مقابلات
أندرو نصّار، المدير التقني في IC Realtime – سلسلة مقابلات

النقاط الرئيسيةيشغّل Bunker التحليل الأساسي للذكاء الاصطناعي على بوابة NVIDIA Jetson محلية لتقليل…
عرض المزيد
- يشغّل Bunker التحليل الأساسي للذكاء الاصطناعي على بوابة NVIDIA Jetson محلية لتقليل الاعتماد على السحابة وتسريع التنبيهات.
- يرفض Nassar بناء ميزات الهوية البيومترية لأن المراقبة يجب أن تصف الأحداث بدلاً من تصنيف الأشخاص.
- الذكاء الاصطناعي الطرفي ليس سياسة خصوصية لأن الخدمات السحابية لا تزال تتولى الوصول عن بُعد وسجل الفيديو.
أندرو نصّار هو المدير التقني في IC Realtime، حيث أسهم في قيادة الشركة خلال انتقالها من الكاميرات التناظرية إلى التسجيل الرقمي والمراقبة عن بُعد وتحليل الفيديو بمساعدة الذكاء الاصطناعي. وبخبرة تزيد على 20 عامًا في مجال المراقبة، يركز على تحويل التطورات في الرؤية الحاسوبية والحوسبة الطرفية إلى أدوات عملية لفهم الأحداث والعثور على اللقطات وتحسين عمليات الأمن.
تصمم IC Realtime أنظمة مراقبة بالفيديو وبرمجيات للبيئات السكنية والتجارية. وتضيف منصتها Bunker تحليلات الذكاء الاصطناعي إلى أنظمة الكاميرات المتوافقة عبر بوابة مخصصة تعمل بمعالج NVIDIA Jetson، ما يتيح إرسال تنبيهات سياقية والبحث في الفيديو باللغة الطبيعية. وتجمع المنصة بين التحليل المحلي والخدمات المتصلة بالسحابة لإتاحة الوصول عن بُعد والاطلاع على سجل الفيديو.
لقد أسهمت في قيادة IC Realtime خلال انتقالها من الكاميرات التناظرية إلى التسجيل الرقمي والمراقبة عن بُعد، وصولًا إلى الذكاء الاصطناعي. ما الذي أقنعك بأن الذكاء الاصطناعي قادر على إحداث تغيير جوهري في مجال المراقبة؟ وما التطورات التي جعلت تحليل الفيديو المتقدم عمليًا على الأجهزة الطرفية؟
نعمل منذ سنوات على تعلّم الآلة والرؤية الحاسوبية في كاميراتنا. وأصبحت هذه الإمكانات أكثر فائدة بكثير عندما صار النظام قادرًا على مساعدة المستخدم في فهم حدث والعثور على اللقطات ذات الصلة، بدلًا من الاكتفاء بإنتاج مزيد من الفيديو لمراجعته. يريد صاحب المنزل أن يعرف ما الذي يستحق الانتباه. وتريد الشركة العثور على حادثة من دون قضاء ساعات في البحث.
توفّر Bunker هذا النهج عبر بوابة مخصصة من NVIDIA Jetson في الموقع. ويمكن لنقل التحليل الأساسي إلى مكان أقرب من الكاميرات أن يقلل الاعتماد على إرسال كل مهمة تحليلية إلى السحابة ويحسّن سرعة الاستجابة. ويتمثل التطور العملي في الجمع بين الحوسبة المحلية والبرمجيات التي تحوّل الفيديو إلى تنبيهات سياقية وأحداث قابلة للبحث.
ما زلت أحتكم إلى معيار القيمة المثبتة. يجب أن تحل التقنية مشكلة حقيقية في البيئة التي سيستخدمها فيها العميل. والعرض التوضيحي الجيد هو بداية هذه العملية.
