Десятилетие развития компьютерного зрения: кратко о главном и смелый взгял в будущее

За десятилетие развития компьютерного зрения был достигнут огромный прогресс, однако стало ясно одно: видеть — это не то же самое, что понимать.

За последнее десятилетие область компьютерного зрения значительно эволюционировала. То, что начиналось как нишевая область в рамках искусственного интеллекта, теперь внедрено во многие отрасли, поскольку камеры превратились в активные системы, интерпретирующие визуальную информацию из изображений и видео в режиме реального времени.

Технология машинного зрения в производстве продуктов питания и напитков на производственной линии

Развитие компьютерного зрения обусловлено достижениями в области глубоких нейронных сетей, в частности, сверточных нейронных сетей (CNN). Они позволили машинам распознавать объекты, выявлять закономерности и извлекать смысл из сложных сред. Задачи, которые когда-то казались недостижимыми, такие как обнаружение объектов в динамических средах, теперь стали реальностью.

Но, несмотря на этот прогресс, стало ясно одно: видеть — это не то же самое, что понимать. И именно это различие определяет то, чему мы действительно научились за последние десять лет.

Возможность отслеживания данных масштабируема, но не позволяет принимать конкретные решения.

Первый крупный прорыв был очевиден: обнаружение объектов. Возможность автоматически идентифицировать объекты, людей и поведение в видеопотоках изменила представление о возможностях.

  Обнаружение защитных касок и жилетов с помощью системы машинного зрения.

Вместо ручного контроля команды теперь могут обнаруживать:

• проблемы соответствия требованиям к средствам индивидуальной защиты
• Несанкционированный доступ в зоны ограниченного доступа
• Опасная близость между людьми и оборудованием.

Эти алгоритмы компьютерного зрения были в значительной степени ориентированы на обработку изображений и распознавание образов. Эти системы были эффективны в контролируемых условиях, где входные данные были предсказуемы, а изменчивость ограничена. Однако со временем появление сверточных нейронных сетей и больших объемов обучающих данных изменило ситуацию.

Системы компьютерного зрения стали способны обрабатывать большие потоки неструктурированных данных из реального мира. Они могут интерпретировать изображения и видео в больших масштабах, обеспечивать работу моделей обнаружения объектов и поддерживать такие приложения, как мониторинг промышленных сред.

Этот сдвиг значительно расширил область применения задач компьютерного зрения, поскольку основное внимание стало уделяться пониманию сцен, поведения и взаимодействий.

Системы с жестко заданными параметрами достигают своих пределов быстрее, чем ожидалось.

Чтобы сделать обнаружение полезным, большинство систем компьютерного зрения развивались за счет добавления все большего числа предопределенных сценариев использования. Если команде требовалось новое понимание, это означало создание или настройку чего-то нового. Со временем это привело к созданию систем, которые выглядели всеобъемлющими, но на самом деле были довольно жесткими. Они могли отвечать на все большее число вопросов, но только на те, которые уже были предсказаны.

В контролируемых условиях, когда проблема была четко определена, это работало относительно хорошо, но, конечно, процессы редко остаются неизменными.

Именно здесь мы начали наблюдать, как жестко запрограммированные подходы начинают давать сбой, поскольку они требуют слишком много усилий для адаптации и замедляют работу именно тогда, когда командам нужно двигаться быстрее. Один из самых очевидных уроков последнего десятилетия заключается в том, что гибкость важнее охвата, что подчеркивает ценность системы, способной быстро осваивать новые сценарии использования.

Компьютерное зрение для понимания окружающей среды – дорожное движение в Нью-Йорке.

Большее количество данных не приводит автоматически к лучшим результатам.

Одна из самых недооцененных проблем в компьютерном зрении — это то, что происходит после развертывания . Команды часто ожидают постепенного получения новых данных, но в реальности они получают огромный поток информации. Это может выглядеть как десятки, а иногда и сотни обнаружений в день и постоянный поток потенциальных рисков и отклонений.

Поначалу это кажется прогрессом, поскольку по сути подтверждает работоспособность системы и доказывает наличие проблем. Но быстро это может показаться непосильной задачей. Когда всё видно, всё кажется срочным. А когда всё кажется срочным, расстановка приоритетов становится сложной. В итоге команды реагируют непоследовательно или не реагируют вовсе.

Это парадокс, который незаметно повлиял на многие внедрения: **чем больше видишь, тем сложнее решить, что действительно важно**.

Панели мониторинга помогли, но не решили основную проблему.

Для управления этим растущим объемом информации организации обратились к информационным панелям. Агрегирование обнаруженных угроз в тренды, тепловые карты и ключевые показатели эффективности упростило восприятие данных.

