2020年AIセキュリティの「技術」と「トレンド」を理解する丨年末レビュー

[[286212]]

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

過去1年間、AIセキュリティ市場では、実体経済の苦闘、AI新興企業の鋭敏さ、資産バブルの狂気、相互利益の再構築などが見られました。

AI セキュリティ業界では、明らかに変化が時代のテーマとなっています。

ビジネスモデルは変化し、収益モデルは変化し、業界関係者は変化し、消費者の習慣は変化し、大量の新しい用語と新しい企業の出現により、伝統的な古い人々は困惑しており、今日の新規参入者も明日が来れば上記の問題に遭遇するでしょう。

このような背景から、業界関係者は一歩踏み出して百歩先を見据え、新技術下における業界の将来動向を理解する必要があります。それが企業の製品サイクルと業界競争の最終的な成否を決定します。

そこで、もうすぐ過ぎ去ろうとしている2019年、Leifeng.com AI Gold Rushは数十人の業界専門家や企業幹部にインタビューし、彼らの見解や意見を統合して、過去1年と今後1年間のAIセキュリティ市場における8つの主要な技術トレンドと2つの主要な業界方向性と思われるものを記録しました。

AIセキュリティ「3D可視化」

過去 5 年間、セキュリティ業界はコンピューター ビジョン技術によって再定義される段階にありますが、その発展はビジョンの技術的なボトルネックによっても制約されています。

CVPR 2022会議の議長であるQuan Long教授は、コンピュータービジョンはセキュリティ業界に大きな推進力を与えているものの、その応用範囲は人、車、物体の識別などの単一のアプリケーションに過ぎず、2次元の認識レベルに限定されていると述べました。将来的には、大規模な都市レベルの3次元再構築が最も重要な課題となり、スマートセキュリティを再定義することになるだろう。

3次元ビジョンの最終的な目標は、一部のAI企業が現在取り組んでいるように、静止したシーンで人間の顔を高精度に3D認識することではなく、カメラシステムを使用して都市全体のリアルタイムの3次元再構築を実現し、再構築された現実のシーン内のすべてのものの認識、モデリング、意思決定を完了することです。

「私たちの究極の目標は、画像を理解すること、つまり画像を認識することです。しかし、現在のコンピューター ビジョンはまだ認識の段階に過ぎません。どのように理解すればよいのかはわかりません。コンピューター ビジョンは、常に最も基本的な視覚的特徴を探求してきました。この一連の視覚畳み込みニューラル ネットワーク (CNN) は、コンピューター ビジョンの特徴を本質的に再定義しました。しかし、人間は 3 次元環境に生息する両眼動物です。つまり、人間の生物学的視覚認識は単なる認識ではなく、3 次元知覚と環境との相互作用も含んでいるということです。」

「したがって、3次元を扱う必要があります。2次元の認識でできることは、現在の多くの複雑なシナリオでは十分とは言えません。しかし、3次元の再構築は最終的な目標ではなく、3次元の再構築と認識を統合することが目標です。」

超広角シーン「インテリジェントライトフィールドイメージング」

ビデオ監視システムにおける最も難しい問題の 1 つは、鮮明さと幅のバランスをいかに取るかということです。幅が大きいほど、カバー範囲が広くなり、遮蔽は小さくなりますが、鮮明度も低くなります。幅が小さいほど、カバー範囲は狭くなりますが、鮮明度は非常に高くなります。将来的には、この問題は効果的に解決されるかもしれません。

以前、清華大学の33歳の准教授である方陸氏は、大規模な動的シーンの視覚認識と処理を目的とした新世代のインテリジェントライトフィールドイメージング技術を提案しました。これにより、機械はすべてを見ることができ、はっきりと見ることができ、真実を見ることができるようになり、スマートシティの重要なツールとなっています。

方陸は、構造化適応型ライトフィールドイメージングの新原理を提唱し、大シーン適応型ライトフィールド知覚の新モデルを確立し、数十億画素アレイイメージセンサーイメージング装置とインテリジェント処理プラットフォームを開発し、大規模動的シーンイメージングにおける広視野角と高解像度の間の固有の矛盾を理論と技術の両面で打破しました。

