أصبحت المراقبة بالفيديو بنية تحتية أساسية للمعلومات في المصانع، الحرم الجامعية، مواقع النقل، المستودعات، المباني التجارية، مشاريع السلامة العامة، والعديد من الصناعات الأخرى. في المرحلة المبكرة، كانت الكاميرات تُستخدم بشكل أساسي لتسجيل الفيديو. يقوم المستخدمون بمراجعة اللقطات المخزنة بعد وقوع الحدث. ومع نضوج الذكاء الاصطناعي، تتغير أنظمة المراقبة من أدوات تسجيل سلبية إلى أنظمة تحليل نشطة يمكنها اكتشاف الأحداث، وتوليد التنبيهات، ودعم اتخاذ القرار بشكل أسرع.

اليوم، يمكن استخدام تحليلات الفيديو بالذكاء الاصطناعي للكشف عن اللهب، الكشف عن خوذات الأمان، الكشف عن الأجسام المتساقطة من علو، التعرف على ملابس العمل، الكشف عن التسلل، الكشف عن مغادرة المكان، تحليل السلوك، والعديد من التطبيقات الأخرى القائمة على السيناريو. لم يعد السؤال الرئيسي هو ما إذا كان يمكن استخدام الذكاء الاصطناعي في مراقبة الفيديو، ولكن أين يجب نشر قوة الحوسبة للذكاء الاصطناعي: في السحابة، أو على الحافة، أو مباشرة داخل الكاميرا.

من تسجيل اللقطات إلى فهم الأحداث

صممت أنظمة المراقبة بالفيديو التقليدية بشكل أساسي لالتقاط الفيديو ونقله وتخزينه وإعادة تشغيله. لا يزال هذا النموذج مفيدًا، لكنه يعتمد بشكل كبير على المراجعة اليدوية. في العديد من المواقف العملية، لا يرغب المستخدمون في الانتظار حتى يحدث الحادث بالفعل. إنهم يريدون من النظام تحديد المخاطر في وقت مبكر وتقديم تنبيهات مفيدة في الوقت الفعلي.

تغير التحليلات بالذكاء الاصطناعي دور نظام الكاميرا. فبدلاً من مجرد تسجيل الصور، يمكن للنظام تحليل المشهد والتعرف على كائنات أو سلوكيات أو علامات بيئية محددة. على سبيل المثال، في المصنع، يمكنه تحديد ما إذا كان العمال يرتدون خوذات أو زياً موحداً. في المستودع، يمكنه اكتشاف التسلل غير المصرح به. في منطقة خطر الحريق، يمكنه دعم التحليل المتعلق باللهب والدخان. في إدارة المدن، يمكنه المساعدة في اكتشاف الأجسام المتساقطة من الأماكن المرتفعة أو النشاط غير الطبيعي في المناطق المحظورة.

هذا التحول يجعل المراقبة بالفيديو أكثر قيمة للإدارة اليومية. لم يعد النظام يُستخدم فقط كدليل بعد وقوع حدث. يمكنه أيضًا دعم الوقاية والاستجابة والامتثال وإدارة السلامة وكفاءة العمليات.

لماذا يتطلب تحليل الفيديو قوة حوسبة كبيرة

تحليلات الفيديو بالذكاء الاصطناعي ليست عملية مقارنة صور بسيطة. لتحليل دفق فيديو، يحتاج النظام عادةً إلى فك تشفير الفيديو أولاً. بعد فك التشفير، يصبح الفيديو سلسلة من الإطارات. ثم تتم معالجة هذه الإطارات بواسطة الخوارزميات لتحديد الكائنات أو الأحداث أو الأنماط. يجب تكرار هذه العملية بشكل مستمر إذا كان النظام بحاجة إلى مراقبة في الوقت الفعلي.

لدفق أو اثنين منخفضي الدقة، قد يكون متطلب الحوسبة مقبولاً. لعشرات أو مئات أو آلاف قنوات الكاميرا، يصبح عبء العمل أثقل بكثير. يجب على خادم ذكاء اصطناعي واحد معالجة كميات كبيرة من بيانات الفيديو المفكوكة، وغالبًا ما لا تكون موارد وحدة المعالجة المركزية العادية كافية لهذه المهمة. في العديد من المشاريع، يلزم وجود وحدات معالجة رسومات أو أجهزة تسريع ذكاء اصطناعي مخصصة.