Панели мониторинга стали стандартным интерфейсом для систем компьютерного зрения. Они предоставляли сводные данные, выделяли закономерности и давали руководству возможность отслеживать производительность. Но у панелей мониторинга есть ограничение, которое становится все более очевидным со временем: они предназначены для ответа на заранее определенные вопросы. Они могут показать, что произошло, как часто и где. Но им трудно ответить на более глубокие, исследовательские вопросы, особенно когда эти вопросы меняются.

Оперативные группы должны уметь проводить анализ: отслеживать закономерности, сравнивать сценарии и понимать контекст. И именно здесь статическая отчетность начинает давать сбой.

Контекст — это то, что превращает данные в понимание.

Обнаружение само по себе — всего лишь событие, и его значение полностью зависит от контекста. Происходит ли это неоднократно в одном месте или спорадически во многих? Началось ли это после изменения процесса? Связано ли это с конкретным изменением или условием?

Именно такие вопросы позволяют получить реальное оперативное понимание ситуации, на которое сложно ответить, когда системы построены на основе отдельных обнаружений и фиксированных отчетов. Вот почему, даже при наличии передовых систем компьютерного зрения, многие команды по-прежнему полагаются на ручное расследование. Они просматривают видеозаписи, общаются с операторами и восстанавливают картину происходящего.

Технологии показывают, *что* произошло. Люди по-прежнему должны выяснять, *почему*. Такое разделение труда стало одним из главных ограничений последнего десятилетия.

Компьютерное зрение для обнаружения пустых мест на парковках.

Следующий этап посвящен взаимодействию, а не только автоматизации.

Оглядываясь назад, можно сказать, что траектория развития компьютерного зрения была очевидна: от ручного наблюдения к автоматическому обнаружению, от ограниченной видимости к непрерывному мониторингу.

Но следующий шаг — это построение интерактивного взаимодействия на основе автоматизации. Это будет означать отказ от систем, предоставляющих заранее определенные результаты, в пользу систем, позволяющих командам задавать вопросы и напрямую изучать данные. Вместо того чтобы просматривать панели мониторинга или ждать появления новых функций, команды смогут проводить исследования в режиме реального времени:

• Где мы наблюдаем наибольшую концентрацию риска?
• Что изменилось за последние две недели?
• Наблюдаются ли аналогичные закономерности на других участках?

Этот сдвиг имеет название. Визуальный общий интеллект (VGI) — это то, чем становится компьютерное зрение, когда оно выходит за рамки обнаружения и переходит к рассуждениям. В то время как традиционные системы компьютерного зрения отвечают на вопросы, для решения которых они были созданы, система VGI понимает окружающую среду достаточно хорошо, чтобы отвечать на вопросы, для которых она никогда не была специально запрограммирована. Она делает выводы о контексте. Она проводит сравнения между различными местами и временными периодами. Она выявляет то, что имеет значение, без необходимости предварительного указания, что именно искать.

Компьютерное зрение будет все меньше заниматься генерацией оповещений и все больше — поддержкой принятия решений, что также изменит круг его пользователей. Когда системы станут гибкими и доступными для запросов, эксперты в предметной области смогут самостоятельно проводить анализ. Это довольно существенный сдвиг от модельно-ориентированного подхода, который определял последнее десятилетие, и виртуальное графическое зрение (VGI) — это то, как этот сдвиг выглядит на практике.

Что это значит для оперативных групп?

Последние десять лет доказали, что компьютерное зрение способно масштабировать видимость, а следующие десять лет будут определяться тем, сможет ли оно масштабировать понимание.

Отслеживание сборочных процессов в автомобильной промышленности с помощью современных технологий искусственного интеллекта претерпит трансформацию в эпоху VGI (Virtual Giving Information System).

Руководителям отделов охраны труда, контроля качества и операционной деятельности необходимо перестать рассматривать VGI (виртуальную информацию о качестве) как инструмент мониторинга. Она должна стать частью процесса расследования проблем, определения приоритетов рисков и совершенствования процессов, что также означает переосмысление понятия успеха.

Успех заключается не в количестве обнаружений, которые выдает система. Он заключается в том, насколько эффективно команды могут использовать эти обнаружения для внедрения изменений; это измеряется сокращением числа инцидентов, улучшением процессов и ускорением принятия решений. Для этого требуется иной подход, в котором приоритет отдается ясности, а не количеству, гибкости, а не жесткости, и действию, а не наблюдению.

Десятилетие компьютерного зрения: прогресс и четкий путь вперед.

Компьютерное зрение прошло долгий путь, но настоящая ценность заключается в том, что происходит дальше: как команды интерпретируют, расставляют приоритеты и действуют на основе увиденного с помощью визуального общего интеллекта.

Именно на этом сосредоточен следующий этап инноваций, который определит следующее десятилетие развития компьютерного зрения.

Десятилетие компьютерного зрения совершило революцию в технологиях. За последние десять лет алгоритмы научились не просто распознавать пиксели, а понимать контекст увиденного. Ниже представлена подробная аналитическая статья, описывающая этот колоссальный технологический скачок.