اکسیس کامیونیکیشنز ۹۰٪ پردازش‌های هوش مصنوعی را به لبهٔ شبکه منتقل کرد

تصور کنید دوربینی که فقط ضبط نمی‌کند، بلکه در همان لحظه تصمیم می‌گیرد و تحلیل می‌کند؛ بدون اینکه نیازی به ارسال حجم عظیمی از داده به یک سرور مرکزی باشد. این یعنی تبدیل دوربین از یک شاهد خاموش به یک حسگر عملیاتی فعال که در لحظه واکنش نشان می‌دهد.

به نقل از اکسیس کامیونیکیشنز (Axis Communications)، پردازش ۹۰٪ حجم کاری هوش مصنوعی مستقیماً روی دوربین دیگر یک هدف آینده‌نگرانه نیست، بلکه واقعیت فعلی است. این چرخش راهبردی، دوربین‌های شبکه را از ابزارهای ضبط غیرفعال به حسگرهایی تبدیل می‌کند که بدون تکیه به سرورهای مرکزی، تصمیمات بلادرنگ می‌گیرند.

صنعت امنیت برای دهه‌ها به سیستم‌های آنالوگ CCTV تکیه داشت و سپس به ویدیوهای شبکه مبتنی بر IP منتقل شد. اکنون صنعت در حال ورود به عصر «لبهٔ هوشمند» است؛ جایی که ارزش اصلی نه در ضبط تصویر، بلکه در تولید داده‌های کاربردی در نقطهٔ تولید است. این تکامل برای کسب‌وکارهایی که نمی‌توانند تأخیر (Latency) یا هزینه‌های پهنای باند ارسال استریم‌های خام 4K به ابر برای تحلیل را تحمل کنند، حیاتی است.

زمینه: مسیری در تلاقی فناوری‌ها

این تغییر به سمت لبهٔ هوشمند از دیدگاه فردریک نیلسون (Fredrik Nilsson)، نایب‌رئیس بخش آمریکای اکسیس، به عنوان گام منطقی بعدی در یک تکامل تکنولوژیک بلندمدت دیده می‌شود. نیلسون در سال ۱۹۹۶ به اکسیس پیوست و پیش از این به عنوان مدیر محصول و مدیر بخش در سوئد و بعدها به عنوان مدیر توسعه کسب‌وکار فعالیت کرده است. او در این نقش‌ها به ایجاد شراکت‌هایی کمک کرد که توسعه اولیه ویدیوهای IP را تعریف کردند.

دیدگاه نیلسون حاصل سال‌ها تجربه در تلاقی فناوری‌های متصل و کاربردهای صنعتی است. او پیش از پیوستن به اکسیس، مدیر محصول در شرکت ABB بود و در آنجا روی یک سیستم جدید نظارت و کنترل از راه دور متصل به IP کار می‌کرد. این نقش شامل مدیریت پروژه‌های پیچیده برای مشتریان سازمانی بزرگ، به‌ویژه شرکت‌های خدمات برق بود و شامل یک سال فعالیت در کانادا می‌شد.

گسترش جایگاه در بازار آمریکا

از زمانی که نیلسون در سال ۲۰۰۳ مسئولیت بخش آمریکا را بر عهده گرفت، نظارت بر مقیاس گسترده‌ای از عملیات را مدیریت کرده است. تحت رهبری او، درآمد منطقه‌ای از حدود ۲۰ میلیون دلار به بیش از یک میلیارد دلار رشد کرد. او همچنین از گسترش بیش از ۲۰ مرکز تجربه اکسیس (Axis Experience Centers) در سراسر آمریکای شمالی و جنوبی حمایت کرد.

امروز او از طریق عضویت در هیئت مدیره MSAB و اتاق بازرگانی سوئد-آمریکا در واشینگتن دی.سی، همچنان بر صنعت تأثیر می‌گذارد. مسیر شغلی او — از نظارت از راه دور در ABB تا توسعه اولیه ذخیره‌سازهای متصل به شبکه (NAS) و فناوری‌های اینترنت اشیا (IoT) — الگویی را فراهم کرده است که او امروز تغییر به سمت زیرساخت‌های قدرت‌گرفته از هوش مصنوعی را از طریق آن می‌بیند.

