Kunstmatige intelligentie in Particuliere beveiliging
Bij de particuliere beveiliging is te zien dat het de kant op gaat van data driven security. Gebouwen, vervoersmiddelen én de openbare ruimte beschikken over talloze sensoren met steeds meer functionaliteiten. Die genereren een grote hoeveelheid aan data, die relevant kunnen zijn om proactief, preventief en reactief te handelen. Particuliere- of bedrijfsalarmcentrales en video toezichtcentrales gebruiken deze data. Op basis van deze data ondersteunen KI-systemen de operator in de meldkamer in toenemende mate bij het snel, efficiënt en effectief afhandelen van een incident en meldingen. De operator krijgt realtime en in één oogopslag de beschikbare en relevantste gedetailleerde informatie over een situatie, de zogenoemde common operational picture (COP). Denk bijvoorbeeld aan camera’s in de buurt van een locatie, plattegronden met de snelste aanrijroute, verkeerssituaties en/of locaties van ondersteunende middelen, weersomstandigheden, etc. (Automatische) data-analyse, onderzoek en interpretatie maken het mogelijk incidenten te voorspellen of zelfs te voorkomen. Meldkamers die meteen over relevante informatie kunnen beschikken, kunnen sneller en effectiever beslissingen nemen. Daardoor is de opvolging adequater. Echter beroepsbeoefenaren moeten zich bewust zijn van het risico van het creëren van een tunnelvisie. Van mensen is bekend dat ze bij vaak voorkomende situaties prima kunnen vertrouwen op hun instinct: dat is aangescherpt door eerdere ervaringen. We weten dat beelden inspelen op het instinct. Het gebruik van beeld kan betekenen dat medewerkers in een meldkamer zich op andere dingen richten.
Uit deze video blijkt dat door de inzet en het combineren van slimme data incidenten en ook overtredingen en misdrijven sneller opgespoord en voorkomen kunnen worden. De video maakt duidelijk dat de inzet van slimme camera’s in combinatie met additionele sensoren een enorme stap vooruit is. De sensoren kunnen geweerschoten herkennen, maar ook opstootjes of een roep om hulp. Door intelligente camera-analyse kan de meldkamer veel efficiënter werken. De operator hoeft alleen beelden te bekijken als het systeem iets detecteert en daar melding van maakt. Gezichtsherkenning en slimme videoanalyse kunnen een revolutie teweegbrengen bij het beschermen van mensen en het bestrijden van criminaliteit. (Bosch Energy and Building Solutions NL, 2021)
Burgers zijn inmiddels gewend dat er steeds meer camera’s en sensoren hangen. Steeds meer aanvaardt men techniek in ruil voor veiligheid, zolang daarbij geen privacygevoelige gegevens in het geding zijn. Maar het opslaan van pricacygevoelige data ligt wel erg gevoelig en lastig. De NL wetgeving is hier just heel terughoudend in, zeker voor overheidsdiensten.
Cameratoezicht bestaat al geruime tijd, en wint nog altijd aan populariteit en belang. Er heeft een verschuiving plaatsgevonden van statische beveiliging naar dynamische beveiliging en van herkenbaar naar onherkenbaar. Toegang en toezicht (op gebouwen en bij evenementen) automatiseert men. Beveiliging en beheer van gebouwen op afstand is inmiddels gebruikelijk bij objecten met een hoog risico, of bij geleasede gebouwen. Overgaan op beveiligen op afstand kan een efficiënte oplossing zijn, zeker naarmate het moeilijker is om personeel te vinden. (SBB, 2022)
Bij de beveiliging van evenementen is ook sprake van een toename van het verzamelen en inzetten van KI-systemen. Men streeft naar crowdcontrol en naar het zo veel mogelijk ‘slim’ reguleren van mensenstromen. Voor bedrijven begint het beveiligingsvraagstuk al buiten het evenement; immers, mensen komen via bepaalde routes aan en moeten wachten in een rij voor de ingang. De inzet van sensoren helpt daarbij om sneller, beter en realtime te kunnen optreden. Analyse van zogeheten ‘big data’ kan informatie over (gedrags)patronen opleveren, bijvoorbeeld over afwijkend gedrag in mensenmassa’s. (Rathenau, 2019)
Het waarborgen van cybersecurity zoals het opsporen van malware, phishing en nepnieuws, is ook een ontwikkeling waarin de rol van KI-gedreven securitysystemen belangrijk is. Securitysystemen moeten niet alleen detecteren of reguleren, maar ook incidenten rapporteren en/of kunnen aantonen dat er sprake is van adequate controle. Zij doen namelijk suggesties waarmee bijvoorbeeld bepaald wordt welke hulpdiensten of hulpverleners ze moeten aansturen en welke middelen ze moeten inzetten en beschikbaar hebben.
