انضم إلينا ونحن نلقي نظرة على كيفية عمل الذكاء الاصطناعي البصري في منع السرقات من خلال أمثلة من الحياة الواقعية، والكشف القائم على الذكاء الاصطناعي، ورؤى حول مستقبل 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 للكشف عن 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، وتتبع المخزون، وحتى التعرف على الأنشطة المشبوهة في الوقت الحقيقي. فبدلاً من الاعتماد فقط على العناصر الموسومة، يمكن لأنظمة الرؤية الحاسوبية اكتشاف 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 المستقاة من أنظمة الأمن التي تدعم الرؤية فرق الأمن على الاستجابة الفورية للسلوكيات المشبوهة، مما يقلل من الخسائر ويعزز أمن المتاجر. يمكن أيضاً تكييف الرؤية الحاسوبية مع مختلف بيئات البيع بالتجزئة، بدءاً من المتاجر الصغيرة وحتى المستودعات الكبيرة.
في هذه المقالة، سنلقي نظرة على كيفية تغيير الرؤية الحاسوبية لمنع السرقة في تجارة التجزئة والتخزين. دعونا نبدأ!
أولاً، دعنا نستكشف تقنيات الرؤية الحاسوبية المختلفة التي يمكن استخدامها لمنع السرقة وفهم كيفية عملها.
باستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، يمكن 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 زبونًا يلتقط غرضًا عالي القيمة، مثل حقيبة يد مصممة، ويتجول في أقسام مختلفة من المتجر. يمكن تحليل لقطات المراقبة باستخدام خاصية الكشف عن الأشياء لتحديد حقيبة اليد ووضع علامة عليها كعنصر مهم. أثناء تحرك العميل، يمكن استخدام تتبع الكائنات لمتابعة حقيبة اليد والشخص الذي يحملها باستمرار. استناداً إلى مناطق محددة مسبقاً مثل منطقة الخروج، يمكن أن يؤدي أي سلوك غير اعتيادي، مثل التحرك نحو المخرج دون المرور بمنطقة الخروج، إلى إطلاق تنبيه.
يمكن أن يأخذ التحليل السلوكي والتعرف على الأنماط خطوة إلى الأمام لمنع السرقة من خلال التركيز على كيفية تصرف العملاء في المتجر. فهو يقدم رؤى تتجاوز المكان الذي يتحرك فيه العملاء أو العناصر التي يلتقطونها. في حين أن الكشف عن الأشياء وتتبعها مفيد في تتبع أشياء محددة ذات أهمية، يمكن للتحليل السلوكي مراقبة الأنماط في تصرفات العملاء التي قد تشير إلى نوايا مشبوهة.
على سبيل المثال، يمكن استخدام الذكاء الاصطناعي للرؤية لتحديد ما إذا كان العميل يلتقط ويضع نفس السلعة بشكل متكرر، أو يتلكأ في ممر معين، أو يتحرك بشكل غير عادي بالقرب من المناطق المحظورة. تتقدم الأبحاث في هذا المجال، مع تقنيات متطورة بشكل متزايد لتحسين دقة الكشف. يجمع أحد الأساليب الواعدة بين نوعين من نماذج الذكاء الاصطناعي: الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة قصيرة الأجل الطويلة (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 اكتشاف أنماط تصرفات العملاء. وهذا يعني أنه يمكن لآلات LSTMs تتبع السلوكيات المتكررة، مثل تعامل العميل مع نفس العنصر بشكل متكرر.
من خلال الجمع بين شبكات CNNs وLSTMs، يمكن لأنظمة الذكاء الاصطناعي للرؤية التقاط كل من "ماذا" (الأشياء أو الأشخاص المعنيين) و"متى" (توقيت وتسلسل الإجراءات). هذا النهج المتكامل مفيد للغاية في تحديد سلوكيات السرقة الخفية من المتاجر.
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 الكشف عن 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 لاكتشاف 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.
قد يبدو الذكاء الاصطناعي تقنية مستقبلية، ولكنها تُستخدم بالفعل في العديد من الطرق العملية اليوم. على وجه الخصوص، يتم الآن اعتماد الذكاء الاصطناعي لمنع السرقة على نطاق واسع في المتاجر في جميع أنحاء العالم، مما يساعد تجار التجزئة على معالجة سرقة المتاجر في الوقت الفعلي.
