Cómo la videovigilancia basada en aprendizaje automático podría mejorar la seguridad
El uso cada vez mayor de cámaras de videovigilancia, ya sea al servicio de la seguridad pública, el control de la salud o las operaciones comerciales, ha aumentado la preocupación por la privacidad. En estos días, parece que los movimientos de las personas serán capturados en cámaras de circuito cerrado de televisión sin importar a dónde vayan.
El número de sistemas de videovigilancia en uso ha crecido , sin signos de desaceleración. Según la Oficina de Estadísticas Laborales de EE. UU., la cantidad de instalaciones de cámaras de vigilancia en EE. UU. aumentó de 47 millones a 85 millones entre 2015 y 2021, un aumento del 80 %. Eso es aproximadamente una instalación de cámara para casi cada 4 personas en el país. A nivel mundial, se esperaba que la cantidad de cámaras de vigilancia en uso superara los mil millones en 2021, según la investigación más reciente de IHS Markit . Y se espera que el mercado de la videovigilancia crezca a una tasa anual de más del 10 % hasta 2026, según Reportlinker.
El creciente alcance de estos sistemas ha aumentado los temores sobre las violaciones de la privacidad, especialmente en lo que respecta al uso del reconocimiento facial . Además de la pérdida de privacidad como la que resulta del uso generalizado del reconocimiento facial en China, los estudios realizados por el MIT y la Universidad de Stanford , así como por otras instituciones, han revelado sesgos incorporados en los sistemas de reconocimiento facial.
Algunas ciudades de EE. UU. han respondido. En 2019, San Francisco prohibió el uso del reconocimiento facial en las cámaras de videovigilancia de las agencias locales y, desde entonces, al menos una docena de otras ciudades de EE . UU . han instituido prohibiciones del reconocimiento facial para un uso u otro. Pero más vigilancia no necesariamente tiene que significar menos privacidad.
Cómo el aprendizaje profundo protege la privacidad
Además de generalizarse cada vez más, las cámaras de videovigilancia también se han vuelto más poderosas, con lentes de alta resolución, mayor capacidad informática local y conexiones a Internet de gran ancho de banda. En algunos sistemas, el uso de aprendizaje automático e inteligencia artificial (IA) ha mejorado la capacidad de buscar en los cientos o miles de horas de video grabado por esos sistemas.
Al mismo tiempo que hace que los sistemas de videovigilancia sean más potentes y potencialmente intrusivos, ML y AI también se pueden usar para proteger la privacidad. El software de inteligencia de video basado en el aprendizaje profundo, un subconjunto de la IA, se puede entrenar para enfocarse en lo que debería estar viendo y apartar la mirada de lo que no debería.
El aprendizaje profundo , diseñado para imitar las funciones del cerebro humano mediante el uso de una red neuronal de tres o más capas, puede descubrir por sí solo cómo identificar y clasificar objetos y patrones. Mediante el uso de datos etiquetados para entrenar el sistema, una máquina puede «aprender» a trabajar de forma independiente, y se vuelve más competente a medida que se expone a más datos con el tiempo. Significativamente, puede hacer esto con una huella pequeña que permite un procesamiento integrado y localizado que puede administrar de manera efectiva la privacidad de los datos.
En un ejemplo, un sistema de CCTV equipado con software de aprendizaje profundo puede clasificar a las personas que se acercan a la entrada de un edificio (como una oficina, un estadio o un teatro), permitir o denegar la entrada y luego deshacerse de cualquier información capturada. Al procesar la información localmente sin necesidad de transmitir o almacenar datos, puede recopilar la cantidad mínima necesaria y luego «olvidarse» de ella. En otro ejemplo, una cámara que monitorea el estacionamiento de una empresa también podría tener una vista de la ventana de una casa vecina. El sistema puede evitar la grabación de cualquier imagen desde esa ventana. De esta forma, el software corrige cualquier complicación causada por el posicionamiento de la cámara y evita tanto errores accidentales como actividades intencionales que impliquen la grabación de imágenes fuera de la propiedad de la empresa.
El aprendizaje automático hace que los datos sean procesables
Además de mantener fuera la información incorrecta, el software de inteligencia de video también hace que sea más eficiente encontrar la información correcta tanto en transmisiones de video en vivo como archivadas. El monitoreo o la recuperación de información de las grabaciones de video a menudo ha implicado una revisión manual por parte de los ojos humanos, lo que no solo requiere mucho tiempo, sino que también puede conducir fácilmente a descuidos, errores y violaciones de la privacidad. El software de análisis de contenido de video ML con aprendizaje profundo puede extraer, clasificar e indexar rápidamente objetos objetivo, como humanos o vehículos, lo que hace que las fuentes de video sean significativamente más buscables, procesables y cuantificables.
La clasificación e indexación de objetos también habilita alertas inteligentes cuando se detectan ciertos objetos, comportamientos o actividad anómala. Esto puede incluir alertas basadas en conteo cuando la cantidad de personas en un área determinada excede un límite establecido, alertas activadas por identificación de objetos o, cuando corresponda, reconocimiento facial.
El análisis de contenido de video también agrega metadatos de transmisiones en vivo o archivadas, lo que permite a los analistas comprender las tendencias y desarrollar procedimientos para mejorar la seguridad y las operaciones. Y mediante el uso de tecnología de aprendizaje profundo correctamente implementada, puede hacerlo sin aumentar los riesgos para la privacidad.
Mejorar la videovigilancia mientras se gestiona la privacidad de los datos
A pesar de las preocupaciones sobre la privacidad y los intentos de limitar el uso del reconocimiento facial, la cantidad de videos y otros datos que se recopilan no disminuirá. Los sistemas de video pueden, por ejemplo, ayudar a los funcionarios de salud a rastrear la cantidad de personas que usan máscaras o que observan prácticas de distanciamiento seguro. Los funcionarios municipales pueden obtener una visión clara de los flujos de tráfico y los cuellos de botella. Las empresas pueden monitorear los hábitos de compra de las personas. La seguridad de los lugares públicos depende cada vez más de una buena videovigilancia.
Más allá de esos usos, la difusión de sistemas domésticos con capacidades de videovigilancia también genera temores sobre la pérdida de privacidad. Más de 128 millones de asistentes de voz conectados a la nube, como Google Home, Amazon Echo y Facebook Portal, están en uso en los hogares de EE. UU., con la capacidad de grabar y compartir información. Y el 76% de los hogares con televisores informan que tienen televisores inteligentes, lo que ha generado preocupaciones sobre su potencial para espiar a los usuarios.
Sin embargo, la forma en que se recopila, procesa y busca el video puede lograr los objetivos de mayor seguridad, mejores operaciones o mayor seguridad sin comprometer más la privacidad. El enfoque actual de usar cámaras de videovigilancia conectadas a la nube con análisis basados en la nube no resiste las preocupaciones de privacidad y sesgo. Pero el software ML con capacidades de aprendizaje profundo permite inteligencia y análisis integrados y localizados, que brindan un alto rendimiento con bajo consumo de energía, que pueden mejorar la seguridad al tiempo que administran la privacidad de los datos. En el caso de los sistemas de videovigilancia CCTV, la tecnología de video inteligente también se puede integrar perfectamente con la mayoría de los sistemas existentes.
El uso de tecnologías de aprendizaje profundo también puede impulsar mejoras futuras, lo que permite a las organizaciones aumentar continuamente la sofisticación de sus sistemas a través de aplicaciones de IA adicionales.
Fuente: Venture Beat