جهش سخت‌افزاری: ARTPEC-9

به گفته نیلسون، این جهش در قابلیت‌ها ناشی از ترکیبی از بهینه‌سازی سخت‌افزاری و نرم‌افزاری است. شرکت اکسیس کامیونیکیشنز که در سال ۱۹۸۴ تأسیس شد و دفتر مرکزی آن در لوند سوئد قرار دارد، از سال ۲۰۱۵ بخشی از گروه کانون (Canon) است. این شرکت که حدود ۵,۰۰۰ کارمند در بیش از ۵۰ کشور دارد، سابقه‌ای از نوآوری دارد که به سال ۱۹۹۶ و معرفی اولین دوربین شبکه جهان بازمی‌گردد.

دستاورد فعلی بر محور سیستم-روی-تراشه (SoC) توسعه‌یافته در داخل شرکت، یعنی ARTPEC-9 استوار است. این تراشه ظرفیت پردازش هوش مصنوعی را به سه برابر نسل قبلی خود، ARTPEC-8، رسانده است. این فضای سخت‌افزاری (Headroom) اجازه می‌دهد مدل‌های پیچیده‌تر به‌صورت محلی اجرا شوند و وابستگی به سرورهای خارجی کاهش یابد.

نیلسون به شتاب سریع در قابلیت‌های لبه اشاره می‌کند: یک سال پیش، تقریباً ۵۰٪ نیازهای هوش مصنوعی در داخل دوربین پاسخ داده می‌شد. امروز این رقم به ۹۰٪ رسیده و هدف در آینده‌ای نزدیک ۹۵٪ یا بیشتر است. این امر با ترکیب سخت‌افزار توانمندتر و مدل‌های هوش مصنوعی بهینه‌تر محقق شده است تا هوشمندی دقیقاً در جایی رخ دهد که داده تولید می‌شود.

حجم کاری لبه در مقابل ابر

هر وظیفه‌ای نباید روی دوربین انجام شود. اکسیس بین حجم‌های کاری بر اساس نیاز به سرعت، مقیاس و ماهیت داده‌های پردازش شده تفاوت قائل می‌شود:

• وظایف بومی لبه (Edge-native): این‌ها حجم‌های کاری هستند که به تصمیمات بلادرنگ، تأخیر کم و استفاده بهینه از پهنای باند نیاز دارند. مثال‌ها عبارتند از:
  • تشخیص و طبقه‌بندی افراد یا اشیاء.
  • شمارش و ردیابی حرکت.
  • شناسایی رویدادهای خاص.
  • تحلیل ویژگی‌هایی مانند رنگ‌ها و جهت حرکت.
• وظایف ابری/سروری: این موارد برای ارکستراسیون سطح بالا و مدیریت داده‌های بلندمدت ضروری باقی می‌مانند، از جمله:
  • مدیریت متمرکز ناوگان‌های بزرگ دستگاه‌ها.
  • ذخیره‌سازی آرشیوی بلندمدت.
  • تحلیل متاداده‌ها در هزاران دستگاه برای یافتن الگوهای گسترده.

برای پاسخ به نیازهای خاص صنعتی، این شرکت Axis Object Analytics را برای تشخیص‌های استاندارد و Axis Custom Analytics را ارائه می‌دهد که به کاربران اجازه می‌دهد دوربین را برای اشیاء یا سناریوهای بسیار خاص آموزش دهند. با ارسال تنها متاداده‌های حاصل به ابر به جای ویدیوهای خام، سیستم به‌طور قابل توجهی مقیاس‌پذیرتر و مقرون‌به‌صرفه‌تر می‌شود.

فراتر از امنیت: هوش عملیاتی

دوربین‌ها در حال خروج از حوزه عمودی «امنیت» و ورود به حوزه هوش تجاری هستند و به عنوان حسگرهای عملیاتی عمل می‌کنند. در بخش تولید، گروه بی‌ام‌و (BMW Group) یک مثال بارز است؛ آن‌ها از دوربین‌های شبکه به عنوان بخشی از یک سیستم بازرسی کیفیت مبتنی بر هوش مصنوعی استفاده می‌کنند تا تصاویر دقیقی از خودروها را در لحظه ثبت کرده و نقص‌ها را شناسایی کنند. این امر دوربین را به جای یک ابزار ضبط جنایی، به یک ابزار کنترل کیفیت تبدیل می‌کند.

سایر کاربردهای با ارزش بالا که ارزش تجاری واضحی ارائه می‌دهند عبارتند از:

• لجستیک و حمل‌ونقل: استفاده از دوربین‌ها برای درک نحوه حرکت افراد، وسایل نقلیه و کالاها در یک مرکز برای بهینه‌سازی نرخ خروجی و بهره‌وری عملیاتی.
• خرده‌فروشی: ارائه بینش در مورد رفتار مشتری، بهره‌برداری از فضا و نیازهای نیروی انسانی.
• زیرساخت‌های حیاتی: محافظت از مناطق کلیدی زندگی با ترکیب داده‌های بصری با سایر حسگرها برای ایجاد تصویری کامل از محیط.