Toepassingen
-
Wat houdt het in?
De huidige loonkostenontwikkelingen, een tekort aan gekwalificeerde beveiligers en een groot personeelsverloop zijn redenen voor de klant van het beveiligingsbedrijf en voor het beveiligingsbedrijf zelf om voor beveiliging op afstand te kiezen. Daarnaast heeft de coronaperiode de vraag naar remote social services vergroot. Beveiligingsvraagstukken zijn daardoor veranderd. Bedrijven hanteren andere openingstijden, veel mensen werken vanuit huis en kantoorpanden staan deels of tijdelijk leeg. Door alarmsystemen en/of camera’s aan te sluiten op een alarmcentrale, kan men vanuit het PAC of de videotoezichtcentrale snel reageren op meldingen en storingen. Ook kun je gebouwen in veel gevallen vanuit een alarmcentrale op afstand openen en sluiten. Dat biedt flexibiliteit in openingstijden, met behoud van het veiligheidsniveau.
Camera’s hebben een ontwikkeling doorgemaakt die de mogelijkheid van remote services heeft vergroot, van reactief naar proactief naar voorspellend.
- Proactieve camera’s zijn intelligenter en registeren afwijkend gedrag. Afwijkend gedrag kun je programmeren als schreeuwen, boos kijken, vreemd bewegen en dergelijke; het gaat er niet alleen om of iets afwijkt van het normale patroon, maar of het in lijn is met het meest gangbare. Bijvoorbeeld als iemand een rugzak achterlaat op een luchthaven, ergens naar binnen gaat waar hij niet hoort of een roltrap die omlaaggaat naar boven neemt. Dat neemt een camera waar als afwijkend gedrag, die het vervolgens meteen doorgeeft aan de meldkamer. Die kan direct reageren op de onregelmatigheid. De software bepaalt wat de meldkamer doorstuurt dat is waargenomen door de camera. De camera’s zijn uitgerust met bewegings- en geluidsdetectie en temperatuursensoren. Thermische camera’s hebben sensoren die gevoelig zijn voor temperatuur. De camera’s geven in een vroeg stadium een melding af.
- Een voorspellende camera geeft al een melding voordat ongewenst gedrag plaatsvindt. Bijvoorbeeld op het moment dat mensen op het punt staan om te gaan vechten, verandert er iets in hun stemgeluid, en zo’n systeem pikt dat op. Deze systemen ondersteunen het werk van een beveiliger en dienen als hulp bij de besluitvorming. Maar in sommige gevallen onderneemt zo’n systeem autonome acties. Bijvoorbeeld als een camera is uitgerust met een automatische incidentdetectie. Dan zorgt het systeem ervoor dat het de tram tegenhoudt als een auto klem zit op de trambaan.
Intelligente camera software kan afwijkende situaties en afwijkend gedrag herkennen nadat deze via deeplearning geleerd is wat normaal en wat abnormaal is. Het is ingesteld op het snel kunnen schakelen met hulpdiensten, waardoor die tijdig de juiste interventie kunnen toepassen. Bij een acuut alarm waarschuwen ze direct hulpdiensten, waaronder de politie. In noodsituaties zet Live View beelden rechtstreeks door naar de meldkamer van de politie. Er zijn verschillende mogelijkheden om het beeld aan te bieden. Zo kun je automatisch vragen om het beeld van het moment en de 10 seconden daaraan voorafgaand te delen. De toevoeging van KI-systemen aan cameratoezicht is een grote meerwaarde van professioneel cameratoezicht. Met cameratoezicht op afstand is het mogelijk om preventieve, virtuele bewakingsrondes uit te voeren. Voor deze vorm van surveillance gebruikt men vaste en beweegbare IP-camera’s.