هذا يخلق مشكلتين عمليتين. الأولى هي التكلفة. فخوادم الحوسبة للذكاء الاصطناعي، وبطاقات الرسومات، والتخزين، والتبريد، والصيانة يمكن أن تزيد جميعها من استثمار النظام. والثانية هي تعقيد النشر. يجب على فرق المشروع أن تقرر أين تضع موارد الحوسبة، وكيفية توصيل تدفقات الكاميرا بمنصة التحليلات، وكيفية الحفاظ على استقرار النظام بأكمله أثناء التشغيل المستمر.

ثلاثة مسارات رئيسية للنشر

في مشاريع الذكاء الاصطناعي الحالية لمراقبة الفيديو، هناك ثلاث طرق نشر شائعة: التحليلات المستندة إلى السحابة، والتحليلات المستندة إلى الحافة، والتحليلات المستندة إلى الكاميرا. يشار إليها غالبًا باسم نشر السحابة والحافة ونقطة النهاية. لكل طريقة قيمتها، ولا توجد أي منها مناسبة لكل سيناريو.

النشر السحابي مناسب عندما تكون الإدارة المركزية مهمة وتكون موارد الشبكة كافية. النشر على الحافة مفيد عندما تكون الحوسبة المحلية مطلوبة ولكن لا تمتلك الكاميرات قدرة ذكاء اصطناعي مدمجة كافية. أصبح النشر المستند إلى الكاميرا أكثر شيوعًا لأنه يقلل من ضغط نقل الفيديو ويسمح بإجراء التحليل مباشرة عند المصدر.

لماذا يمكن أن يصبح نشر السحابة والحافة معقدًا

عند نشر تحليلات الذكاء الاصطناعي في السحابة أو على خادم الحافة، يتم فصل الخوارزمية عن الكاميرا. المهمة الأولى هي جلب تدفقات الفيديو من الكاميرات إلى منصة تحليل الذكاء الاصطناعي. قد يبدو هذا بسيطًا، لكنه في المشاريع الحقيقية يمكن أن يصبح معقدًا لأن الكاميرات ومنصات الفيديو والبوابات والبروتوكولات وتنسيقات التدفقات وبيئات الشبكة غالبًا ما تكون مختلفة.

العديد من فرق برامج الذكاء الاصطناعي قوية في تطوير الخوارزميات، ولكن قد لا تكون بنفس القوة في الوصول إلى تدفقات الفيديو، وتكيف الأجهزة، ومعالجة بروتوكولات الوسائط، وتكامل المراقبة واسعة النطاق. ونتيجة لذلك، تواجه بعض المشاريع صعوبات في التكوين، وفشل في سحب التدفق، وعدم استقرار الوصول إلى الفيديو، أو توافق محدود مع أنظمة الكاميرات الحالية.

هناك مشكلة أخرى وهي أن أجهزة تحليلات الحافة غالبًا ما تسحب التدفقات مباشرة من الكاميرات. في أنظمة المراقبة السابقة، كانت هذه المشكلة أقل لأن تطبيقات الفيديو كانت أبسط وكان عدد المنصات التي تطلب الفيديو في نفس الوقت أقل. اليوم، قد تحتاج الكاميرات إلى خدمة المعاينة المباشرة، والتسجيل، ومنصات إدارة الفيديو، وتحليل الذكاء الاصطناعي، والوصول عبر الهاتف المحمول، ومنصات القيادة، وأنظمة الطرف الثالث. إذا قامت خدمات متعددة بسحب التدفقات مباشرة من الكاميرات على مدار الساعة، فقد يصبح الحمل على الكاميرا زائدًا.

ضغط سحب التدفق في الوقت الفعلي على مدار 24 ساعة

يختلف تحليل الذكاء الاصطناعي عن المعاينة بالفيديو العرضية. غالبًا ما يتطلب وصولاً مستمرًا إلى التدفق في الوقت الفعلي على مدار 24 ساعة. هذا يعني أن منصة التحليل تستمر في سحب تدفقات الفيديو من الكاميرات طوال اليوم، كل يوم. إذا كانت طريقة السحب غير مخطط لها بشكل جيد، فقد يصبح الضغط على الكاميرات والشبكة كبيرًا.

