门禁系统受到误报和尾随等问题的困扰。Hakimo 是一家新公司，其应用深度学习的概念来减少误报和尾随，并使访问控制更加准确。

来自访问控制系统的误报等问题耗费了全球安全运营中心 (GSOC) 的操作员花费大量的时间和精力。这是浪费他们可以用来执行更高级别职责的时间。雇用足够多的 GSOC 操作员来监控和解决数百个令人讨厌的警报的代价是非常昂贵的。幸运的是，技术可以完成这项工作。

消除干扰警报

消除干扰警报还使操作员更加关注正确的警报，而不是将其视为背景噪音。在滋扰警报中丢失实际警报的可能性要小得多。

使用深度学习进行视频和数据分析

为了解决这个问题，Hakimo 使用深度学习（一种采用深度神经网络的人工智能 (AI) 形式）分析视频和其他数据，以模拟人脑的操作。数据通过多个非线性层以加快处理速度。

在 Hakimo 的情况下，门入口或出口的视频提供数据，系统快速分析以验证警报和/或确保在刷卡或其他形式的授权后只有一个人通过门。

多种方式生成滋扰警报

访问控制系统可以通过多种方式生成滋扰警报。例如，当一扇门关闭时，它有时会在撞击时“弹跳”，因为磁力锁尚未接合。

该弹跳被门禁系统错误地解释为“门强制打开”警报。另一个例子是，如果门内侧的运动传感器出现故障，无法检测到有人离开建筑物。同样，结果是错误的“门强制打开”警报。在具有 300 扇门的访问控制系统中，GSOC 每天可能会收到 100 次骚扰警报。对于拥有更大系统的企业用户来说，这个问题更加严重。

Hakimo 的方法非常适合垂直市场

Hakimo 的方法非常适合垂直市场，例如关键基础设施（机场、公用事业等）以及技术和制造公司。一个典型的用户可能有 200 个或更多的门，以及 5,000 名左右的员工。

为了解决尾随问题，Hakimo 利用深度学习来确定是否有第二个人紧跟在某人身后，该人已被正确授权进入设施。

以前，许多用户忽略了这个可能严重的安全漏洞。在其他情况下，激光束硬件安装在门框上以检测尾随，并与后端系统集成。这些系统也容易出现误报。

深度学习算法检测尾随

Hakimo 的深度学习算法可检测尾随并在 GSOC 操作员发生时向其发出警报。实际上，它允许访问控制系统将正确的人拒之门外，将错误的人拒之门外。人工智能 (AI) 和深度学习的最新进展使该系统能够执行几年前不可能完成的任务。

避免滋扰警报具有直接的投资回报 (ROI)。GSOC 运营商可以更有效率并有更多可用时间来执行其他重要职责以确保企业安全。

最大限度地减少滋扰警报并防止尾随

虽然更难以量化，但安全漏洞（尾随）的可能成本和严重后果也为采用该技术提供了强有力的理由。大多数购买者购买该系统是因为它结合了它的优点，既可以最大限度地减少滋扰警报，又可以防止尾随。

深度学习系统还可用于分析存储的访问控制数据并识别可能表明存在安全漏洞的异常情况。例如，如果持卡者持有者在不寻常的时间上班，系统可以识别出异常情况并引起操作员的注意。虽然不是系统的核心功能，但它是一些用户利用的功能。

与安全系统的双向集成

Hakimo 成立于 2020 年，最初直接将其系统出售给最终用户，但正在开发集成商渠道。他们已经加入了许多集成商，并将继续这样做。他们还与主要制造商建立了合作伙伴关系，以实现与访问控制和视频系统的双向集成。名单正在增长。