Động cơ luật ngôn ngữ tự nhiên: Tạo báo động dễ dàng như “nói tiếng Việt”

Thiết lập báo động bằng ngôn ngữ tự nhiên trong giám sát video: Bước tiến đột phá

Thiết lập báo động sử dụng ngôn ngữ tự nhiên là một lĩnh vực đầy tiềm năng, đang thu hút sự chú ý lớn trong ngành giám sát video. Điều này có thể thực hiện được nhờ các công cụ xử lý quy tắc dựa trên ngôn ngữ tự nhiên, giúp đơn giản hóa quá trình tạo báo động. Nhờ đó, hầu như bất kỳ ai, không chỉ kỹ sư hay chuyên gia, đều có thể tạo ra các thuật toán và báo động một cách dễ dàng. Bài viết này sẽ đi sâu vào những lợi ích mà các công cụ xử lý quy tắc ngôn ngữ tự nhiên mang lại cho lĩnh vực giám sát video.

Hãy tưởng tượng bạn muốn hệ thống giám sát video của mình phát ra cảnh báo khi một chiếc xe dừng trong khu vực bốc dỡ hàng hóa quá 5 phút. Với các công cụ xử lý quy tắc thông thường, đây có thể là một quy trình khá phức tạp, bao gồm: thu thập dữ liệu, gán nhãn dữ liệu, đào tạo thuật toán và triển khai trên thiết bị, tất cả đều do những người được đào tạo chuyên nghiệp thực hiện.

Nhưng giờ đây, hãy hình dung bạn chỉ cần nhập đoạn văn bản – hoặc thậm chí nói – “Báo cho tôi nếu có xe dừng trong khu vực bốc dỡ hàng quá 5 phút” vào hệ thống, và hệ thống sẽ tự động tạo thuật toán cho bạn. Đó chính là sức mạnh của các công cụ xử lý quy tắc dựa trên ngôn ngữ tự nhiên. Đây là công cụ cho phép người dùng xác định các quy tắc giám sát bằng ngôn ngữ đơn giản, ví dụ: “Cảnh báo nếu có người vào khu vực cấm sau 10 giờ tối”. Công nghệ này đã tạo ra sự quan tâm lớn trong lĩnh vực giám sát video, đặc biệt là trong bối cảnh sự trỗi dậy của các mô hình ngôn ngữ tự nhiên, các mô hình AI quy mô lớn và ChatGPT.

Các lợi ích của công cụ xử lý quy tắc dựa trên ngôn ngữ tự nhiên bao gồm:

Dễ sử dụng:

Trong khi các công cụ xử lý quy tắc thông thường đòi hỏi cấu hình hoặc viết mã phức tạp, ngôn ngữ tự nhiên giúp nó trở nên dễ tiếp cận hơn với người dùng không chuyên về kỹ thuật. Bạn sẽ không cần đến lập trình hoặc cấu hình cấp thấp.

Linh hoạt:

Các công cụ xử lý quy tắc dựa trên ngôn ngữ tự nhiên cho phép người dùng dễ dàng cập nhật hoặc thêm các quy tắc mới mà không cần đào tạo lại hệ thống.

Khả năng mở rộng:

Các thuật toán được phát triển theo cách này có thể được triển khai trên nhiều địa điểm và camera khác nhau mà không cần thiết lập thủ công phức tạp.

Kiểm soát động:

Các đội an ninh có thể thay đổi quy tắc theo thời gian thực thông qua các lệnh ngôn ngữ tự nhiên.

Albert Stepanyan, Chủ tịch kiêm Giám đốc điều hành của Scylla AI, cho biết: “Các công cụ dựa trên ngôn ngữ tự nhiên giúp giám sát video trở nên dễ tiếp cận hơn bằng cách cho phép người dùng thiết lập quy tắc bằng tiếng Anh đơn giản, giảm bớt các rào cản kỹ thuật. Điều này dẫn đến việc tìm kiếm và xem xét pháp lý nhanh hơn, thân thiện với người dùng hơn – đặc biệt khi kết hợp với thị giác máy tính mạnh mẽ trong các thiết lập kết hợp biên-đám mây.”

Ông nói thêm: “Các hệ thống thông thường thường yêu cầu vẽ khu vực thủ công và cài đặt các thông số kỹ thuật thông qua các giao diện phức tạp. Các công cụ dựa trên ngôn ngữ tự nhiên đơn giản hóa điều này bằng cách cho phép thiết lập trực quan và tạo quy tắc chính xác hơn, thân thiện với người dùng hơn, mà không đòi hỏi chuyên môn kỹ thuật sâu rộng.”

Stepanyan tiếp tục: “Các lĩnh vực như chăm sóc sức khỏe, giáo dục, bán lẻ và cơ sở hạ tầng quan trọng sẽ được hưởng lợi nhiều nhất, vì nhân viên không chuyên về kỹ thuật có thể cấu hình và quản lý giám sát một cách hiệu quả mà không cần đào tạo chuyên biệt.”

Các thành phần cốt lõi cần thiết cho công cụ xử lý quy tắc ngôn ngữ tự nhiên

Các công cụ xử lý quy tắc dựa trên ngôn ngữ tự nhiên hoạt động thông qua khả năng hiểu ngôn ngữ tự nhiên, bao gồm phát hiện ý định, chẳng hạn như “phát hiện xâm nhập”, “theo dõi đối tượng” và “gửi cảnh báo”; và trích xuất thực thể, xác định các đối tượng (người, xe), hành động (xâm nhập, lảng vảng) và điều kiện (thời gian, địa điểm). Sau đó, quá trình phân tích cú pháp và ánh xạ quy tắc diễn ra, trong đó lệnh ngôn ngữ tự nhiên được chuyển đổi thành một quy tắc có cấu trúc như “Cảnh báo nếu có người vào Khu A sau 8 giờ tối”. Cơ chế kích hoạt sự kiện và phản hồi sau đó sẽ được thiết lập, xác định điều gì xảy ra khi các điều kiện quy tắc được đáp ứng.

Để đảm bảo những điều trên có thể được thực hiện đúng cách, cần có một số thành phần cốt lõi. Chúng bao gồm các mô hình NLP (xử lý ngôn ngữ tự nhiên), các mô hình thị giác máy tính, công cụ xử lý quy tắc và một lớp tích hợp kết nối đầu ra NLU với hệ thống phân tích video và cảnh báo.

Stepanyan cho biết: “Các thành phần chính bao gồm các mô hình thị giác máy tính để phát hiện đối tượng, xử lý kết hợp biên-đám mây để có hiệu suất thời gian thực và NLP gọn nhẹ để diễn giải các truy vấn. Trọng tâm là phân tích dựa trên thị giác hiệu quả, với NLP đóng vai trò là cầu nối để làm cho tương tác trở nên tự nhiên và đáng tin cậy.”