False Alarms 2.0 – Από τους ψευδοσυναγερμούς στις έξυπνες ειδοποιήσεις

Πώς οι νέες τεχνολογίες και η τεχνητή νοημοσύνη δημιουργούν πιο αξιόπιστα συστήματα

  Η τεχνητή νοημοσύνη (AI) επαναπροσδιορίζει τον τρόπο με τον οποίο τα συστήματα ασφαλείας ερμηνεύουν τις απειλές, μετατρέποντας την ανίχνευση εισβολών από ένα αντιδραστικό μοντέλο (ενεργοποίηση συναγερμού – αντίδραση) σε ένα μοντέλο προγνωστικής ανάλυσης πλαισίου που βασίζεται στη μηχανική μάθηση και στην ευφυΐα πολλαπλών αισθητήρων.

Του Νέστωρα Πεχλιβανίδη

Από το βήμα του περιοδικού μας, έχουμε πολλάκις αναφερθεί στους ψευδείς συναγερμούς – δεν μπορεί να γίνει αλλιώς άλλωστε, αφού η ενεργοποίηση συναγερμών είναι η πεμπτουσία των συστημάτων ασφαλείας. Όμως πάντα, απλά, παρουσιάζονταν ως μία πολύ ανεπιθύμητη παρενέργεια των συστημάτων ασφαλείας, ως ένας θόρυβος, ένα παθολογικό πρόβλημα. Στο παρόν θα ασχοληθούμε με τους ψευδοσυναγερμούς καθ’ αυτό αλλά και τον καθοριστικό ρόλο που έπαιξε η τεχνητή νοημοσύνη στην μετάλλαξη του τομέα ασφάλειας μέσω των έξυπνων συναγερμών.

Μια διαχρονική παθογένεια

Κάθε ειδοποίηση-συναγερμός πίσω από την οποία δεν βρίσκεται πραγματική απειλή είναι ουσιαστικά ένας ψευδοσυναγερμός. Είτε είναι ένας περιβαλλοντικός θόρυβος, ένα ζώο ή ένα πτηνό, οι βροντές και οι ισχυροί άνεμοι, είτε κακή εγκατάσταση κάποιων αισθητήρων, ή τέλος λάθος του χρήστη, ο ψευδοσυναγερμός αποτελεί ένα τεράστιο και διαχρονικό ενδογενές πρόβλημα των συστημάτων ασφάλειας.

Σύμφωνα με τις εκτιμήσεις του τομέα, άνω του 90% των ειδοποιήσεων είναι ξεκάθαρα ψευδείς συναγερμοί. Κατ’ άλλους – πιο υπερβολικούς – το ποσοστό των ψευδοσυναγερμών ξεπερνάει το 95% του συνόλου των ειδοποιήσεων.

Τα μαθηματικά δεδομένα είναι όντως εντυπωσιακά και αμείλικτα. Η πίεση που ασκείται στα συστήματα είναι τεράστια. Ξεκάθαρα αντιπαραγωγική, ενώ συνοδεύεται από πολύ αρνητικές, αλυσιδωτές συνέπειες όπως οι παρακάτω:

• Προκειμένου να επιβεβαιωθεί αν υπάρχει λόγος ανησυχίας, θα πρέπει τελικά να μεταβεί προσωπικό ασφαλείας στο σημείο συμβάντος, εκτοξεύοντας το λειτουργικό κόστος και σπαταλώντας παράλληλα σημαντικούς εταιρικούς πόρους.
• Πολλές φορές οι ψευδοσυναγερμοί μπορούν να κινητοποιήσουν και τα σώματα ασφαλείας απασχολώντας άσκοπα την αστυνομία ή το πυροσβεστικό σώμα κάτι που μπορεί να οδηγήσει στην αναστολή άλλων αποστολών και ακόμα, να επιφέρει διοικητικά πρόστιμα για τις ψευδείς αυτές κλήσεις.
• Μία ακόμα πολύ σημαντική συνέπεια, αφορά το ίδιο το σύστημα ασφαλείας καθώς χάνει την αξιοπιστία του με αποτέλεσμα την απώλεια εμπιστοσύνης από τον τελικό χρήστη.
• Εφόσον το φαινόμενο των ψευδοσυναγερμών εμφανίζεται συχνά, απαιτούνται έκτακτες επισκέψεις τεχνικών για τον έλεγχο και την ρύθμιση του εξοπλισμού οπότε αυξάνεται το κόστος συντήρησης.