إذا اتخذنا Bunker مثالًا، فهل يمكنك شرح ما يحدث منذ أن تلتقط الكاميرا حدثًا وحتى وصول تنبيه إلى المستخدم؟ وما وظائف الذكاء الاصطناعي التي تعمل محليًا، وما الذي لا يزال يتطلب الاتصال بالسحابة، وما البيانات التي تغادر الموقع؟
بصورة عامة، ترسل كاميرا متوافقة الفيديو إلى Bunker Gateway، ويُجرى تحليل الذكاء الاصطناعي الأساسي على تلك البوابة في الموقع. وتربط المنصة النشاط المكتشف بأحداث الفيديو، ويمكنها إرسال تنبيه سياقي يتضمن لقطة ووصفًا بلغة واضحة. وبعد ذلك، يستطيع المستخدم مراجعة الفيديو في التطبيق.
تعتمد Bunker على بنية هجينة. إذ يتيح الاتصال بالسحابة الوصول عن بُعد وخدمات الاشتراك وسجل الفيديو؛ لذلك سيكون من المضلل وصف المنصة بأنها لا تعتمد على السحابة أو القول إن أي فيديو لا يغادر الموقع. المهم هو كيفية حماية تلك البيانات عند مغادرتها. فجميع البيانات مشفّرة أثناء النقل، بما فيها الفيديو المباشر، الذي يظل مشفّرًا من البوابة حتى شاشة المشاهد. وتقتصر وظيفة البنية التحتية الوسيطة على تمريره، من دون أن تتمكن من مشاهدته. وتتم المصادقة على كل بوابة باستخدام شهادة خاصة بها، لا ببيانات اعتماد مشتركة، كما تُشفّر اللقطات المخزنة في السحابة.
ينبغي أن يحصل العملاء على شرح واضح لهذا التدفق، بما في ذلك الميزات التي تعتمد على الإنترنت وما يحدث عند انقطاع الاتصال.
تعمل كاميرات المراقبة تحت المطر وفي الظلام والوهج وفي بيئات دائمة التغير. ما أصعب عطل واقعي واجهته؟ وكيف تقيسون ما إذا كانت التحسينات تقلل الإنذارات الكاذبة من دون زيادة الحوادث التي لا يرصدها النظام؟
أعمل في هذا المجال منذ أكثر من 20 عامًا، وقد تطورت تقنيات الكاميرات تطورًا كبيرًا، ولا سيما في ظروف الإضاءة الخافتة والظروف الصعبة. فالصور الليلية والمشوّشة باتت الآن تكاد تضاهي صور النهار وضوحًا. ومع ذلك، لا يزال المطر والوهج والضباب والثلج قادرًا على خفض دقة نماذج الذكاء الاصطناعي. ولا تزيل المستشعرات الأفضل أثر هذه العوامل المتغيرة.
لذلك اخترنا نهجًا ديناميكيًا يتكيف مع تغير البيئات وأوقات اليوم، بدلًا من الاعتماد على إعداد ثابت واحد. وعلى مدى عامين من التطوير، أمضينا آلاف الساعات في الاختبار ضمن تركيبات واقعية، لا على كاميرات موضوعة على طاولة اختبار فحسب، وصممنا النظام استنادًا إلى ما تعلمناه من عمليات النشر تلك.
لن أقيّم التحسين بمجرد انخفاض عدد الإشعارات. السؤال هو ما إذا كان يقلل التنبيهات غير ذات الصلة مع الاستمرار في رصد الحوادث المهمة. ولا تكون فائدة تقليل التنبيهات المزعجة حقيقية إلا إذا ظل النظام مفيدًا عند وقوع أمر مهم.
يختلف اكتشاف شخص أو مركبة عن تقرير ما إذا كان سلوكهما مثيرًا للقلق. كيف تحددون السلوك الشاذ، وتكيّفون هذا التعريف ليناسب كل موقع، وتمنعون النظام من اعتبار الأنشطة غير الضارة تهديدًا؟
لا يخبرك اكتشاف جسم بحد ذاته ما إذا كانت هناك مشكلة. فقد تتضمن عملية توصيل عند المدخل الأمامي ونشاط في منطقة محظورة النوع نفسه من الأجسام، لكنهما يتطلبان استجابتين مختلفتين تمامًا. وينبغي أن تكون نقطة البداية هي حالة استخدام العميل وسياق الموقع المعني.