Door KI is het mogelijk dat het systeem zelf meldingen beoordeelt. Voordat de melding naar de meldkamer gaat, bekijkt het systeem lokaal of het een reële melding is of een loze melding. Een paar jaar geleden ging het alarm al af door beweging. Maar nu kan de camera een beweging (bijvoorbeeld door de wind of door dieren) beoordelen. Met KI leren computers zelf welke ‘regels’ het beste zijn. Zo kan een computer niet alleen herkennen of er iets beweegt in het beeld, maar ook wat er beweegt (Een mens? Een voertuig? Een dier?). Mits we genoeg voorbeelden hebben, kan KI vrijwel alles leren herkennen wat mensen kunnen herkennen. KI leert daarmee begrijpen wat wel en geen nodeloze melding is. Er zit nu een filter op dat de kwaliteit van de alarmen verhoogt en het aantal nodeloze alarmen verkleint. Dan hoeft een surveillant of een hulpdienst er zo weinig mogelijk op af. Er zijn cameraleveranciers die de KI-systemen inbouwen. Maar er zitten risico’s in dat ze fouten maken. (BeveiligingNieuws, 2023)
Henk Mikkers (Securitas) geeft een voorbeeld van een melding die het KI-systeem beoordeelt.
“In een pand is sprake van meerdere soorten meldingen. De eerste melding is bij de entree bijvoorbeeld. De tweede melding in het trappenhuis. De derde melding op de eerste verdieping en dan wordt er een deurcontact verbroken. Aan de hand van al die meldingen die achtereen binnenkomen, is het heel logisch om te interpreteren dat daar wel degelijk wat aan de hand is. Het systeem kan zelf de verificatie van de meldingen doen en de politie laten inschakelen.”
Intelligente camera software is door middel van audio processing en computer vision ook getraind om agressie te herkennen. Wanneer er sprake is van agressie zijn ze in staat om een suggestie te geven om in te grijpen, of om met een luidspreker een boodschap over te brengen. De geluidscamera’s die op basis van gedrag of geluid agressie detecteren, draaien dan naar dat gebied.
Zo kan er bijvoorbeeld sprake zijn van agressie op een bepaald plein in de stad en de camera’s die horen dat door afwijkend gedrag of afwijkend geluidsniveau. Een voorbeeld van hetgeen een camera als voorspellend gedrag ziet voor agressie is het volgende: mannen die gaan vechten die trekken even hun broek op. Je kan het ook zien aan hoe mensen achter elkaar staan. Als je een grote groep hebt met subgroepen daarbinnen, dan is dat ook een voorbode dat het uit de hand kan gaan lopen. De camera kan op basis van dit afwijkende gedrag een notificatie en een suggestie afgeven van daar moet een beveiliger of de politie naartoe, afhankelijk van of het een evenement is of een andere locatie.
Behalve dat de camera’s ondersteunend zijn in het observeren van gedrag en geluid, doen ze vaak ook een voorstel om op te treden, of ze kunnen automatisch bepaalde taken uitvoeren.
“Stel je hebt een industrieterrein dat ’s nachts wordt afgesloten door slagbomen. Op het moment dat daar sprake is van een alarm, dan kun je het systeem automatisch instellen dat de beelden worden doorgezet naar een alarmcentrale en dat tegelijkertijd de slagbomen automatisch sluiten.”
Pascal Zeegers (CSL Benelux en Federatie Veilig Nederland)Input
-
Visuele gegevens
Technologie
-
Computer vision
Output
-
Prediction
-
Suggestion
-
Automation
-
Wat houdt het in?
Deep learning is een vorm van kunstmatige intelligentie (KI); het leert verschillende objecten te herkennen en te onderscheiden, zoals dieren, mensen, voertuigen en kentekens. De deeplearning-camera pikt op basis van gezichtsherkenning (biometrie) actief gezichten op en vergelijkt die met gezichten in een database. Het kan niet alleen gezichtsherkenning, maar ook uiterlijke kenmerken als bouw, kleding, merken, bewegingspatronen (manier van lopen) herkennen vanuit meerdere camera invalshoeken, waardoor personen en vervoermiddelen gevolgd kunnen worden. Biometrie is een verzamelnaam voor technologieën waarmee je een persoon kunt identificeren of iemands identiteit kan verifiëren aan de hand van unieke persoonskenmerken, zoals iris, gezicht, vingerafdruk of aderpatroon. Het grote voordeel hiervan is dat deze kenmerken niet overdraagbaar zijn en dat je ze altijd bij je hebt. In ons dagelijks leven komen we steeds vaker biometrie tegen. Denk aan de vingerscanner of gezichtsherkenning om toegang te krijgen tot je telefoon. Verder lopen op diverse vliegvelden en in stadions proeven met gezichtsherkenning. Rondom het gebruik van biometrie zijn vragen over de hygiëne, privacy en beveiliging van de opgeslagen persoonskenmerken. (Van der Woude, 2019) De EU is dan ook actief bezig om wetgeving op te stellen om de privacy van burgers te waarborgen en om misbruik van KI te voorkomen. Er is daarbij een verschil in privacy wetgeving tussen openbare plaatsen en niet openbare plaatsen.
