摘要: AI監控的應用千變萬化,要及早實現應用落地,必須從源頭出發,釐清數據的揀選與標註需求,對症下藥才能有效提昇AI精準度
自從安防監控產業開始AI化,市場商機進一步擴大。根據研究機構《Marketsandmarkets》預估,2023年全球影像監控市場的產值,將以每年13.1%的速度增長,從2018年的368.9億美元,成長至683.4億美元。安防監控浪潮已至,企業如何早一步實現AI應用落地? 在台灣,智慧安防監控的發展相對成熟,食、衣、住、行、育、樂,任何你想得到的人類基本生活需求,只要加上「安全」,就有機會成為一門商機。小至行動裝置上的指紋及人臉識別解鎖,即時辨識大樓入侵者的保全示警系統,家中人物或動物的行為監測,甚至是高齡者長照,皆可透過即時反饋現況,守護使用者的安全。 日本政府在天皇即位大典時便曾利用人臉識別AI,判定各國來訪政要的身分,協助維安;2020年東京奧運也預計利用AI人工智慧技術,目標達成橫跨9大縣市、40個競技場,賽事期間預估來場者超過1,000萬人的國家級維安任務。 而在百貨、零售賣場、健身房等涉及消費行為的經濟場域,智慧安防監控則被來監測人流與動線,以及消費者的年齡、性別、肢體行為等客情分析,以利精準行銷。從食品安全一路往上推,源頭種植時如何少用農藥到智慧農業災損確認,也都可以廣納在智慧安防的應用領域裡。
依場景而變化萬千的AI安防監控
與其他產業相比,因為學習情境多發生在特定室內環境,智慧安防監控的大數據訓練,在場域的變易性不大。目前市面上已有開放資料集(亦稱:開放數據 Open Dataset)可供使用,但企業因為各家應用場景不同,會以此為基底再餵給AI特定應用場域,例如百貨商場、大賣場的電腦影像數據,便可更快開發出符合自家商業模式的機器學習模型(Machine Learning Model)。 因為環境的光線、明暗等原因影響,使得實際場域的數據更為重要。而一樣是看「人流」,在百貨公司大門口、櫥窗前、手扶梯所需的「數據型態」就會天差地別,後續AI發展重點和演算法也截然不同。所以對於問題的定義,也要格外清楚。 在某些安防領域裡,收集數據會是一大挑戰。當使用情境會和個人隱私相關,如何持續收集且累積獨特性,便成為發展安防數據策略的第一關。 Tomofun是個值得參考的例子。初期創業,Tomofun執行長張友誠他本來是賣硬體的攝影機,後來轉向變成主打狗狗保全的「狗保姆」訂閱服務。從硬體走向軟硬整合,他學到,最重要的就是「全力了解、驗證消費者的使用情境」。
轉貼自: 數位時代
若喜歡本文,請關注我們的臉書 Please Like our Facebook Page: Big Data In Finance
留下你的回應
以訪客張貼回應