Hur AI gör metallavkänning viktigare än någonsin

Varje dag passerar miljontals människor genom gångjärnsmetallavkännare på flygplatser, skolor, konsertlokaler, domstolsbyggnader och kontorsbyggnader. En överväldigande majoritet tänker knappt två gånger på denna process eller på det faktum att dessa enheter fungerar som en väsentlig brandvägg för deras eget välbefinnande. När en avkännare låter, ses det vanligtvis som ett mindre besvär eller försening – när orsaken är löst, fortsätter alla med sin dag.

Det är ingen hemlighet att vi lever i en värld som står inför ökande säkerhetsspänningar, växande folksamlingar och en ökning av olyckliga incidenter. Den oförvånade effekten av detta är att säkerhetsbranschen står inför en högre efterfrågan än någonsin för teknologi som inte bara ingriper i omedelbar närhet av ett hot, utan också kan fungera som en prediktiv, proaktiv barriär för säkerhet.

Bakom den enkla ritualen att passera genom en metallavkännare, kan det förvåna dig att lära att en teknologisk revolution är på gång inom säkerhetssektorn. Artificiell intelligens och maskinlärning omformar hela konceptet med metallavkänning, gör det snabbare, smartare och mer exakt än någonsin tidigare.

Att balansera precision och efterfrågan

Låt oss först undersöka branschen från en överblick. Driven av de faktorer som nämndes tidigare, är den globala säkerhetsskärmningsmarknaden i blom. Experter uppskattar att metallavkänning och säkerhetsskärmningssektorn ensam kommer att vara värd nästan 10 miljarder dollar år 2028, driven till stor del av ökande allmänna säkerhetsproblem och ökande passagerarvolymer. Flygplatser, arenor, stadion och skolor förblir under enorm press för att flytta människor snabbt utan att kompromissa med säkerheten.

Det dilemma som säkerhetsproffs står inför är att balansera noggrannheten som krävs för att säkerställa säkerhet med bekvämlighet och effektivitet. Vi pratar ofta om hur sekundär skärmning kan fylla i luckorna, men verkligheten är att när du står inför tiotusentals resenärer eller besökare, kan du helt enkelt inte öppna varje väska. Samtidigt kan ett missat hot vara dödligt. Denna dynamik sätter hela systemet – från tillverkare, administratörer, till personalen på plats – i ett legitimt dilemma.

Nu, låt oss ta en närmare titt på hur teknologin historiskt har fungerat. Traditionella gångjärnsmetallavkännare, baserade på elektromagnetisk induktion, har länge varit pålitliga och har kunnat hantera stora mängder människor i en acceptabel takt. Garretts gångjärnsmetallavkännare, till exempel, har varit den globala branschstandarden i över 40 år, sedan vi fick i uppdrag att skapa vår första gångjärnsavkännare, MagnaScanner, till sommar-OS i Los Angeles 1984.

Trots sin “äldre” status jämfört med andra tekniska framsteg, är dessa avkännare fortfarande en av de mest kostnadseffektiva, högpresterande och stabila säkerhetslösningarna på marknaden. Problemet är att de traditionellt har saknat intelligensen för att skilja på en bältesknalle och ett vapen, vilket sedan leder till sekundär skärmning – och de nämnda förseningarna. Dessa falska larm kan leda till mänsklig trötthet för säkerhetspersonal, i sin tur potentiellt komprometterar effektiviteten i deras övervakningsprocess – en effekt som kan leda till konsekvenser som ingen vill ha. Det är precis här artificiell intelligens och maskinlärning kommer in.

Data bakom avkänning

I sin kärna, omvandlar AI metallavkänning från en reaktiv process till en prediktiv. Istället för att bara larma när metall upptäcks, kan AI-drivna vapendetekteringssystem analysera formen, densiteten och positionen av metallföremål med hjälp av komplexa signalmönsterigenkänning.

Vi använder AI för att uppnå nivåer av funktionalitet för testad metallavkänningsteknologi som tidigare inte var möjliga. Vissa röster i säkerhetsskärmningsutrymmet avfärdar metallavkänningsteknologi som föråldrad, men de ignorerar de enorma framstegen i metallavkänningsteknologins sofistikering under de senaste åren. Genom att tillämpa dessa framsteg i maskinlärning på metallavkänningsteknologi, särskilt som det bidrar till produktutveckling, har metallavkännare kunnat uppnå precision som tidigare inte ansågs möjlig. På Garrett användes AI för att utveckla en avancerad, egenutvecklad detekteringsplattform med maskinlärning för vår Paragon-gångjärnsmetallavkännare, en av de mest använda gångjärnsavkännarna i världen. Dessa maskinlärningsalgoritmer kan identifiera de subtila skillnaderna mellan vardagsföremål – som mobiltelefoner eller nycklar – och potentiellt farliga föremål, som knivar eller skjutvapen.