インテリジェントな分析および処理プラットフォームの確立により、スマート シティなどの複雑な現実世界のシナリオにおいて、機械は「チューブを通してヒョウを見る」ことや「木を見て森を見る」ことがなくなりました。

さらに、Fang Luは世界初の10億ピクセルの動的な大規模シーンデータセットPANDAを構築し、単一画像内の数万個のオブジェクトの検出と認識、数千個のオブジェクトのグループ関係分析、100倍のスケールの変化の長距離追跡を初めて実現しました。

この動的な大規模シーン データセットは、視覚アルゴリズムの研究にとって重要な基盤を提供し、より大きな進歩が達成されることが期待されています。

スマートイメージングの「脱ハードウェア」

現在、ディープラーニング技術は、顔認識、車両特徴抽出、ビデオ構造化などのパターンマッチングと画像認識に主に使用されています。

このディープラーニング技術をフロントエンドセンサーの画像強化処理技術の分野に適用すると、フロントエンド画像センサーから出力される生データを直接復元し、低照度環境下でも実際の画像効果を最大限に復元することができます。

この処理技術の利点は、従来のカメラの ISP 技術の限界を打ち破ることです。

現在、ISP は数十の画像処理モジュールで構成されており、数百のパラメータを経験に基づいて手動で調整する必要があります。これは時間と労力がかかるだけでなく、従来のアルゴリズムの制限により、低照度および高ノイズの条件下では画像に有用な情報を表示することが困難です。

AI 超低照度技術はセンサーデータを直接処理し、ニューラル ネットワークを使用して入力画像から出力画像までのエンドツーエンドの非線形マッピングを完了します。さらに、強化された補助光やマルチアイ、マルチスペクトル設計のハードウェア ソリューションと比較して、独自のディープラーニング画像強化アルゴリズムは、画像の明るさを向上させ、被写体の色や質感などの詳細情報を完全に復元しながら、マウントの補助光への依存を大幅に低減できます。

業界関係者は、ニューラル ネットワークを使用して商用の ISP パイプライン全体を作成するという話は珍しいと述べています。一般的には、デモザイクやノイズ低減などのアルゴリズムモジュールを置き換えることです。上記が実現できれば、間違いなく業界にとって大きな進歩となるでしょう。

同時に、彼は短期的には、従来の ISP とニューラル ネットワークを連携させることで、より優れた画像効果を実現できると考えています。

製品レベルでは、今年のCPSEで、Kedakは人員検問所、車両検問所、車両電子警察の夜間撮影用の超低照度カメラを発表しました。業界で主流となっているスターライトやブラックライト技術とは異なり、コダックが長年培ってきた基本的な ISP 画像変調技術に加え、独自に開発したディープラーニング画像強化アルゴリズムも使用して、カメラの撮影機能を強化しています。

Dahuaは夜間撮影用の「Aurora Camera」もリリースしました。これもStarlightのアップグレード版で、より優れたCMOSセンサーと顔の最適化のためのディープラーニングアルゴリズムを採用しています。

Hikvisionはまた、スマートシーンのニーズの定義に基づいて新たに発売されたAIマルチカメラとレーダー一体型機も展示した。AIマルチカメラシリーズには、複合インテリジェントマルチカメラシリーズ、AR立体予防制御システム、ブラックライトシリーズ、立体精密動線シリーズなどが含まれる。

ファーウェイの主な焦点は当然ながら依然として「ソフトウェア定義カメラ」にありますが、ハードウェアの面では、ファーウェイは業界初のシリアル化されたマルチレンズおよびマルチコア複眼カメラ、および業界初の5Gカメラをリリースしました。

都市脳のデジタル網膜

現段階では、監視カメラによる都市のスマート化は、単なるビデオ検索やコンピュータービジョンの問題ではなく、膨大な情報量や緊急事態に直面したときに迅速に対応できるかどうか、計算量を削減できるかどうか、効果的に識別して検索できるかどうかなど、一連の巨大なシステムプロジェクトです。