أميّز بين حدث يستحق المراجعة والاستنتاج بأن شخصًا ما يشكّل تهديدًا. ينبغي للنظام أن يساعد المستخدم على فهم ما رُصد وسبب عرضه، مع إتاحة الوصول إلى التسجيل المصوّر الأصلي. كما ينبغي ألا يشجّع المستخدم على اعتبار كل نشاط غير مألوف دليلًا على ارتكاب مخالفة.
كلما ازدادت قدرات هذه الأنظمة، تمثّل التحدي في جعل هذا السياق مفيدًا من دون المبالغة في ما يعرفه الذكاء الاصطناعي. ويظل الحكم البشري مهمًا، خصوصًا عندما قد يؤدي التنبيه إلى إجراء تترتب عليه عواقب كبيرة.
يَعِد البحث باللغة الطبيعية بالاستغناء عن ساعات من مراجعة التسجيلات يدويًا. كيف يربط نظامكم وصف المستخدم بمقطع الفيديو المناسب، وكيف تختبرون حالات عدم رصد أحداث، أو مطابقة نتائج غير صحيحة، أو إنشاء الذكاء الاصطناعي أوصافًا لا تدعمها التسجيلات؟
الفكرة هي إتاحة البحث في مقاطع الفيديو باللغة التي يستخدمها الشخص بطبيعته. فعندما يرصد النظام نشاطًا، ينشئ Bunker أوصافًا مؤرخة مرتبطة بأحداث الفيديو. ويُستخدم سؤال المستخدم للبحث في هذا السجل المفهرس وإظهار المقاطع ذات الصلة. وهكذا يحصل المستخدم على نقطة بداية، من دون الحاجة إلى التنقل يدويًا عبر التسجيل بأكمله.
ينبغي أن يظل التسجيل المصوّر هو الأساس للتحقق من النتيجة. فالوصف المُنشأ مفيد لتسهيل الوصول إلى المقطع، لكن لا ينبغي اعتباره أكثر موثوقية مما التقطته الكاميرا فعلًا.
في الاختبارات، سأفصل بين ثلاثة أسئلة: هل أغفل النظام حدثًا ذا صلة؟ هل أظهر نتيجة لا تطابق الطلب؟ هل تضمّن الوصف شيئًا لا يدعمه التسجيل المصوّر؟ هذه أنماط مختلفة للإخفاق. ولا يكفي تقييم النظام بالاقتصار على التحقق مما إذا كان البحث يعرض إجابة تبدو معقولة.
ما المفاضلات التي تفرضها أجهزة NVIDIA Jetson على حجم النموذج ودقته واستهلاكه للطاقة وعدد تدفقات الكاميرات التي يمكنكم تحليلها؟ وكيف تحافظون على أداء موثوق عند استخدام كاميرات قديمة من جهات خارجية، أو بلوغ الحد الأقصى لقدرة المعالجة، أو انقطاع الاتصال بالإنترنت؟
يتمثل التحدي التصميمي في تقديم تحليل مفيد ضمن الموارد المتاحة في الموقع. إذ يجب أن تتوافق درجة تعقيد النموذج، وكمية الفيديو الجاري معالجتها، والوقت اللازم للاستجابة، مع حدود تشغيل البوابة. ولهذا، فإن عدد تدفقات الفيديو المدعومة وحده لا يروي القصة كاملة عن الأداء.
تدعم خطط إطلاق Bunker ما يصل إلى 10 تدفقات من الكاميرات. وتتيح كاميرات ONVIF المتوافقة للعملاء الاحتفاظ بأجهزتهم الحالية، لكن لا بد من التحقق من التوافق عند كل عملية تركيب. فالإعدادات والبرامج الثابتة وجودة الصورة والميزات المستخدمة كلها عوامل مهمة.