När du går genom en AI-förbättrad avkännare, letar den inte bara efter metall – den analyserar tusentals datapunkter och klassificerar vad den ser baserat på mönster som lärt sig från miljontals tidigare tester under utvecklingen. Resultatet av detta är omedelbar, exakt detektering av flera hot och en starkare övergripande säkerhet. Vår AI-plattform för Paragon förbättrar den övergripande noggrannheten för mål inom portalen för enstaka och flera mål med mer än 88% och minskar de falska larmfrekvenserna jämfört med traditionella metallavkännare på marknaden med mer än 5%.

I stora arenor har även små effektivitetsvinster en enorm inverkan. Ett enda falskt larm kan försena dussintals människor; multiplicera det med tusentals gäster på en arena eller passagerare på en flygplats, och störningen adderar sig snabbt. Dessa AI-baserade system hjälper till att lösa det. Data visar att på flera stora amerikanska flygplatser och idrottsarenor har gångjärnsavkännare som drivs av maskinlärning skurit ner sekundär väskkontroll och skärmningstider exponentiellt.

Nyckeln är att dessa avkännare inte bara upptäcker – de är packade med intelligens som förvärvats genom att analysera tusentals potentiella scenarier och sannolikhet för föremål och miljöfaktorer. Den viktiga distinktionen är att teknologin tillhandahålls säkerhetsproffs efter att ha utbildats med dessa sofistikerade maskinlärningsinsikter under utvecklingen, snarare än “att lära sig på jobbet” – detta säkerställer en betydande minskning av risken för fel och falska läsningar. Genom att ge utbildade proffs möjlighet att analysera och intelligent tillämpa dessa insikter som samlats in av maskinlärning, garanterar det att en mer grundlig och konsekvent säkerhetsstandard etableras och implementeras i alla relevanta inställningar och tillämpningar.

Oväntade tillämpningar

Det finns också tillämpningar bortom säkerhet för resor och evenemang. Skolor och sjukhus, till exempel, antar alltmer AI-drivna avkännare som kan känna igen vapen samtidigt som de blir mer skickliga på att urskilja vardagsföremål, vilket minskar ångest och flaskhalsar. Estetik och teknik som är fördelaktiga för en sömlös, icke-intrusiv användarupplevelse kan gå långt i att etablera komfort för patienter och besökare samtidigt som de minskar skärmningsrelaterade konfrontationer eller incidenter. Vissa produkter kan användas i “stealth-läge” där inga hörbara larm utlöses, vilket bidrar till besökarnas komfort som passerar skärmpunkten. Dessa “friktionsfria” system tillåter människor att gå igenom utan att pausa eller ta bort föremål från sina väskor – ett enormt steg framåt i att göra säkerhet både osynlig och effektiv.

Människans-AI-samarbete

Det är viktigt att notera att AI inte bör ersätta mänskliga säkerhetsproffs, utan stödja dem. Samarbetet mellan människa och AI kan hjälpa till att minska den kognitiva belastningen för skärmar, som inte längre behöver manuellt tolka varje larm eller skanning, men det måste implementeras med rätt utbildning och analys. Till exempel, som en del av Garretts formella AI-policy, lovar vi att resultaten från AI-förbättrade designövningar aldrig används i produkter genom automatiserade eller oövervakade medel och metoder. Alla AI-utdata som används i våra produkter granskas av skickliga, erfarna mänskliga agenter, och Garrett genomför omfattande produkttestning i laboratoriet och på fältet för att säkerställa att alla AI-arbetsprodukter är effektiva och lämpliga för användning i våra produkter. Garrett använder inte heller AI för att bygga självlärande och själanpassande säkerhetsprodukter som kan fungera på en tillfredsställande nivå när de installeras, men som kan förändras över tiden genom yttre faktorers inflytande som inte utlöses av slutanvändaren.

AI kan hjälpa till att eliminera bias och etablera större allmänhetens förtroende för säkerhetssystem och proffs. Standardisering av vapendetektorprotokoll säkerställer objektiv och konsekvent skärmning av alla individer, vilket hjälper till att lindra potentiella spänningar och incidenter som länge varit en oro i manuella säkerhetskontroller.

Slutsats: Den tysta revolutionen vid grinden

Medan säkerhetsteknologin fortsätter att utvecklas, har framtiden för gångjärnsmetallavkänning potential att bli mer betydande och kritisk än någonsin tidigare, tack vare en ökad tillit till AI och maskinlärning. Med AI-assisterad metallavkänning kan de vanliga fallen med traditionell metallavkänning “kontrollpunkter” – förseningar, falska positiva, etc. – till stor del lindras, vilket ökar genomströmningshastigheten för att skilja på hot och icke-hotföremål i gångfart medan den fungerar med större noggrannhet och precision än någonsin tidigare.

I en era med ökande mänsklig rörlighet, sofistikerade säkerhetshot och ökad granskning av säkerhetssystem, representerar AI-driven metallavkänning ett enormt steg framåt för att hålla samhället säkert.