الرؤية الحاسوبية لمنع السرقة: تعزيز الأمن

إذا سبق لك أن مررت ببوابات طويلة عند مخرج المتجر تصدر صوت تنبيه عند مرور عنصر غير مدفوع الثمن، فقد رأيت أنظمة المراقبة الإلكترونية للمواد (EAS) أثناء العمل. تُستخدم هذه الأنظمة بشكل شائع في أمن البيع بالتجزئة. وهي مصممة لاكتشاف العناصر التي تحتوي على علامات أمنية لم يتم إلغاء تنشيطها عند الدفع. في حين أنها مفيدة لمنع السرقة الأساسية، إلا أن أنظمة EAS تقتصر على الإمساك بالعناصر التي تحمل علامات وغالبًا ما تفوت أنواعًا أخرى من السرقة.

يمكن أن يوفر الذكاء الاصطناعي (AI) حلاً أكثر تقدمًا في شكل رؤية الحاسوب (computer vision)، وهو فرع من فروع الذكاء الاصطناعي يمكّن الآلات من تفسير وتحليل المعلومات المرئية من العالم من حولها. يمكن استخدام رؤية الحاسوب لتحليل سلوك العملاء (customer behavior)، و تتبع المخزون (track inventory)، وحتى التعرف على الأنشطة المشبوهة في الوقت الفعلي. بدلاً من الاعتماد فقط على العناصر التي تم وضع علامات عليها، يمكن لأنظمة رؤية الحاسوب (computer vision systems) اكتشاف الأنماط التي تشير إلى السرقة المحتملة، مثل شخص يتسكع في المناطق المحظورة (restricted areas)، أو إخفاء العناصر، أو تجاوز نقاط الدفع.

يمكن أن تساعد الرؤى المستمدة من أنظمة الأمان (security systems) التي تدعم الرؤية فرق الأمان (security) على الاستجابة على الفور للسلوك المشبوه، مما يقلل الخسائر ويعزز أمان (security) المتجر. يمكن أيضًا تكييف الرؤية الحاسوبية مع مختلف بيئات البيع بالتجزئة (retail environments)، من المتاجر الصغيرة إلى المستودعات (warehouses) الكبيرة. 

في هذه المقالة، سوف نلقي نظرة على كيف تقوم الرؤية الحاسوبية بتغيير منع السرقة في البيع بالتجزئة و التخزين. هيا بنا نبدأ!

ما هي مهام الرؤية الحاسوبية المناسبة لمنع السرقة؟

أولاً، دعنا نستكشف تقنيات رؤية الحاسوب المختلفة التي يمكن استخدامها لمنع السرقة وفهم كيفية عملها.

استخدام الكشف عن الكائنات وتتبعها لتعزيز الأمن

باستخدام نماذج رؤية الكمبيوتر مثل Ultralytics YOLO11، يمكن لمتاجر البيع بالتجزئة تحسين جهودها الأمنية بشكل كبير من خلال اكتشاف الأجسام و تتبعها في الوقت الفعلي. يمكن أن يساعد اكتشاف الأجسام في تحديد أجسام أو أشخاص أو عناصر معينة في بث الفيديو، بينما يمكن استخدام تتبع الأجسام لمتابعة هذه الأجسام المحددة عبر إطارات متعددة، ومراقبة حركتها في جميع أنحاء المتجر. معًا، يمكن أن تمنح هذه التقنيات عرضًا شاملاً وفي الوقت الفعلي للنشاط الذي يحدث في المتجر. 

على سبيل المثال، لنفترض أن أحد العملاء التقط عنصرًا عالي القيمة، مثل حقيبة يد مصممة، وسار عبر أقسام مختلفة من المتجر. يمكن تحليل لقطات المراقبة باستخدام اكتشاف الأجسام لتحديد حقيبة اليد ووضع علامة عليها كعنصر مهم. أثناء تنقل العميل، يمكن استخدام تتبع الأجسام لتتبع كل من حقيبة اليد والفرد الذي يحملها باستمرار. بناءً على المناطق المحددة مسبقًا مثل المخرج، يمكن لأي سلوك غير عادي، مثل التحرك نحو المخرج دون المرور بمنطقة الدفع، أن يؤدي إلى إطلاق تنبيه.

‍

تحليل سلوكي والتعرف على الأنماط باستخدام رؤية الذكاء الاصطناعي

يمكن لتحليل السلوك (Behavioral analysis) و التعرف على الأنماط (recognition) أن يأخذا منع السرقة خطوة أخرى إلى الأمام من خلال التركيز على كيفية تصرف العملاء في المتجر. فهو يعطي رؤى تتجاوز إلى أين يتحرك العملاء أو العناصر التي يلتقطونها. في حين أن اكتشاف الكائنات (object detection) وتتبعها مفيد لتتبع كائنات معينة ذات أهمية، إلا أن تحليل السلوك يمكن أن يراقب الأنماط في تصرفات العملاء التي قد تشير إلى نية مشبوهة.

