گزارش Netra: موتور رفتاری نرخ گزارش ناهنجاری‌های کاذب را کاهش داد

تصور کنید اپراتور امنیتی هستید که هر ثانیه ده‌ها هشدار «تشخیص شخص» دریافت می‌کند؛ در چنین وضعیتی، شما به‌سرعت یاد می‌گیرید که تمام هشدارها را نادیده بگیرید. این مشکلِ «نویز سیگنال»، هسته‌ی اصلی چالش‌هایی است که توسعه‌دهنده‌ای به نام Divyakush در ۲۲ اوت ۲۰۲۶ برای حل آن‌ها پروژه‌ی Netra را معرفی کرد.

بیشتر سامانه‌های نظارتی فعلی از مدل‌هایی مانند YOLOv8 برای تشخیص اشیا (Object Detection) — شبیه به چشم انسان که فقط می‌بیند چه چیزی در تصویر است اما دلیل حضورش را نمی‌داند — استفاده می‌کنند. طبق گزارش توسعه‌دهنده، این مدل‌ها بسیار دقیق هستند اما فقط به این سؤال پاسخ می‌دهند که «آیا شخصی حضور دارد یا خیر»، نه اینکه «آیا این حضور غیرطبیعی است یا نه». در یک راهروی شلوغ، هشدار ساده‌ی «شخص شناسایی شد» سیل عظیمی از داده‌های بی‌فایده ایجاد می‌کند که منجر به فرسودگی سریع اپراتور می‌شود.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بینایی اشاره کردیم، دقت مدل به تنهایی برای کاربرد عملی کافی نیست. به همین دلیل، Netra لایه‌ای به نام موتور امضای ناهنجاری رفتاری (BASE) را پیاده‌سازی کرده است. این لایه با سه مکانیزم اصلی، داده‌های خام را به سیگنال‌های معنادار تبدیل می‌کند:

• امتیازدهی تهدید چندعاملی: به‌جای هشدارهای صفر و یکی، سیستم عوامل مختلف را می‌سنجد. مثلاً تفاوت بین کسی که ظهر از راهرو رد می‌شود با کسی که ساعت ۳ صبح در یک نقطه متوقف شده است، توسط این لایه تشخیص داده می‌شود.
• نقشه‌های حرارتی گشت‌زنی با وزن زمانی: سیستم الگوهای عادی را در طول زمان و مکان تحلیل می‌کند تا یک خط مبنا (Baseline) از رفتارهای نرمال بسازد.
• فیلتر سیگنال بر حجم: معماری سیستم به‌گونه‌ای است که تعداد هشدارهای کم اما باکیفیت را اولویت می‌دهد تا اعتماد اپراتور به سیستم حفظ شود.

بر اساس مستندات این پروژه، این تغییر رویکرد نشان می‌دهد که دوران «هوش مصنوعی می‌تواند X را تشخیص دهد» به یک استاندارد اولیه تبدیل شده است. ارزش مهندسی واقعی اکنون به لایه‌ی ارکستراسیون منتقل شده است؛ جایی که امتیازدهی، زمینه (Context) و آستانه‌های تعیین‌شده، داده‌های خام را به اطلاعات عملیاتی تبدیل می‌کنند. این رویکرد داده‌محور یادآور اهمیت مستندات دقیق در پذیرش فناوری است، چرا که موردپژوهی‌های عملی عامل اصلی توصیه برندها توسط دستیارهای هوش مصنوعی هستند و اعتبار یک سیستم را تعریف می‌کنند.

برای توسعه‌دهندگانی که ابزارهای نظارتی می‌سازند، درس این است که مدل تنها نقطه شروع است، نه پایان مسیر.

گام بعدی شما

• اگر از مدل‌های YOLO استفاده می‌کنید، به‌جای تکیه بر خروجی خام، یک لایه‌ی منطقی برای تحلیل «مدت زمان حضور» (Dwell Time) اضافه کنید.
• معماری کامل امتیازدهی ناهنجاری را در صفحه رسمی پروژه در www.divyakush.com/projects/netra بررسی کنید.
• روی تعریف «رفتار نرمال» در محیط‌های مختلف تمرکز کنید تا نرخ هشدار کاذب را کاهش دهید.

اما داستان سخت‌افزاری اجرای این لایه‌ها در لبه‌ی شبکه حتی پیچیده‌تر است — به تحلیل ما درباره‌ی رایانش لبه (Edge Computing) مراجعه کنید.