Δεν θα ήταν λάθος όμως ο ισχυρισμός, πως τα παραπάνω είναι φυσικό επακόλουθο της φιλοσοφίας που ακολουθούσε ο τομέας ασφάλειας. Η σισύφεια προσπάθεια ανίχνευσης των πάντων, καταλύτης της οποίας στάθηκε η ραγδαία αύξηση των αισθητήρων που μπορούν να ενσωματωθούν σε ένα σύστημα ασφάλειας (αισθητήρες ήχου, κίνησης, καπνού, δόνησης, υπερύθρων κ.α, ενώ οφείλουμε να προσθέσουμε τα δεδομένα από κάμερες, σημεία εισόδου), οδήγησε τους τελευταίους στην παραγωγή μιας θάλασσας δεδομένων και κατ’ επέκταση συναγερμών, που εντέλει άρχισαν να πνίγουν τα ίδια τα συστήματα αλλά και το έμψυχο δυναμικό του τομέα.

Σήμερα όμως η φιλοσοφία τείνει να αντιστραφεί. Πλέον ο στόχος είναι η μείωση του θορύβου –πρόκειται για το 90% περίπου των ειδοποιήσεων που αναφέραμε νωρίτερα. Σήμερα η τάση υποδεικνύει την πλήρη συνδυαστική αξιοποίηση, από την τεχνητή νοημοσύνη, των δεδομένων από το υπάρχων υλικό και σίγουρα όχι την προσθήκη επιπλέον hardware.

Τεχνητή νοημοσύνη και συστήματα ασφαλείας

Στην προσπάθεια μείωσης των ψευδοσυναγερμών, καθοριστικός ήταν ο ρόλος της τεχνητής νοημοσύνης. Η ανάπτυξή της ωφελήθηκε τα μέγιστα απ’ όλη αυτή η θάλασσα των δεδομένων η οποία αξιοποιείται εδώ και αρκετά χρόνια για την εκπαίδευση της τελευταίας. Τόσο η μηχανική εκμάθηση, όσο και η βαθιά ως υποσύνολο βασίστηκε σε αυτό το σύμπαν πληροφορίας που υπάρχει στο διαδίκτυο.

Δομημένα δεδομένα, αρχεία Excel και CSV, βάσεις δεδομένων με σαφή πεδία και ετικέτες, αριθμητικά δεδομένα, πληροφορίες φύλου, πληροφορίες χωρίς προκαθορισμένη δομή ή μοντέλο, εικόνες και βίντεο, φωνητικά αρχεία και άλλα πολλά αποτελούν την ύλη εκπαίδευσης της τεχνητής νοημοσύνης. Η συμβολή της τελευταίας στα συστήματα ασφαλείας είναι τόσο μεγάλη που θα μπορούσαμε να ισχυριστούμε πως ξανοίγονται εκπληκτικές προοπτικές για τον τομέα ασφάλειας. Τα επόμενα χρόνια η αξιοπιστία των συστημάτων σίγουρα θα βελτιώνεται διαρκώς με απώτερο στόχο τον μηδενισμό των ψευδοσυναγερμών.

Αξίζει να σημειωθεί πως η μείωση των συναγερμών με τη βοήθεια της τεχνητής νοημοσύνης είναι αποτελεσματική όταν αυτή αντιμετωπίζεται ως ένα επίπεδο επαλήθευσης μεταξύ των ακατέργαστων ενεργοποιήσεων των αισθητήρων και της ανθρώπινης απόφασης για κλιμάκωση. Αυτό ακριβώς τον ρόλο ανέλαβε η τεχνητή νοημοσύνη ως ενδιάμεσος κρίκος μεταξύ ανίχνευσης και συναγερμού/αντίδρασης. Ο στόχος είναι να διατηρηθεί η υψηλή ευαισθησία, βελτιώνοντας παράλληλα την ακρίβεια.

Η τεχνητή νοημοσύνη λοιπόν έρχεται να καλύψει ένα κενό που υπήρχε τόσα χρόνια μεταξύ του συναγερμού και της απόκρισης προσθέτοντας το βήμα της επαλήθευσης.