تُعد دراسة حالة من متجر JJ Liquors في واشنطن العاصمة مثالاً رائعاً على كيفية مساعدة أنظمة المراقبة بالذكاء الاصطناعي في اكتشاف السرقة في الوقت الفعلي. على الرغم من وجود العديد من كاميرات المراقبة، واجه صاحب المتجر، كي جيه جيه سينغ، خسائر يومية من سرقة المتاجر.
ولمعالجة هذه المشكلة، قام بتركيب نظام مراقبة مدعوم بالذكاء الاصطناعي يعمل مع الكاميرات الموجودة لديه. يحلل الذكاء الاصطناعي لغة جسد العميل وحركته، ويحدد التصرفات المشبوهة مثل إخفاء الأشياء في الجيوب أو الحقائب. وعندما يكتشف شيئاً غير اعتيادي، يتلقى سينغ تنبيهاً فورياً على هاتفه، بالإضافة إلى مقطع فيديو للنشاط.
تمكنه أدلة الفيديو من الاستجابة قبل مغادرة العميل للمتجر. تساعد هذه الاستجابة في الوقت الفعلي على منع السرقة وتسهل على سينغ مواجهة السارقين بثقة. منذ إضافة نظام الذكاء الاصطناعي، تمكّن سينغ من إيقاف العديد من السرقات بنجاح، مما يدل على مدى فعالية المراقبة بالذكاء الاصطناعي في منع سرقة المتاجر.
يجلب الذكاء الاصطناعي العديد من المزايا لمنع السرقة، حيث يوفر لفرق البيع بالتجزئة وفرق الأمن أدوات موثوقة لاكتشاف الخسائر والحد منها بشكل أكثر فعالية. فيما يلي بعض الفوائد الرئيسية للذكاء الاصطناعي في منع السرقة:
ومع ذلك، هناك أيضًا قيود عندما يتعلق الأمر بالاعتماد على الذكاء الاصطناعي لمنع السرقة. فيما يلي بعض التحديات الرئيسية:
يتم تشجيع ابتكارات الذكاء الاصطناعي الأخلاقية والمسؤولة من قبل مجتمع الذكاء الاصطناعي والمجتمع بشكل عام. لذلك، من المرجح أن يعطي مستقبل الرؤية الحاسوبية في مجال منع السرقة الأولوية لتقنيات الحفاظ على الخصوصية. 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 تتبع 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 اكتشاف السرقة في الوقت الفعلي مع حماية خصوصية العملاء.
وبالمثل، تساعد الحوسبة الطرفية على معالجة البيانات على الأجهزة المحلية مثل الكاميرات الموجودة في المتجر، مما يقلل من الحاجة إلى إرسال المعلومات إلى السحابة، وبالتالي تقليل مخاطر الخصوصية. وبفضل هذه الأساليب التي تركز على الخصوصية، يمكن أن يكون مستقبل منع السرقة آمنًا ومحترمًا في الوقت نفسه، مما يؤدي إلى بناء الثقة مع تحسين أمن المتجر.
يعمل الذكاء الاصطناعي والرؤية الحاسوبية على تغيير الطريقة التي تمنع بها المتاجر السرقة من خلال توفير أدوات ذكية للكشف عن السلوكيات المشبوهة وتقليل الخسائر بطريقة أكثر بساطة.
بفضل إمكانات مثل اكتشاف الأجسام وتتبعها والتحليل السلوكي المتقدم، يتيح الذكاء الاصطناعي المرئي إمكانية المراقبة في الوقت الفعلي ويوفر رؤى قائمة على البيانات تتيح لفرق الأمن الاستجابة السريعة للتهديدات المحتملة. يمكن أن يساعد استخدام الذكاء الاصطناعي في منع السرقة قبل حدوثها وخلق بيئة أكثر أماناً لكل من العملاء والموظفين.
لمزيد من المعلومات حول الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات الحلول الخاصة بنا. 🚀