في بعض المشاريع، قد يتسبب سحب التدفق غير المناسب في حدوث أعطال مثل فشل الوصول إلى التدفق، أو فيديو غير مستقر، أو شاشة سوداء، أو حمل زائد على الكاميرا، أو حتى تعطل الجهاز. لا تنجم هذه المشكلات دائمًا عن خوارزمية الذكاء الاصطناعي نفسها. غالبًا ما تكون ناجمة عن طريقة الوصول إلى تدفقات الفيديو وتوزيعها.

الهندسة الأفضل هي استخدام بوابة الوصول إلى الفيديو أو طبقة توزيع الوسائط لجمع تدفقات الفيديو بطريقة موحدة. يمكن للبوابة الحصول على مصدر الفيديو المطلوب مرة واحدة ثم توزيع تدفقات الفيديو المختلفة على منصات الأعمال المختلفة، بما في ذلك خوادم تحليلات الذكاء الاصطناعي، ومنصات المراقبة، ومراكز القيادة، وأنظمة التسجيل، والعملاء عبر الهاتف المحمول. هذا يقلل من الضغط المباشر على الكاميرا ويجعل النظام بأكمله أسهل في الإدارة.

عرض النطاق الترددي هو سبب رئيسي لاقتراب الذكاء الاصطناعي من الكاميرا

يعد عرض النطاق الترددي أحد أهم الأسباب التي تجعل الذكاء الاصطناعي المستند إلى الكاميرا يحظى باهتمام متزايد. إذا تم نشر تحليلات الذكاء الاصطناعي في السحابة، فيجب تحميل تدفقات الفيديو من الموقع المحلي إلى المنصة البعيدة. لعدد صغير من الكاميرات، قد يكون هذا ممكنًا. لمشاريع المراقبة الكبيرة، يمكن أن يتجاوز التحميل المستمر للفيديو بسرعة النطاق الترددي الصاعد المتاح.

تصبح هذه المشكلة أكثر خطورة عندما يحتوي الموقع على العديد من الكاميرات عالية الدقة أو عندما يكون اتصال الشبكة غير مستقر. يتطلب الذكاء الاصطناعي في الوقت الفعلي إدخال فيديو في الوقت المناسب. إذا كان النطاق الترددي للرفع غير كافٍ، فقد تكون نتيجة التحليل متأخرة أو غير كاملة أو غير موثوقة. في العديد من المشاريع الميدانية، يصعب إجراء التحليل في الوقت الفعلي القائم على السحابة للعديد من تدفقات الكاميرات لأن النطاق الترددي الصاعد ببساطة لا يدعم ذلك.

تغير التحليلات المستندة إلى الكاميرا تدفق البيانات. تقوم الكاميرا بتحليل الفيديو محليًا وترسل فقط النتيجة أو الإنذار أو اللقطة أو البيانات الوصفية أو معلومات الحدث إلى المنصة. بدلاً من نقل تدفقات الفيديو الكاملة بشكل مستمر للتحليل، يمكن للنظام نقل بيانات أصغر وأكثر قيمة. هذا يقلل من استخدام النطاق الترددي ويجعل الحل أكثر عملية للمواقع البعيدة والمناطق الصناعية والبيئات محدودة النطاق الترددي.

انخفاض تكلفة الأجهزة يغير منطق التصميم

لم تُصمم كاميرات المراقبة المبكرة لتحليلات الذكاء الاصطناعي. كانت مهمتها الرئيسية هي التقاط الفيديو وتشفيره. للحفاظ على تكاليف المنتج تحت السيطرة، كانت معظم الكاميرات تمتلك موارد حوسبة محدودة ولا يمكنها إجراء معالجة ذكاء اصطناعي متقدمة. هذا خلق سوقًا لصناديق الذكاء الاصطناعي على الحافة وخوادم الذكاء الاصطناعي المحلية، والتي تستخدم تدفقات الكاميرا كمدخل وتقوم بالتحليل خارج الكاميرا.

لا يزال هذا النهج ذا قيمة، خاصة عندما تتطلب المشاريع قوة حوسبة مرنة، أو إدارة خوارزميات مركزية، أو دعمًا للكاميرات الموجودة غير القادرة على الذكاء الاصطناعي. ومع ذلك، فإن الوضع يتغير. مع نمو سوق الذكاء الاصطناعي، تستمر رقائق الذكاء الاصطناعي والمعالجات المضمنة ومنصات أجهزة الكاميرا في التحسن. أصبحت تكلفة دمج قدرة الذكاء الاصطناعي الأساسية في الكاميرات أكثر قبولاً في العديد من السيناريوهات.