既存のビデオ監視システムには欠点があり、多くの複雑なタスクを完了することができません。人工知能が大規模に浸透した後でも、需要者は特別な目的のために特定のスマートカメラと処理システムを追加するだけであることが多いです。

専用カメラの中には、ナンバープレートの認識のみに使用されるものや、顔の認識のみに使用されるものがあります。このパッチのようなアプローチは、実際には多くの問題を引き起こします。私たちはこれを「1対1モード」と呼んでいます。

こうしてデジタル網膜が誕生したのです。

デジタル網膜を搭載したカメラは、2 つのことを行う必要があります。まず、エンコードを行う必要があります。次に、その後の認識に必要な情報を抽出する必要があります。

人間の目と同様に、デジタル網膜には、画像再構成（視覚コンテンツを細かくエンコードする）と特徴抽出（認識と理解に重点を置く）の両方の機能があります。

デジタル網膜は最終的にどのように実現されるのでしょうか?

原則として、この部分は、効率的な監視ビデオコーディング（ビデオ機能のコンパクトな表現）と、それをコンパクトに表現するための機能セットを組み合わせています。これらを取得したら、それを適用してクラウドに送信し、デジタル網膜機能を獲得します。

デジタル網膜全体には、背景モデルに基づくシーンビデオコーディング、ビデオ機能のコンパクトな表現、ビデオコーディングと機能コーディングの共同最適化という 3 つのコアテクノロジが実際に含まれています。

将来、1対1モデルが1対多モデルになり、同時に1対多モデルの技術標準が整備されると、技術標準をさらに最適化し、できるだけ早く実践と応用のために製品に組み込むことができ、都市の管理が容易になります。

ビデオアルゴリズム「App Storeのような」

このコンセプトは、Huawei Security によって最初に提案され、実装されました。

CPSE期間中、ファーウェイは業界初の「スマートビデオアルゴリズムモール - HoloSensストア」を立ち上げ、パートナーにさまざまな参入モードとビジネスモデルの組み合わせを提供し、ユーザーが「自由に選択し、すばやく切り替え、安心して使用できる」ようにしました。これは、AIアルゴリズムに依存する企業に生存の課題をもたらす可能性があります（アルゴリズムインターフェースの呼び出しは有料です）。

アルゴリズム モールは、ソフトウェア定義カメラとパートナーとのつながりに向けた Huawei のさらなる試みと見ることができます。

さまざまな業界におけるセキュリティに対する需要は、間違いなく多様です。さまざまな業界のスマートカメラのインテリジェントなニーズに、単一の企業が迅速に対応することは困難です。

さまざまなシナリオでは、カメラとシーンの組み合わせは非常に複雑です。センサーの性能、解像度、焦点距離などがすべてアプリケーションの効果に影響を与える可能性があります。しかし近年、これらの障害を克服するために改良が繰り返されるスマート ハードウェア製品が増えています。カメラは、単機能端末からマルチアプリケーション集約プラットフォームへと変化しています。

Huawei が行っているのは、HoloSens Store プラットフォームを構築し、エコシステム パートナーと協力して、数千の業界の知能を共同で強化することです。

これらのスマートカメラは、さまざまなシナリオに応じてオンデマンドでさまざまなソフトウェアとアルゴリズムをロードでき、複数の特徴の抽出と認識、複数のカメラ間の連携、端末とクラウド間の連携を通じて、インテリジェント分析の効率を飛躍的に向上させます。

現在の AI セキュリティの境界はますます曖昧になってきています。携帯電話の例えを用いると、現在のセキュリティ市場は、ノキアのフィーチャーフォンの時代から、Apple および Android システムを搭載したスマートフォンの時代へと移行している最中です。防犯カメラのアイデンティティは、携帯電話が通信機器からオンラインのインターネット ポータルにアップグレードされ、その後オフラインの都市ポートレートのポータルに変化するようなものです。

ファーウェイは「アルゴリズムのアップグレード」を提案し、自社のパブリッククラウドを活用して、App Storeに似たモデルを構築する。ミクロ的には、データ統合とアルゴリズム開発を加速し、マクロ的には、「ソフトウェア定義カメラ」の概念を統合し、パートナーの能力を組み合わせて、あらゆるものを相互接続するためのリンクを作成する。