De Europese koepel van privacytoezichthouders, de European Data Protection Board, pleitte in juni 2021 voor een algeheel verbod op gezichtsherkenning in openbare ruimtes. Dergelijke intelligente camera software maakt van iedere Europese burger een wandelende streepjescode, zo waarschuwde Aleid Wolfsen, de voorzitter van de Nederlandse Autoriteit Persoonsgegevens. Daarmee gaan de toezichthouders nog een stap verder dan de Europese Commissie. Die wil burgers weliswaar beschermen tegen kunstmatig intelligente systemen, maar laat nog wel ruimte open voor gezichtsherkenning voor wetshandhaving. (Maarten, 2021)
Camera’s die boven een hek staan, zijn camera’s voor videocontentanalyse (VCA). De camera, soms met gezichtsherkenning, is een soort detector. Met de data die de camera’s genereren, kun je modellen bouwen om misdaadanalyse te doen. Die data geven een beeld van hoe veilig een buurt is. Wat gebeurt daar in dat postcodegebied? Wat voor incidenten zijn er voorgevallen? Aan de hand van die data kunnen klanten besluiten om zich daar wel of niet te vestigen. Ook kan het reden zijn voor bedrijven of particulieren om aanvullende maatregelen te nemen. Of een verzekeraar anticipeert hierop bij het vaststellen van de premie.
“In die data-analyse worden een aantal parameters opgenomen. Bijvoorbeeld dicht bij je klanten vestigen of dicht bij waar de medewerkers wonen. En van daaruit worden keuzes gemaakt en een kostenanalyse. Want zit je bijvoorbeeld dicht bij waar je meeste medewerkers wonen, dan scheelt dat in reiskosten. Daarnaast neem je mee waar je klanten gevestigd zijn. Als de klanten ver weg zijn, dan dien je de medewerker meer reiskosten te betalen. Als je al die informatie en data berekent, dan beheers je als organisatie de kosten beter. En voor de medewerker betekent het dat hij voor een deel ontzorgd wordt.”
Henk Mikkers (Securitas)Een mobiele vorm van een camera van de Nachtveiligheidsdienst (NVD) die surveilleert is SAM. SAM is een secure autonomous mobile-robot. Hij kan detecteren, observeren en direct rapporteren over zijn bevindingen. SAM slaat alarm als hij afwijkingen constateert. Hij kan zelf een plattegrond maken van uw pand en afwijkingen signaleren. Hij kan ook legitimatietaken uitvoeren door middel van ID-verificatie van personen door een ingebouwde RFID-lezer. SAM is uitgerust met diverse sensoren, waaronder een 360 gradencamera, een thermische camera en laserscanners. SAM staat continu in verbinding met de NVD Alarm- en Servicecentrale. In het geval van een alarmmelding gaat hij naar de betreffende locatie toe, terwijl hij voortdurend blijft detecteren op de aanwezigheid van mensen. Indien nodig kan hij een spreek-luisterverbinding maken met de Alarm- en Servicecentrale van de NVD of een audio-/videostream opzetten. De centralist kan dan via SAM spreken en luisteren om beter te kunnen beoordelen wat er op de locatie van SAM gebeurt. (NVD Beveiligingsgroep, 2020)
Input
-
Visuele gegevens
-
Locatiegegevens
Technologie
-
Computer vision
Output
-
Notification
-
-
Wat houdt het in?
Taken vallend onder toegangs- en uitgangscontroledetectie, zoals het checken van identiteitsbewijzen, is gemakkelijker door het gebruik van KI-systemen. Het systeem kun je trainen in het beoordelen van bewijzen: wat wel of niet goed (vals) is. Dat doe je op basis van kenmerken, de echtheidskenmerken van identiteitspapieren. Het systeem geeft aan naar welke identiteitspapieren je nog eens extra goed moet kijken om te controleren of de papieren niet vals zijn.
