Die Hauptaufgabe besteht darin, eine erweiterte Funktionalität für die Anomalieanalyse zu entwickeln und sie bei der bestehenden Videodatenanalyse-Software zu integrieren, um illegale Angriffe auf Geldautomaten zu verhindern.
KI/ML. Anomalieerkennung
Die Hauptaufgabe besteht darin, eine erweiterte Funktionalität für die Anomalieanalyse zu entwickeln und sie bei der bestehenden Videodatenanalyse-Software zu integrieren, um illegale Angriffe auf Geldautomaten zu verhindern.
Die Aufgabe
Auf dem Markt für VMS Lösungsanbieter herrscht hoher Wettbewerb. Jedes Unternehmen versucht, Videomonitoring Software mit den attraktivsten Funktionssets auszustatten, um neue Kunden zu gewinnen und Stammkunden zu binden. Zu den am häufigsten angeforderten Funktionen gehört die embedded KI-gestützte Videodatenanalyse. Sie ermöglicht Sicherheitssystemen die sofortige Identifizierung verdächtigen Verhaltens und abweichender Ereignisse, um potenzielle Bedrohungen zu verhindern. Unter den Kunden der VMS-Anbieter sind oft Bankinstitute. Um Diebstahl und unbefugte Handlungen an Geldautomaten zu vermeiden, hat der Kunde beschlossen, seine bestehende Lösung um den Anomalieerkennung Algorithmus zu erweitern.
Lösung
Die Anomalie Erkennung besteht darin, ungewöhnliche Aktivitäten oder Beobachtungen herauszufiltern, die durch statistische Abweichungen von den übrigen Beobachtungen auffällig werden können. Normalerweise handelt es sich bei anomalen Daten um etwas, das nicht in das übliche Muster passt. Mit anderen Worten, die Erkennung von Datenanomalien besteht darin, die Ausreißer in Daten zu identifizieren. Häufig sind Datenanomalien mit selten auftretenden Ereignissen verbunden. Zum Beispiel Ausrüstungsstörungen, medizinische Probleme, Bankbetrug, usw. Es ist möglich, die Merkmale zu bestimmen, die als Anomalien betrachtet werden sollen. In unserem Fall sollte der Anomaliedetektion Algorithmus darauf abzielen, verdächtige Personen zu identifizieren, die sich einem Geldautomaten nähern.
Die Videomanagementsoftware funktioniert in dem normalen Modus. Sobald Personen mit verdächtigen Gegenständen oder ungewöhnlichen Kleidungsaccessoires Geldautomaten nähern, erkennt die integrierte Analyse dies als Abweichung vom Standard, und eine Alarmbenachrichtigung wird generiert. Zum Beispiel wird die Person mit einer Sturmhaube auf dem Kopf oder die Person mit seltsamen Gegenständen in den Händen (z. B. Gasballon, Waffe, Haken, usw.) in einer Entfernung X vom Geldautomaten als Anomalie wahrgenommen. Der Bediener erhält die Alarmbenachrichtigung und entscheidet über weiter Schirtte, z.B das Ereignis zu ignorieren oder Sicherheitspersonal sowie die Polizei zu rufen. Auf diese Weise erkennt der entwickelte Algorithmus die Anomalien und trägt dazu bei, Angriffe auf Geldautomaten zur Geldentnahme zu verhindern.
Die Videodatenanalyse-Software spielt eine wichtige Rolle, da sie hilft, unerwünschten Ereignissen schneller und effizienter zu begegnen. Dieser Ansatz hilft den Bankinstituten, sich vor Betrug, Raubüberfällen oder anderen Arten illegaler Handlungen zu schützen, die Kriminalitätsrate zu senken und das Vertrauen der Kunden in die Organisation zu erhöhen.
Einfluss auf das Business
Ein Anomalieerkennung Algorithmus zur Identifizierung abnormalen Verhaltens, das zu Raubüberfällen und Zerstörung von Geldautomaten führen könnte, wurde erfolgreich als Teil der integrierten Analyse in VMS implementiert. Dank der KI-Analyse konnte der Anbieter von Videosicherheitslösungen seinen Kunden – einer der wichtigsten deutschen Bankinstitute – zusätzliche Funktionalität bieten und somit die Sicherheitsmaßnahmen in Bezug auf Geldautomaten erhöhen.
Heutzutage leben wir in der Zeit der modernsten Technologien und KI-Lösungen. Objekterkennung, Markenerkennung, Objektverfolgung, Gesichtserkennung, 3D-Rekonstruktion und viele andere Anwendungsfälle sind heutzutage dank der Leistungsfähigkeit der Technologie und des Fortschritts möglich. Die Analyse von Echtzeitbildern und Live-Videos ist nichts Unmögliches. Unsere Teams entwickeln maßgeschneiderte KI-/ML-Lösungen, die nützlich sind, um digitale Bilder und Live-Videos zu verstehen.
Kontaktieren Sie uns, um über maßgeschneiderte KI-/ML-Lösungen zu sprechen und Ihre Software zu verbessern und zu stärken.
Entwicklungskosten für Anomalieerkennung
Die Anomalieerkennung konzentriert sich auf die Identifikation von Abweichungen von den Standardmustern und Verhaltensnormen. Die Erkennung ungewöhnlicher Aktivitäten/anomaler Daten hilft, unerwünschte Ereignisse in verschiedenen Situationen und Branchen zu vermeiden. Anomalieerkennung stellt die Unregelmäßigkeiten heraus und ermöglicht eine rechtzeitige Intervention, was den Sicherheitsgrad erhöht.
Entwicklungskosten
Die Entwicklungskosten für Anomalieerkennung liegen bei 15.000–35.000 Dollar. Allerdings beeinflussen viele Faktoren die Entwicklungskosten:
- Umfang und Komplexität der Lösung zur Anomalieerkennung. Zum Beispiel kostet die Entwicklung eines einfachen Algorithmus zur Anomalieerkennung weniger im Vergleich zur Implementierung komplexer Systeme mit verschiedenen Funktionen.
- Die Menge, Qualität und Verfügbarkeit der Daten, um das Modell zu trainieren & testen
- Algorithmus und ML-Modell. Aufgrund der Art der Datenanomalien, spezifischen Daten-Merkmalen und Anwendungsanforderungen wird der effizienteste Algorithmus und Modell gewählt.
- Hardware und Infrastruktur. Die Auswahl der Hardware sollte mit den spezifischen Geschäftsanforderungen der Lösung übereinstimmen, um Effizienz zu gewährleisten. Für die Verarbeitung großer Datenmengen entsteht der Bedarf an leistungsfähiger Hardware.
- Integrationen. Zum Beispiel Integrationen mit den bestehenden Systemen, Datenbanken usw.
- Testen
Implementierungszeit
Die Implementierungszeit der Anomalieerkennung beträgt ~ 1-3 Monate. In jedem Fall variiert die Dauer je nach den oben aufgeführten Faktoren.