Προηγμένη αναγνώριση αντικειμένων και συμβάντων

Η αναγνώριση και ταξινόμηση αντικειμένων είναι βασικό κομμάτι της υπολογιστικής όρασης (computer vision). Επιτρέπει στους υπολογιστές να βλέπουν, να βρίσκουν και να βάζουν σε ομάδες πράγματα που διακρίνουν σε εικόνες ή βίντεο-ομαδοποιούν δηλαδή τα pixels. Τα μοντέλα υπολογιστικής όρασης που έχουν εκπαιδευτεί σε ταξινομημένο οπτικό υλικό μπορούν να διακρίνουν ανθρώπους, ζώα, οχήματα, την κίνηση ενός κλαδιού λόγω του αέρα, και στη συνέχεια να εφαρμόζουν κανόνες της σκηνής, όπως η κατεύθυνση κίνησης ή οι ζώνες περιορισμένης πρόσβασης. Με προσαρμογή ειδικά για κάθε τοποθεσία, το μοντέλο μαθαίνει ότι η στάση ενός φορτηγού διανομής σε χώρο φόρτωσης κατά τις ώρες λειτουργίας είναι φυσιολογική, ενώ όταν ένα άτομο που σκαρφαλώνει σε φράχτη τη νύχτα απαιτείται σίγουρα άμεση κλιμάκωση του συμβάντος.

Πρόκειται για μια πρακτική εφαρμογή της μηχανικής μάθησης, όπου οι αλγόριθμοι ταξινόμησης και τα χωροχρονικά μοντέλα μετατρέπουν τα εικονοστοιχεία σε δομημένα συμβάντα. Αυτό μειώνει τις ειδοποιήσεις που προκαλούνται από σκιές, φώτα αυτοκινήτων, τον ήχο της βροχής ή έναν κεραυνό.

Προηγμένη ανάλυση ήχου και ακουστικής

Σε αυτή την περίπτωση, η AI δεν αναλύει εικόνες, αλλά τον ψηφιακό ήχο (συχνότητες, ένταση διάρκεια) για να πάρει μια απόφαση. Τα ακουστικά μοντέλα μπορούν να ταξινομήσουν συμβάντα όπως μοτίβα θραύσης γυαλιού, βίαιη είσοδο, παρατεταμένες φωνές ή ανώμαλο θόρυβο μηχανημάτων. Αυτά τα μοντέλα τεχνητής νοημοσύνης αξιοποιούν τον ήχο ως φάσμα μετατρέποντας ένα ηχητικό συμβάν σε φασματογράφημα-εικόνα και στη συνέχεια βαθμολογούν την πιθανότητα ενός συμβάντος σε πραγματικό χρόνο.

Όταν η ανάλυση ήχου συνδυάζεται με άλλους αισθητήρες, ένας συναγερμός μπορεί να ενεργοποιηθεί ή ακόμα να υποβαθμιστεί πιο αξιόπιστα. Κίνηση χωρίς υποστηρικτικό ακουστικό σήμα μπορεί να θεωρηθεί ως συμβάν που δεν χρήζει αναβάθμισης , ενώ ένα σήμα θραύσης γυαλιού που ακολουθείται από ενέργεια επαφής με μία πόρτα, μπορεί να αυξήσει την προτεραιότητα και να επιταχύνει την ανταπόκριση.

 Διασταύρωση δεδομένων από πολλαπλούς αισθητήρες

Πολλοί ψευδείς συναγερμοί ενεργοποιούνται επειδή κάποια μεμονωμένα αισθητήρια λειτουργούν ανεξάρτητα. Η τεχνητή νοημοσύνη μειώνει αυτόν τον κίνδυνο συσχετίζοντας τα σήματα μεταξύ συσκευών ενώ τα ταξινομεί και χρονικά. Μια πραγματική εισβολή σίγουρα παράγει μια συγκεκριμένη και συνεκτική αλυσίδα ενεργειών και συμβάντων, όπως παραβίαση της περιμέτρου, προσέγγιση, είσοδος, κίνηση στο εσωτερικό και έξοδος. Επίσης σε μία πραγματική εισβολή κατά 90% ο δράστης θα είναι άνδρας άρα το φύλο του εισβολέα θα μπορούσε να είναι κριτήριο επαλήθευσης.

