fbpx

L’intelligence artificielle et sécurité : l’avenir des transports publics ?

L’intelligence artificielle peut-elle arrêter les crimes ? Voilà une question pertinente. Certes, l’intelligence artificielle ne remplacera pas les enquêteurs chevronnés, mais son progrès est tel, qu’elle pourrait aider à résoudre les crimes, notamment les fraudes. L’intelligence artificielle peut ainsi détecter les fraudes dans les transports en commun. Comment ça marche ? Des éléments de réponse dans cet article. 

La fraude dans les transports en commun : un préjudice notable 

La fraude dans les transports en commun est un problème croissant dans les grandes villes telles que New York. En 2018, la perte de revenus dans les métros new-yorkais est estimée à 215 millions de dollars et est de l’ordre de 119 millions de dollars pour les bus. Pour lutter contre les resquilleurs, les responsables pourront déployer davantage de personnel sur le terrain. Ils pourraient déployer plus d’agents au niveau des tourniquets pour empêcher des personnes de sauter les barrières. Ils permettront aussi de multiplier les contrôles aléatoires au niveau des rames de métro et à l’intérieur des bus. D’un autre côté, ils pourraient éventuellement demander l’assistance des forces de l’ordre dans cette entreprise. Cela n’est pourtant pas sans risques. Dans la ville de New York, la police a déclaré que près d’une personne sur sept, qui effectue une fraude dans les transports en commun, fait l’objet d’un mandat d’arrêt. Une personne sur vingt-et-un porte une arme. Il faudrait donc trouver une approche moins dangereuse et surtout plus pertinente pour lutter contre ce crime. 

Comment repérer les fraudeurs à l’aide de la vision sur ordinateur ?

Il existe des moyens de repérer les fraudeurs sans pour autant prendre de risques inconsidérés. Les techniques d’échantillonnage utilisées jusqu’ici permettent uniquement d’avoir une estimation des fraudes réalisées. Le déploiement sur le terrain possède en effet ses limites, tant sur le plan humain que sur le plan environnemental. Les agents peuvent présenter une baisse de concentration. Les risques liés aux délinquances citées plus haut ne sont pas non plus à négliger. L’exploitation des nouvelles technologies, surtout en matière d’image, permet d’avoir des données plus précises. Avec la vision sur ordinateur, il est possible d’obtenir de meilleures précisions sur les fraudes. Comment cela fonctionne-t-il ? La police se sert des images enregistrées par les caméras de sécurité pour créer un système automatisé permettant de mesurer les fraudes. Cette stratégie est plus fiable et plus rentable. La plupart des tourniquets de métro sont couverts par des caméras de sécurité. Les images prises sont enregistrées sur des serveurs centraux. Il serait ainsi possible de mettre en place un logiciel capable d’utiliser les images pour détecter les fraudeurs. 

Quels sont les avantages de la vision par ordinateur ?

La vision par ordinateur présente de multiples avantages dans la lutte contre les fraudeurs. 

  • Il n’est pas nécessaire d’installer des dispositifs supplémentaires sur le site ;
  • Les données sont recueillies et analysées en temps réel ;
  • Les données obtenues sont beaucoup plus détaillées.

Ces estimations précises permettent aux compagnies de mieux ajuster leur politique de répression des fraudes. Elles pourront programmer plus facilement le déploiement du personnel chargé de lutter contre les fraudes. 

Comment fonctionne la vision par ordinateur ?

Le principe de la vision par ordinateur est simple. Mettre en place une IA capable d’identifier les images d’une vidéo où se produit une fraude. Grâce à des architectures conçues à partir de réseaux neuronaux convolutionnels, il est possible d’entraîner l’intelligence artificielle à identifier la fraude. Il y a fraude lorsqu’une personne saute le tourniquet du métro au lieu de le franchir. L’IA doit donc être en mesure de différencier une image où une personne saute d’une autre où elle marche.

Comment créer cette intelligence artificielle ? 

Pour former cette IA, il faudrait prendre un modèle qui servirait de base de départ. La formation du modèle en question à partir de zéro nécessiterait une quantité phénoménale de données. Heureusement qu’il n’est pas forcément nécessaire de partir de zéro. Sur internet, il existe de nombreux modèles prêts à être utilisés pour initialiser le modèle ou pour extraire toutes les caractéristiques permettant l’entraînement des classifications superficielles, c’est-à-dire l’apprentissage par transfert. Comment extraire ces caractéristiques ? Par le biais d’un système d’estimation de la pose. L’estimation de la pose consiste à utiliser des réseaux de neurones convolutifs pour repérer l’emplacement de certains points clés du corps humain à partir d’images. Cela se fait en deux étapes :

  • L’extraction des caractéristiques de la pose

Cette première étape consiste à mettre en place des algorithmes permettant de détecter les humains dans l’image et déterminer leur pose en repérant différents points clés. Il existe des systèmes open source, comme Open Pose, permettant d’avoir une estimation de la pose humaine. Il est possible de s’en servir pour extraire ces différentes caractéristiques de la pose. 

La classification de la pose est basée sur l’acceptation qu’une personne qui franchit le tourniquet normalement adopte une posture strictement différente par rapport à une autre qui saute par-dessus. Les caractéristiques de la pose sont ainsi utilisées pour différencier ces postures. Pour chaque image, l’IA sera en mesure de repérer les différentes caractéristiques de la pose pour ensuite classer l’image dans la catégorie “personne qui marche” ou “personne qui saute”.

Une technique à l’efficacité prouvée via l’intelligence artificielle 

Cette nouvelle approche fonctionne parfaitement bien. Pour tester son efficacité, les techniciens ont élaboré une base de données de 200 images correspondant à des photos publiées sur internet. La moitié des images représente une personne qui marche et l’autre moitié, une personne qui saute. Les caractéristiques de la pose ont été extraites, grâce à Open Pose. L’IA a suivi un entraînement pour reconnaître ces dix-huit points caractéristiques du corps en mouvement. La classification a été d’une grande précision, puisque l’intelligence artificielle avait vu juste dans 91 % des cas. Pour savoir si l’IA était efficace, une courte vidéo a été créée, sur laquelle était incluse une personne qui saute. L’IA a encore réussi à différencier les personnes dans les deux postures. Il est ainsi prouvé que le concept de vision par ordinateur peut être utilisé au quotidien pour repérer les resquilleurs dans les stations de métro.

La vision par ordinateur, un outil efficace pour lutter contre les fraudes

Les différents tests menés prouvent qu’il est tout à fait possible de mettre en place un système de détection autonome des fraudes, grâce à la vision par ordinateur. Le développement de la robotique est tel qu’il est possible d’améliorer continuellement le modèle de référence de cette stratégie de visionnage. L’architecture de l’IA peut être améliorée en incluant des données issues des compagnies de transport en commun. En effet, en fonction du positionnement de la caméra de surveillance, on pourra ajouter d’autres caractéristiques à prendre en compte comme l’angle de capture, les conditions d’éclairage, etc. Ainsi, l’IA sera encore plus performante. 

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur FacebookLinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !