Van het tegengaan van onnodige alarmen tot het herkennen van bedrijfskleding voor toegangsbeheer, het zijn allemaal toepassingen van ‘Artificial Intelligence’ in de beveiliging. De laatste jaren groeit het aantal toepassingen van AI razendsnel en zijn ook beveiligingssystemen er ‘slim’ mee te maken. Maar wat is AI nou eigenlijk en wat mogen we ervan verwachten?

Door: prof.dr. Maurits Kaptein

Artificial intelligence maakt razendsnel zijn intrede in de beveiliging; van steeds slimmere camera’s tot slimme gateways voor mobiele oplossingen: “AI is there to stay”. Maar wat is AI nu eigenlijk? En hoe verschilt AI van eerdere ‘slimme’ toepassingen? En, hoe kan het dat AI überhaupt in een camera of gateway past? Voor AI zijn toch juist hele grote computers nodig?

FireSafety & Security Event
Op 12 april om 11:00u houdt prof.dr. Maurits Kaptein een voordracht over Artificial Intelligence in de beveiliging tijdens de vakbeurs FireSafety & Security Event.

Van Vision, naar Machine Learning, naar AI
Artificial Intelligence is voor velen een ver van ons bed show. Maar als je ChatGPT hebt geprobeerd, sta je versteld van de mogelijkheden. Echter, ChatGPT geeft een slecht beeld van de mogelijkheden van AI in de beveiliging. In de beveiliging is AI namelijk een simpel vervolg op de steeds slimmer wordende camera.
Stel, we willen met een camera detecteren of er indringers zijn. Dan kunnen we op verschillende manieren te werk gaan. De eerste is de traditionele ‘Vision’. Dit is de oudste manier om geautomatiseerd te kijken of er een indringer is. Twee beelden worden snel achter elkaar bekeken. Als er verschil is, is er wellicht een indringer. Voor een programmeur is het makkelijk om de ‘regels’ te schrijven die twee beelden met elkaar vergelijken.

Geavanceerdere detectie
Een stuk geavanceerder is Machine Learning (ML). De pixel-gebaseerde vision kent zijn grenzen: als het waait of regent (of als er een kat voorbijloopt) wordt er al snel een onnodig alarm gegenereerd. Met machine learning maakten we een aantal jaar geleden een stap van ‘regels’ die een programmeur zelf schrijft naar de mogelijkheid voor een computer om uit bestaande ‘regels’ de beste te kiezen. Als er voorbeelden zijn van plaatjes met en zonder indringers, kan een computer zelf een ‘regel’ kiezen.

Zelflerende computers
Artificial Intelligence werkt anders. Hoewel de stap van ML naar AI niet altijd eenduidig is, is de voornaamste recente ontwikkeling de gigantische set van ‘regels’ die een computer zichzelf tegenwoordig kan aanleren. Waar een programmeur vroeger niet zou weten waar zij of hij moest beginnen om de regels te schrijven om een kat te herkennen, kan een computer, met AI, deze regels nu zelf selecteren.
AI is dus eigenlijk een logische voldoende stap in de verwerking van beelden: we begonnen met zelf kijken waarna we simpele regels programmeerden. Nu, met AI, leren computers zelf welke ‘regels’ het beste zijn. Zo kan een computer niet alleen herkennen of er iets beweegt in het beeld, maar ook wat er beweegt (Een mens? Een voertuig? Een dier?). Mits we genoeg voorbeelden hebben kan AI vrijwel alles leren herkennen wat mensen kunnen herkennen.

AI op de ‘edge’
Toen we begonnen met AI moesten we voorbeelden verzamelen. Nog steeds is het verzamelen van voorbeelden essentieel: als je inlogt bij een website en ‘alle plaatjes met een stoplicht’ moet aanklikken, werk je mee aan het creëren van voorbeelden. Naast vele voorbeelden zijn er snelle computers nodig om alle regels uit te proberen: daarom denkt men bij AI vaak aan hele grote computers.
Echter, wat veel mensen zich niet beseffen, is dat wanneer een computer eenmaal de juiste ‘regels’ heeft gevonden, deze vaak vrij klein zijn en kunnen worden uitgevoerd op zogenaamde ‘edge devices’; bijvoorbeeld een camera met een chip er in, of een slimme gateway, kan voldoende zijn om AI in praktijk te brengen. Deze apparaten kunnen geen nieuwe AI leren, maar wel de geleerde regels uitvoeren. Het uitvoeren van AI op de camera of gateway is vaak nuttig: het verhoogt de privacy en verlaagt de netwerkkosten en het energiegebruik. Dit wordt ook wel ‘edge AI’ genoemd.

De kansen en grenzen van AI
De kansen van AI zijn eindeloos; als er genoeg voorbeelden zijn kan een AI zelf leren zeer specifieke objecten te herkennen om ze te beschermen: herkenning van brand, rijplaten , beschermende kleding, het is allemaal al mogelijk met AI.
Maar er zijn grenzen. AI is nooit perfect en AI is in essentie zelfs vrij dom: AI kan leren op basis van de voorbeelden, maar geconfronteerd met nieuwe beelden is de performance vaak niet goed. Een AI die zijn regels geleerd heeft op basis van beelden van een camera op ooghoogte kan volledig de mist in gaan bij toepassing in een camera die hoog in een mast hangt. Zo ‘dom’ zijn deze systemen nog steeds. Het is dan ook essentieel om AI te testen op praktijkbeelden. Hoewel AI steeds beter wordt (en er dus nu wel degelijk AI-modellen zijn die mensen kunnen herkennen op ooghoogte en op mast-hoogte), blijft het essentieel om te testen en om een infrastructuur te hebben die toekomstbestendig is. Zorg dat je nieuwe modellen makkelijk kan gebruiken om te garanderen dat de AI voor jouw toepassing werkt!

Over de auteur
Prof. dr. Maurits Kaptein is hoogleraar data-science bij JADS in Den Bosch en doet onderzoek naar kunstmatige intelligentie. Naast zijn academische positie is Maurits ook medeoprichter van Scailable BV dat een platform voor edge AI ontwikkeld. Maurits is tevens auteur van Hallo Wereld, Hallo Computer en van Digitale Verleiding.