Kuinka tekoäly tekee metallinilvonnasta tärkeämmän kuin koskaan

Jokaisena päivänä miljoonat ihmiset käyvät läpi metallinilvontalaitteita lentokentillä, kouluissa, konserttisaleissa, oikeustaloissa ja toimistorakennuksissa. Suurin osa heistä ei juuri ajattele tätä prosessia tai sitä, että nämä laitteet toimivat olennaisena palomuurina heidän omassa hyvinvoinnissaan. Kun ilmiötön hälyttää, se nähdään yleensä vain pienenä häiriönä tai viivästymisenä – kun syy on ratkaistu, jokainen jatkaa päiväänsä.

Se ei ole salaisuus, että elämme maailmassa, jossa turvallisuusjännitykset kasvavat, joukkueet kasvavat ja valitettavat tapahtumat lisääntyvät. Tämän seurauksena turvallisuustoimiala kohtaa suuremman kysynnän kuin koskaan teknologiasta, joka ei vain puutu välittömästi uhkaan, vaan toimii ennustavana, proaktiivisena esteenä turvallisuuden vuoksi.

Metallinilvontalaitteen yksinkertaisen rituaalin takana voi yllättäen olla teknologinen vallankumous turvallisuustoimialalla. Tekoäly ja koneoppiminen muokkaavat koko metallinilvontakäsitettä, tehden siitä nopeamman, älykkäämmän ja tarkemman kuin koskaan aiemmin.

Tasapaino tarkkuuden ja kysynnän välillä

Tarkastellaan aluksi alaa lintuperspektiivissä. Käytännön tekijöiden vuoksi maailmanlaajuinen turvallisuustarkastusmarkkinat ovat kasvamassa. Asiantuntijat arvioivat, että metallinilvonta- ja turvallisuustarkastusala on arvoltaan lähellä 10 miljardia dollaria vuoteen 2028 mennessä, jota ajavat ennen kaikkea kasvavat julkisen turvallisuuden huolenaiheet ja lisääntyvät matkustajamäärät. Lentokentät, stadionit, areenat ja koulut ovat edelleen suurella paineella siirtääkseen ihmisiä nopeasti ilman turvallisuuden heikentämistä.

Turvallisuusammattilaisten ongelma on tasapainottaa perusteellisuuden tarve, jotta turvallisuus voidaan taata, mukavuuden ja tehokkuuden kanssa. Usein puhumme siitä, miten toissijainen tarkastus voi täyttää aukot, mutta todellisuudessa, kun on vastassa kymmeniä tuhansia matkustajia tai asiakkaita, ei voida avata jokaisen laukun. Samalla uhkaamisen laiminlyönti voi olla kohtalokasta. Tämä dynamiikka asettaa koko järjestelmän – valmistajista, hallintojohtajista, käytännön henkilöstöstä – oikeaan pulaan.

Nyt tarkastellaan, miten teknologia on historiallisesti toiminut. Perinteiset kävelyylittävät metallinilvontalaitteet, jotka perustuvat sähkömagneettiseen induktioon, ovat olleet luotettavia työhevosia vuosikymmenien ajan, pystien käsittelyyn valtaviin määriin hyväksytyn aikataulun mukaisesti. Garrettin kävelyylittävät metallinilvontalaitteet esimerkiksi ovat olleet maailmanlaajuinen teollisuusstandardi yli 40 vuoden ajan, alkaen siitä, kun meidät tilattiin luomaan ensimmäinen kävelyylittävä ilmiötön, MagnaScanner, Los Angelesin 1984 kesäolympialaisiin.

Vaikka nämä laitteet ovat “perinteisiä” verrattuna muihin teknologian edistysaskeliin, ne ovat edelleen yksi kustannustehokkaimmista, suorituskykyisimmistä ja vakaimmista turvallisuusratkaisuista markkinoilla. Ongelma on, että ne ovat perinteisesti puuttuneet älykkyydestä, jotta ne voivat erottaa vyötärönauhan aseesta, mikä johtaa toissijaiseen tarkastukseen – ja mainittuihin viivästymisiin. Nämä väärät hälytykset voivat johtaa inhimilliseen uupumukseen turvallisuushenkilöstölle, mikä voi heikentää heidän valvontaprosessiaan – jälkivaikutus, joka voi johtaa seuraamuksiin, joita kukaan ei halua. Tässä kohtaa tekoäly ja koneoppiminen astuvat kuvaan.

