컨투어, 보안 카메라를 검색 엔진으로 전환하기 위해 700만 달러 투자 유치

컨투어는 제너럴 캐탈리스트, Y Combinator, SV Angel, 및 Liquid 2 Ventures를 포함한 투자자들로부터 700만 달러의 시드 라운드 투자를 유치하며 스타트업으로 등장했습니다. 이 회사는 보안 팀이 웹을 검색하는 것처럼 비디오 화면을 검색할 수 있어야 한다는 간단하지만 야심적인 아이디어를 중심으로 자리 잡고 있습니다.

이 플랫폼은 카메라 네트워크에서 자연어 쿼리를 도입하여 사용자가 미리 정의된 필터나 카테고리에 의존하지 않고 원하는 것을 설명할 수 있습니다.

수동 카메라에서 검색 가능한 지능으로

전통적인 비디오 감시 시스템은 엄격한 규칙에 기반합니다. 운영자는 미리 무엇을 감지할지 정의해야 합니다. 특정 객체, 동작, 또는 행동과 같은 것들입니다. 이 접근 방식은 종종 예기치 않은 일이 발생했을 때 수동으로 검토해야 하는 시간이 많이 걸리며 사건을 놓치게 됩니다.

컨투어는 더 유연한 인터페이스로 이 모델을 대체합니다. 미리 경보를 설정하는 대신 사용자는 “방치된 가방을 가진 사람” 또는 “어제 로딩 독 근처의 밴”과 같은 쿼리를 입력할 수 있으며 시스템은 관련된 화면을 검색합니다.

이것은 감시에서 쿼리 방식으로의 전환을 의미합니다. 비디오는 더 이상 단순히 시청하는 것이 아니라 탐색하고 질문할 수 있는 것입니다.

실제 세계 복잡성에 대비

감시의 핵심 도전은 실제 상황이 거의 정해진 카테고리에 맞지 않는다는 것입니다. 의심스러운 행동은 종종 상황에 따라 다르며, 단일 감지 가능한 객체보다는 행동의 연속입니다.

컨투어의 시스템은 이러한 모호성을 다룰 수 있도록 설계되었습니다. 실시간 경보뿐만 아니라 사후 조사도 가능하도록 실시간 및 역사적인 화면 모두에서 작동합니다. 플랫폼은 또한 기존 카메라 인프라와 함께 작동하며 완전히 온프레미스에서 배포할 수 있으므로 보안 네트워크에서 데이터가离开할 수 없는 환경에서 중요합니다.

인터페이스는 비기술자 운영자도 기술적인 규칙을 설정하거나 기본 모델을 이해할 필요 없이 복잡한 시스템과 상호 작용할 수 있도록 설계되었습니다.

고위험 환경에서의 초기 성과

이 회사는 이미 싱가포르의 국토 안보 작전에서 배치되며 정확도와 속도가 중요한 환경에서 초기 채택을 보이고 있습니다.

창립 팀의 지능 및 고기술 시스템 배경은 제품의 설계, 특히 운영 효율성에 대한 초점에 영향을 미치는 것으로 보입니다. 플랫폼은 단일 운영자가 수천 대의 카메라를 모니터링할 수 있으며 사건을 조사하는 데 필요한 시간을 크게 줄일 수 있다고 주장합니다.

전통적인 비디오 분석 시스템과 비교하여 플랫폼은 다음과 같은 운영 개선 사항을 보고합니다:

• 수동 비디오 검토 시간 최대 90% 감소
• 사건 누락 최대 80% 감소
• 거짓 경보 최대 70% 감소
• 한 명의 운영자가 수천 대의 카메라를 감독할 수 있음

이러한 개선 사항은 규칙 기반 워크플로우를 더 동적으로 컨텍스트와 의도를 해석하는 시스템으로 대체함으로써 얻어집니다.

이 기술이 어디로 이어질 수 있는가

컨투어가 구축하는 것은 비디오 데이터가 해석되는 방식의 더广泛한 전환을 나타냅니다. 더 빠른 분석뿐만 아니라 근본적으로 다른 상호 작용 모델입니다. 미리 정의된 감지 규칙을 중심으로 시스템을 설계하는 대신 자연어 쿼리를 이해하는 방향으로 부담이 이동합니다.

그런 전환에는 보안을 넘어서서 의미가 있습니다. 시스템이 “뒤에 남겨진 객체” 또는 “입구 근처의 비정상적인 동작”과 같은 개방형 쿼리를 신뢰성 있게 해석할 수 있다면, 이는 비디오 이해의 의미적 측면으로의 이동을 암시합니다. 여기서 컨텍스트, 관계, 및 시퀀스가 개별 객체만큼 중요해집니다.

대규모로 이는 비디오 아카이브를 사용하는 조직의 방식을 재정의할 수 있습니다. 화면은 더 이상 수동으로 저장되는 것이 아니라 동적으로 쿼리할 수 있는 색인화된 데이터셋이 됩니다. 교통 허브, 물류 네트워크, 또는 공공 인프라와 같은 환경에서 이는 사건을 재구성, 감사, 및 잠재적으로 예측하는 방식을 변경할 수 있습니다.

내부 작동: 감지에서 이해로

전통적인 시스템은 특정 카테고리(예: 사람 또는 차량)를 인식하도록 훈련된 객체 감지 모델에 의존합니다. 통제된 시나리오에서는 효과적이지만 이러한 모델은 미리 정의된 레이블 외부의 쿼리에는 어려움을 겪습니다.

컨투어의 접근 방식은 객체뿐만 아니라 속성, 관계, 및 시간 경과에 대한 더 풍부한 시각적 표현을 구축하는 것으로 보입니다. 자연어 쿼리는 이러한 표현 공간에 매핑되어 시스템이 의도와 시각적 데이터를 일치시킬 수 있습니다.

또 다른 핵심 도전은 시간적推論입니다. 많은 실제 쿼리는 단일 프레임보다는 사건의 시퀀스를 포함합니다. 이를 지원하려면 시간 경과에 따른 엔티티를 추적하고 상호 작용을 이해하는 것이 필요합니다. 단순히 객체를 분리하여 식별하는 것만이 아닙니다.

제약과 절충

이 시스템에도 불구하고 새로운 도전이 있습니다. 고급 모델을 사용하여大量의 비디오를 처리하는 것은 계산적으로 집중적이며, 특히 온프레미스 배포에서 자원이 제한된 경우 더욱 그렇습니다.

정확도도 고려해야 할 사항입니다. 개방형 쿼리는 모호성을 도입하며, 시스템은 유연성과 정밀성을 균형 있게 조절하여 거짓 양성 또는 누락된 감지를 피해야 합니다. 규칙 기반 시스템과 달리 자연어 주도 시스템은 에지 케이스에 대한 모델의 일반화에 크게 의존합니다.

또한 거버넌스 관련 문제가 있습니다. 특정 속성 또는 행동을 검색하는 기능은 감시, 접근 제어, 및 민감하거나 공공 환경에서의 적절한 사용에 대한 질문을 제기합니다.

컨투어의 출시로 규칙 기반 감시에서 실시간으로 의도와 컨텍스트를 해석할 수 있는 시스템으로의 전환이 나타납니다.

이 모델이 신뢰성 있게 chứng명된다면, 조직이 비디오 데이터와 상호 작용하는 방식을 재정의할 수 있습니다. 수동 모니터링에서 동적, 쿼리 주도형 지능으로의 이동입니다.