Jiann

Il mondo è un posto pericoloso e isolarci dietro muri e gabbie in nome della sicurezza non fa altro che ostacolare momenti importanti di interazione culturale. La violenza sul luogo di lavoro segue tradizionalmente questo modello distruttivo in luoghi che, statisticamente, presentano alta criminalità. Le stazioni di rifornimento, i centri commerciali, le cantine e i negozi specializzati ergono gabbie ostruttive tra i clienti e i loro lavoratori in modo da garantirne la sicurezza. Se questo approccio migliora in qualche modo la sicurezza sul luogo di lavoro, presenta d’altronde un costo piuttosto significativo per la comunità. Jiaan rappresenta un'opportunità per cambiare, in meglio, quelle che sono le reazioni tradizionali, la cultura del luogo di lavoro e la comunità. Il sistema di sicurezza intelligente identifica la minaccia in tempo reale e consente di agire di conseguenza. Il mio obiettivo è ridurre ed eliminare del tutto quegli episodi di violenza prolungati nel tempo, che altrimenti costringerebbero il dipendente a ricorrere alle autorità solo dopo che siano accaduti.

Jiaan rileva e classifica gli oggetti in un feed dal vivo e misura un livello di minaccia cumulativo che attiverà una risposta configurata. Se il sistema rileva un livello di minaccia elevato a causa della presenza di una pistola, le autorità, le agenzie di sicurezza, la direzione e i dipendenti del luogo di lavoro, riceverebbero immediatamente una notifica. Il sistema riduce, in modo significativo, il tempo necessario a notificare di un eventuale pericolo di violenza l’intero staff e le autorità e, al contempo, contribuisce a diffondere la notizia di minaccia in loco.

Creato da: Matthew Pettit

Ho addestrato un modello fine-tuned con un VGG16 ridotto tramite il rilevatore di oggetti Single Shot MultiBox Detector (SSD) su una capacità di 2.6 GB di immagini annotate che raffiguravano interazioni violente e non. Una volta che il modello produceva risultati soddisfacenti nell’ambito del progetto, il modello personalizzato veniva ottimizzato con il kit di strumenti di apprendimento approfondito di Intel e trasmesso al dispositivo DeepLens.

Abbiamo sviluppato microservizi sulle funzioni Lambda di Amazon in Python per pre-elaborare, interpretare e agire sul feed dal vivo, direttamente dal dispositivo DeepLens in modo da misurare il livello di minaccia basato sul calcolo dell'accuratezza dell'oggetto rilevato e dalla relativa classificazione.