علينا أيضًا أن نكون دقيقين في ما يتعلق بالقدرة على الصمود. فالمعالجة المحلية والخدمات المتصلة بالسحابة جزءان مختلفان من النظام، ووجود بوابة طرفية لا يعني أن كل ميزة ستعمل على النحو المعتاد عند انقطاع الإنترنت. والتحديثات جزء من موثوقية النظام أيضًا. إذ يُوقَّع كل تحديث ويُتحقَّق منه على البوابة قبل تثبيته، وتُرفض الإصدارات الأقدم المعرّضة للثغرات، ويُستعاد الإصدار السابق تلقائيًا إذا فشل التحديث. ولا ينبغي أن يكون تحديث معيب هو ما يعطّل نظام الأمن في الموقع.
الاستدلال المحلي وحده لا يجيب عن كل أسئلة الخصوصية. أين يخزّن Bunker التسجيلات المصوّرة وطلبات البحث والبيانات الوصفية التي ينشئها الذكاء الاصطناعي؟ وما مدة الاحتفاظ بها، ومن يمكنه الوصول إليها؟ وكيف تحسّنون نماذجكم من دون افتراض أن لديكم إمكانية الوصول إلى تسجيلات العملاء الخاصة؟
أتفق مع ذلك. «الذكاء الاصطناعي الطرفي» ليس سياسة خصوصية متكاملة. يحتاج العملاء إلى معرفة وجهة بياناتهم، وما الذي يُحتفظ به، ومن يمكنه الوصول إليه؛ ويشمل ذلك طلبات البحث والأوصاف المُنشأة، إلى جانب مقاطع الفيديو.
تُشفَّر التسجيلات المصوّرة وقواعد البيانات التي تستند إليها الخدمة وهي مخزنة. وتُجزّأ كلمات المرور، وتنتهي صلاحية الجلسات، لذا حتى اختراق قاعدة بيانات لن يتيح لأحد بيانات تسجيل دخول صالحة. كما أن البوابة نفسها مشفّرة، ولذلك لا يتيح الجهاز المسروق الوصول إلى أي تسجيلات أو بيانات اعتماد. وشمل عرض Bunker عند الإطلاق الاحتفاظ بسجل فيديو سحابي لمدة 60 يومًا ضمن Standard و365 يومًا ضمن Premium، بالإضافة إلى Video Vault للمقاطع التي يختار العميل حفظها.
لا نستخدم تسجيلات العملاء لتدريب نماذجنا، ولا ننشئ قوالب بيومترية لأي شخص تلتقطه الكاميرات. فاستخدام العميل للمنتج لا يمنحنا إذنًا بإعادة استخدام تسجيلاته الخاصة.
أثار الجدل المحيط بـFlock Safety تساؤلات بشأن الجهات التي يمكنها البحث في بيانات المراقبة، وما إذا كان يُلغى الوصول على النحو المناسب. ورغم اختلاف نموذج النشر لديكم، فما الدروس التي تنطبق على أنظمتكم، وما الضمانات التي ينبغي أن تكون إلزامية لا اختيارية؟
لا يتعلق الغضب من Flock بالذكاء الاصطناعي في جوهره، بل بمن يستطيع الدخول والبحث في البيانات. وتمحور جانب كبير من التدقيق حول أمن الحسابات، بما في ذلك تساؤل المشرّعين عن سبب عدم إلزامية المصادقة متعددة العوامل. فعندما تكفي كلمة مرور مسروقة للبحث في نظام مراقبة، لا يعود لمكان تشغيل النموذج أي أهمية.
في Bunker، يقتصر الوصول إلى بيانات النظام على المستخدمين الذين منحهم مالك ذلك النظام صلاحية الوصول. ولا نشارك البيانات مع جهات خارجية، ولا نستخدم بيانات العملاء لتدريب نماذجنا، ولا ننشئ قوالب بيومترية.