データプライバシー「フェデレーテッドラーニング」

セキュリティ業界における AI の探求はまだ始まったばかりですが、同時に、AI に必要なデータは限られていて質も低く、異なるデータ ソース間には突破しにくい障壁が存在します。

膨大なユーザーと製品・サービスの優位性を持つ少数の巨大企業を除き、ほとんどの中小規模の AI セキュリティ企業は、人工知能の実装におけるデータギャップを合理的かつ合法的な方法で克服することが困難であるか、この問題を解決するために莫大なコストを負担する必要があります。

さらに、ビッグデータの発展に伴い、データのプライバシーとセキュリティに注意を払うことが世界的な傾向となり、一連の規制の導入により、データ取得の難易度がさらに高まり、人工知能の実装にも前例のない課題をもたらしました。

なぜ？この質問に対して、Leiphone.com（パブリックアカウント：Leiphone.com）は、学界と産業界のリーダー6名に同時にインタビューを行い、得られた回答は比較的一貫していました。現在の研究の進捗状況から判断すると、「フェデレーテッドラーニング」テクノロジーが上記の問題を解決する最良の選択肢である可能性があります。

フェデレーテッド ラーニングの概念は、2016 年に Google によって初めて提案されました。それ以来、WeBank、Tencent、Ping An Technology、Huawei、JD.com などの国内企業や機関が、フェデレーテッド ラーニングを学術研究と産業実装の新たな段階に推し進めてきました。

フェデレーテッド ラーニングが短期間でアイデアから分野へと急速に変化できた理由は、主に、関係するすべての関係者が基礎となるデータを公開することなく共同でモデルを構築し、その後、データ フェデレーション全体のデータ リソースを使用して各メンバーのモデル パフォーマンスを向上させることができるためです。

簡単に言えば、ディープラーニングの時代では、各AI企業の技術力は互いに独立していましたが、フェデレーテッドラーニングの出現により、さまざまなAI企業がより緊密かつ安全につながります。フェデレーションの各メンバーは、他の企業の強みを学びながら、最速で自社の能力を向上させ、最終的に共通の成長を達成することができます。

たとえば、メーカー A にはキャンパス データがあり、メーカー B には工場データがあり、メーカー C にはコミュニティ データがあり、これら 3 つのメーカーすべてがフェデレーテッド ラーニング テクノロジを使用しています。

ビジネスの観点から見ると、メーカー A、B、C の 3 社は、1. 自社のビジネスをできるだけ早く最適化する、2. 新規ビジネスをできるだけ早く拡大するという 2 つの能力を直接獲得しました。

自社のビジネスを最適化する最も早い方法は、メーカー A に類似した多数の企業が毎日、暗号化されたデータ モデルをプラットフォームに入力することです。これらのデータ モデルには、メーカー A に非常に欠けているその他のデータ情報が含まれており、メーカー A はこのデータに基づいて自社のアルゴリズム モデルを更新できます。

新規事業を展開する最も早い方法は、メーカーA、B、Cがそれぞれ独自のモデルを構築し、それを集約してより大きなデータモデルを取得し、データを循環させることなくデータ循環の最高の効果を達成できることです。リソースの補完を通じて、相手の能力を安全に最短時間で獲得し、新規事業を展開できます。

プライバシー保護の観点から、スマートカメラで生成されたデータは通常、バックグラウンドサーバーにアップロードされ、その後、サーバー上に展開されたニューラルネットワークモデルが、収集された大量のデータに基づいてトレーニングされてモデルが得られます。サービスプロバイダーは、このモデルに基づいてユーザーにサービスを提供します。

これは集中型のモデルトレーニング方法であるため、データのプライバシーを確​​保することが困難です。

フェデレーテッド ラーニングでは、バックエンドにデータを送信する必要がなくなり、各企業の独自のサーバーでトレーニングを行い、トレーニング モデルを暗号化された形式でアップロードするだけになります。バックエンドでは何千ものユーザー モデルを統合し、改善計画に関するフィードバックをユーザーに提供します。

