微妙的平衡：通过边缘 AI 保护隐私同时确保公共安全

在现代社会中，社区面临着多种新兴的公共安全威胁：城市化的增加、犯罪率的上升和恐怖主义的威胁。当处理受限的执法资源和不断增长的城市时，确保公共安全的挑战变得更加困难。技术的进步使得监控设备和摄像头可以使公共空间更加安全 – 但这通常是以牺牲隐私为代价的。

中国拥有近 6 亿 台监控摄像头，几乎每两个人就有一台摄像头，而中国以外的最受监控的城市包括德里、首尔、莫斯科、纽约和伦敦。虽然这对公共安全有益，但这种监控的增加却以牺牲个人隐私为代价。许多人重视他们的匿名权和不受持续监控的权利，而“大哥哥”正在监视的想法可以在安全和隐私之间制造冲突，导致政策制定者之间的激烈辩论。

人工智能技术用于增强公共安全

最近，摄像头越来越多地集成了人工智能，在公共安全中发挥着越来越重要的作用。通过将人工智能集成到摄像头或视频管理系统级别，并集成生成式人工智能，人工智能可以成为公共安全监控的有力工具。

监控系统中最常见的人工智能用例包括 周界保护 和访问控制。这些应用利用人工智能任务，例如对象检测、分割、视频元数据和重新识别，以快速、准确地识别合法与可疑或异常的人或行为，并实时触发响应。

人工智能驱动的监控系统可以提供更细致和复杂的功能。有了人工智能，监控系统可以实时、准确地检测、识别和响应安全事件。虽然增强安全和确保公共安全是一个好处，但人工智能也引发了对数据隐私的担忧，一些人担心个人可识别信息的潜在滥用。在处理大量数据时，实施强大的数据保护措施至关重要。

云端 AI 面临隐私挑战

基于云的 AI 解决方案传统上通过利用集中式数据中心提供强大的处理能力，但它们也存在数据隐私的漏洞。

当数据存储或“休息”时，集中式存储使云系统成为网络攻击的主要目标。恶意攻击者可以入侵这些系统，导致严重的数据泄露和潜在的数据暴露。然而，如果数据处理是分散的，并在网络边缘进行，泄露将仅限于被入侵的节点，且大规模数据泄露将更加困难。此外，基于云的数据处理系统必须遵守许多数据隐私法规，这些法规限制了如何分析原始数据，导致洞察力有限，甚至可能产生法律责任。边缘处理仅存储和传输最少的必要信息，同时仍允许深入的洞察。
将数据从云传输到设备会产生额外的漏洞点。通过在传输过程中拦截数据，黑客可以暴露敏感信息并破坏系统的安全性。

总体而言，云数据中心是一个单点故障，如果受到影响，可能会影响许多摄像头。

边缘 AI 在隐私和安全之间取得平衡

边缘 AI 提供了一种解决这些挑战的有力解决方案，通过在设备本身而不是将数据发送到云端进行数据处理。如果数据是分布式的，每个系统可以采用不同的算法和功能，从隐私角度来看，这有几个优势。

通过在设备上处理数据，边缘 AI 系统可以最小化传输敏感信息的需要，从而显著降低在传输过程中被拦截的风险。通过在本地存储数据，网络攻击的风险也会降低。如果一个设备被入侵，攻击的范围可以被限制在设备内，而不是整个网络。

最后，边缘 AI 还允许在设备本身对数据进行匿名化。这简化了存储数据的过程。存储的数据可以在边缘设备或云中存储，而不暴露个人可识别信息。

关键的是，边缘 AI 可以被设计为专注于特定事件。例如，边缘 AI 可以被编程为识别暴力或可疑行为的实例，而无需持续记录视频，从而帮助在公共空间中保持个人的隐私。其他工具，如带宽限制，可以确保视频文件不会持续发送到云端，降低数据泄露的风险并保护个人的隐私。

然而，为了使边缘 AI 成为有效的安全工具，它必须既高效又强大，能够保持成本效益和低功耗，同时快速处理复杂算法。人工智能硬件，包括 Hailo 的专用 AI 处理器和低功耗、高计算性能芯片，使其成为可能。

边缘 AI 为平衡公共安全与个人隐私的挑战提供了一个有前途的解决方案。通过在本地处理数据并对数据传输和存储施加固有的限制，边缘 AI 降低了基于云的系统的风险。随着这些技术的不断发展，边缘 AI 将在创建更安全的公共空间同时尊重个人的匿名权方面发挥至关重要的作用，不仅可以增强安全性，还可以建立对保护我们系统的信任。