على سبيل المثال، يمكن استخدام الذكاء الاصطناعي البصري لتحديد ما إذا كان العميل يلتقط نفس العنصر ويضعه بشكل متكرر، أو يبقى في ممر معين، أو يتحرك بالقرب من المناطق المحظورة بشكل غير عادي. الأبحاث في هذا المجال تتقدم، مع تقنيات متطورة بشكل متزايد لتحسين دقة الكشف. أحد الأساليب الواعدة يجمع بين نوعين من نماذج الذكاء الاصطناعي: الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة المدى (LSTM).

تم تصميم الشبكات العصبية الالتفافية (CNNs)، التي تشكل أساس اكتشاف الكائنات، لتحليل البيانات المرئية (visual data) مثل الصور وإطارات الفيديو، مما يساعد النظام على التعرف على عناصر أو مناطق متجر معينة. شبكات الذاكرة طويلة المدى (LSTMs)، على النقيض من ذلك، مبنية للاحتفاظ بالمعلومات بمرور الوقت، مما يمكن النظام من اكتشاف الأنماط في تصرفات العملاء. هذا يعني أن شبكات الذاكرة طويلة المدى يمكنها تتبع السلوكيات المتكررة، مثل تعامل العميل بشكل متكرر مع نفس العنصر. 

من خلال الجمع بين CNNs و LSTMs، يمكن لـ أنظمة Vision AI التقاط كلاً من "ماذا" (الكائنات أو الأشخاص المعنيين) و "متى" (توقيت وتسلسل الإجراءات). هذا النهج المتكامل مفيد جدًا لتحديد سلوكيات السرقة الخفية.

‍

تقنيات رؤية الكمبيوتر الأخرى شائعة الاستخدام في منع السرقة

هناك تقنيات رؤية حاسوبية أخرى يمكن أن تكمل ابتكارات رؤية الذكاء الاصطناعي المصممة خصيصًا لمنع السرقة. التعرف على الوجه هو إحدى هذه الأدوات، المستخدمة لتحديد الأفراد من خلال تحليل ملامح الوجه، مما يمكن أن يساعد في اكتشاف المخالفين المعروفين أو أولئك الذين يظهرون سلوكًا مشبوهًا. تستخدم بعض المتاجر هذه التقنية لتنبيه الأمن عند دخول اللصوص الذين تم الإبلاغ عنهم. ومع ذلك، يجب توعية العملاء بهذا الاستخدام لمعالجة مخاوف الخصوصية.

يمكن لـ تقدير الوضعية إضافة طبقة أخرى من الأمان من خلال تحليل وضع الجسم وحركته لاكتشاف إجراءات مثل إخفاء العناصر أو الأوضاع غير العادية المرتبطة بالسرقة. تساعد هذه التقنية النظام على تفسير لغة الجسد وإصدار تنبيهات مبكرة للأمن للتدخل إذا لزم الأمر. 

‍

بإمكان أنظمة المراقبة بالذكاء الاصطناعي اكتشاف السرقة في الوقت الفعلي

قد يبدو الذكاء الاصطناعي وكأنه تقنية مستقبلية، ولكنه يستخدم بالفعل في العديد من الطرق العملية اليوم. على وجه الخصوص، يتم الآن اعتماد الذكاء الاصطناعي لمنع السرقة على نطاق واسع في المتاجر حول العالم، مما يساعد تجار التجزئة على معالجة السرقة من المتاجر في الوقت الفعلي.

تُعد دراسة حالة من JJ Liquors في واشنطن العاصمة مثالًا رائعًا على كيف يمكن لأنظمة المراقبة بالذكاء الاصطناعي أن تساعد في اكتشاف السرقة في الوقت الفعلي. على الرغم من وجود كاميرات أمنية متعددة، واجه صاحب المتجر، KJ Singh، خسائر يومية بسبب السرقة من المتاجر. 

لمعالجة هذه المشكلة، قام بتثبيت نظام مراقبة مدعوم بالذكاء الاصطناعي يعمل مع الكاميرات الموجودة لديه. يحلل الذكاء الاصطناعي لغة الجسد وحركة العملاء، ويحدد الإجراءات المشبوهة مثل إخفاء العناصر في الجيوب أو الحقائب. عندما يكتشف شيئًا غير عادي، يتلقى سينغ تنبيهًا فوريًا على هاتفه، بالإضافة إلى مقطع فيديو للنشاط. 

إن الدليل بالفيديو يمكّنه من الاستجابة قبل مغادرة العميل للمتجر. تساعد هذه الاستجابة في الوقت الفعلي على منع السرقة وتسهل على سينغ مواجهة اللصوص بثقة. منذ إضافة نظام الذكاء الاصطناعي، تمكن من إيقاف العديد من عمليات السرقة بنجاح، مما يدل على مدى فعالية مراقبة الذكاء الاصطناعي في منع سرقة متاجر التجزئة.