従来の学習モデルと比較すると、フェデレーテッド ラーニングの利点は明らかです。

1. 連合学習の枠組みの下では、すべての参加者は平等な地位を持ち、公正な協力を達成することができます。

2. データ漏洩を防ぎ、ユーザーのプライバシー保護とデータセキュリティの要件を満たすために、データはローカルに保持されます。

3. 関係するすべての当事者が、独立性を維持しながら成長を達成しながら、暗号化された方法で情報とモデルパラメータを交換できることを保証できます。

4. モデリング効果は従来のディープラーニングアルゴリズムとほとんど変わりません。

5. フェデレーテッド ラーニングは「クローズド ループ」学習メカニズムであり、モデルの効果はデータ プロバイダーの貢献度に依存します。

従来のアプローチでは、ユーザーは AI の傍観者であり、AI を使用することはあっても参加することはありません。一方、フェデレーテッド ラーニングのシナリオでは、誰もが「ドラゴン テイマー」であり、誰もが AI の開発に参加します。

AIチップの「特化」

スマート シティのさらなる発展には、モノのインターネット、エッジ コンピューティング、通信という 3 つの主要テクノロジーの継続的な進歩が不可欠です。現在、一般的なスマート シティ ソリューションのほとんどは、バックエンドでデータが接続されていますが、ネットワークなどの問題により、砂粒ほどの小さなインテリジェンスしか実現できません。

つまり、フロントエンドでインテリジェントな分析を完了し、バックエンドと連携することでのみ、都市の IoT データを最大限に活用し、知覚的な都市を実現できるのです。

残念ながら、市場にある既存の AI チップ ソリューションは、フロントエンド認識技術の実際のニーズを満たすことが困難です。

長い間、市場に出回っている汎用 AI チップのほとんどは、人工知能の計算に必要な計算能力を提供してきましたが、特定のシナリオ専用の AI チップは比較的不足しています。AI チップ開発の後期段階では、ユーザーは計算の高速化だけでなく、実際のシナリオでの総合的な効果を気にする必要があります。

具体的には、汎用 AI チップは実際のアプリケーションで次の 4 つの問題に遭遇します。

1. 汎用 AI チップでは、データとの効率的かつ深い接続を確立できません。専用の AI チップは通常、特定のシナリオに合わせてカスタマイズされており、データをより徹底的かつ正確に理解、分析、処理できます。

2. 汎用AIチップは市場と密接に連動することができません。一般的なチップの動作モードは 1 対 N であり、一部の市場環境と強い接着関係を確立することが難しく、強い焦点を持つことが不可能です。

3. 汎用 AI チップには高品質のアルゴリズムが欠けています。チップはフレームワークであり、アルゴリズムは魂です。魂のないフレームワークでは十分な価値を生み出すことは困難です。その可能性を実現するには、アルゴリズムと強力に統合された専用の AI チップに頼る必要があります。

4. 汎用 AI チップは消費電力が大きすぎるため、温度などの環境要因に対する感度が十分ではありません。フロントエンドの認識には、消費電力と放熱に対する非常に高い要件があり、これを極限まで達成する必要があります。また、製品の実装は技術的な問題だけでなく、エンジニアリングの問題でもあります。たとえば、外部の気候や温度が重要な要素になります。

AIチップの集積は高速道路に例えると、アスファルトで舗装するようなものです。しかし、車両が通行する際には、路面に対する高い要求に加え、道路標識や路面標示、サービスエリアに対する要求もありますが、実際にはこれらは十分に満たされていません。

スマートシティ「デジタルツイン」

2019年以来、A株市場では2つのホットなコンセプトが生まれています。1つはエッジコンピューティング、もう1つはデジタルツインです。多くの関連銘柄が1日の上限に達しました。

デジタルツインの概念は2002年にアメリカで生まれました。ミシガン大学の教授であるマイケル・グリーブス博士によって提唱されました。

彼は記事の中で初めて「デジタルツイン」について言及し、物理デバイスのデータを通じて、物理デバイスを表現できる仮想エンティティとサブシステムを仮想（情報）空間に構築でき、この接続は一方向で静的なものではなく、製品のライフサイクル全体にわたって接続されていると考えました。