تلفیق چند-حسگری و زمینه (Context)

نیلسون تأکید می‌کند که ترکیب ویدیو با سایر منابع داده، بینش‌هایی ایجاد می‌کند که استخراج آن‌ها از داده‌های بصری به‌تنهایی غیرممکن است. در نمایشگاه GSX، اکسیس راهکارهایی را معرفی کرد که چندین فناوری حسگر را برای افزایش اطمینان در تشخیص‌ها ادغام می‌کند:

• رادار: اطلاعات دقیقی درباره حرکت و سرعت یک شیء اضافه می‌کند.
• تحلیل صوتی: صداهای خاص را شناسایی کرده یا ارتباط دوطرفه فراهم می‌کند.
• تصویربرداری حرارتی: در شرایطی که نور یا دید دشوار است، داده‌های حیاتی ارائه می‌دهد.
• حسگرهای محیطی: زمینه‌ای درباره جو surrounding اضافه می‌کند.

با ترکیب ظاهر یک شیء با نحوه حرکت و صداهایی که تولید می‌کند، سازمان‌ها می‌توانند تصمیماتی سریع‌تر و آگاهانه‌تر بگیرند. این امر به‌ویژه برای محافظت از زیرساخت‌های حیاتی حیاتی است، جایی که داشتن منابع متعدد اطلاعاتی، تصویر کامل‌تری از محیط فراهم می‌کند.

حریم خصوصی و «مزیت لبه»

استقرار هوش مصنوعی در مقیاس بزرگ، نگرانی‌های حاکمیتی قابل توجهی در مورد داده‌های شخصی ایجاد می‌کند. اکسیس استدلال می‌کند که پردازش در لبه در واقع یک ویژگی حریم خصوصی است. اصل راهنما این است که بپرسیم سیستم واقعاً برای انجام چه کاری نیاز دارد و تنها اطلاعات لازم برای آن هدف را جمع‌آوری کند.

پردازش لبه با تحلیل محلی اطلاعات و ارسال تنها داده‌های مورد نیاز — مانند یک تریگر متاداده — به جای انتقال مداوم ویدیوهای خام در شبکه، از این اصل پشتیبانی می‌کند. این رویکرد دو نگرانی بزرگ پیرامون نظارت هوش مصنوعی را برطرف می‌کند: پتانسیل اطلاعات نادرست (مثبت کاذب) و سوءاستفاده یا مدیریت نادرست داده‌های شخصی. این رویکرد با استراتژی‌های مدرن مدیریت داده همسو است، مشابه آنچه در تلاش‌های SoftSync AI برای حفظ حریم خصوصی اروپا در اتصال مدل‌های زبانی به سیستم‌های CRM مشاهده می‌شود.

نیلسون اشاره می‌کند که اگرچه تحقیقات نشان می‌دهد مردم با نظارت ویدئویی راحت‌تر شده‌اند، اما این پذیرش را نمی‌توان بدیهی دانست. این امر مسئولیتی واقعی بر دوش تامین‌کنندگان فناوری می‌گذارد تا حریم خصوصی و امنیت را از همان ابتدا در سیستم‌ها تعبیه کنند.

امنیت و مدیریت چرخه عمر

زیرساخت‌های فیزیکی اغلب برای سال‌های زیادی مستقر می‌مانند، در حالی که تهدیدات امنیت سایبری روزانه تکامل می‌یابند. برای اطمینان از اینکه دوربین‌ها امن و قابل نگهداری باقی می‌مانند، اکسیس با دوربین به عنوان بخشی از زیرساخت گسترده‌تر IT برخورد می‌کند و نه به عنوان یک دستگاه مستقل.

برای ایمن کردن این دستگاه‌ها، اکسیس از Edge Vault استفاده می‌کند؛ یک بنیاد مبتنی بر سخت‌افزار که موارد زیر را فراهم می‌کند:

• محافظت از یکپارچگی دستگاه.
• ایمن‌سازی کلیدهای رمزنگاری.
• ایجاد یک زنجیره اعتماد (Chain of Trust).
• پشتیبانی از بوت امن (Secure Boot) و نرم‌افزارهای امضا شده برای اطمینان از اینکه تنها کدهای مورد اعتماد روی دستگاه اجرا می‌شوند.