Bij toegangscontrole sla je het gezicht op als een code. Gezichtsherkenningssoftware herkent in het camerabeeld de vorm van een gezicht en bepaalt vervolgens de positie van en afstand tussen ogen, mond en neus. Ook markeert de software specifieke kenmerken van het gezicht. Hoe meer punten die meet, hoe nauwkeuriger de gezichtsherkenning. De code kun je eventueel uitwisselen met systemen op andere locaties om ook daar de geautoriseerde personen toegang te verlenen. (Securitymanagement, 2021)
Steeds meer zien we dat intelligente camera’s bij drukke locaties data verzamelen, bijvoorbeeld bij attractieparken waar o.a. de toestroom en aantallen van bezoekers in de gaten wordt gehouden.
“Intelligente camera’s verzamelen data, die data worden geïnterpreteerd (door een veiligheidsmedewerker of AI) en op basis van de uitkomst wordt er actie ondernomen door een doorgang te openen of de beveiliging ter plaatse te laten gaan, afhankelijk van de situatie. Mogelijk dat in de toekomst veiligheidsmedewerkers met een ‘Head mounted display’ uitgerust worden waarmee zij data en werkopdrachten doorkrijgen en ondersteuning krijgen.”
Teus Timmer (Veiligheidsacademie Noordwest Veluwe) vertelt:Input
-
Visuele gegevens
-
Locatiegegevens
Technologie
-
Computer vision
Output
-
Notification
-
-
Wat houdt het in?
Kunstmatige intelligentie verandert de risico’s en bedreigingen van cybersecurity. In negatieve zin kunnen generalpurpose-algoritmen die voor meerdere doeleinden inzetbaar zijn – zoals ChatGPT – grote risico’s en uitdagingen met zich meebrengen, waar toezichthouders van op de hoogte moeten zijn. Het is een open source, waarvan de software is aan te passen. Iemand die kwaadwillend is, kan langs de ingebouwde veiligheidseisen komen en malware schrijven die andere computers kan infecteren. (ToeZine, 2023)
Algoritmen kun je trainen om ze in staat te stellen om op het neutrale netwerk van een bedrijf een bedreiging te herkennen en via de mesh-architectuur meteen andere beveiligingstoestellen te waarschuwen. KI speelt een essentiële rol in detectie, interpretatie van de detectie en opvolging, omdat het voor een doorsneemens niet mogelijk is om de tsunami aan waarschuwingen en logs tijdig te interpreteren en te stoppen. (Aussems, 2023)
Menselijke fouten vormen een belangrijk deel van de zwakten van cyberbeveiliging. Aangezien veiligheidsberoepen erg gericht zijn op mensenwerk, liggen hier uitdagingen voor het mvo. Het kan bijvoorbeeld enorm moeilijk zijn om de juiste systeemconfiguratie te beheren, ook als je daarvoor grote IT-teams inzet. IT-teams zijn zwaar belast door handmatige processen om de beveiligingsconfiguratie te beoordelen, omdat ze eindeloze updates moeten combineren met normale dagelijkse ondersteuningstaken. Dankzij slimme, adaptieve automatisering kunnen teams tijdig informatie ontvangen over zojuist gedetecteerde problemen. Ze kunnen advies krijgen over mogelijke maatregelen of zelfs automatisch de vereiste instellingen toepassen. Wanneer medewerkers dreigingen moeten verhelpen, geldt bovendien dat de reikwijdte van de betrokken dreiging snel kan veranderen. Waar je de menselijke respons kan vertragen door onverwachte uitdagingen of vermoeidheid die de medewerkers minder alert maken, kan een systeem op basis van KI dreigingen op een effectieve en praktische manier bestrijden. Al deze dreigingen kun je veel makkelijker aanpakken als je ze bundelt met automatische labeling. De menselijke reactie van cyberbeveiligingsteams kan achterlopen op de initiële aanval, zelfs bij bekende aanvalstypen.
Machinelearning (ML) bij cyberbeveiliging kan verschillende vormen aannemen, waar met name IT’ers en/of werknemers op hbo+-niveau kennis van moeten vernemen. Ondanks alle mogelijkheden, bestaan er nog veel beperkingen:
- Gegevenssets zijn nodig, maar dit kan strijdig zijn met wetgeving inzake gegevensprivacy. Het trainen van softwaresystemen vereist voldoende gegevenspunten om nauwkeurige modellen te ontwikkelen, maar dit gaat niet goed samen met 'het recht om te worden vergeten'. Wellicht kan men systemen zo inrichten dat oorspronkelijke gegevens vrijwel ontoegankelijk zijn zodra de software is getraind.
