【全文摘要】
1, 安防監控需求倍增，蒐集到的數據型態，也隨著應用場合而變化萬千，更大幅增加了 AI 人工智慧的應用難度。
2, 若水 AI 數據處理服務團隊，運用「靶心策略」，重新解構大數據資料判讀流程。不僅提高效率，也達到客戶要求。
自從安防監控產業開始 AI 化，市場商機進一步擴大。根據研究機構《Marketsandmarkets》預估，2023 年全球影像監控市場的產值，將以每年 13.1% 的速度增長，從 2018 年的 368.9 億美元，成長至 683.4 億美元。安防監控浪潮已至，企業如何早一步實現 AI 人工智慧的應用落地？
在台灣，智慧安防監控的發展相對成熟，食、衣、住、行、育、樂，任何你想得到的人類基本生活需求，只要加上「安全」，就有機會成為一門商機。小至行動裝置上的指紋及人臉識別解鎖，即時辨識大樓入侵者的保全示警系統，家中人物或動物的行為監測，甚至是高齡者長照，皆可透過即時反饋現況，守護使用者的安全。
日本政府在天皇即位大典時便曾利用人臉識別 AI，協助判定各國來訪政要的身分，協助維安；2020年東京奧運也預計利用 AI 人工智慧技術，目標達成橫跨 9 大縣市、40 個競技場，賽事期間預估來場者超過 1,000 萬人的國家級維安任務。
而在百貨、零售賣場、健身房…等涉及消費行為的經濟場域，智慧安防監控則被來監測人流與動線，以及消費者的年齡、性別、肢體行為等客情分析，以利精準行銷。從食品安全一路往上推，源頭種植時如何少用農藥到智慧農業災損確認，也都可以歸在廣納在智慧安防監控的應用領域裡。
（➡️➡️ 推薦閱讀：180 年農機老店，要用 AI 跟雜草開戰）
加上在安防監控方面的運用，一定要同時整合軟體和硬體，才能奏效。所以，如何把「AI x 安防」整併到既有的硬體產品裡，也成了台灣不少科技業、工業 4.0 的製造業瞄準的目標。
根據 AI 應用場景而變化萬千的智慧安防監控
與其他產業相比，因為學習情境多發生在特定的室內環境，智慧安防監控的大數據訓練，在場域的變易性不大。目前市面上已有開放資料集 (亦稱：開放數據 Open Dataset) 可作供使用，但企業因為各家應用場景不同，會以此為基底再餵給 AI 關於特定應用場域，例如百貨商場、大賣場的電腦影像數據 (Computer Vision)，便可更快開發出符合自家商業模式的機器學習模型 (Machine Learning Model)。
因為環境的光線、明暗等原因影響，使得實際場域的數據更為重要。而一樣是看「人流」，在百貨公司大門口、櫥窗前、手扶梯所需的「數據型態」就會天差地別，後續 AI 發展重點和演算法也截然不同。所以對於問題的定義，也要格外清楚。
在某些安防領域裡，收數據會是一大挑戰。當使用情境會和個人隱私相關，如何持續收集且累積獨特性，便成為發展安防數據策略的第一關。
Tomofun 是個值得參考的例子。2019年，在若水 AI 數據處理服務團隊與天下雜誌合辦的「2019 AI 煉金術 – 最強商戰營」AI 落地實戰工作坊上，Tomofun 執行長張友誠的分享，令許多人印象深刻。
初期創業，張友誠他本來是賣硬體的攝影機，後來轉向變成主打狗狗保全的「狗保姆 Furbo」訂閱服務。從硬體走向軟硬整合，他學到，最重要的就是「全力了解、驗證消費者的使用情境」。
像 Tomofun 的切入點在於守護狗狗的居家安全，這類數據就會涉及用戶住家隱私。當機器要辨識狗狗吐了或嗆到，這類影像也不可能在主流社群平台上撈得到。Tomofun 想到的方法，就是讓用戶們成為「AI 數據的共創者」，不定期在社群平台邀請用戶提供。 因為用戶知道，提供這些數據都是為了讓狗兒們得到更好的照顧，而 Tomofun 也得以透過上萬支珍貴的影片，訓練模型。
( ➡️➡️ 延伸閱讀：【台灣之光】連 Ellen Show 都愛！Tomofun 推出 AI 寵物保姆 Furbo）
出發：以始為終的數據思維
當訓練機器學習模型 (Machine Learning Model) 的大數據來源穩定，進到機器學習的階段，首要任務是讓 AI 人工智慧學會辨識人、動物和其隨身物件。學會辨識物體之後，再往兩大辨識方向延伸學習：
1, Tracking：目標對象的連續性，追蹤移動路徑
2, Action：目標對象的肢體行為
AI 起步階段，光是要讓機器模型精準的辨識出什麼是「人」，就讓企業煞費苦心。接下來這個案例，或許可以提供一些靈感。
若水 AI 數據處裡團隊經手過的大數據處理專案中，有客戶表示自家內部標註後訓練的 AI 模型精準度不理想，因為常把人攜帶的隨身物品，例如棉花糖、氣球、帽子等圓形物體，誤認成「人頭」，請若水團隊協助提供校正用的數據。若水進場討論後，發現失敗的關鍵因素，可能是客戶當初使用的「數據不夠精確」。
