یادگیری عمیق

یادگیری عمیق

انقلاب یادگیری‌ عمیق در صنعت نظـــارت‌تصویری

نویسنده:مهندس ابوالفضل خدایگانی

 

این روز‌ها در بیشتر زمینه‌های فعال در حوزه تکنولوژی بهره‌گیری از هوش‌ مصنوعی و یادگیری ماشین به‌گوش می‌رسد. سال گذشته در میان محققان و توسعه‌دهنگان تلاش‌های زیادی برای بهره‌گیری از یادگیری‌ عمیق در حوزه نظارت‌ تصویری، انجام‌شد که این تلاش‌ها در جهت اثبات کاربردی‌ بودن ایده‌های الگوریتم‌های ارايه‌شده در سامانه‌های نظارت‌ تصویری و همچنین چیپ‌ست‌های بهره‌مند از هوش‌ مصنوعی بود.

با اثبات هرچه بیشتر این تکنولوژی، موفقیت آینده این تکنولوژی در گرو نشان‌دادن توانایی برای بازگشت سرمایه صرف‌شده بر روی توسعه این تکنولوژی است.
الگوریتم‌های آنالیز ویدیویی یادگیری عمیق، با کمک سرمایه‌گذاری‌های انجام‌شده توسط تولید‌کنندگان چیپ‌ست‌ها، استارتاپ‌های نرم‌افزاری و بزرگان صنعت نظارت‌تصویری، بر روی تحقیق و توسعه توانسته‌اند تبدیل به محصولاتی کاملا قابل پیاده‌سازی با رابطی کاربر پسند و راهکار‌هایی بر‌اساس سناریو‌های موجود، بشوند. به‌عنوان مثال الگوریتم‌های بازشناسی صورت هم‌اکنون به شکل عملی در برنامه‌های شبه موتور‌ جستجو جهت یافتن افراد مشخص در رکورد‌های ویدیویی، وجود دارند.
تغییراتی از این دست در بازار چین و نمایشگاه امنیت عمومی سال گذشته چین مشهود‌ شد. محصولات منطبق بر یادگیری‌ عمیق عرضه‌ شده یا محصولات نرم‌افزاری مبتنی بر یادگیری‌ عمیق بودند یا محصولات نظارت‌ تصویری سخت‌افزاری با الگوریتم‌های تعبیه شده‌ است.
همین‌طور که تعداد تولیدکنندگان تجهیزات نظارت‌ تصویری بیشتری الگوریتم‌های مخصوص به خود را توسعه‌ می‌دهند، استارت‌های متعددی نیز مشغول به توسعه و تولید سخت افزار‌های نظارت‌ تصویری هستند تا بتوانند جایگاه خود را در بازار بیابند و آن را مستحکم کنند.
دگرگونی دوربین های مجهز به یادگیری‌ عمیق در‌پی گذار از دوربین‌های آنالوگ به دوربین‌های تحت‌شبکه، پیش‌بینی‌ می‌شود در گام بعدی حجم بالایی از بازار به سمت و سوی دوربین‌های مجهز به یادگیری‌ عمیق حرکت خواهد کرد.
در طی گذار بازار به دوربین های تحت شبکه حجم مبادلات و خرید‌و‌فروش افزایش بیشتری پیدا کرد، زیرا قیمت تجهیزات نسبت به نسل قبلی کاهش داشت. میانگین قیمت‌های دوربین های تحت شبکه در سال 2016 چیزی در اندازه یک‌چهارم آن در سال 2010 بود. به همین منوال یک سیر کاهشی قیمت و در پی آن افزایش تولید و فروش برای دوربین های مجهز‌به یادگیری عمیق نیز می تواند رخ‌دهد.
تا بدین جای کار پروژه های شهر‌امن که توسط پلیس چین راه‌اندازی شده‌است، بیشترین حجم حضور دوربین های با یادگیری عمیق را داشته است.
پروژه هایی از این دست نسبت به سایر بازار‌ها بسیار کمتر به قیمت‌ها حساس است زیرا که میانگین قیمت ها در این سکتور هنوز برای کاربران انتهایی کل بازار بسیار بالاست.
هزینه‌های لازم برای تهیه نیمه‌رسانا جهت تولید دوربینی که مجهز‌به الگوریتم‌های یادگیری عمیق باشد، نقش زیادی در قیمت تمام‌شده دوربین‌ها می گذارد.
در پی رونمایی از دوربین های یادگیری عمیق به همراه راهکار های Nvidia و Movidius برای تراشه‌ها در نمایشگاه CSPE 2016، برخی تولید‌کنندگان محصولات بر پایه نیمه رسانا (شامل تعدادی از بازار تلفن همراه) نیز در نمایشگاه سال CSPE 2017 شرکت کردند و ایده‌ها و خط‌مشی‌های آینده خود را به ‌نمایش ‌گذاشتند.

از جمله این تولیدکنندگان می‌توان به XILINX، DeePHi‌‌ Tech، Intel، Vimicro و Qualcomm اشاره‌نمود. ورود این تولیدکنندگان جدید به بازار باعث افزایش گزینه‌های موجود برای اکوسیستم یادگیری‌ عمیق و البته افزایش فشار قیمتی به سکتور تراشه‌هاست.
این امر باعث ایجاد رقابت در این بخش خواهد‌شد که درنتیجه به رویه کاهشی قیمت خواهد انجامید.

چشم‌انداز

زمانی در حوزه نظارت‌تصویری هوش‌مصنوعی و یادگیری ماشین کلماتی شعار‌گونه بودند، اما هم‌اکنون همانطور که در بازار چین مشاهده‌ می‌کنیم این یک امر عملی و قابل پیاده‌سازی است و آگاهی بازار در این خصوص در حال افزایش است. کاربران نهایی در حال آشنایی بیشتر با محصولات واقعی هستند تا ارایه هایی از نمونه‌های اولیه‌ی الگوریتم‌ها. تولید‌کنندگان چینی در‌حال گسترش محصولات از این دست خود به سایر نقاط دنیا می باشند. در سال 2018 این گسترش باز از چین به‌دنیا مورد مطالعه‌های زیادی را با خود به‌همراه داشته و در پی آن توسعه این محصولات.
همچنان در سال آتی شاهد ادامه توسعه بیش از پیش محصولات آنالیز‌ویدیویی و تنوعشان بر اساس افزایش حضور تولیدکنندگان تراشه ها در این بازار خواهیم بود. جدای پروژه های ابتدایی طرح شده برای نظارت شهری و حمل‌و‌نقل،‌ به نظر‌می‌رسد گام بعدی این بازار ورود به عرصه مراکز و ساختمان‌های تجاری و کسب و کار‌های خرده است.

About The Author

Leave a Reply

Your email address will not be published. Required fields are marked *