يجب أن يبدأ الأمان من الجهاز ويمتد ليشمل الحساب. تأتي كل بوابة من Bunker مزوّدة بهوية تشفيرية خاصة بها، لذا لا توجد كلمات مرور افتراضية يلزم تغييرها أو يستطيع المهاجم البحث عنها. ويُتحقق من البرامج الثابتة عند كل تشغيل، كما تُوقّع التحديثات ويُتحقق منها قبل تثبيتها، وتُحمى عمليات تسجيل الدخول بالمصادقة متعددة العوامل. وإضافة إلى ذلك، ينبغي إلغاء صلاحيات الوصول فور انتفاء الحاجة إليها، وينبغي أن تخلّف الأنشطة الحساسة سجلًا قابلًا للتدقيق. فالثقة تعتمد على القدرة على توضيح من فعل ماذا.
غالبًا ما لا يكون الأشخاص الذين تلتقطهم الكاميرا هم أنفسهم الذين اشتروها. كيف ينبغي لأنظمة المراقبة المدعومة بالذكاء الاصطناعي أن تراعي خصوصية الجيران والموظفين والزوار والمارة؟ وهل ثمة إمكانات ترفضون عمدًا تطويرها؟
ينبغي أن يكون للتركيب غرض محدد، وأن يوجّه هذا الغرض ما يُلتقط من صور، وما يُحلّل، ومن يمكنه الاطلاع على النتائج. فالرغبة في تأمين مدخل لا تعني أن كل نشاط يجري في عقار مجاور ينبغي أن يُدرج في سجل قابل للبحث.
من الحدود التي وضعناها ما يتعلق بالهوية. لا ينشئ Bunker قوالب بيومترية، ولا يربط هوية أي شخص يرصدُه. فهو يصف ما حدث، لا هوية الشخص. وهذا يُبقي تركيز النظام على الأحداث، بدلًا من تتبع الأشخاص أو تصنيفهم.
زيادة الإمكانات لا تعني تلقائيًا زيادة القيمة. فإذا تسببت ميزة ما في مشكلة خطيرة تتعلق بالثقة من دون أن تحل مشكلة واضحة لدى العملاء، فذلك سبب لعدم تطويرها.
عند استشراف السنوات الثلاث إلى الخمس المقبلة، ما الإمكانات المهمة التي تتوقع أن يتيحها الذكاء الاصطناعي الطرفي إلى جانب قدرات الكشف والبحث المتاحة اليوم؟ وما المشكلة التقنية أو المتعلقة بالثقة التي يجب حلها قبل أن يصبح اعتماده على نطاق واسع مبررًا؟
بصراحة، لا يزال مستقبل الذكاء الاصطناعي مجهولًا في الوقت الراهن، ويتطور بوتيرة أسرع من أي شيء شهدته خلال مسيرتي المهنية. نتابع هذه التغييرات بصورة شبه يومية، ونبحث في المجالات التي يمكن أن تعود فيها بالفعل بالنفع على مستخدمي منصتنا.
أهم المجالات بالنسبة إلينا هي فهم السياق والاستيعاب والأنظمة التي تواصل التعلم والتحسن. وتكمن القيمة في مساعدة شخص ما على فهم موقف آخذ في التطور وتحديد ما يستدعي الانتباه، بدلًا من محاولة جمع إشعارات منفصلة ومتفرقة لفهم الصورة كاملة.
يتمثل التحدي التقني في تحقيق ذلك بصورة موثوقة في بيئات متغيرة، وفي حدود إمكانات الأجهزة المحلية. أما التحدي المتعلق بالثقة، فيتمثل في توضيح حدود النظام وممارساته في التعامل مع البيانات. إذ يحتاج الناس إلى معرفة ما رصده النظام، وما استنتجه، ومتى ينبغي للإنسان اتخاذ القرار.
شكرًا لكم على هذا الحوار الممتع. ويمكن للقراء الراغبين في استكشاف كاميرات الأمن الاحترافية وأجهزة التسجيل وأنظمة المراقبة بالفيديو المدعومة بالذكاء الاصطناعي زيارة IC Realtime.