Ilmiön taustalla olevat tiedot

Tekoälyn ydin on muuttumassa metallinilvonnasta reaktioprosessista ennustavaksi prosessiksi. Sen sijaan, että ilmiötön vain hälyttää, kun metallia havaitaan, tekoälykäyttöiset aseiden ilmiöntälaitteet voivat nyt analyysin muodon, tiheyden ja metallisten esineiden sijainnin monimutkaisen signaali- ja tunnistusjärjestelmän avulla.

Käytämme tekoälyä saavuttamaan toiminnallisuuden tasot testatulle metallinilvontateknologialle, jotka eivät olleet aiemmin mahdollisia. Jotkut äänet turvallisuustarkastusalueella pitävät metallinilvontateknologiaa vanhanaikaisena, mutta he jättävät huomiotta suuret edistysaskeleet metallinilvontateknologian monimutkaisuudessa viime vuosina. Soveltamalla näitä edistysaskeleita koneoppimisessa metallinilvontateknologiaan, erityisesti sen osalta, miten se osallistuu tuotekehitykseen, metallinilvontalaitteet ovat pystyneet saavuttamaan tarkkuuden, jota ei aiemmin pidetty mahdollisena. Garrettilla tekoälyä käytettiin kehittämään edistynyt omistajaohjattu ilmiöntäalusta koneoppimisella Paragon-kävelyylittävälle ilmiöntälaitteelle, joka on yksi laajimmin käytetyistä kävelyylittävistä ilmiöntälaitteista maailmassa. Nämä koneoppimisalgoritmit voivat erottaa arkipäivän esineiden, kuten puhelimien ja avaimien, ja potentiaalisesti vaarallisten esineiden, kuten veitsien ja tuliaseiden, hienot erot.

Kun kävelet tekoälyllä parannetun ilmiöntälaitteen läpi, se ei etsi vain metallia – se analysoi tuhansia tietopisteitä ja luokittelee, mitä se näkee, perustuen malleihin, jotka on opittu miljoonista aiemmista kokeista kehityksen aikana. Tämän seurauksena on välitön, tarkka ilmiöntä useista uhista ja vahvempi yleinen turvallisuus. Tekoäly-alustamme Paragon parantaa kohdekohtaisen tarkkuuden yksittäisissä ja useissa kohteissa yli 88 % ja vähentää väärän hälytyksen määrää perinteisiin ilmiöntälaitteisiin verrattuna yli 5 %.

Isommassa mittakaavassa jopa pienet tehokkuuden parantumiset voivat olla merkittäviä. Yksittäinen väärä hälytys voi viivästyttää kymmeniä ihmisiä; moninkertaistettaessa tämä tuhansilla vierailijoilla stadionilla tai lentokentillä, häiriö kasvaa nopeasti. Nämä tekoälypohjaiset järjestelmät auttavat ratkaisemaan tämän ongelman. Tiedot osoittavat, että useilla suurilla Yhdysvaltain lentokentillä ja urheiluareenoilla kävelyylittävät ilmiöntälaitteet, jotka hyödyntävät koneoppimista, ovat leikanneet toissijaisia laukkutarkastuksia ja tarkastusaikoja eksponentiaalisesti.

Avainasia on, että nämä ilmiöntälaitteet eivät vain ilmiönnä – ne sisältävät älykkyyttä, joka on hankittu analyysien kautta tuhansia potentiaalisia skenaarioita ja todennäköisyyksiä esineistä ja ympäristötekijöistä. Tärkeä ero on, että teknologiaa toimitetaan turvallisuusammattilaisille jo ennen kehitystä, eikä “oppi työssä” – tämä takaa merkittävästi vähennetyn virheiden ja väärän lukemisen riskin. Tekoälyllä varustettujen näiden havaintojen avulla koulutetut ammattilaiset voivat analyysin ja älykkään soveltamisen varmistaa, että perusteellisempi, johdonmukainen turvallisuusstandardi on perustettu ja toteutettu kaikissa asiaankuuluvissa ympäristöissä ja sovelluksissa.