2022年までに、IoTプラットフォームの85％が監視に何らかのデジタルツイン技術を使用し、少数の都市がスマートシティ管理にデジタルツイン技術の使用を主導すると予測されています。

PCIテクノロジーのスマートシティ事業グループの副社長である張金飛氏は、以前、Leifeng.com AI Gold Rushが主催した「グローバルAIチップと都市インテリジェンスサミット」で、わが国の都市化の発展は特に速いが、この急速な発展は都市に多くの問題をもたらしていると述べた。

二重社会は国民、農民、移民（流動人口）の三者社会となり、都市人口の管理が課題となっている。さらに、交通事故や治安などの都市問題が都市開発に新たな課題をもたらしています。

そのため、彼は、より効率的なホログラフィック描写、深い洞察、そして現実世界のインテリジェントなエンパワーメントが必要であると提案しました。

「ビジネス シナリオのホログラフィック認識と動的イベントの動的監視に基づいて、ビジネスに関するリアルタイムの判断を下し、履歴データを使用して正確な予測を行うことができます。」

彼は、テクノロジーの発展、AI チップの継続的な成熟、そして計算能力の継続的な向上により、これが実現できると信じています。基盤となるデータを接続し、統一されたデータ リソース プールを形成し、基盤となるデータを深く統合およびマイニングすることで、さまざまなビジネス システム間でのデータの相互運用性とビジネス連携を実現し、新世代のインテリジェント交通システムを効果的にサポートできます。

細分化された市場の「都市化」

今年のCPSEで、UniviewはIoTエンジン、ビデオクラウドエンジン、ビジュアルインテリジェンスエンジン、データインテリジェンスエンジンを含むデータミドルオフィスとビジネスミドルオフィスのデュアルミドルオフィス戦略を初めて発表しました。 Uniview は Alibaba Cloud の戦略的パートナーとして、Alibaba パブリッククラウドを統合し、バックエンドのソフトウェア機能を強化しました。

戦略的な観点から見ると、今回の協力により、Uniview のビジネスに対する理解は、セキュリティから都市全体のレベルにまで高まったと言えます。さらに、より直接的な点は、Uniview のソリューションを Alibaba に相当な価格で直接販売できるということです。

都市ビデオIoTプラットフォームの先駆者の1社として、ファーウェイは再び自社の「雲海」を顕著に披露した。 「雲海」セクションでは、同社のビデオクラウドプラットフォームの「超高速分析システム」とビデオ構造分析システムを見ることができます。

注目すべきは、Megvii が CPSE で「City IoT Operating System (CityIoT OS)」と呼ばれる独自の都市レベルのフルスタック ソリューションもリリースし、「物理世界の Windows になる」ことを目標にしていることである。 Megvii プラットフォームの主な機能には、自社開発の人工知能アルゴリズム プラットフォーム Brain++ に基づく一連のアルゴリズム機能、クラウドエッジ製品システム、都市セキュリティ管理やビルや公園のインテリジェンスなどのシナリオでのこれまでの実装機能が含まれます。

ベンチマークとは言えないが、都市レベルの舞台では、各メーカーが実現したいビジョンは明らかに同じだ。

同時に、SenseTimeは「スマートシティオペレーティングシステム（AIシティOS）」も初めて定義し、都市のインテリジェント構築に包括的で信頼性の高いオープンアーキテクチャリファレンスを提供し、SenseFoundry Ark都市レベルのオープンビジョンプラットフォームをより完全なものにしました。

今年のCPSEで、CloudWalkは、全国の15億の肖像データリソースに接続し、人物の身元確認と認識を実現し、より完全な肖像データとより広い応用シナリオを備えたHongjun Intelligent Gatewayと、RelD歩行者再識別技術とビッグデータコンピューティング技術に基づくCloudWalk Dayun Fire Eyeクロスレンズトラッキングシステムを展示しました。実際の公共安全業務から始めて、対象者の所在をリアルタイムで把握し、対象者の時間的および空間的範囲を予測することができます。

