Med nätverksteknikens intåg i säkerhetsbranschen började säkerhetsbranschen sin transformation mot att bli en del av IT-branschen. Nätverkskunskap blev plötsligt nödvändig för att säkerställa en högkvalitativ säkerhetsinstallation. För nätverksvideo så blev det viktigt att säkerställa kvaliteten på videosignalen genom att säkerhetsinstallatörer tillskansade sig kunskap gällande nätverkets topologi, annars blev installationen inte starkare än den svagaste länken. Resultatet kunde bli låg bildkvalitet eller ingen bild alls.

Nu är det dags att ta nästa steg. Vi hör mycket om artificiiell intelligens, deep learning och machine learning på marknaden idag. Kärt barn har många namn. De kommersiella lösningarna som vi idag ser på marknaden borde klassas som machine learning för att göra det rättvist. Men, vad betyder detta egentligen i praktiken?

Det som åsyftas är en mjukvara tränad på att känna igen, klassi cera och indexera olika typer av objekt på egen hand. Detta kan i förlängningen användas för att, exempelvis generera larm eller statistikrapporter, men vad är det då som faktiskt tränas och vem tränar mjukvaran? Eller skall mjukvaran träna sig själv?

Vi förväntar oss videoanalys som automatiskt lär sig, men hur ser det ut i praktiken? Hur lång tid tar det tar för en machine learning-mjukvara att lära sig någonting? Ju mer tid, desto bättre analys kan ses som en tumregel. Är vi villiga att vänta?

Vi ser även kommunikation som lovar att det ska vara så enkelt att vem som helst kan installera en machine learning-mjukvara. Men, var i detta finns det en kvalitetskontroll? Om det nu är så enkelt att vem som helst kan göra det, vill vi att vem som helst installerar kritisk säkerhetsmjukvara?

En tredje aspekt att fundera på är hur villiga vi är att ansluta vårt säkerhetssystem till ”molnet”. Säkerhetsbranschen har historiskt sett haft vissa svårigheter att anamma ”molnet” gällande standardfunktioner, så som lagring av video. En machine learning-analys kräver en annorlunda processorkraft än vad många kameror idag klarar av. Dagens videoservrar är i regel inte heller byggda för att klara av de beräkningar som krävs för att använda en vältränad machine learning-analys. Denna kraft finns att tillgå i ”molnet”, men är vi villiga att outsourca video för hantering i ”molnet”? Vill vi inte använda molnet så krävs det extra hårdvara i form av externa grafikkort.

Den sista punkten, och kanske den viktigaste är en mer tillförlitlig analysmjukvara. Den data som används för att träna en machine learning-analys, kommer att definiera hur tillförlitligt resultatet är. Men, hur kan vi avgöra hur bra ”tränad” en machine learning-analys är?

Idag tränas machine learning-analyser utifrån i tre steg; datainsamling, annotering och slutligen ”träning”.

I det första steget behöver vi själva datan. Vi kan använda ansiktsigenkänning som exempel. För att utveckla en tillförlitlig ansiktsigenkännings-mjukvara behöver vi bilder på ansikten. Ett enkelt sätt vore att samla en massa ansiktsbilder, men en ansiktsbild tagen med en systemkamera kommer att se annorlunda ut än en bild tagen med en standardnätverkskamera. Ska vi använda ansiktsigenkänningsmjukvara så behöver den vara ”tränad” på bilder som är representativa för de bilder som sedan kommer från de kameror som används i installationen. Samma problem kommer att uppstå i en mängd variationer om vi inte säkerställer att en machine learning-mjukvara är tränad på data som liknar den data vi generar i våra installationer.

Steg två gäller annotering. I detta steg så behöver machine learning- analysen få information om att en viss typ av data eller bild är ett visst objekt, eller människa. Någon måste helt enkelt märka en bild med vad som är på bilden. För att få till en tillförlitlig machine learning-analys så behövs inte bara en stor mängd bilder utan även att någon manuellt märker varje bild med vad det är. Något som kommer att kräva tid, en massa tid. I och med detta så kommer det även in legala aspekter som vi måste tänka på. Har datan som använts samlats in och annoterats på legalt sätt?

Machine learning kommer onekligen, om den kvalitetssäkras, att förbättra den videoanalys som används av säkerhetsbranschen. Men likt all ny typ av teknik som kommersialiseras så kommer den att gå igenom en del ”barnsjukdomar”. Istället för att stirra oss blinda på termer som AI, deep learning eller machine learning, så bör vi se till specifika användningsområden, där vi med hjälp av teknologi kan skapa ett mervärde. Vi behöver då ställa krav på att mjukvaran är tränad på relevant data, att den har samlats in och annoterats på legalt sätt och framförallt att informationen är cybersäker, speciellt eftersom vi här egentligen talar om att samla in betydligt mer information än vad vi redan gör med våra kameror.

Björn Callenfors