Возможно, вы слышали, что в последние месяцы резко возросло количество краж банкоматов по всей Северной Ирландии. В настоящее время их общее количество составляет 11. Эти атаки не только имеют финансовые последствия для предприятий, на которые они направлены, но и вызывают нарушения в местных сообществах.

Итак, как ИИ может помочь остановить этих преступников от атак на банкоматы? С помощью машинного обучения я обучил модель с более чем 1000 изображениями, которая позволяет обнаруживать землекопы и различное машинное оборудование. Как видно из недавних видеозаписей с камер видеонаблюдения, ворам требуется всего 4 минуты от прибытия на место до выхода с банкоматом. Основная цель здесь - предупредить власти при первой же возможности; при обнаружении копателя у банкомата. Как только землекоп был обнаружен у банкомата, приложение могло либо отправить текст владельцу магазина, либо связаться с полицией с помощью автоматизированной службы.

Я считаю, что ключ к остановке этих людей - это как можно быстрее добраться до места происшествия и поймать их с поличным. В настоящее время грабители имеют 100% шанс побега, поэтому главное - как можно скорее доставить на место происшествия ответчиков. Моим решением было бы в первую очередь предупредить нужных людей, что означает, что у этих преступников гораздо больше шансов поймать преступников.

Модель обучается с помощью TensorFlow до 4000 шагов, что занимает около 30 минут. Это дало мне точность 100%. Для тех из вас, кто не разбирается в технических вопросах, я расскажу немного подробнее о модели, изображениях, которые я использовал, о том, что означает эта точность, и о том, как я тестировал приложения.

Модель

Модель - это просто файл, полный алгоритмов, которые приложение запускает, чтобы попытаться определить сходство между данными, которые оно хранит, и объектом, который оно наблюдает. После того, как алгоритм запустится, он создаст метку с тем, что, по его мнению, представляет собой объект, и оценкой прогноза от 0 до 1. Чем ближе к 1, тем больше алгоритм уверен, что объект, на который он смотрит, правильный.

Я обучил модель с помощью TensorFlow в контейнере рабочего стола Docker, поскольку он требует минимальной настройки и дает отличные результаты. Обучение модели длилось около 30 минут и вернулось с точностью до 100%. Эта точность известна как точность окончательного теста и относится к точности обученной модели, когда оценка выполняется на наборе изображений, которые хранятся отдельно от изображений для обучения и проверки.

Изображений

Эта модель была обучена с изображениями различных заводских машин, которые использовались в ограблениях, разных цветов, под разными углами и в любое время дня. Таким образом мы устраняем факторы, которые могут сбить модель с толку, например, наблюдаемый сзади экскаватор. Модальное окно теперь может легко идентифицировать широкий спектр экскаваторов и заводского оборудования, которые могут быть использованы в этих атаках.

Тестирование

В средствах массовой информации были опубликованы некоторые видеозаписи недавних ограблений банкоматов. Я использовал эти видео, чтобы протестировать модель ИИ в приложении Android для просмотра отснятого материала. Модель правильно предсказала, что экскаватор присутствует в обоих видеороликах с оценкой прогноза более 95%.

Заключение

ИИ может помочь нам решить огромное количество проблем, не ставя под угрозу безопасность рабочих мест и не вызывая этических проблем. Я согласен с тем, что есть и другие способы остановить эти ограбления, но это решение может легко работать на подержанном телефоне Android за 30 фунтов стерлингов с сим-картой PAYG, поскольку вся обработка выполняется на телефоне. Единственный процесс, который требует использования Интернета, - это когда текстовое сообщение или звонок запускаются при обнаружении копателя.

Если кто-то хочет поговорить о приложении дальше, напишите мне в твиттере: https://twitter.com/AngryCubeDev