Η συγχώνευση δεδομένων αποτελεί ωστόσο ένα βασικό πρόβλημα της επιστήμης των δεδομένων, το οποίο ουσιαστικά έγκειται στη δυσκολία σύνθεσης και χρονικής ευθυγράμμισης ετερογενών ροών δεδομένων, την διαχείριση ελλειπόντων τιμών και την εκμάθηση κανόνων λήψης αποφάσεων. Τυπικές πηγές δεδομένων περιλαμβάνουν θερμικούς αισθητήρες, αισθητήρες επαφής πορτών και παραθύρων, αισθητήρες δόνησης ή θραύσης γυαλιού, αέριων ρύπων καθώς και συμβάντα ανάλυσης βίντεο. Το βασικό αποτέλεσμα είναι η μείωση των κλιμακώσεων που προκαλούνται από ένα μόνο κανάλι με θόρυβο.

Ανίχνευση συμπεριφοράς και ανωμαλιών

Οι ψευδείς συναγερμοί θα μειωθούν περαιτέρω όταν ένα σύστημα «θα μάθει» πώς είναι η κανονική ή αρμόζουσα κατάσταση για μια συγκεκριμένη περιοχή μία δεδομένη ώρα αλλά και την συμπεριφορά των ατόμων μίας συγκεκριμένη σκηνής. Τα μοντέλα συμπεριφοράς μπορούν να καθορίσουν βασικές τιμές αναφοράς για τους χρόνους εισόδου, την κυκλοφορία πεζών, τις τυπικές διαδρομές εντός των εγκαταστάσεων και τις συνήθεις κινήσεις, όπως ο νυχτερινός καθαρισμός και οι αλλαγές βάρδιας. Στη συνέχεια, ανιχνευτές και αισθητήρες μπορούν να επισημάνουν αποκλίσεις που έχουν σημασία, όπως η παραμονή σε διάδρομο με περιορισμένη πρόσβαση ή ασυνήθιστα μοτίβα πρόσβασης μέσω πολλαπλών θυρών.

Μια μελέτη σχετικά με τα έξυπνα αυτοματοποιημένα συστήματα ειδοποίησης διαπίστωσε ότι η ενσωμάτωση της τεχνητής νοημοσύνης μείωσε σημαντικά τον αριθμό των περιστατικών συναγερμού. Ένας αλγόριθμος βασισμένος σε συνελικτικό νευρωνικό δίκτυο (CNN – Convolutional Neural Networks, ειδικά τεχνητά νευρωνικά δίκτυα που χρησιμοποιούνται για την αναγνώριση, επεξεργασία και ταξινόμηση εικόνων αλλά και ήχου) έφτασε σε ακρίβεια 93% στην ταξινόμηση πραγματικών έναντι ψευδών συναγερμών και βελτίωσε την απόδοση κατά 18% σε σχέση με τη λογική που βασίζεται σε κανόνες. Παράλληλα, ένα μοντέλο γκαουσιανού μίγματος (GMM, Gaussian Mixture Model. Μοντέλο μηχανικής εκμάθησης βασισμένο στις πιθανότητες και τη στατιστική. Χρησιμοποιείται για να χωρίζει δεδομένα σε ομάδες -clustering- και να βρίσκει το «φυσιολογικό») μείωσε τα ψευδή αποτελέσματα κατά περίπου 25% σε σύγκριση με τις βασικές μεθόδους.

Όλα αυτά σημαίνουν πως ένα σύστημα με ενσωματωμένες λειτουργίες Τεχνητής Νοημοσύνης μπορεί να «καταλάβει» το πλαίσιο μιας κατάστασης, ενώ ένα σύστημα κανόνων ακολουθεί τυφλά οδηγίες τύπου αν συμβεί το Χ, κάνε το Υ. Τα στατικά συστήματα κανόνων αποτυγχάνουν όταν αντιμετωπίζουν κάτι καινούργιο ή πολύπλοκο, προκαλώντας πολλούς ψευδείς συναγερμούς.

