Hvordan AI gør metalafbildning mere vigtig end nogensinde

Hver dag passer millioner af mennesker gennem gennemgangsmetalafbildere på lufthavne, skoler, koncertsteder, retsbygninger og kontorbygninger. En overvældende majoritet tænker knap over denne proces eller det faktum, at disse enheder fungerer som en essentiel brandmur for deres egen sikkerhed. Når en afbilder lyder, ses det typisk som en mindre irritation eller forsinkelse – når årsagen er løst, fortsætter alle med deres dag.

Det er ingen hemmelighed, at vi lever i en verden med stigende sikkerhedsspændinger, voksende mængder og en øget forekomst af ulykkelige begivenheder. Den forventelige virkning af dette er, at sikkerhedsbranchen står over for en højere efterspørgsel end nogensinde før efter teknologi, der ikke kun griber ind i øjeblikket efter en trussel, men også kan fungere som en præventiv, proaktiv barriere for sikkerhed.

Bag den simple ritual at passere gennem en metalafbilder, kan det overraske dig at lære, at en teknologisk revolution er i gang i sikkerhedssektoren. Kunstig intelligens og maskinlæring omdanner hele konceptet med metalafbildning, så det bliver hurtigere, smartere og mere præcist end nogensinde før.

Balance mellem præcision og efterspørgsel

Lad os først se på branchen fra en fugleperspektiv. Drevet af de tidligere nævnte faktorer er det globale marked for sikkerhedsskærmning i vækst. Eksperter estimerer, at markedet for metalafbildning og sikkerhedsskærmning alene vil have en værdi på næsten 10 miliarder dollar i 2028, drevet overvejende af stigende offentlige sikkerhedsbekymringer og øgede passagermængder. Lufthavne, stadions, arenaer og skoler er under enormt pres for at flytte mennesker hurtigt uden at kompromittere med sikkerheden.

Sikkerhedsprofessionelle står over for en dilemma, nemlig at balancere den grundighed, der kræves for at sikre sikkerhed, med bekvemmelighed og effektivitet. Vi taler ofte om, hvordan sekundær skærmning kan udfylde hullerne, men virkeligheden er, at når du står over for titusinder af rejsende eller gæster, kan du simpelthen ikke åbne hver enkelt taske. Samtidig kan det at overse en trussel være dødeligt. Denne dynamik sætter hele systemet – fra fabrikanter, administratorer, til de praktiserende medarbejdere – i en legitim knibe.

Lad os nu se nærmere på, hvordan teknologien historisk har fungeret. Traditionelle gennemgangsmetalafbildere, baseret på elektromagnetisk induktion, har været afhængige af pålidelige arbejdskræfter i årtier, i stand til at behandle enorme mængder af mennesker i en acceptabel fart. Garretts gennemgangsmetalafbildere, for eksempel, har været den globale industristandard i mere end 40 år, siden vi blev bedt om at skabe vores første gennemgangsdetektor, MagnaScanner, til sommer-OL 1984 i Los Angeles.

Trods deres “arv” status i forhold til andre teknologiske fremskridt er disse afbildere stadig en af de mest omkostningseffektive, højtydende og stabile sikkerheds løsninger på markedet. Problemet er, at de traditionelt har manglet intelligensen til at skelne mellem en spændeslå og et våben, hvilket herefter fører til sekundær skærmning – og de ovennævnte forsinkelser. Disse falske alarmer kan føre til menneskelig træthed for sikkerheds personale, hvilket herefter kan kompromittere effektiviteten af deres overvågningsproces – en effekt, der kan føre til konsekvenser, som ingen ønsker. Det er præcis her, hvor kunstig intelligens og maskinlæring træder ind.

Data bag afbildning

I sin kerne omdanner AI metalafbildning fra en reaktiv proces til en præventiv. I stedet for blot at lyde en alarm, når metal detekteres, kan AI-drevne våbenafbildningssystemer nu analysere formen, densiteten og positionen af metalgenstande ved hjælp af komplekse signal mønstergenkendelse.

Vi bruger AI til at opnå niveauer af funktionalitet for testet metalafbildningsteknologi, som ikke tidligere var muligt. Nogle stemmer i sikkerhedsskærmningsrummet afviser metalafbildningsteknologi som forældet, men de ignorerer de enorme fremskridt i sofistikationen af metalafbildningsteknologien i de seneste år. Ved at anvende disse fremskridt i maskinlæring til metalafbildningsteknologi, især som det bidrager til produktudvikling, har metalafbildere kunnet opnå præcision, som tidligere ikke var mulig. Hos Garrett blev AI brugt til at udvikle en avanceret proprietær afbildningsplatform ved hjælp af maskinlæring til vores Paragon-gennemgangsdetektor, en af de mest brugte gennemgangsdetektorer på kloden. Disse maskinlæringsalgoritmer kan identificere de subtile forskelle mellem hverdagsgenstande – som telefoner eller nøgler – og potentielt farlige genstande, såsom knive eller skydevåben.

