Identificare con anticipo scenari ad elevata rischiosit\u00e0, quando si parla di applicazioni di sicurezza avanzata, \u00e8 una delle missioni dell\u2019Intelligenza Artificiale. Storicamente la sorveglianza si \u00e8 basata sull’attivit\u00e0 di operatori per monitorare simultaneamente pi\u00f9 telecamere e analizzare visivamente ci\u00f2 che stava accadendo, con l’obiettivo di rilevare eventi critici. Tuttavia, questa modalit\u00e0 si \u00e8 gi\u00e0 da tempo rivelata carente e soggetta ad errori perch\u00e9 gli esseri umani non possono monitorare con efficacia e per lunghi periodi diverse sorgenti. Numerosi sono i falsi positivi e numerosi possono essere gli eventi di reale pericolo non rilevati con tempestivit\u00e0 o non rilevati affatto. Il rilevamento del movimento video (VMD) \u00e8 solitamente lo strumento utilizzato dalle telecamere per provare a rilevare una attivit\u00e0. Il VMD si basa sull’analisi comparativa delle modifiche tra i pixel di un fotogramma. Se un numero sufficiente di pixel cambia di un livello sufficiente, la fotocamera attiva il movimento rilevato.<\/p>\n
Grazie all’Intelligenza Artificiale<\/strong> gli operatori che implementano soluzioni di sorveglianza possono superare e arricchire le pi\u00f9 tradizionali attivit\u00e0 di monitoraggio per sfruttare ogni frame video e parte dei dati disponibili per identificare le minacce con anticipo, precisione e accuratezza e predisporre cos\u00ec interventi pi\u00f9 rapidi ed efficaci. L’Intelligenza Artificiale \u00e8 da questo punto di vista ancora una tecnologia emergente. E proprio per questo \u00e8 alla base della \u201cseconda giovinezza\u201d dei sistemi di videosorveglianza per gli evidenti vantaggi che introduce in termini di riduzione dei rischi e massimizzazione delle attivit\u00e0 di prevenzione e contrasto alla criminalit\u00e0. Ancora nel recente passato, i filmati sono stati archiviati per un breve periodo prima di essere sovrascritti. Oggi, segmenti dell’IA – come l’analisi dei video, il machine learning ed il deep learning – fanno uso degli elevati volumi di dati generati dagli ecosistemi IoT per distinguere i modelli significativi e gli elementi rilevanti all’interno dei set di dati, per supportare la rilevazione, la correlazione e l\u2019automazione di pattern comportamentali che vanno ad arricchire le strategie di deterrenza del crimine.<\/p>\n Questa tecnologia offre una visione pi\u00f9 olistica dei dati, collegando i singoli eventi, per descrivere ci\u00f2 che sta accadendo, al fine di identificare rapidamente le situazioni ad alto rischio prima dell\u2019escalation. Gli stessi paradigmi, con differenti tecnologie e algoritmi sono alla base delle attivit\u00e0 di cyber detection.<\/p>\n