Mettre l’IA au service du secteur de la sécurité
Intelligence artificielle, apprentissage automatique, apprentissage profond : quelles sont les implications pour le secteur de la sécurité ?
Qu'il s’agisse de Deep Blue jouant aux échecs ou de n’importe quel appareil intelligent dans votre maison, il semble que nous voyions des signes d’intelligence artificielle (IA) partout.
La vérité est que le battage médiatique autour de l'IA se répand plus rapidement que la science réelle. Bien sûr, les machines font d’énormes progrès. Mais, bien qu’elles soient capables d’imiter des comportements sur des tâches spécifiques, elles ne sont pas capables de penser ou d’agir comme des humains.
Dans le secteur de la sécurité physique et ailleurs, de nombreuses affirmations circulent concernant les capacités des versions actuelles de l’IA. Comme d’autres formes de technologie, si nous n’avons pas une compréhension factuelle de son potentiel, l’IA ne pourra pas répondre à nos attentes irréalistes.
De nos jours, l’IA, le machine learning et le deep learning sont des mots à la mode qui circulent, mais bien qu’ils soient liés, ils ont des significations très différentes.
Qu’est-ce que l’IA ?
En science des données, l’IA fait référence à un cerveau artificiel entièrement fonctionnel. Installé dans une machine, il s'agit d'une intelligence autosensible qui peut apprendre, raisonner et comprendre. Il peut également enrichir ses connaissances sans intervention humaine de l’opérateur.
L’objectif de la recherche en IA est de créer une intelligence capable de comprendre le monde qui l’entoure, de rassembler des données et, à partir de ces expériences, d’acquérir des compétences qui n’étaient pas programmées auparavant. Bien que nous soyons à des années de ce type de véritable IA, les data scientists ont fait d'énormes progrès dans plusieurs domaines de recherche, y compris l'apprentissage automatique, ou machine learning.
Qu'est-ce que le machine learning ?
Le machine learning, ou apprentissage automatique, consiste à enseigner à une machine à utiliser des entrées et données historiques pour améliorer ses performances sans être explicitement programmée pour le faire. Au lieu de coder des instructions qui ne changent pas au fil du temps, les programmeurs utilisent des algorithmes d'apprentissage automatique et des ensembles de données pour entraîner un ordinateur à évaluer, modifier et finalement améliorer ses propres processus informatiques.
Qu’est-ce que le deep learning ?
L’un des nombreux types de machine learning est le deep learning, ou apprentissage profond, qui utilise des algorithmes spécifiques pour former un ordinateur à classer correctement les entrées.
Pour ce faire, les programmeurs travaillent avec des données qui ont été organisées ou étiquetées de manière prédéfinie. Ils apprennent à un ordinateur à appliquer des corrélations à de nouvelles entrées en associant des milliers, voire des millions d'entrées possibles avec des étiquettes correspondantes qu'un ordinateur peut comprendre.
Une fois que l'ordinateur a ingéré et classé une nouvelle entrée, les programmeurs mesurent la précision de la classification de la machine. Dans le cas où la machine se trompe, les programmeurs évaluent le degré d'erreur, puis effectuent des ajustements le long du réseau pour éviter que la machine ne répète cette erreur de classification à l'avenir. De cette façon, ils forment l'ordinateur à améliorer sa capacité à reconnaître les nouvelles entrées.
Comment Genetec utilise cette science
Chez Genetec, nous utilisons le deep learning dans nos solutions de reconnaissance automatique des plaques d’immatriculation (RAPI) et un autre domaine du machine learning, appelé non supervisé, dans Genetec CitigrafMC, notre système d'aide à la décision (SAD).
Dans notre système RAPI, nous formons nos algorithmes à l’aide d’un ensemble de données structurées d’images RAPI brutes et d’un ensemble limité de classements ou de sorties possibles. Les ensembles de données structurés sont composés de données organisées ou étiquetées de manière prédéfinie. Dans ce cas, les ensembles de données comprennent des images étiquetées d'une grande variété de plaques d'immatriculation.
L'objectif est que le système prenne une image de l'arrière d'une voiture qu'il n'a jamais vue auparavant et soit en mesure de générer les caractères de la plaque d'immatriculation, d'où elle provient et la marque du véhicule. Pour ce faire, il compare la nouvelle image aux images marquées dans sa base de données. Il calcule ensuite la probabilité que la nouvelle image appartienne à un ensemble prédéfini de classifications spécifiques.
Nos offres RAPI actuelles contiennent des classificateurs Deep Neural Net qui sont très efficaces pour lire les caractères, rejeter les mauvaises lectures et reconnaître la provenance d'une plaque d'immatriculation.
Là où AutoVu tire parti du machine learning supervisé, Citigraf utilise le machine learning non supervisé.
Le machine learning non supervisé s’attaque à des problèmes très limités en analysant des données qui n’ont pas été organisées ou étiquetées à l’avance afin de trouver des tendances. Dans ce cas, l'ordinateur recherche des tendances notables dans les données et un résultat inconnu ou « vérité de référence ».
Comment le machine learning peut assurer la sécurité de votre ville
Citigraf aide les villes et les forces de l’ordre à déployer leurs ressources physiques plus efficacement.
Avec son moteur de corrélation, Citigraf identifie les relations possibles entre les points de données, y compris les événements. Il fonctionne en temps réel et associe les données pour aider les forces de l’ordre et les autres membres du personnel de sécurité publique à obtenir une image complète d’un incident.
Ainsi, bien que les machines ne soient en aucun cas prêtes à prendre le contrôle de la planète, elles deviennent un outil important pour aider à assurer la sécurité des personnes. Et nous soutenons la recherche dans le domaine de la science des données, qui est susceptible d’apporter des avantages à tous dans le monde.
Pour connaître les actualités de Genetec, suivez-nous sur Twitter, LinkedIn, Facebook et Instagram.