En ömtålig balans: Skydda integritet samtidigt som allmän säkerhet säkerställs genom Edge AI

I vår moderna era står samhällen inför flera nya hot mot allmän säkerhet: ökande urbanisering, höga brottsfrekvenser och terrorhot. När man hanterar kombinationen av begränsade polisiära resurser och växande städer blir utmaningen att säkerställa allmän säkerhet ännu svårare. Tekniska framsteg har möjliggjort övervakningskameror och -enheter som kan göra offentliga utrymmen säkrare – men detta sker ofta till priset av en kostnad.

Med en installerad bas på nästan 600 miljoner övervakningskameror har Kina nästan en kamera per två personer, och utanför Kina är de mest övervakade städerna Delhi, Seoul, Moskva, New York och London. Medan detta är fördelaktigt för allmän säkerhet, medför denna ökning av övervakning en betydande kostnad: urholkning av personlig integritet. Många individer värdesätter sina rättigheter att förbli anonyma och fria från konstant övervakning, och tanken på att “Storebror” övervakar kan skapa konflikter mellan säkerhet och integritet, vilket leder till heta debatter mellan beslutsfattare.

Artificiell intelligens-teknik för förbättrad allmän säkerhet

Nyligen har kameror alltmer integrerat artificiell intelligens, vilket spelar en alltmer viktig roll i allmän säkerhet. Genom att integrera AI i säkerhetssystem på kameranivå eller videohanteringssystemnivå, och genom att inkorporera generativ AI, kan AI vara mycket attraktivt för allmän säkerhetsövervakning.

De vanligaste AI-användningsfallen i övervakningssystem inkluderar perimeter-skydd och åtkomstkontroll. Dessa applikationer utnyttjar AI-uppgifter som objektdetektering, segmentering, videometadata och återidentifiering för att snabbt och exakt identifiera legitima kontra misstänkta eller avvikande personer eller beteenden och utlösa svar i realtid.

AI-stödda övervakningssystem kan erbjuda mer nyanserade och sofistikerade funktioner. Med artificiell intelligens kan övervakningssystem inkorporera detektering, identifiering och svar på säkerhetsincidenter i realtid och med hög noggrannhet. Medan förbättring av säkerhet och säkerställande av allmän säkerhet är en fördel, väcker artificiell intelligens också frågor om dataskydd, där vissa uttrycker oro över möjlig missbruk av personligt identifierbar information. Där stora mängder data inkorporeras är det avgörande att implementera robusta dataskyddsåtgärder.

Molnbaserad AI möter integritetsutmaningar

Molnbaserade AI-lösningar har traditionellt erbjudit kraftfulla bearbetningsförmågor genom att utnyttja centraliserade datacenter, men de erbjuder också vissa sårbarheter för dataskydd.

När data lagras, eller “i vila”, gör centraliserad lagring molnsystem till nyckelmål för cyberattacker. Angripare kan hacka in i dessa system, vilket leder till allvarliga dataintrång och potentiell dataexponering. Om data bearbetas i kanterna av nätverket, och inte i molnet, begränsas intrången till den specifika noden som hackas, och ett massivt dataintrång är svårare att genomföra. Dessutom måste molnbaserade data bearbetningssystem följa en mängd dataskyddsregler, som inför begränsningar för hur rådata kan analyseras, vilket resulterar i begränsade insikter och potentiella juridiska ansvar. Kantbearbetning lagrar och överför endast den minimala information som krävs, samtidigt som den tillåter djupgående insikter.

Att flytta data till och från molnet till enheter skapar ytterligare sårbarhetspunkter. Genom att avlyssna data under överföringen kan hackare exponera känslig information och undergräva systemets säkerhet.

Sammanfattningsvis är ett molndatcenter en enda punkt för fel som, om den påverkas, kan påverka många kameror.

Kant-AI balanserar mellan integritet och säkerhet

Kant-AI erbjuder en lovande lösning för att hantera dessa utmaningar, genom att bearbeta data lokalt på enheten själv, snarare än att skicka den till molnet. Om data distribueras kan varje system anta olika algoritmer och funktioner, vilket presenterar flera fördelar från ett integritetsperspektiv.

Genom att bearbeta data på enheten minimerar kant-AI-systemet behovet av att överföra känslig information över internet, vilket betydligt minskar risken för avlyssning under överföringen. Genom att lagra data lokalt begränsas risken för ett massivt cyberangrepp, eftersom en enda enhet kan komprometteras, snarare än hela nätverket.

Slutligen tillåter kant-AI också anonymisering av data på enheten själv. Detta förenklar processen för att behålla data som lagras. Data kan sedan lagras på kantenheten eller i molnet utan att exponera personligt identifierbar information.

Kritiskt sett kan kant-AI utformas för att fokusera på specifika händelser. Till exempel kan kant-AI programmeras för att identifiera våldsamma eller misstänkta beteenden, utan kontinuerlig inspelning av film, vilket hjälper till att upprätthålla integriteten för individer i offentliga utrymmen. Andra verktyg, som bandbreddsgräns, kan säkerställa att videofiler inte skickas kontinuerligt till molnet, vilket minskar risken för dataintrång och bevarar individens integritet.

Men för att kant-AI ska vara effektivt som ett säkerhetsverktyg måste det vara både effektivt och kraftfullt, kunna vara kostnadseffektivt och energisnålt samtidigt som det bearbetar komplexa algoritmer snabbt. AI-hårdvara, inklusive Hailos specialiserade AI-processorer och låg effekt, högpresterande chip, gör detta möjligt.

Kant-AI presenterar en lovande lösning på utmaningen att balansera allmän säkerhet med personlig integritet. Genom att bearbeta data lokalt och införa inbyggda begränsningar för dataöverföring och lagring minskar kant-AI risken förknippad med molnbaserade system. När dessa teknologier fortsätter att utvecklas kommer kant-AI att spela en avgörande roll i att skapa säkrare offentliga utrymmen samtidigt som den respekterar individernas rätt att förbli anonyma, inte bara förbättrar säkerheten utan också bygger förtroende för system som är utformade för att skydda oss.