seguritecnia 447

144 SEGURITECNIA Noviembre 2017 ARTÍCULO TÉCNICO Protección de Infraestructuras Críticas y Estratégicas H oy por hoy, es imposible en- contrar un sector que no se esté viendo profundamente transformado por el Big Data, pero el caso de la videovigilancia es probable- mente uno de los más paradigmáticos. El procesamiento, almacenamiento, tra- tamiento y análisis de los datos relacio- nados con la seguridad se ha convertido en un factor clave para esta industria en un contexto en el que crecen de forma exponencial el número de cámaras y la calidad de las grabaciones. Uno de los ámbitos que más puede beneficiarse de esta nueva forma de abordar la videovi- gilancia son las infraestructuras críticas. En la actualidad, cuando una empresa invierte en videovigilancia espera mucho más que recuperar ciertas imágenes en caso de que se produzca un incidente. Los sistemas inteligentes ya ofrecen fun- ciones de valor añadido como simplificar la búsqueda de imágenes, activar alar- mas, etc., pero la irrupción del deep lear- ning supone un salto cualitativo que per- mitirá ir incluso más allá de las expectati- vas del mercado. Para ofrecer sus mejores resultados, los sistemas de videovigilancia inteli- gente “tradicionales” requerirían escena- rios predecibles y controlados. La razón está en los algoritmos en los que se ba- san estos sistemas. En un proceso de re- conocimiento y análisis inteligente se de- sarrollan dos pasos: en el primero se ex- trae la información, las características del elemento, y en el segundo se realiza el “aprendizaje de la clasificación”. Pues bien, en la primera fase, el hecho de que el algoritmo que define el objeto lo haya diseñado un ser humano supone cierto grado de subjetividad y una ne- cesaria limitación en cuanto al número de características abstractas que es ca- paz de percibir y procesar. Por lo que res- pecta a la segunda fase, la clasificación, a medida que aumenta el número de ca- tegorías también lo hace el nivel de di- ficultad. El análisis inteligente tradicio- nal es muy preciso, por ejemplo, en lo re- lativo a la detección de vehículos, pero presenta mayores dificultades cuando se trata de rostros humanos (por la multi- tud de variables que suponen). El deep learning representa la supera- ción de estas limitaciones. Es intrínseca- mente diferente a todos los algoritmos inteligentes previos y está basado en la llamada inteligencia artificial. Es la propia máquina la que aprende por sí misma a definir el objeto y realizar su clasifica- ción. Frente a los algoritmos inteligentes “tradicionales” que se basan en un pro- ceso de menor profundidad –dos o tres capas–, el deep learning sigue uno en el que pueden superarse el centenar de ca- pas y cada una de ellas, al igual que su- cede en el cerebro humano, tiene un va- lor ponderado que varía en función de lo que el propio sistema ha ido apren- diendo de los componentes de la ima- gen. Por otra parte, al no requerir inter- vención externa, el deep learning permite que el sistema detecte características y patrones más allá de la propia capacidad humana. Auge del ‘deep learning’ Podemos hablar de tres razones princi- pales por las que el deep learning ha ex- perimentado este gran salto en los últi- mos años y no antes: el volumen de da- tos disponibles (Big Data), el incremento en la potencia computacional y las me- joras en las arquitecturas de red. 1. En lo referente al Big Data, el perfec- cionamiento de los algoritmos y sus aplicaciones han hecho que mejorase también la experiencia del usuario: a mayor número de usuarios, mayor vo- lumen de datos y mejor rendimiento de este tipo de algoritmos. A día de hoy, los datos relacionados con la vi- deovigilancia ya constituyen el 60 por ciento del Big Data y la cifra se incre- menta un 20 por ciento cada año. La principal razón de que se registren es- tas cifras es la extensión de la tecnolo- gía de alta definición HD (1080p, 4K). En el caso de Hikvision, cuenta con más de un centenar de desarrolladores para trabajar con una inmensa canti- dad de datos. Este trabajo ha permitido experimentar y crear millones de cate- gorías, modelos y patrones de recono- cimiento para obtener la máxima preci- sión en los equipos de videovigilancia. 2. En cuanto a la potencia computacio- nal, ha sido el rápido desarrollo de las unidades de procesamiento gráfico (GPU), supercomputadoras, cloud com- puting y otras plataformas de hardware de alto rendimiento el que ha hecho posible abordar el elevado volumen de cálculos que requiere el deep lear- ning . Hasta hace relativamente poco, los dispositivos de hardware eran in- capaces de procesar modelos de deep learning complejos (con más de cien capas). En 2011, la compañía Deep- ¿Cómo beneficia el ‘deep learning’ a la seguridad de las infraestructuras críticas? Departamento Técnico de Hikvision