访问控制系统受到误报和尾随等问题的困扰。目前很多公司都应用了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错误或错误警报需要全球安全运营中心(GSOC)操作员花费大量时间和精力，这完全是浪费时间，他们完全可以利用这些时间来做些更有“意义”的事情。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是非常昂贵的。幸运的是，深度学习技术可以解决这个问题。
消除干扰警报
消除干扰警报还使操作员更加关注正当的警报，而不是将其视为背景噪音。在干扰警报中丢失实际警报的可能性要小得多。在许多情况下，用户会忽略警报，并习惯于认为每个警报都是假警报，这不仅使人想起狼来的故事。
使用深度学习进行视频和数据分析
为了解决这个问题，可以使用深度学习（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。
在这种情况下，系统快速分析门入口或出口的视频数据，验证警报或确保在刷卡或其他形式的授权后只有一个人通过门。
多种方式会引发干扰警报
访问控制系统可以通过多种方式引发干扰警报。例如，当一扇门关闭时，它有时会在撞击时“反弹”，因为磁力锁尚未接合。该“反弹”会被访问控制系统错误地解释为“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”的警报。在具有300扇门的访问控制系统中，GSOC每天可能会收到100次干扰警报。对于拥有更大规模的企业用户来说，这个问题会更加严重。
非常适合垂直市场
这种方式非常适合垂直市场，例如关键基础设施（机场、公用事业等）以及技术和制造企业。一个典型的企业用户可能会有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，可以利用深度学习来确定是否有第二个已被正确授权进入设施的人紧跟在某人身后。
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，可将激光束装置安装在门框上并与后端系统集成，用以检测尾随行为。不过，这些系统也容易出现误报。
深度学习算法检测尾随
深度学习算法可检测尾随并向GSOC操作员发出警报。实际上，它可以使得访问控制系统允许正确的人进入，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。
最大限度地减少干扰警报并防止尾随
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充足的理由和动力。大多数购买者购买该系统是因为它既可以最大限度地减少干扰警报，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，并识别可能存在的安全漏洞的异常情况。例如，如果访问胸卡的持有者在不寻常的时间上班，系统便可以识别出异常情况并提醒操作员。