استراتژی اکوسیستم باز

برای جلوگیری از وابستگی به فروشنده (Vendor Lock-in)، اکسیس یک اکوسیستم اپلیکیشن باز را حفظ می‌کند. این به توسعه‌دهندگان شخص ثالث اجازه می‌دهد تا تحلیل‌های تخصصی را مستقیماً روی سخت‌افزار اکسیس بسازند و مستقر کنند. نیلسون تأکید می‌کند که با تکامل هوش مصنوعی، توانایی به‌روزرسانی مدل‌ها بدون تعویض فیزیکی دوربین، تنها راه حفظ یک زیرساخت پایدار است. این رویکرد به ایجاد تجربه‌های یکپارچه‌تر منجر می‌شود، مشابه مدل تبدیل تجربه کارکنان به یک مرکز هوش مصنوعی حاکم که توسط Unily دنبال می‌شود.

یک پلتفرم باز، ادغام با سایر سیستم‌های سازمانی را ساده می‌کند و به سازمان‌ها اجازه می‌دهد راهکارهای لبه هوشمند را در حالی که با نیازهای متغیر تجاری سازگار می‌شوند، مقیاس کنند. با حذف وابستگی به فروشنده، این اکوسیستم‌های تعامل‌پذیر تضمین می‌کنند که ارزش نه تنها در خود دوربین، بلکه در نحوه همکاری دوربین، حسگرها، تحلیل‌ها و اپلیکیشن‌های سازمانی به عنوان یک سیستم یکپارچه است.

اعتبارسنجی در دنیای واقعی

دقت در آزمایشگاه به معنای دقت در میدان نیست. اکسیس طرفدار تست مدل‌های هوش مصنوعی در محیط واقعی است — با در نظر گرفتن نور خاص، آب‌وهوا، موقعیت دوربین و رفتار انسانی.

نیلسون به استقرار در کارخانه بی‌ام‌و به عنوان استاندارد طلایی برای این رویکرد اشاره می‌کند. چون دوربین‌ها در یک محیط تولید واقعی استفاده می‌شوند، کیفیت تصاویر و تحلیل‌های حاصله باید از یک فرآیند تولید واقعی در لحظه پشتیبانی کند و ثابت کند که مدل تحت استرس عملیاتی کار می‌کند. او مشتریان را تشویق می‌کند تا ابزارهایی مانند Axis Object Analytics و Axis Custom Analytics را در محیط‌های واقعی خود ارزیابی کنند تا مطمئن شوند دقت برای آن کاربرد به اندازه کافی بالا است.

آینده: هوش صحنه

با توانمندتر شدن هوش مصنوعی لبه، نقش دوربین شبکه به تکامل خود ادامه خواهد داد. صنعت به سمت هوش صحنه (Scene Intelligence) حرکت می‌کند، جایی که دوربین از درک عمیق‌تری از محیط خود برای ارائه اطلاعات معنادار درباره اشیاء و ویژگی‌های آن‌ها استفاده می‌کند.

در دهه آینده، این احتمالاً منجر به موارد زیر خواهد شد:

• تشخیص پیشرفته‌تر اشیاء و رفتارها.
• ادغام عمیق‌تر با سیستم‌های سازمانی و سایر حسگرها.
• افزایش اتوماسیون در نحوه واکنش سازمان‌ها به رویدادها.

این انتقال به این معنی است که ویدیو به بخشی از یک لایه گسترده‌تر از داده و هوشمندی تبدیل می‌شود. دوربین همچنان ثبت می‌کند که چه اتفاقی می‌افتد، اما به‌طور فزاینده‌ای می‌تواند کمک کند تا توضیح دهد چرا این اتفاق می‌افتد و پیشنهاد دهد که سازمان در مرحله بعد چه کاری باید انجام دهد.

گام بعدی شما

• اگر مدیر زیرساخت هستید، بررسی کنید چه مقدار از پهنای باند شبکه شما صرف ارسال ویدیوهای خام برای تحلیل در سرور می‌شود.
• قابلیت‌های Axis Custom Analytics را برای شناسایی اشیای خاص در محیط کاری خود ارزیابی کنید.
• استراتژی انتقال پردازش از ابر به لبه را برای کاهش هزینه‌های استنتاج در سال ۲۰۲۶ در اولویت قرار دهید.

اما داستان سخت‌افزاری این تحول با ظهور تراشه‌های NPU جدید حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی شتاب‌دهنده‌های هوش مصنوعی در لبه مراجعه کنید.