پردازش لبه یا Edge AI در دوربین‌های ترافیکی به این معناست که بخشی از تحلیل تصویر نزدیک محل تولید داده انجام شود؛ روی خود دوربین، یک واحد پردازشی کنار آن یا یک گره محلی در تقاطع. هدف اصلی معمولاً کاهش تاخیر، کاهش حجم انتقال و حفظ عملکرد در زمان ضعف ارتباط است. این معماری جایگزین مطلق مرکز داده نیست؛ یک تقسیم کار میان میدان و مرکز ایجاد می‌کند.

NIST در مدل Fog Computing پردازش توزیع‌شده میان تجهیزات هوشمند و ابر را برای کاربردهای حساس به تاخیر توضیح می‌دهد. در حمل‌ونقل نیز FHWA به نمونه‌هایی از پردازش ویدئو و Multi-access Edge Computing در تقاطع‌ها اشاره کرده و پروژه‌های جدیدتر از Edge AI برای تشخیص دارایی یا علائم استفاده می‌کنند. اما موفقیت Edge AI بیش از توان پردازنده به مدیریت مدل، شرایط محیطی و عملیات نگهداری وابسته است.

چرا همه ویدئو را به مرکز نفرستیم؟

ویدئو جریان داده سنگینی دارد. اگر ده‌ها یا صدها دوربین هم‌زمان تصویر با کیفیت بالا به مرکز بفرستند، پهنای باند، ذخیره‌سازی و پردازش مرکزی سریعاً بزرگ می‌شود. در بسیاری از کاربردها، مرکز به خود تصویر پیوسته نیاز ندارد؛ ممکن است فقط شمارش، سرعت، مسیر حرکت، رخداد توقف یا چند ثانیه کلیپ مرتبط لازم باشد. پردازش محلی می‌تواند همین خلاصه را تولید کند.

مزیت دوم تاخیر است. برای کاربردهایی مثل تشخیص ورود به ناحیه خطر یا پایش صف نزدیک تقاطع، رفت‌وبرگشت داده به مرکز می‌تواند غیرضروری باشد. تصمیم اولیه می‌تواند محلی انجام شود و نتیجه برای ثبت و هماهنگی به مرکز ارسال شود. با این حال، هر تصمیمی که مستقیماً روی کنترل ترافیک اثر می‌گذارد باید سازوکار ایمنی و حالت جایگزین مشخص داشته باشد.

سلامت دستگاه و کیفیت مدل باید هم‌زمان پایش شوند.

چه چیزی در Edge و چه چیزی در مرکز؟

کارهایی که به تاخیر کم، حجم بالای ورودی و استقلال کوتاه‌مدت از شبکه نیاز دارند معمولاً گزینه خوبی برای Edge هستند. تحلیل تاریخی، آموزش مدل، همبستگی چند نقطه و نگهداری بلندمدت داده معمولاً در مرکز یا ابر مناسب‌ترند. معماری خوب این دو را مقابل هم قرار نمی‌دهد؛ مسئولیت هر لایه را روشن می‌کند.

یک روش تصمیم‌گیری عملی این است که برای هر خروجی چهار سؤال پرسیده شود: حداکثر تاخیر قابل قبول چقدر است؟ حجم داده خام چقدر است؟ در قطع شبکه چه عملکردی لازم است؟ و آیا خروجی نیاز به دید سراسری شبکه دارد؟ پاسخ این چهار سؤال معمولاً محل مناسب پردازش را روشن می‌کند.

آزمون میدانی، مشاهده‌پذیری و بازگشت امن مدل

پذیرش Edge AI نباید فقط با یک فایل ویدئویی آزمایشگاهی انجام شود. دوربین ترافیکی در طول روز با نور پشت‌زمینه، سایه، باران، شب، تراکم، انسداد دید و تغییر زاویه مواجه است. بنابراین مجموعه آزمون باید شرایط واقعی محل نصب را پوشش دهد و برای هر کاربرد معیار عملیاتی تعریف شود. مثلاً در شمارش تردد، خطای تجمعی در بازه زمانی مهم است؛ در تشخیص توقف غیرمجاز، نرخ هشدار کاذب و زمان ایجاد رویداد اهمیت بیشتری دارد. یک عدد کلی مانند «دقت ۹۵ درصد» بدون تعریف نوع خطا و شرایط آزمون برای تصمیم خرید کافی نیست.

