الرؤية الحاسوبية لمنع السرقة: تعزيز الأمن

إذا سبق لك أن مررت ببوابات طويلة عند مخرج أحد المتاجر التي تصدر صوتًا عند مرور أي سلعة غير مدفوعة الأجر، فقد رأيت أنظمة مراقبة المواد الإلكترونية (EAS) في العمل. تُستخدم هذه الأنظمة بشكل شائع في أمن متاجر التجزئة. وهي مصممة detect العناصر التي تحمل علامات أمنية لم يتم تعطيلها عند الخروج. في حين أنها مفيدة في منع السرقة الأساسية، إلا أن أنظمة EAS تقتصر على التقاط العناصر التي تحمل علامات أمنية وغالباً ما تفوت أنواعاً أخرى من السرقة.

يمكن للذكاء الاصطناعي (AI) أن يوفر حلاً أكثر تقدماً في شكل رؤية الكمبيوتر، وهو فرع من الذكاء الاصطناعي يمكّن الآلات من تفسير وتحليل المعلومات المرئية من العالم من حولها. يمكن استخدام الرؤية الحاسوبية لتحليل سلوك العملاء، track المخزون، وحتى التعرف على الأنشطة المشبوهة في الوقت الحقيقي. فبدلاً من الاعتماد فقط على العناصر الموسومة، يمكن لأنظمة الرؤية الحاسوبية detect الأنماط التي تشير إلى احتمال حدوث سرقة، مثل بقاء شخص ما في المناطق المحظورة، 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 الرؤية الحاسوبية مثل Ultralytics YOLO11يمكن لمتاجر البيع بالتجزئة تحسين جهودها الأمنية بشكل كبير من خلال الكشف عن الأجسام وتتبعها في الوقت الفعلي. يمكن أن يساعد اكتشاف الكائنات في تحديد كائنات أو أشخاص أو عناصر معينة في موجز الفيديو، بينما يمكن استخدام تتبع الكائنات لتتبع هذه الكائنات المحددة عبر إطارات متعددة، ومراقبة حركتها في جميع أنحاء المتجر. يمكن أن توفر هذه التقنيات معاً رؤية شاملة 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).

صُممت شبكات CNN، التي تشكل أساس الكشف عن الأشياء، لتحليل البيانات المرئية مثل الصور وإطارات الفيديو، مما يساعد النظام على التعرف على عناصر معينة أو مناطق المتجر. وعلى النقيض من ذلك، صُممت الآلات LSTMs للاحتفاظ بالمعلومات بمرور الوقت، مما يمكّن النظام من detect أنماط تصرفات العملاء. وهذا يعني أنه يمكن لآلات LSTMs track السلوكيات المتكررة، مثل تعامل العميل مع نفس العنصر بشكل متكرر. 

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 أخرى للرؤية الحاسوبية التي يمكن أن تكمل ابتكارات الذكاء الاصطناعي البصري المصممة خصيصاً لمنع السرقة. ويُعد التعرف على الوجه أحد هذه الأدوات، حيث يُستخدم للتعرف على الأفراد من خلال تحليل ملامح الوجه، مما يساعد في detect الجناة المعروفين أو أولئك الذين يظهرون سلوكاً مريباً. وتستخدم بعض المتاجر هذه التقنية لتنبيه الأمن عند دخول السارقين الذين تم الإبلاغ عنهم. ومع ذلك، يجب توعية العملاء بهذا الاستخدام لمعالجة المخاوف المتعلقة بالخصوصية.

يمكن لتقدير الوضعية أن يضيف طبقة أخرى من الأمان من خلال تحليل وضع الجسم وحركته detect تصرفات مثل إخفاء الأشياء أو الوضعيات غير المعتادة المرتبطة بالسرقة. تساعد هذه التقنية النظام على تفسير لغة الجسد وإصدار تنبيهات مبكرة للأمن للتدخل عند الحاجة. 

‍

يمكن لأنظمة المراقبة بالذكاء الاصطناعي detect 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 متجر JJ Liquors في واشنطن العاصمة مثالاً رائعاً على كيفية مساعدة أنظمة المراقبة بالذكاء الاصطناعي في detect السرقة في الوقت الفعلي. على الرغم من وجود العديد من كاميرات المراقبة، واجه صاحب المتجر، كي جيه جيه سينغ، خسائر يومية من سرقة 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، حيث يوفر لفرق البيع بالتجزئة وفرق الأمن أدوات موثوقة detect الخسائر والحد منها 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.

وتتمثل إحدى الطرق ذات الصلة في طمس أو إخفاء ملامح الهوية من خلال الرؤية الحاسوبية. يمكن طمس ملامح الوجه أو غيرها من التفاصيل الشخصية تلقائيًا، مما يتيح للنظام track أنماط السلوك دون تحديد هوية الأفراد. يمكن لنماذج مثل YOLO11 أن تدعم هذه الممارسات التي تحافظ على الخصوصية من خلال الكشف عن الأشياء ومراقبتها في الوقت الفعلي مع التركيز على سلوكيات محددة بدلاً من تحديد هوية الأفراد. وهذا يمكّن المتاجر من detect 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

يعمل الذكاء الاصطناعي والرؤية الحاسوبية على تغيير الطريقة التي تمنع بها المتاجر السرقة من خلال توفير أدوات ذكية detect السلوكيات المشبوهة وتقليل الخسائر بطريقة أكثر بساطة. 

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. 🚀