1. KI- und Machine-Learning-Analysen werden zur Grundlage für erkenntnisbasiertes Handeln
Das enorme Volumen von Daten und Metadaten, das inzwischen von Kameras und anderen Sensoren erzeugt wird, lässt sich manuell nicht mehr schnell genug sichten, interpretieren und verarbeiten. Eine auf künstlicher Intelligenz und Machine Learning basierende Analyse kann hier Abhilfe schaffen und als Fundament für erkenntnisbasiertes Handeln dienen: Das Ziel und der Schwerpunkt liegen dabei weniger auf der tatsächlichen Analyse der Daten, sondern auf den verwertbaren Ergebnissen, die sie für Echtzeit- und forensische Anwendungsfälle liefern.
Es wird also weniger darum gehen, dass die Analyse erkennt, dass etwas nicht stimmt, sondern dass sie den Menschen bei Entscheidungen für bestimmte Maßnahmen unterstützen kann. Das umfasst z.B. bei Zwischenfällen die Aufforderung, den Notdienst zu rufen, oder den Verkehr in Städten umzuleiten, um Staus zu entschärfen. In stark frequentierten Einzelhandelsgeschäften wiederum lässt sich anhand der Informationen mehr Personal einsetzen oder in Gebäuden allgemein durch optimierte Beleuchtung und Wärmeverteilung Energie einsparen – die Szenarien sind vielfältig.
2. Die Wahl der Technologiearchitektur wird zunehmend vom Anwendungsfall bestimmt
Bei Sicherheitssystemen bieten hybride Technologiearchitekturen grundsätzlich eine Reihe von Vorteilen, da sie sichere Server vor Ort, effiziente Datenverarbeitung in der Cloud und leistungsstarke Edge-Geräte kombinieren. Keine Architektur ist jedoch ausnahmslos für alle Anwendungsfälle geeignet. Dementsprechend wird die Betrachtung der spezifischen Situation in Zukunft noch ausschlaggebender für die Wahl der jeweiligen Architektur.
Zum Beispiel ermöglichen es in Edge-Geräte eingebettete Echtzeit-Analysefunktionen, besonders schnell zu reagieren. Die Analyse von größeren, forensischen Datenvolumen hingegen kann oftmals Erkenntnisse liefern, mit denen sich Prozesse und Effizienz verbessern lassen – diese Art der Analyse erfordert jedoch oft die Rechenleistung von Servern vor Ort oder in der Cloud. Darüber hinaus gibt es von Land zu Land und Region zu Region unterschiedliche Datenschutz- und Compliance-Anforderungen zu beachten, die eine Entscheidung zwischen Speicherung vor Ort oder in der Cloud beeinflussen können. Wichtig für Unternehmen wird es sein, sich nicht aus Prinzip oder Gewohnheit an eine einzige Architektur zu binden, sondern die Flexibilität, die hybride Architekturen bieten, zu nutzen, um die eigenen spezifischen Anforderungen bestmöglich zu erfüllen.
3. Kameras und Sensoren werden zur Schnittstelle für Anwendungsfälle, die über Sicherheit hinausgehen
Einer der wichtigsten Trends für den Sicherheitssektor ist der Schritt über die Sicherheit hinaus. Während sich die Qualität von Kamera- und Sensordaten über die vergangenen Jahrzehnte hinweg kontinuierlich verbessert hat, lassen sich dank fortschrittlicher Analyseverfahren auf Basis von künstlicher Intelligenz und Machine Learning inzwischen auch Metadaten, sprich zusätzliche Informationen über die erhobenen Daten, erstellen.
Diese zusätzlichen Informationen können in Kombination mit weiteren Daten – z.B. hinsichtlich Temperatur, Lärm, Luft- und Wasserqualität, Vibrationen oder Wetter – auch für Anwendungsfälle genutzt werden, die über den Bereich der Sicherheit hinausgehen. So entsteht ein fortschrittliches Sensornetzwerk, das datengestützte Entscheidungen ermöglicht. Zur Bewertung der Prozessqualität und der proaktiven Wartung von Maschinen werden solche Netzwerke bereits in der Industrie eingesetzt. Je nach Konfiguration der einzelnen Sensorknoten im Netzwerk und der Granularität der Datenanalyse sind den Anwendungsfällen, für die diese Art von Netzwerk genutzt werden kann, jedoch fast keine Grenzen gesetzt.