Når du går gennem en AI-forbedret detektor, søger det ikke kun efter metal – det analyserer tusinder af datapunkter og klassificerer, hvad det ser, baseret på mønstre lært fra millioner af tidligere forsøg under udviklingen. Resultatet af dette er øjeblikkelig, præcis afbildning af multiple trusler og stærkere overordnet sikkerhed. Vores AI-platform til Paragon forbedrer den overordnede nøjagtighed af mål inden for portalen for enkelt- og flermaal med mere end 88% og reducerer de falske alarmer over traditionelle metalafbildere på markedet med mere end 5%.

I store lokale områder har selv små effektivitetsgevinster en enorm indvirkning. En enkelt falsk alarm kan forsinke dusinvis af mennesker; multiplicer dette med tusinder af gæster på et stadion eller passagerer på en lufthavn, og forstyrrelsen lægger sig hurtigt. Disse AI-baserede systemer hjælper med at løse dette problem. Data viser, at på flere større amerikanske lufthavne og sportsarenaer har gennemgangsdetektorer drevet af maskinlæring reduceret sekundær taskekontrol og skærmningstider eksponentielt.

Nøglen er, at disse detektorer ikke kun detekterer – de er pakket med intelligens, der er erhvervet gennem analyse af tusinder af potentielle scenarier og sandsynligheder af genstande og miljøfaktorer. Den vigtige forskel er, at teknologien gives til sikkerhedsprofessionelle efter, at den allerede er blevet uddannet med disse sofistikerede maskinlæringsindsigter under udviklingen, snarere end “at lære på arbejdet” – dette sikrer en betydeligt reduceret risiko for fejl og falske læsninger. Ved at give uddannede professionelle mulighed for at analysere og intelligent anvende disse indsigter, som er samlet ind via maskinlæring, garanterer det, at en mere grundig og konsekvent sikkerhedsstandard etableres og implementeres på tværs af alle relevante sammenhænge og anvendelser.

Uventede anvendelser

Der er også anvendelser ud over sikkerhed for rejser og begivenheder. Skoler og hospitaler, for eksempel, adopterer i stigende grad AI-drevne detektorer, der kan genkende våben, samtidig med at de bliver mere dygtige til at skelne mellem hverdagsgenstande, reducerer angst og flaskeshals. Æstetik og teknologi, der er med til at skabe en ubesværet og upåkrævet brugeroplevelse, kan gå langt i at etablere komfort for patienter og besøgende, samtidig med at de minimiserer skærmningsrelaterede konfrontationer eller begivenheder. Nogle produkter kan bruges i en “stealth-tilstand”, hvor der ikke er nogen hørbare alarm, hvilket tilføjer komfort for besøgende, der passerer gennem skærmningskontrollen. Disse “friktionsløse” systemer giver mennesker mulighed for at gå gennem uden at standses eller fjerne genstande fra deres tasker – et enormt skridt fremad i at gøre sikkerhed både usynlig og effektiv.

Menneske-AI-samarbejde

Det er essentiel at bemærke, at AI ikke skal erstatte menneskelige sikkerhedsprofessionelle, men støtte dem. Samarbejdet mellem mennesker og AI kan hjælpe med at reducere kognitivt pres for skærmere, der ikke længere behøver at fortolke hver enkelt alarm eller skanning manuelt, men det skal implementeres med den rette træning og analyse. For eksempel, som en del af Garretts formelle AI-politik, lover vi, at resultaterne af AI-forbedrede designøvelser aldrig bruges i produkter via automatiserede eller usupervisede midler og metoder. Alle AI-udgangspunkter, der bruges i vores produkter, er godkendt af dygtige, erfarne menneskelige agenter, og Garrett udfører omfattende produkttest i laboratoriet og på markedet for at sikre, at ethvert AI-arbejde er effektivt og egnet til brug i vores produkter. Garrett bruger heller ikke AI til at opbygge selv-lærings- og selv-tilpasnings-sikkerhedsprodukter, der måske fungerer på et tilfredsstillende niveau, når de installeres, men herefter ændrer sig over tid under påvirkning af ydre faktorer, der ikke er udløst af slutbrugeren.

AI kan hjælpe med at eliminere bias og etablere større offentlig tillid til sikkerhedssystemer og -professionelle. Standardisering af våbenafbildningsprotokoller sikrer objektiv, konsekvent skærmning af alle personer, hvilket hjælper med at lette potentielle spændinger og begivenheder, der længe har været en bekymring i manuel sikkerhedstjek.

Konklusion: Den stille revolution ved porten

Da sikkerhedsteknologien fortsætter med at udvikle sig, har fremtiden for gennemgangsmetalafbildning potentialet til at være mere betydningsfuld og kritisk end nogensinde før takket være en øget afhængighed af AI og maskinlæring. Med AI-assisteret metalafbildning kan de almindelige faldgruber i traditionel metalafbildning “kontrolpunkter” – forsinkelser, falske positiver osv. – i stor udstrækning afhjælpes, hvilket øger gennemløbstempoet til at skelne mellem trusler og ikke-trusler ved gående hastighed, samtidig med at det fungerer med større nøjagtighed og præcision end nogensinde før.

I en tid med stigende menneskelig mobilitet, sofistikerede sikkerhedstrusler og øget fokus på sikkerhedssystemer, repræsenterer AI-drevet metalafbildning et enormt skridt fremad for at holde samfundet sikkert.