Odottamattomat sovellukset

On olemassa sovelluksia turvallisuuden ulkopuolella matkustamiseen ja tapahtumiin. Koulut ja sairaalat esimerkiksi omaksuvat tekoälyllä varustettuja ilmiöntälaitteita, jotka tunnistavat aseita ja ovat samalla parempia arvioimaan arkipäivän esineitä, vähentäen ahdistusta ja pullonkauloja. Esteettisyys ja teknologia, jotka ovat sopivia saumattomaan, häiriintymättömään käyttökokemukseen, voivat mennä pitkälle luomassa mukavuutta potilaille ja vierailijoille samalla, kun he vähentävät tarkastukseen liittyviä yhteenottoja tai tapahtumia. Jotkut tuotteet voidaan käyttää “salainen tila”, jossa ei ole kuultavaa hälytystä, mikä lisää vierailijoiden mukavuutta, jotka käyvät tarkastuspisteessä. Nämä “kitkattomattomat” järjestelmät sallivat ihmisille kävellä läpi ilman pysähtymistä tai esineiden poistamista laukuista – valtava askel turvallisuuden tekemiseksi sekä näkymättömäksi että tehokkaaksi.

Ihmisen ja tekoälyn kumppanuus

On olennaisen tärkeää huomata, että tekoäly ei korvaa turvallisuusammattilaisia, vaan tukee heitä. Ihmisen ja tekoälyn kumppanuus voi auttaa vähentämään kognitiivista kuormitusta tarkastajille, jotka eivät enää tarvitse manuaalista tulkintaa jokaisesta hälytyksestä tai skannauksesta, mutta se on toteutettava oikean koulutuksen ja analyysin kautta. Esimerkiksi Garrettin virallisen tekoälykäytäntönsä mukaisesti, me sitoutumme siihen, että tekoälyllä parannettujen suunnittelutehtävien tuloksia ei käytetä tuotteissamme automaattisesti tai valvomattomasti. Kaikki tekoälytuotokset, joita käytetään tuotteissamme, tarkistetaan koulutetuilla, kokeneilla ihmisillä, ja Garrett tekee laajan tuotetestauksen laboratoriossa ja kenttäolosuhteissa varmistamaan, että mikä tahansa tekoälytyö on tehokasta ja sovellettavissa tuotteisiimme. Garrett ei myöskään käytä tekoälyä itseoppien ja itseään säätävien turvallisuustuotteiden rakentamiseen, jotka voivat toimia riittävällä tasolla asennettaessa, mutta muuttuvat ajan myötä ulkoisten tekijöiden vaikutuksesta, joita käyttäjä ei ole aiheuttanut.

Tekoäly voi auttaa poistamaan puolueellisuuden ja luoda suurempaa luottamusta turvallisuusjärjestelmiin ja -ammattilaisiin. Aseiden ilmiöntäohjeiden standardisointi takaa objektiivisen, johdonmukaisen tarkastuksen kaikille yksilöille, auttaen lieventämään potentiaalisia jännitteitä ja tapahtumia, jotka ovat olleet pitkään turvallisuuden manuaalisten tarkastusten ongelmana.

Johtopäätös: Hiljainen vallankumous portilla

Kun turvallisuusteknologia jatkaa kehittymistään, kävelyylittävän metallinilvontalaitteen tulevaisuus voi olla vaikuttavampi ja kriittisempi kuin koskaan aiemmin tekoälyn ja koneoppimisen kasvavan riippuvuuden ansiosta. Tekoälyavusteisen metallinilvontateknologian avulla perinteisen metallinilvontatarkastuksen yleiset ongelmat – viivästykset, väärät positiiviset tulokset jne. – voidaan suurelta osin vähentää, lisäten läpäisynopeutta erottamaan uhkaavia ja ei-uhkaavia kohteita kävelyvauhdilla toimien tarkemmin kuin koskaan aiemmin.

Turvallisuusjärjestelmiin kohdistuvan kasvavan ihmisliikkuvuuden, monimutkaisten turvallisuusuhkien ja turvallisuusjärjestelmiin kohdistuvan kasvavan tarkastelun aikakaudella tekoälyllä varustettu metallinilvonta edustaa valtavaa askelta eteenpäin yhteiskunnan turvallisuuden säilyttämiseksi.