En los últimos años ha habido avances tecnológicos significativos en cuanto al poder que tiene la informática. Las máquinas parecen tener cada vez más una mayor capacidad para aprender sobre nosotros y participar en nuestras vidas. Ya sea a través de sugerencias de compra de productos en Amazon.com, otros puntos de venta o en nuestros negocios y actividades profesionales; las máquinas están aprendiendo todo alrededor de nosotros. Sin embargo, aún estamos lejos de alcanzar el máximo potencial que la Inteligencia Artificial (AI) podría lograr.

Los avances que se han realizado especialmente en la industria de la seguridad física, requieren mayor claridad acerca de las diferencias entre Inteligencia Artificial, Aprendizaje Automático (Machine Learning en inglés) y Aprendizaje Profundo (Deep Learning en inglés). Usar el término IA de manera flexible solo sirve para representar mal lo que el aprendizaje automático puede hacer y, a menudo, se corre el riesgo de generar expectativas equivocadas.

Inteligencia artificial

Durante años, la comprensión de la mayoría de las personas sobre la IA, provino de la cultura pop, lo que los llevó a preguntarse si los robots podrían sentir las emociones humanas o si tendrían la capacidad de tomar el control del mundo. La IA se refiere a un cerebro artificial completamente funcional que puede razonar, evolucionar, aprender y tomar decisiones similares a las de los humanos; sin embargo, estamos a muchos años (o décadas) de esto.

Lo que sí es un hecho es que el mercado mundial de IA ha crecido de manera significativa y se estima que para el 2025 llegue a los $60 mil millones. En 2016 fue de $1.4 mil millones, por lo que el PIB global se considera crecerá en $5.7 billones para 2030.1

Algunos ejemplos de lo que hoy muchos consideran que es la IA, son: Deep Blue venciendo al mejor jugador de ajedrez, Siri reconociendo una canción, Amazon sugiriendo un nuevo libro. Estos son en realidad ejemplos de computadoras cada vez más pequeñas que ejecutan una serie de algoritmos, buscando a través de bases de datos o haciendo muchos cálculos rápidamente.

Aprendizaje automático o Machine Learning

El aprendizaje automático es un área de la Inteligencia Artificial que utiliza datos para ayudar a una computadora a mejorar el rendimiento sin ser programada explícitamente. La programación estática proporciona a la computadora un conjunto de instrucciones que no cambian con el tiempo, permite a los programadores habilitar una computadora para evaluar y alterar sus procesos computacionales a través de la capacitación. En un ejemplo simple, una computadora podría estar capacitada para determinar si el color o la forma son un mejor indicador para clasificar correctamente una nueva entrada.

Al trabajar principalmente con datos en forma de lenguaje, texto, video o imágenes, el aprendizaje automático utiliza técnicas estadísticas para permitir que los sistemas informáticos resuelvan problemas, tomen decisiones y predicciones.

Aprendizaje profundo o Deep Learning

El aprendizaje profundo es una formulación específica de redes neuronales artificiales que también funciona con datos estructurados. Es una representación de cómo el cerebro humano pasa información entre "neuronas" para imitar patrones de aprendizaje y clasificación que un humano hace naturalmente. Sin embargo, todavía no es tan poderoso como el cerebro humano.

Lo emocionante es que las precisiones obtenidas últimamente han excedido lo que los humanos pueden hacer con tareas específicas. Incluso algunos analistas de Google creen que en el próximo año, 2020, los robots serán lo suficientemente inteligentes como para imitar comportamientos humanos complejos como bromas y coqueteos.

Beneficios de la Inteligencia Artificial en la industria de la seguridad física

En este momento, dentro de la industria de la seguridad, la IA está siendo utilizada principalmente en aplicaciones en video. El video genera volúmenes de datos muy grandes que resultan demasiado para que una persona los revise, por lo que esta tecnología permite extraer y preprocesar el video para filtrar solo lo que se necesita revisar ahorrando miles de horas-hombre.

Cuando se trata de seguridad física, la adquisición y el procesamiento de datos pueden aportar grandes mejoras a la eficiencia operativa. Los operadores de seguridad a menudo invierten una cantidad significativa de tiempo revisando y procesando grandes cantidades de datos para dar sentido a un evento que han recibido. Debido a que las máquinas están equipadas de manera única para procesar incansablemente grandes cantidades de datos, pueden usarse para automatizar algunas de estas tareas y liberar a los operadores para que realicen otras actividades que generen valor al negocio.

En empresas como Genetec -proveedor global de soluciones de videovigilancia, control de acceso y reconocimiento automático de placas de matrícula (ALPR) de clase mundial- utilizan activamente el aprendizaje profundo para lograr una mayor precisión para resolver problemas estructurados, en donde se necesita saber cuál debería ser el resultado en general. Este es el caso de sus sistemas ALPR, que usan aprendizaje profundo para aumentar la precisión y las tasas de veracidad de las lecturas de matrículas. “Al aplicar algoritmos de visión por computadora, se reduce en gran medida los márgenes de error en las lecturas, lo que ayuda a la policía a identificar y detener vehículos o personas de interés”, señaló Philippe Verrier, Director de Programas de Mercadeo de Genetec.

“En sí, el mayor beneficio, dentro del mercado de la seguridad, es que permite automatizar tareas repetidas en las que los humanos invierten mucho tiempo”.

Investigaciones realizadas señalan que la tecnología basada en IA puede mejorar la productividad hasta en un 40%. Una investigación realizada en 12 países desarrollados reveló que podría duplicar las tasas de crecimiento económico para 2035, al permitir a las personas usar su tiempo de manera eficiente, lo que aumentaría su productividad en un 40%.

Otro de los beneficios que aporta este tipo de tecnología al mercado de la seguridad es que ayuda a estimar cómo algunos tipos de delitos influyen en el riesgo de que se produzcan otros delitos en el futuro o, por ejemplo, qué tan cerca en el tiempo y en el espacio debe ocurrir un robo en un hogar para aumentar el riesgo de que otro hogar sea robado, lo que permite disminuir los índices de criminalidad, como es el caso de la solución de Genetec Citgraf™.

“Estamos utilizando el aprendizaje automático no supervisado para ayudar a nuestros sistemas a predecir cuándo se volverán inestables”, señala Philippe, y agregó: “Nuestra plataforma de seguridad unificada, Security Center, proporciona advertencias de cuando ha utilizado el 90% del espacio disponible en disco. Nuestro objetivo es que el sistema informe que excederá el espacio disponible en disco en x número de días cuando solo tenga un 10% de uso”.

En conclusión, todavía se está muy lejos de la verdadera IA. Las máquinas no pueden dar sentido a algo por sí mismas. Se pueden desarrollar aplicaciones para usar algoritmos preprogramados y descubrir patrones en los datos o entrenarlos para reconocer y clasificar correctamente las diferentes entradas. Al trabajar con estos algoritmos, también se puede permitir que realicen sus propias mejoras para desempeñar sus tareas de manera más eficiente. Sin embargo, esto solo significa el punto de partida para liberar el potencial que tiene esta tecnología que permitirá encontrar enfoques aún más innovadores para desarrollar.

Redacción C21