إيجابيات وسلبيات الذكاء الاصطناعي في منع السرقة

يجلب الذكاء الاصطناعي العديد من المزايا لمنع السرقة، مما يوفر لفرق البيع بالتجزئة والأمن أدوات موثوقة للكشف عن الخسائر وتقليلها بشكل أكثر فعالية. فيما يلي بعض الفوائد الرئيسية للذكاء الاصطناعي في منع السرقة:

• تقليل الاعتماد على الموظفين: يقلل من الحاجة إلى المراقبة البشرية المستمرة، مما يساعد على خفض التكاليف وتقليل إجهاد موظفي الأمن.
  ‍
• بيانات ثاقبة: يقدم رؤى تعتمد على البيانات حول اتجاهات السرقة، مما يساعد المتاجر على تعديل استراتيجياتها الأمنية بناءً على أنماط حقيقية.
  ‍
• دقة محسنة: يقلل من عدد الإنذارات الكاذبة ويكتشف الأنماط الدقيقة التي قد لا يلاحظها الأشخاص.

ومع ذلك، هناك أيضًا قيود عندما يتعلق الأمر بالاعتماد على الذكاء الاصطناعي لمنع السرقة. فيما يلي بعض التحديات الرئيسية:

• مخاوف تتعلق بالخصوصية (Privacy concerns): تثير تساؤلات حول مراقبة وتحليل سلوك العملاء، مما قد يؤثر على ثقة العملاء.
  ‍
• الصيانة الفنية: تتطلب أنظمة الذكاء الاصطناعي تحديثات وصيانة منتظمة لمواكبة أساليب السرقة الجديدة.
  ‍
• تكاليف تنفيذ عالية: يمكن أن تكون تكلفة تركيب وصيانة أنظمة الذكاء الاصطناعي عائقًا أمام الشركات الصغيرة.

مستقبل رؤية الكمبيوتر في منع السرقة

يشجع مجتمع الذكاء الاصطناعي والمجتمع ككل الابتكارات الأخلاقية والمسؤولة في مجال الذكاء الاصطناعي. لذلك، من المرجح أن تعطي مستقبل رؤية الكمبيوتر في منع السرقة الأولوية للتقنيات الحافظة للخصوصية. تهدف هذه التطورات إلى تحقيق التوازن بين الأمن الفعال واحترام خصوصية العملاء، مما يسمح للمتاجر بمراقبة السلوكيات المشبوهة دون المساس بالحقوق الشخصية.

إحدى الطرق ذات الصلة هي التمويه أو إخفاء هوية الميزات التعريفية من خلال رؤية الكمبيوتر. يمكن تمويه ملامح الوجه أو التفاصيل الشخصية الأخرى تلقائيًا، مما يتيح للنظام تتبع أنماط السلوك دون تحديد الأفراد. يمكن لنماذج مثل YOLO11 دعم هذه الممارسات التي تحافظ على الخصوصية من خلال اكتشاف ومراقبة الكائنات في الوقت الفعلي مع التركيز على سلوكيات محددة بدلاً من تحديد الأفراد. وهذا يمكّن المتاجر من اكتشاف السرقة في الوقت الفعلي مع حماية خصوصية العملاء.

‍

وبالمثل، تساعد الحوسبة الطرفية في معالجة البيانات على الأجهزة المحلية مثل الكاميرات الموجودة في المتاجر، مما يقلل الحاجة إلى إرسال المعلومات إلى السحابة، وبالتالي تقليل مخاطر الخصوصية. باستخدام هذه الأساليب التي تركز على الخصوصية، يمكن أن يكون مستقبل منع السرقة آمنًا ومحترمًا، مما يبني الثقة مع تحسين أمن المتجر.

منع السرقة بذكاء أكبر لمتاجر أكثر أمانًا

يغير الذكاء الاصطناعي والرؤية الحاسوبية الطريقة التي تمنع بها المتاجر السرقة من خلال تقديم أدوات ذكية للكشف عن السلوك المشبوه وتقليل الخسائر بطريقة أكثر انسيابية. 

بفضل قدرات مثل اكتشاف الأجسام وتتبعها والتحليل السلوكي المتقدم، يتيح الذكاء الاصطناعي البصري المراقبة في الوقت الفعلي ويوفر رؤى تعتمد على البيانات تمكن فرق الأمن من الاستجابة بسرعة للتهديدات المحتملة. يمكن أن يساعد استخدام الذكاء الاصطناعي في منع السرقة قبل وقوعها وخلق بيئة أكثر أمانًا لكل من العملاء والموظفين.

لمزيد من الأفكار حول الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع و الزراعة على صفحات الحلول الخاصة بنا. 🚀