因為人頭是圓形的，當目標對象（人）的身旁出現圓形物體，或者路人的頭部被一起框進去時，就會讓機器誤以為「圓形的物體＝人頭」，因此學歪。
於是，我們與客戶討論，在收集新一批圖資時，可以改變舊有的蒐集策略，讓圖資情境盡量單純化，也進一步協助客戶釐清想讓機器學習的關鍵特徵，改以「靶心策略」實踐標註原則。
意思是，先區分出要被標註的關鍵人體範圍（靶心）和可以取捨掉的部位，之後若水的標註團隊進場，以不納入周圍雜訊為主，進行精準拉框 (Bounding Box)，確保關鍵範圍的標註細緻度。事成後客戶向我們回饋，這批數據進演算法訓練後，成效確實提升許多，成功解決機器偏誤的問題。
省時省力，試試優化原則
有時候，想要讓機器模型做到更好的表現，需要找出一些「不尋常」的解法。
例如，客戶希望達到的學習目標是「辨識兩者是否為同一個人」，若按照人類的思維邏輯，要辨識、追蹤一個人的移動路徑，除了性別和年齡之外，還需要透過觀察他的髮型，身上的衣服款式、顏色、配件才能做到。
但如果拿這些繁雜的條件作為特徵讓機器學習，開發團隊勢必要耗費很多時間精力。
若水得知客戶做機器學習的目標，以及期望的標註原則後，第一時間不是捲起袖子下去標註，而是開始歸納思考。
「還有什麼方式，可以讓客戶學習得更快更省力？」
最後，若水的BD和PM團隊集思廣益，想出了一個創意解決方法，建議客戶與其用人的思維慣性去訓練機器，不如直接讓機器用他最擅長的思維方式，也就是用「參數」來辨識人！
若水用既有標註工具，設計出一種新的點標註方式，不只協助簡化客戶的模型設計，減少投入的成本，同時也讓標註師可以快速下標，省去考慮衣服特徵的猶疑時間，提升整體生產效率。
善用機制，為 AI 數據標註的良率把關
在智慧零售 (Smart Retail)的場景裡，客情分析的專案愈來愈多，需要從大量的人像中，判斷出哪幾位屬於 A 群客戶，哪幾位屬於 B 群客戶。
在進行這一類的專案，我們會預先進行內部模擬測試，讓專案相關人員針對照片進行比對。幾次下來，我們發現：礙於圖片模糊、遠近、角度以及配件遮擋等原因，即使是累積了上百個不同領域的 AI 數據處理專案經驗的執行團隊，平均答對率竟然不超過70%。
但客戶要求的良率很高，該如何解套？
除了事前的教育訓練，若水選擇同時從流程下手，「投票系統」(Voting System)來解決。當拉完框的圖資進入到比對階段時，便啟動投票系統，讓多位受過訓練的專業標註師，同時判斷同一張有爭議的人像，以降低個體認知上的偏差。
而涉及到行為分析相關的專案，則是透過標註關節點 (Key Point )來辨識人體或動物的行動，一般來說會分成 17 個關節點（多則會達到 25 點以上）來標註。
只是點幾個點，聽起來好像很簡單
其實不然。比方，移動中的人體骨骼關節起始點在哪裡嗎？或者當手臂被物體遮擋時，該如何判斷活動關節的下點位置？在標註狗或貓時，也會因為關節位置不同，以及肢體延展的範圍差異（很少人會知道，貓的肢體比狗還柔軟），導致很容易誤判⋯⋯。這些都需要有綿密的原則制定以及教育訓練，才能夠妥善把關品質。
AI 應用的數據類型百百種，標註平台工具及方法也需跟著優化，才能確保高效、穩定的產出。若水也嘗試開發 pre-defined 的人體骨架標註等各式影像標註工具，AI 數據標註師只需下少數幾個關鍵點，AI 人工智慧便會自動生成全身關節點，之後只需要調整點的位置，即可快速完成。
從專案的源頭下手，讓精準數據助攻，早一步完成 AI 落地的夢想藍圖。
➡️➡️ 想掌握更多最新 AI 專題報導嗎？歡迎免費訂閱若水 AI 數據專家親手撰寫的 AI 電子報： https://ai-blog.flow.tw/register
簡季婕 (Jessica)
若水 AI 數據處理服務事業部負責人
簡季婕 (Jessica) 為若水國際 AI 數據服務事業部負責人，同時也是經驗豐富的策略顧問。Jessica 帶領台灣第一家數據處理策略團隊，致力於開發一個針對《電腦視覺》的 Training Data 學習數據優化平台，配建多元標註工具及完善品管系統，並培育身障者成為專業穩定的數據標註團隊，為 AI 演算及應用提供完整 AI 數據處理服務。
【推薦閱讀】
1, AI導入要硬體、要技術，要策略，三者缺一不可。這兩年，愈來愈多台灣企業導入 AI，我們看到數據處理的過程，就在形成企業如何運用科技的策略思維。所以過程中我們都會跟客戶一起思考三個問題 ➡️➡️ 開始智慧製造的第一步
2, 產業該怎麼 AI 化？玉山銀行科技長陳昇瑋特別有感，「不是去想你可以創造什麼，而是問問未來 5 年人們會如何消費、如何生活，你的金融服務又會如何出現在那樣的場景裡。」➡️➡️ 從深度學習到深度協作
圖片來源：Amazon Rekognition、Bossa Nova Robotics、若水Flow