بعد از استقرار نیز مشاهده‌پذیری لازم است. تیم بهره‌بردار باید بداند کدام نسخه مدل روی هر گره اجرا می‌شود، آخرین به‌روزرسانی چه زمانی بوده، دمای پردازنده و مصرف حافظه چگونه است و نرخ رویداد نسبت به الگوی معمول چه تغییری کرده است. افت ناگهانی تعداد تشخیص‌ها ممکن است از تغییر صحنه، کثیفی لنز، خرابی دوربین یا مشکل مدل باشد. ترکیب شاخص سلامت سخت‌افزار با شاخص رفتار مدل کمک می‌کند این علت‌ها سریع‌تر تفکیک شوند.

به‌روزرسانی مدل نیز باید قابلیت بازگشت داشته باشد. نسخه جدید ابتدا روی گروه محدودی از گره‌ها یا در حالت Shadow اجرا می‌شود تا خروجی آن بدون اثر عملیاتی با نسخه فعلی مقایسه شود. اگر شاخص‌ها افت کردند، سامانه باید بتواند سریع به نسخه قبلی برگردد. این چرخه نسخه‌بندی، انتشار تدریجی و Rollback به اندازه خود الگوریتم مهم است؛ چون Edge AI در نهایت یک سرویس عملیاتی توزیع‌شده است، نه یک مدل منفرد که فقط یک‌بار آموزش داده شود.

داده آموزشی، Drift و چرخه بهبود

عملکرد مدل در طول زمان می‌تواند بدون خرابی سخت‌افزاری تغییر کند. تغییر نوع خودروها، لباس و رفتار عابران، تابلوهای جدید، بازسازی مسیر یا تغییر نورپردازی صحنه توزیع داده ورودی را جابه‌جا می‌کند؛ پدیده‌ای که معمولاً با مفهوم Data Drift بررسی می‌شود. لازم نیست هر تغییر کوچک به آموزش مجدد منجر شود، اما باید شاخص‌هایی وجود داشته باشد که افت پایدار یا تغییر غیرعادی توزیع رویداد را آشکار کند. نمونه‌های دشوار و خطاهای تأییدشده می‌توانند به‌صورت کنترل‌شده وارد مجموعه ارزیابی بعدی شوند.

چرخه بهبود باید مرز روشنی میان داده عملیاتی و داده آموزشی داشته باشد. کلیپ‌هایی که برای بازبینی ذخیره می‌شوند باید سیاست نگهداری و دسترسی مشخص داشته باشند و برچسب‌گذاری آن‌ها قابل ممیزی باشد. نسخه مجموعه ارزیابی نیز باید ثابت بماند تا مقایسه مدل‌های جدید معنی‌دار باشد. در غیر این صورت ممکن است مدل جدید روی نمونه‌های آسان‌تر بهتر به نظر برسد، در حالی که در میدان همان خطاهای مهم را تکرار می‌کند.

جمع‌بندی

Edge AI می‌تواند دوربین ترافیکی را از یک منبع ویدئو به یک حسگر تحلیلی محلی تبدیل کند، اما این مزیت فقط با طراحی عملیاتی کامل می‌شود. انتخاب سخت‌افزار، مدیریت مدل، کنترل داده، امنیت، پایش سلامت و سناریوی قطع ارتباط باید از ابتدا در کنار الگوریتم دیده شوند.

برای پروژه شهری، بهتر است ابتدا یک کاربرد محدود با معیار میدانی روشن انتخاب شود و کیفیت آن در فصل‌ها و شرایط مختلف سنجیده شود. وقتی عملیات پایدار شد، توسعه به دوربین‌های بیشتر بسیار کم‌ریسک‌تر از استقرار وسیع قبل از شناخت رفتار واقعی سیستم است.