- De sector heeft meer KI- en ML-cyberbeveiligingsexperts nodig die programmeervaardigheden op dit gebied hebben. Voor netwerkbeveiliging voor machinelearning is het belangrijk om te beschikken over medewerkers die deze beveiliging kunnen beheren en zo nodig kunnen aanpassen.
Tot slot zal goede besluitvorming afhankelijk zijn van kritisch denken en creativiteit. Zoals veel eerder aangegeven. Menselijke teams blijven essentieel. Er zullen kwetsbaarheden blijven bestaan, omdat geen enkel systeem op de markt momenteel waterdicht is. IT-teams moeten leren hoe ze deze infrastructuur ondersteunend aan hun werk kunnen gebruiken. (Kaspersky, 2023)
Input
-
Visuele gegevens
Technologie
-
Computer vision
Output
-
Notification
-
Wat houdt het in?
De mobiele surveillances rijden in een bepaald werkgebied, volgens een bepaalde route. De inzet van kunstmatige intelligentie in personeelsplanning maakt het mogelijk om op een intelligente manier planningen en routes van mobiele surveillance slim te berekenen. KI-systemen kijken mee met de planning en leren daarvan. Op den duur zullen deze KI-modules betere planningen kunnen maken dan menselijke medewerkers.
“Dan heeft de werknemer in de avond meestal geprogrammeerd werk in de zin van om 19 uur moet de Albert Heijn gesloten worden en om 19.15 moet de Hema gesloten worden. Dat doet hij in een bepaalde volgorde. Maar we komen steeds meer in de knel te zitten met de inzet van uren, dus je wil eigenlijk dat de tijd die er is, afgezet wordt tegen de taken. En hoe zou je dat het beste kunnen laten uitvoeren, waarbij we ook nog kijken naar de kilometers die je dan zou moeten rijden. En wat dan op basis van de kilometers en de beschikbare uren de meest efficiënte indeling zou zijn. En daarin zien we verbluffende resultaten ontstaan. Met een expert hebben we een platform gebouwd en zien we dat op een inzet van acht medewerkers, we er eentje uit kunnen halen. Het werk wordt dan ook beter, evenwichtiger en eerlijker verdeeld onder de collega's.”
Henk Mikkers (Securitas)De data die je invoert in het systeem zijn de gegevens van de klant: hoe laat de klant zijn activiteiten moet hebben, waar die klant gevestigd is, hoe laat de activiteiten moeten plaatsvinden en hoelang ze duren. Dat systeem is zo slim dat het zegt: als je er drie moet doen in de avond, dan doe je er eentje van 19.00 tot 19.15 uur, een van 19.15 tot 19.30 uur en een van 19.30 tot 19.45 uur. Daarbij komt dat de klant afwisseling wil (geen beveiliging met elke dag hetzelfde timeslot) en er kan sprake zijn van eenmalige activiteiten die de klant wenst. Al die gegevens kun je invoeren, zodat het systeem er rekening mee houdt en er tegelijk ruimte is voor onverwachte meldingen of oponthoud. Mensen en materiaal kun je zo veel efficiënter inzetten. Die ruimte is ingebakken en dan weet je ook dat als er een keer iets extra’s moet gebeuren, dat dat er dan nog in past.
Input
-
Locatiegegevens
Technologie
-
Data mining
Output
-
Suggestion
-
-
Wat houdt het in?
De maritieme wereld gaat meer gebruikmaken van beeldherkenning voor het herkennen van objecten in zee voor generieke opsporing. Men zet drones in om de objecten te zien en te beoordelen. Om te bepalen wat voor schip ze lokaliseren. Is het een marineschip? Koopvaardij? Of vissersboot? Je wilt herkennen wat voor schepen er zijn, wat er vaart op de wateren. Of bijvoorbeeld om smokkelroutes te detecteren. En wanneer er sprake is van oorlog: waar de tegenstander zich bevindt. Als het gaat om kustwachttaken wil de marechaussee weten welke schepen illegale lozingen uitvoeren. Eentonig werk zoals het lang oberserven van de zee kun je zo automatiseren. Dat ontlast de operator in zijn werk en maakt zijn taak interessanter en effectiever. Want hij hoeft alleen maar naar de beelden te kijken waar mogelijk iets mee aan de hand is. De tweede toepassing van objecten herkennen in de maritieme wereld is patronen herkennen om de normale verkeersstromen te herkennen en de afwijkingen daarin. Het heeft allemaal betrekking op weten wat er in de maritieme wereld gebeurt, om de aandacht op het juiste te richten en de juiste beslissingen te kunnen nemen.