Yituは、四小龍包括企業の中で初めて自社開発チップを保有する企業として、今年8月に国家新世代ビジュアルコンピューティング人工知能オープンイノベーションプラットフォームの構築も着手した。 YituのQiusuoチップの研究開発は、アルゴリズム、AIチップ、ソフトウェアとハ​​ードウェアの共同開発の能力を統合していると言えます。国家のオープンイノベーションプラットフォームを構築することで、この効果を拡大することもできます。

業界関係者によると、実際には顔や車両の顔分析、ビデオ構造化、ソリューションの面では多くのプラットフォームの95％の機能は同じである可能性があるが、違いは特定の環境における顔検出と認識速度の秒レベルの違いにあるという。

同時に、Hikvision と Dahua は、元のアーキテクチャに基づいたさらなるソリューションと実装を提案し続け、コンセプトをより明確に説明しています。

今年は、Hikvision が AI クラウドをリリースしてから 2 周年を迎えます。今年の CPSE では、チェーン店、物流、コミュニティなど、数十の業界向けのソリューションも紹介されました。

HikvisionはAIクラウドソフトウェアファミリーマップも公開した。このマップには57の代表的なソフトウェア製品が含まれており、公共安全、運輸、製造、小売など20以上の業界をカバーしている。

Dahua はまた、HOC の新しいスマート シティ アーキテクチャに基づく、安全な都市、スマート交通管理、スマート小売、スマート防火など、いくつかの主要なソリューションを実演しました。

セキュリティ「セキュリティ解除」

2019年の初め、Leifeng.com AI Gold Rushは初めて「脱セキュリティ」の概念を提案しました。

その後、3月23日にLeiphone.comとAI Gold Rushが共催した「第2回中国人工知能セキュリティサミット」でも、多くのゲストが、セキュリティ対策を担う物理媒体がAIのサポートにより本来の能力を超えたという、デセキュリティの本質について語りました。

実際、コンピューター ビジョンがセキュリティ業界に完全に浸透し始めてから、セキュリティの境界はますます曖昧になってきました。

人工知能とクラウドコンピューティングのサポートにより、セキュリティ業界全体の価値が急速に高まり、ディープラーニング機能を備えたフロントエンドおよびバックエンド製品が継続的にリリースされ、バックエンドポートレートビッグデータプラットフォームが浸透し始めました。

全体的な傾向として、実際のセキュリティ プロジェクトにソリューションを適用する過程で、既存のプレーヤーの運用モードが以前のハードウェア サービスからハードウェアとソフトウェアの組み合わせに移行し、監視カメラの本来の価値だけでなく、IPC の背後にある潜在的な金鉱も享受していることがわかります。

携帯電話やテレビなどの業界と同様に、業界の発展後期には、ハードウェア自体の価値は限られており、利益率はさらに圧迫されます。ハードウェアの背後にあるデータ付加価値サービスは、各メーカーが争う利益ポイントです。

単にハードウェア製品を販売するだけのセキュリティ企業は、もはや無制限の栄光を享受し、安穏と過ごすことはできなくなります。彼らはムーアの法則に必死に対抗する一方で、これまでのハンターたちに、質的な変化を生み出し、情報産業の急速な発展を促すような技術革新を求めるよう強いている。

新たな状況下で、伝統的なセキュリティ大手の企業ポジショニングも、以前の「セキュリティメーカー」から今日の「ビデオ監視に基づくIoTソリューションプロバイダー」へと変化しました。

ポストセキュリティ時代を迎え、この業界は伝統的なセキュリティ企業から、AIスタートアップ企業、ICTインターネット通信企業、伝統的なセキュリティ企業の三つ巴の競争へと急速に移行しています。

AIの登場以前は、セキュリティ業界は主に政府と公安部門にサービスを提供していました。AIの登場後、ビデオ監視の機能と市場は数百倍に拡大し、新たな欲求、新たな需要、新たな方向性をもたらしました。

「脱セキュリティ」の時代では、すべてのものが生まれ変わり、機会は平等になります。