Προγνωστική μοντελοποίηση απειλών

Τα προγνωστικά μοντέλα μπορούν επίσης να ενσωματώνουν ιστορικά μοτίβα συμβάντων όπως την ώρα της ημέρας, τα προγράμματα στελέχωσης, πρόσφατα συμβάντα πρόσβασης και πληροφορίες τοπικού περιβάλλοντος-σκηνής, προκειμένου να εκτιμήσουν την πιθανότητα ένα συμβάν να αποτελεί πραγματική απειλή. Αντί λοιπόν για ένα σταθερό όριο ή έναν κανόνα, το σύστημα χρησιμοποιεί βαθμονομημένες πιθανότητες και λήψη αποφάσεων με βάση το κόστος.

Αυτό μπορεί να σημαίνει αυστηρότερο έλεγχο κατά τη διάρκεια περιόδων υψηλού κινδύνου, όπως τις νυχτερινές ώρες, και λιγότερο αυστηρό έλεγχο κατά τη διάρκεια περιόδων με επαρκή εποπτεία. Κατ’ αυτόν τον τρόπο βελτιώνονται επίσης οι λειτουργίες, καθώς οι ειδοποιήσεις μπορούν να ιεραρχηθούν με βάση τον αναμενόμενο αντίκτυπο.

Ο ανθρώπινος παράγοντας

Στον τομέα της βιντεοεπιτήρησης, η ανίχνευση αντικειμένων με βάση την τεχνητή νοημοσύνη (AI) έχει σημειώσει σημαντική πρόοδο με καθοριστικό ρόλο στη μείωση των ψευδών συναγερμών. Ωστόσο, οι βελτιωμένες αναλυτικές δυνατότητες από μόνες τους δεν επιλύουν το παλαιότερο πρόβλημα της ασφάλειας. Η πραγματική βελτίωση επιτυγχάνεται όταν η έξυπνη ανίχνευση συνδυάζεται με τη σωστή εγκατάσταση, διαμόρφωση και εμπιστοσύνη του χειριστή. Μια σύγχρονη κάμερα με τεχνητή νοημοσύνη μπορεί να διακρίνει μεταξύ συνηθισμένης δραστηριότητας και κάτι που απαιτεί προσοχή, αλλά εξακολουθεί να χρειάζεται το σωστό οπτικό πεδίο, τη σωστή οπτική γωνία και ρεαλιστικές προσδοκίες για το περιβάλλον εγκατάστασης. Ακόμη και η πιο προηγμένη κάμερα θα αντιμετωπίσει δυσκολίες αν είναι κακώς τοποθετημένη ή εγκατεστημένη με τρόπο που αγνοεί τις προδιαγραφές εγκατάστασης. Αυτός είναι ο λόγος για τον οποίο η εκπαίδευση έχει καταστεί τόσο κρίσιμο ζήτημα για τους τεχνικούς.

Οι σύγχρονες κάμερες είναι εξελιγμένοι αισθητήρες που απαιτούν εξειδίκευση στους τομείς της πληροφορικής, της τεχνητής νοημοσύνης, της κυβερνοασφάλειας και της εγκατάστασης συστημάτων βιντεοεπιτήρησης. Το να τοποθετεί κανείς απλώς μια κάμερα και να απομακρύνεται δεν αρκεί πλέον. Όταν οι επαγγελματικές κάμερες τεχνητής νοημοσύνης εγκαθίστανται σύμφωνα με τις προδιαγραφές, οι χειριστές εμπιστεύονται τις ειδοποιήσεις, ανταποκρίνονται ταχύτερα και σταματούν να χάνουν χρόνο.

Το μέλλον της έξυπνης ασφάλειας

Η τεχνητή νοημοσύνη έχει προσθέσει στην διαχείριση των συναγερμών μια διαδικασία επαλήθευσης που είναι πιο επιλεκτική, λαμβάνει υπόψη το πλαίσιο και εμπνέει μεγαλύτερη εμπιστοσύνη. Η αναγνώριση αντικειμένων, η ακουστική ταξινόμηση, η συγχώνευση δεδομένων από μία σειρά αισθητήρων, η ανίχνευση ανωμαλιών και η προγνωστική μοντελοποίηση συμβάλλουν στην εξάλειψη των ψευδοσυναγερμών, διατηρώντας παράλληλα την ευαισθησία ανίχνευσης.

Αυτό μειώνει τη σπατάλη πόρων κατά την ανταπόκριση και αποτρέπει την «κόπωση από τους συναγερμούς» να υπονομεύσει τις πραγματικές καταστάσεις έκτακτης ανάγκης.