Met behulp van gezichtsherkenningstechnologie kan de marechaussee op zee verdachte personen identificeren of bij hen bekende personen vergelijken met een database van bekende criminelen of terroristen
Input
-
Visuele gegevens
Technologie
-
Computer vision
Output
-
Situational awareness
-
Impact op het werkveld van Particuliere beveiliging
Impact op werkprocessen
Camera’s zijn ondersteunend in het werk dat de beroepsbeoefenaar dient uit te voeren. De informatie die de beroepsbeoefenaar verkrijgt uit de systemen maakt dat hij beter geïnformeerd is over de situatie en wat er gaande is. De beroepsbeoefenaar gaat beter voorbereid op pad naar incidenten en calamiteiten. Hij krijgt meer sturingsinformatie aangereikt om de werkzaamheden uit te (laten) voeren en ter plaatse op te treden. Andersom moet de beveiliging degene zijn die het KI-systeem leert.
“Het camerasysteem moet geleerd worden wat er gezien moet worden. Dus die beveiligers geven input aan de programmeurs en zorgen dat de algoritmes gebouwd worden, geoptimaliseerd en verder moeten leren. Daar is de expertise van de beveiliger bij nodig.”
Jan Otten van SafeCity B.V. en Public Safety Innovation
Kunstmatige-intelligentiesystemen hebben voor een beroepsbeoefenaar in de particuliere beveiliging vooral impact op een kerntaak zoals ‘voert preventieve werkzaamheden uit ten behoeve van veiligheid en beveiliging’. Het echt preventief handelen, waar het bij surveillance om gaat, maakt meer plaats voor proactief én reactief handelen. De systemen houden de omgeving constant in de gaten. Waar een beveiliger in het verleden constant naar een camera keek (Zie je iets? Zie je een auto, zie je iemand lopen?), is dat nu meer reactief door te acteren op een melding. Onder de kerntaak ‘voert preventieve werkzaamheden uit ten behoeve van veiligheid en beveiliging’ behoort ook het werkproces ‘voert toegangs- en uitgangscontroles uit’. De controle die hij uitvoert, is gebaseerd op meldingen die een grotere mate van zekerheid en urgentie kennen door de inzet van KI-systemen. Doordat KI-systemen zelf de meldingen deels kunnen beoordelen, zijn de meldingen die doorkomen vaker van serieuze betekenis. Vaker is er dan niet alleen sprake van een inbraakmelding, maar is ook daadwerkelijk sprake van een inbraak.
Pascal Zeegers (CSL Benelux en Federatie Veilig Nederland) vertelt wat de impact van een hoger percentage serieuze meldingen is op de beroepsbeoefenaar:“Om je een idee te geven: van alle meldingen (inbraak, overval, brandmeldingen) die een alarmcentrale binnenkrijgt, is 98% van de meldingen vals. Dat kan komen door mensen op locatie die iets verkeerd openen of sluiten, ramen die openstaan, melders die afgaan. Dus voor een centralist is het grootste gevaar dat hij/zij denkt: het zal wel een valse melding zijn. Door een KI-systeem dat meldingen deels kan beoordelen is er minder menskracht nodig. Dat betekent een kostenbesparing op personeel. Voor de beroepsbeoefenaar zelf geeft het ook meer voldoening, omdat de kwaliteit van de meldingen beter is en dat verhoogt de alertheid van de beroepsbeoefenaar. De inzet van KI-systemen kan daarmee een positieve impact hebben op de werkzaamheden die de beroepsbeoefenaar verricht.”
Data verzameld door KI-systemen helpen ook als ‘bewijslast’ bij het schrijven van een rapport. Henk Mikkers (Securitas) vertelt:“Een surveillant schrijft een rapport en daaruit zou helder moeten zijn: wat voor soort melding is binnengekomen? Wat was de context: er waren heel veel bezoekers, de slagbomen stonden geblokkeerd. Dat heeft die beveiliger wellicht zelf allemaal ter plekke niet gezien, maar vanuit de data kun je dat dus wel meenemen in de evaluatie van het incident. Op basis daarvan is ook de inzet van beveiligers de volgende keer te bepalen.”
