En cykel blockerar utrymningsvägen och upptäcks först vid nästa rond. Hur kan förvaltningen få veta vad som händer tidigare – utan att samtidigt göra fastigheten till en plats där människor känner sig ständigt övervakade?
Jag kommer i denna text gå igenom ett par enkla användningsfall där computer vision, eller datorseende, kan användas för att med AI-modeller analysera bilder, känna igen objekt och räkna människor. Kamera kan med andra ord ge förvaltningen information att agera på, istället för att enbart leverera inspelningar att granska i efterhand. Arbetssättet kan med andra ord effektivisera driften och få oss att agera snabbare.
Upptäck avvikelsen innan någon ringer
Den blockerade utrymningsvägen är ett konkret användningsfall. Det finns redan kameraapplikationer som upptäcker föremål framför utgångar och skickar en notifiering. Analysen kan avgränsas till den yta som behöver hållas fri, och händelsen kan genom integration skickas vidare till andra system. Det är alltså en funktion som går att implementera, inte bara en framtidsvision.
För förvaltaren ligger värdet däremot inte i själva upptäckten, utan i vad som händer därefter. I en tänkt lösning blir notifieringen ett ärende hos rätt person, som kontrollerar situationen och ser till att hindret flyttas. Beställningen behöver därför omfatta hela kedjan, från observation till avslutat ärende. Tekniken bör komplettera ronder och brandskyddsrutiner, inte ersätta dem.
Trygghet kräver mer än en kamera
Ett andra användningsfall är att uppmärksamma säkerhetshändelser tidigare. På en servicegård som ska vara tom nattetid kan bildanalysen exempelvis registrera att en person passerar en definierad gräns och skicka en notifiering. En operatör kan därefter bedöma situationen.
Det är en viktig skillnad. Systemet konstaterar att en händelse har inträffat inom ett visst område. Det bör inte påstå sig veta om en person har brottsliga avsikter eller uppvisar ett ”misstänkt beteende”.
Här behöver branschen också skilja mellan att upptäcka en händelse, förebygga brott och skapa upplevd trygghet. Brås skrift Fungerar kamerabevakning brottsförebyggande? från 2018 sammanfattar en internationell metastudie av kamerabevakningens effekter på brottslighet. Resultaten visar att effekten varierar mellan olika miljöer och brottstyper. Studien är relevant som bakgrund, men ger inte i sig svar på vilken nytta dagens AI-baserade bildanalys skapar i en viss fastighet.
Förvaltaren bör därför inte nöja sig med att fråga om tekniken fungerar. Minst lika viktigt är att fråga om den leder till snabbare och bättre åtgärder – och hur den upplevs av dem som vistas i fastigheten.
Förstå hur byggnaden faktiskt används
Det tredje användningsfallet handlar om beläggning. Man kan med hjälp av kameror utföra personberäkning för att förstå användningen av olika byggnadsytor, i detta fall är målet bättre underlag för fördelning av kontorsplatser och utrustning.
Min vision är att sådan beläggningsinformation kombineras med temperatur, luftkvalitet och driftdata för att stödja behovsstyrd ventilation, städning och lokalplanering. En framtida AI-assistent skulle kunna sammanställa observationerna och föreslå vad förvaltaren bör undersöka. Poängen är inte att veta vem som sitter vid ett skrivbord, utan hur byggnaden används. Vägen dit kräver integration och utvärdering i den egna fastigheten, inte löften om en viss energibesparing, även om potentialen för energibesparing får förmodas vara hög.
Börja avgränsat och bygg in integriteten
Det svåra är förstås att en bra demonstration inte är samma sak som en fungerande förvaltning. Motljus och skymda objekt kan ge missade händelser eller falsklarm. En lösning som kräver ständig tillsyn riskerar att skapa mer arbete än den sparar.
Att kalla kameran sensor förändrar heller inte ansvaret. Ändamål, rättslig grund och proportionalitet behöver bedömas utifrån GDPR och kamerabevakningslagen. Berörda ska informeras, åtkomst och lagring begränsas och behovet av konsekvensbedömning prövas.
Med edge AI sker analysen direkt i kameran, vilket kan begränsa vad som skickas vidare. Men om identifierbara personer behandlas försvinner inte dataskyddskraven bara för att bilderna inte sparas eller senare anonymiseras.
För förvaltaren föreslår jag fyra konkreta steg för att komma igång:
- Välj ett användningsfall – Avgränsa platsen och händelsen som behöver upptäckas
- Pröva behovet – Jämför med mindre integritetskänsliga alternativ och gör den juridiska bedömningen före pilotstart
- Bestäm åtgärden – Utse en mottagare och koppla händelsen till befintliga arbetssätt
- Testa och mät – Följ missade händelser, falsklarm, åtgärdstid och kostnad innan ni skalar upp.
En smart användning av AI-modeller i kameror har en stor potential att tillse regelefterlevnad samt effektivisering av förvaltningen. Även om man sitter på äldre kameror som inte har möjlighet att analysera data i kameran så går det faktiskt att lösa genom att låta analysen ske centralt.
På TechSeed har vi praktisk erfarenhet av att implementera lösningar där AI-baserad bildanalys används i fastighetsmiljöer. Det handlar bland annat om att analysera sortering i miljörum och att identifiera avvikelser i andra typer av utrymmen. Erfarenheten visar att tekniken kan skapa konkret nytta, men också att värdet uppstår först när analysen kopplas till tydliga processer för uppföljning och åtgärd.
Den smartaste fastigheten är inte den som ser mest, utan den som behöver se minst för att agera rätt.
Jacob Bentzel
VD, TechSeed Edge & IoT, Göteborg
