Camera’s steeds slimmer door Machine Learning

Een schaakcomputer, de zelfsturende auto, Siri en Google die antwoord geven op gesproken vragen, spamfilters en zelfs een rekenmachine die de som voor je oplost. Ze helpen ons allemaal in ons dagelijks leven en maken daarbij gebruik van machine learning. Machine learning, een vorm van kunstmatige intelligentie (AI), houdt zich bezig met het ontwerpen van machines/apparaten die kunnen leren van data. Dat doen ze met behulp van algoritmes die door mensen worden geprogrammeerd.

Beweging herkennen

Dat is niet eenvoudig. Om te beginnen moeten we de software ‘vertellen’ dat een bepaalde groep veranderende pixels in beeld een bewegend mens is. En dat de mens zich op verschillende manieren kan voortbewegen; bijvoorbeeld door te kruipen, lopen of fietsen. Daarna is de software zelfstandig wel in staat om – met behulp van het juiste algoritme – het oneindige aantal mogelijke posities tussen lopen en kruipen zelf in te vullen. Ook onschuldige, repeterende bewegingen, zoals bomen, struiken, vlaggen en ruis in het beeld, kunnen door de intelligente software zelf worden gefilterd. Het is mogelijk om de software opdracht te geven het deel van het beeld waar de struik beweegt te negeren. Maar dan heb je daar ook geen detectie meer…

Patronen in beweging

De volgende stap is om de software te leren hoe die een inbreker kan onderscheiden van een onschuldig persoon. Verdachte personen in het opgenomen beeld zoeken, is eenvoudig als we het tijdstip van de inbraak weten. En door de software zijn werk te laten doen op de momenten dat de aanwezigheid van personen op het terrein ongebruikelijk is, komen we al een heel eind in het tijdig detecteren van ongewenste activiteiten. Maar we willen ook graag (verdacht) gedrag herkennen. Patronen in beweging kunnen geanalyseerd worden. Hiervoor kunnen we gebruik maken van specifieke algoritmes, zoals loitering (rondhangen) en trip wires. Deze algoritmes zijn door mensen bedacht, geprogammeerd en intussen breed beschikbaar. In de toekomst zullen er steeds meer en betere algoritmes bijkomen die bijdragen aan de juiste herkenning.

De Cloud speelt belangrijke rol
Een belangrijk hulpmiddel bij het ontwikkelen van intelligentie is de Cloud. Via centrale en zeer krachtige servers kunnen beelden op afstand worden geanalyseerd. Nieuwe inzichten en algoritmes kunnen vervolgens online worden toegevoegd aan de lokale machine. Een gedeelde database van objecten en gedrag zorgt voor een enorme ontwikkelingsversnelling.

Mens levert intelligentie

De intelligentie in het camerasysteem (lees: de algoritmes) komt dus nog steeds van ons, de mens. Door steeds meer van ónze intelligentie toe te voegen aan de software zal deze steeds slimmer worden. Dit aanleren kost tijd. Daarom is er op dit moment alleen nog relatief eenvoudige intelligentie voorhanden. Is het een mens, een boom of een auto? Rijdt de auto of staat deze stil? Staan mensen stil of zijn ze aan het rennen? Hét algoritme om verdacht gedrag te kunnen signaleren, bestaat nog niet. Dat kan ook niet, want het hangt volledig af van de situatie ter plaatse en vraagt dus om maatwerk algoritmes.

Software verwerkt data sneller dan mens

De mens is op dit moment dus nog steeds slimmer en flexibeler dan de intelligentste software. In het herkennen, maar vooral ook het inschatten van situaties. De kracht van de intelligente software is vooral de snelheid waarmee enorme hoeveelheden informatie (data) verwerkt kunnen worden. En software is nooit afgeleid of moe. Zelfrijdende auto’s maken nog fouten omdat het leerproces nog in volle gang is, maar uiteindelijk zal de auto sneller dan wij kunnen reageren op een gevaarlijke situatie. Zelfs als deze tegelijkertijd een betere radiozender voor ons opzoekt.

Toekomst

Uiteindelijk zal de ontwikkeling van hardware en intelligente software ons steeds efficiënter helpen bij het analyseren van gedrag en bij het zoeken naar de juiste camerabeelden. Machine learning in progress…

Maar de mens is nog altijd slimmer…
Het menselijk brein is nog steeds intelligenter dan welke machine of welk apparaat dan ook. Idealiter zouden mens en machine moeten samenwerken om elkaars zwakheden te compenseren. Het rapport ‘Preparing for the Future of Artificial Intelligence’ van eind 2016 (VS) vermeldt een studie waarin de computer en een patholoog afbeeldingen van cellen van lymfeknopen moesten beoordelen om te bepalen of het kanker betrof. De computer maakte 7,5% fouten, de patholoog 3,5%. Liet de patholoog zich helpen door de computer dan was het foutpercentage nog slechts 0,5%!

Volg ons op Linkedin