AI在安防產業的3大發展趨勢

根據市場預估，至2026年全球AI的軟硬體及服務支出將超過9兆新台幣，2022～2026年的年複合增長率（CAGR）達26.5%;而結合AI技術的安防應用市場規模也將增加超過4,000億元，CAGR達18.64%，且增長速度有愈來愈快的趨勢。

因此，安防廠商們紛紛爭先恐後地投入AI的懷抱，尤其以影像為主的監控廠商，早已將AI技術運用於監控影像針對特定物件的偵測、搜尋、追蹤，並可自動觸發、連動警報等相關系統設備，大幅降低人力、物力，並提升安全管理的效能。
 
AI雖好用，但支持其運算的硬體設備和耗能負載皆頗高，因此在追求精準度的同時，如何減輕負載、讓AI更「輕盈」、速度更快，又能解決企業普遍欠缺AI專業人才的問題、降低所需付出的成本，成為業界共同努力的方向。在今年Secutech展場上，a&s觀察到AI在安防產業發展的3大趨勢：
 
一、從雲端到邊緣

近年來AI運算功能逐漸由後端／雲端往邊緣（Edge端）發展的態勢愈來愈明顯，主要的好處在於可縮短時間、降低風險及耗能，當然還有最重要的——節省成本。例如，IT大廠Intel（英特爾）提出的Edge AI解決方案，強調只需要一般的PC、Notebook或x86的工業電腦，透過OpenVINO開放式平台，即可運用該平台上200多種演算法（包括TensorFlow、CaffeZ…等）自行開發或採用第三方夥伴已預先訓練好的AI模型，輕鬆將終端設備轉變成Video AI Box、具AI功能的NVR或Edge端的AI Server，進而解決各種領域所面臨的問題，讓AI不再是昂貴的系統。
 
安防廠商推出的Edge AI解決方案也相當多元，尤其監控攝影機廠商已紛紛將AI影像的辨識、分析、搜尋、追蹤等功能做在Camera前端。例如：晶睿（Vivotek）透過前端Camera的物件特徵擷取運算（Edge-centric object extraction），不需在後端電腦安裝高效能顯卡執行分析運算，有效降低Server的運算資源和建置成本。利凌（LILIN）則早已看準Edge AI將成為主流，致力於邊緣運算AI攝影機結合5G與雲端的應用，並推出最新的AI廢棄物偵測（Trash Detection）、球類追蹤（Ball Tracking）、性別判斷（Gender Detection）等功能，其影像管理軟體（VMS）更是專為邊緣運算AI攝影機整合設計。而軟體廠商富萱（AiUnion）所開發的AI影像辨識邊緣運算，則是融合了AI深度學習的影像分類、物件偵測和影像分割（Image Segmentation）技術，建立如智慧工安、科技執法、安全監控等的通用模型，便於用戶直接導入使用，若有特定應用再視其需求量身訂制。
 
二、從「沈重」到「輕快」

一般來說，AI在辨識影像時會將相似的影像（如背景）視為獨立圖像而重新進行辨識，因此運算量大;當有大型場域要做AI影像辨識時，支持其運算的硬體設備數量及成本必然昂貴，相對耗能也高，並不符合企業永續發展（ESG）的原則。因此，已有不少廠商想方設法，希望能為現行的AI運作模式「減肥」，令其揮別沈重的負擔，展現輕盈的體態、邁出輕快的腳步。
 
例如，電子大廠台達（DELTA）就推出了DIVA（DNN Inference OS for Video Analysis）智能加速器，利用一連串相似影像的特性加快AI影像分析的速度，可應用在靜態或動態攝影機上。只要在任何影像應用的AI模型上加上一層DIVA SDK軟體，就可加速2～6倍（視場域硬體、影像解析度、AI模型不同）且不損失任何精準度，進而降低設備數量及能耗，達到節省成本目的。
 
新創公司耐思尼（Nexuni）也提出利用低功耗、小型化、高度定制化的嵌入式系統（如Embedded Linux、Nvidia Jetson Platform…等），結合可降階至KB儲存等級的機器學習模型TinyML成為Edge AI系統架構——可在資源有限的端點硬體規格上，進行影像（如人臉）和語音的AI運算，並保持與Server級運算相同的準確率。根據實測，TinyML可將Server等級所需的16GB，降至邊緣嵌入式系統的320KB，等於將傳統機器學習模型縮小了5萬倍，更便於開發可應用於各種規格系統、易於普及的自動化解決方案，提升管理效率。
 
三、從專業到普及

近來ChatGPT讓AI在全球的關注熱度居高不下，主要在於它讓大家使用AI這件事變得容易起來。同樣地，為了讓AI能夠加速普及市場應用，業界也努力透過簡化開發技術與設計流程，希望即使不具備AI專業知識的人，也能輕易打造滿足本身業務需求且有效的AI訓練模型。例如，Intel（英特爾）Geti電腦視覺平台標榜可讓任何人透過簡單的資料上傳、標註、模型訓練以及再訓練界面，配合OpenVINO工具組進行最佳化，就可輕易部署高品質的電腦視覺AI，藉以推動更多應用創新、提高企業整體效能。
 
有鑑於一般AI專案導入流程：資料預處理→選定演算法→程式開發AI模型→模型驗證，不僅需要AI或IT專業人員，還需反覆作業、動輒耗時數月;杰倫智能（Profet AI）發展的AutoML Platfrom（No-Code AI平台），則是將「選定演算法→程式開發AI模型」兩步驟利用機器學習技術自動、快速地建立AI模型，而且可將模型驗證最佳化。如此一來，企業各部門（如人資、研發、生產、IT…等）人員都能很方便地應用AI解決所屬業務領域的各種問題，例如，將AutoML Platfrom應用在工業生產線上，就能夠優化生產製造過程、提升整體良率與效能;應用在資安議題上，也可協助預測資安外洩風險郵件。