milestone recodificou seu software para usar uma codificação chamada paralelização, que permite dividir um único problema em centenas de problemas menores e, assim, permitir que sejam distribuídos nos núcleos de processamento
A Milestone, por exemplo, migrou para essa nova plataforma de computação de GPU, recodificando nosso software para usar um novo tipo de codificação denominado paralelização. A paralelização do software é uma técnica de codificação para dividir um único problema em centenas de problemas menores. O software pode executar esses 100 ou 1.000 processos em 1.000 núcleos de processamento, ao invés de esperar que um único núcleo processe os dados 1.000 vezes.
Com a paralelização, há um grande avanço na rapidez com a qual podemos resolver um problema. E quanto mais rápido ocorre a resolução de um problema, mais profundamente se pode processar os conjuntos de dados.
Desafios em um futuro inteligente
Historicamente, o grande desafio da IA tem sido a capacidade de processamento, pois se necessita de uma grande quantidade de computação, para processar todos esses dados. No entanto, com a NVIDIA, o processo de computação já não é mais um problema.
Agora, o desafio para a arquitetura e a infraestrutura geral desses projetos, está em como iremos assegurá-los. Eles representam uma grande quantidade de dados, e se esses são valiosos para nós, provavelmente o sejam também para outras pessoas. Então, como podemos manter o controle sobre isso? Essa é provavelmente a principal lacuna que observamos na maioria das implementações: falta de atenção em relação aos elementos da cibersegurança.
Nós ainda estamos na infância da inteligência artificial. Demorará muito tempo até que a IA tenha o potencial de substituir as capacidades de uma equipe humana. O cenário mais provável, é que a inteligência artificial seja utilizada para processar muito mais dados em muito menos tempo, o que permitirá que os usuários finais tomem decisões melhores com mais rapidez.
Nós ainda estamos na infância da inteligência artificial. Nós precisamos das pessoas e apenas queremos dar-lhes melhores dados para as suas tomadas de decisão.
Nós precisamos das pessoas, e apenas queremos dar-lhes melhores dados para as suas tomadas de decisão; pessoas que desenvolvam uma opinião sobre os dados fornecidos, e o vídeo será, sem dúvida, uma ferramenta crucial nesse processo, garantindo o acesso visual em tempo real, convertendo os dados em informação visual.
Combinar a inteligência da máquina com o julgamento humano é um pré-requisito para potencializar ao máximo os dados gerados pelos ambientes de IoT (Internet das Coisas). E não tenho dúvidas de que o vídeo será a base para as pessoas confiarem nesses dados no futuro.
Atualmente, existem poucas soluções que realmente implementam a inteligência artificial no setor de segurança. Muitas soluções são “treinadas para IA”, o que significa que no laboratório seus algoritmos são treinados usando recursos de IA. Mas, uma vez que o algoritmo é desenvolvido, ele é implementado apenas como apenas um dispositivo inteligente e não ocorre mais aprendizagem. A única vez que esses algoritmos evoluirão, será quando eles forem atualizados para incluir uma aprendizagem aprimorada.
Rafael Kechichian
É engenheiro de soluções da Milestone Systems para a América Latina.