Een KI-systeem zoals het slimme-route-optimalisatiesysteem vermindert de werkdruk, omdat die evenrediger is verdeeld, en efficiënter en doelmatiger is. Voor de beveiliger 3 is het een hulpmiddel om de collega's beter te ondersteunen en het werk te coördineren.
Impact op benodigde vaardigheden
Data driven security, het goed benutten van informatie – oftewel informatiegestuurd optreden – is de sleutel voor succes in het vakgebied. Dat betekent voor de beroepsbeoefenaar niveau 2 en 3 de informatie uit systemen kunnen herkennen die aanleiding geeft tot ingrijpen. Voorbeelden hiervan zijn voor de beroepsbeoefenaar: weten wanneer je moet ingrijpen bij een voorspellende camera of waar de focus van beveiliging moet liggen bij een evenement, en ook weten waar systemen beoordelen en waar de grootste drukte zich bevindt of gaat bevinden. Informatiegestuurd optreden betekent data uit informatiesystemen genereren op basis waarvan de beveiliger actie onderneemt. De beveiliger besluit zelf welke actie noodzakelijk is. Voor de beveiliger op niveau 3 is het van belang dat hij begrip heeft van het systeem en dat hij de informatie op de juiste manier leert te interpreteren om de acties van een beveiliger op niveau 2 aan te sturen als de situatie erom vraagt. Op basis van veel informatie moet hij leren anderen aan te sturen en taken te coördineren bij het afhandelen van een calamiteit of een incident.
Werken met remote services (intelligente camera software die werkt op afstand) betekent dat de beroepsbeoefenaar moet leren werken met data die de camera’s leveren. Dat betekent ook leren vertrouwen op de beelden.
Een beveiliger moet weten waar hij naar kijkt. Het kennen van de omgeving is daarbij belangrijk. Dat vraagt een goed concentratievermogen en goed situaties kunnen inschatten. Vanuit de beveiliger moet een gevoel van vertrouwen zijn in het systeem dat het de juiste fragmenten voor je eruit filtert, terwijl je zelf wellicht het gevoel kunt hebben andere gedeelten ook te willen zien. De beveiliger wordt in zijn werk ondersteund. En het kan zijn dat de camera daarbij een groter gebied in de gaten kan houden dan de politie of beveiliger zelf had kunnen doen. De beroepsbeoefenaar hoeft dan ook minder te surveilleren en kan meer gericht optreden.
Ook de centralist krijgt ondersteuning in zijn werk. Maar het werk blijft hetzelfde. Hij zal nog steeds acteren op meldingen. Maar daarbij is hij meer een tweede beoordelaar. Heeft het systeem de meldingen correct beoordeeld? De kwaliteit is natuurlijk nooit 100%.
“Het systeem heeft de melding beoordeeld, vervolgens gaat de centralist kijken wat eraan voorafgaat: wat gebeurt 10 seconden van tevoren? Klopt het wat het systeem gedaan heeft? In de meldkamer moet de beroepsbeoefenaar in staat zijn om effectief waar te nemen. Dat kan niet iedereen. Een goed voorbeeld daarvan is een video op www.youtube.com/watch?v=FJFkVLgO0KU. Op de video is een groep te zien die aan het basketballen is, en daar loopt een man of vrouw doorheen in een berenpak. Aan de kijker wordt gevraagd te tellen hoe vaak er wordt overgegooid. Sommige mensen zien die persoon in berenpak niet omdat ze gefocust zijn op het basketbalspel. Dat geeft maar aan dat niet iedereen in staat is om effectief waar te nemen.”
Pascal Zeegers (CSL Benelux en Federatie Veilig Nederland)
De video waar Pascal Zeegers naar refereert is hier te zien. Door KI-systemen is het zien van de juiste beelden minder afhankelijk van hetgeen de mens wel of niet waarneemt.
Cybersecurity biedt ruimte voor een beroepsbeoefenaar om in de veiligheidsketen bewust te zijn en te helpen om inbraken in systemen via menselijke fouten te voorkomen. Op die manier voorziet cybersecurity informatiebeveiliging van een waardevolle controlecheck. Beroepsbeoefenaars hebben daarvoor kennis nodig van de werking van cyberbeveiliging en kennis van cyberaanvallen. Zij moeten veiligheidsrisico's en incidenten kunnen onderkennen en kunnen voorkomen.