Poniendo la IA a trabajar para la industria de la seguridad
Inteligencia Artificial, aprendizaje automático, aprendizaje profundo. ¿Qué significa todo esto para la industria de la seguridad?
Ya sea Deep Blue jugando al ajedrez o cualquiera de los dispositivos inteligentes en tu hogar, parece que estamos viendo señales de Inteligencia Artificial (IA) en todas partes.
La verdad es que la exageración en torno a la IA se está extendiendo más rápido que la ciencia real. Claro, las máquinas están avanzando a pasos agigantados. Pero, aunque son capaces de imitar comportamientos en tareas específicas, no son capaces de pensar o actuar como humanos.
En la industria de la seguridad física y en otros lugares, hay muchas afirmaciones sobre lo que las versiones actuales de la IA son capaces de hacer. Al igual que con otras formas de tecnología, si no tenemos una comprensión basada en hechos de su potencial, la IA no cumplirá con nuestras expectativas poco realistas.
Hoy en día, la IA, el aprendizaje automático y el aprendizaje profundo son palabras de moda que se mencionan mucho, pero aunque están relacionadas, significan cosas muy diferentes.
¿Qué es la IA?
En ciencia de datos, la IA se refiere a un cerebro artificial completamente funcional. Alojada en una máquina, es una inteligencia autoconsciente que puede aprender, razonar y comprender. También puede aumentar su conocimiento sin la intervención de un operador humano.
El objetivo de la investigación en IA es crear una inteligencia que pueda entender el mundo que la rodea, adquirir entradas y, a partir de estas experiencias, aprender habilidades que no fueron programadas previamente en ella. Aunque estamos a años de esta tipo de verdadera IA, los científicos de datos han hecho enormes avances en varias áreas de investigación, incluido el aprendizaje automático.
¿Qué es el aprendizaje automático?
El aprendizaje automático implica enseñar a una máquina a utilizar entradas e información histórica para mejorar su rendimiento sin ser programada explícitamente para hacerlo. En lugar de codificar instrucciones que no cambian con el tiempo, los programadores utilizan algoritmos de aprendizaje automático y conjuntos de datos para entrenar a una computadora para evaluar, alterar y, en última instancia, mejorar sus propios procesos computacionales.
¿Qué es el aprendizaje profundo?
Uno de los varios tipos de aprendizaje automático es el aprendizaje profundo, que utiliza algoritmos específicos para ayudar a entrenar a una computadora a clasificar correctamente las entradas.
Para hacer esto, los programadores trabajan con datos que han sido organizados o etiquetados de una manera predefinida. Enseñan a una computadora a aplicar correlaciones a nuevas entradas asociando miles, a menudo millones, de posibles entradas con etiquetas correspondientes que una computadora puede entender.
Una vez que la computadora ha ingerido y clasificado una nueva entrada, los programadores miden la precisión de la clasificación de la máquina. En caso de que la máquina se equivoque, los programadores evalúan el grado del error y luego realizan ajustes en la red para evitar que la máquina repita esta clasificación errónea en el futuro. De esta manera, entrenan a la computadora para mejorar su capacidad de reconocer nuevas entradas.
¿Cómo utiliza Genetec esta ciencia?
En Genetec, utilizamos el aprendizaje profundo en nuestra solución de reconocimiento automático de matrículas (ALPR) y otra área del aprendizaje automático—llamada no supervisada—en Genetec Citigraf™, nuestro sistema de apoyo a la toma de decisiones (DSS).
Con nuestro sistema ALPR, estamos entrenando nuestros algoritmos utilizando un conjunto de datos estructurado de imágenes brutas de LPR y un conjunto limitado de posibles clases o salidas. Los conjuntos de datos estructurados consisten en datos que han sido organizados o etiquetados de una manera predefinida. En este caso, los conjuntos de datos incluyen imágenes etiquetadas de una amplia variedad de matrículas.
El objetivo es que el sistema tome una imagen de la parte trasera de un automóvil que nunca antes había visto y sea capaz de identificar los caracteres de la matrícula, su estado de origen y la marca del vehículo. Esto lo hace comparando la nueva imagen con imágenes etiquetadas en su base de datos. Luego, calcula la probabilidad de que la nueva imagen pertenezca a un conjunto específico de clasificaciones predeterminadas.
Nuestras ofertas actuales de ALPR contienen clasificadores de Redes Neuronales Profundas que son muy eficientes en la lectura de caracteres, el rechazo de lecturas incorrectas y el reconocimiento del estado de origen de una matrícula.
Mientras que AutoVu aprovecha el aprendizaje automático supervisado, Citigraf emplea el aprendizaje automático no supervisado.
El aprendizaje automático no supervisado aborda problemas muy específicos analizando datos que no han sido organizados ni etiquetados previamente para encontrar patrones. En este caso, la computadora busca patrones discernibles en los datos y busca una salida desconocida o "verdad fundamental".
Cómo el aprendizaje automático puede mantener segura tu ciudad
Citigraf ayuda a las ciudades y a las fuerzas del orden a desplegar sus recursos físicos de manera más eficiente.
Con su motor de correlación, Citigraf identifica posibles relaciones entre puntos de datos, incluidos los eventos. Funciona en tiempo real y asocia datos para ayudar a las fuerzas del orden y a otros funcionarios de seguridad pública a construir una imagen completa de un incidente.
Entonces, aunque las máquinas no están de ninguna manera listas para apoderarse del planeta, están convirtiéndose en una herramienta importante para ayudar a mantener a las personas seguras. Y apoyamos la investigación en ciencia de datos que tiene el potencial de proporcionar beneficios para todos en el mundo.
Para mantenerse al día con Genetec, síganos en Twitter, LinkedIn, Facebook y Instagram.