ونتيجة لذلك، يقوم المزيد من مصنعي الكاميرات ببناء خوارزميات الذكاء الاصطناعي مباشرة في الكاميرات. هذا يخلق منافسة مع أجهزة الذكاء الاصطناعي على الحافة، ولكنه يوسع أيضًا نطاق خيارات النشر. للمشاريع الجديدة، يمكن للذكاء الاصطناعي المستند إلى الكاميرا أن يقلل من طبقات النظام. للمشاريع القائمة، قد يظل الذكاء الاصطناعي على الحافة مفيدًا عندما لا تدعم الكاميرات الحالية التحليل المدمج.

دمج المستشعرات يحسن دقة الكشف

أحد أكبر التحديات في تحليل الفيديو بالذكاء الاصطناعي هو الدقة. يعتمد تحليل الفيديو الخالص بشكل أساسي على المعلومات المرئية. يمكن للإضاءة والزاوية والانسداد والطقس وتعقيد الخلفية وجودة الصورة وتشابه الكائنات أن تؤثر جميعها على نتائج التعرف. تحسين الدقة فقط من خلال تدريب الخوارزمية ممكن، ولكنه قد يتطلب كميات كبيرة من البيانات، ودورات تحسين طويلة، وتكلفة تطوير عالية.

يوفر دمج المستشعرات مسارًا آخر. عندما تجمع الكاميرا بين التحليل البصري وبيانات المستشعر الإضافية، يمكن للنظام إصدار أحكام أكثر موثوقية. على سبيل المثال، قد ينتج عن الكشف عن اللهب المعتمد فقط على الفيديو إنذارات كاذبة عندما تتضمن الصورة أضواءً أو انعكاسات أو شرارات لحام أو أنماطًا بصرية مماثلة. إذا تمت إضافة أجهزة استشعار درجة الحرارة أو أجهزة استشعار الدخان أو غيرها من أجهزة الاستشعار البيئية، فيمكن للنظام مقارنة إشارات متعددة قبل توليد إنذار.

هذا هو أحد أسباب جاذبية كاميرات الذكاء الاصطناعي المتكاملة في التطبيقات الخاصة بالصناعة. يمكن للكاميرا المزودة بذكاء اصطناعي مدمج وتكامل استشعار أن تحل مشكلات متعددة في جهاز واحد. يمكنها التقاط الصور، وتحليل الفيديو، وقراءة معلومات المستشعر، وإخراج نتيجة أكثر موثوقية. مقارنة بنشر السحابة أو الحافة، يمكن أن يكون هذا التصميم المحلي المتكامل أبسط لأنه لا يتطلب أجهزة استشعار منفصلة، أو بوابة إنترنت الأشياء، أو تكامل البيانات عبر الأنظمة، أو مزامنة النتائج الإضافية.

متى يعمل الذكاء الاصطناعي المستند إلى الكاميرا بشكل أفضل

الذكاء الاصطناعي المستند إلى الكاميرا مناسب بشكل خاص للسيناريوهات ذات أهداف الكشف الواضحة وقواعد العمل المستقرة. تشمل الأمثلة كشف الخوذات في مواقع البناء، والتعرف على ملابس العمل في المصانع، وكشف اللهب في المناطق الصناعية، وكشف التسلل في المناطق المحظورة، وكشف مغادرة المكان في مناطق الحراسة. في هذه السيناريوهات، يمكن للكاميرا تحليل الصور المحلية والإبلاغ فقط عن الأحداث المفيدة.

كما أنه مناسب للمواقع الموزعة حيث يكون النطاق الترددي محدودًا. قد لا تمتلك المستودعات البعيدة، والمحطات الفرعية، ومواقع البناء، والطرق السريعة، وخطوط الأنابيب، والمزارع، والموانئ، ومناطق المشاريع المؤقتة نطاقًا تردديًا صاعدًا كافيًا لإرسال فيديو مستمر إلى السحابة لمعالجة الذكاء الاصطناعي. يساعد تحليل الكاميرا المحلي في تقليل الاعتماد على الشبكة مع الحفاظ على كشف الأحداث بالقرب من المصدر.

حالة أخرى مناسبة هي المشاريع التي تحتاج إلى استجابة محلية سريعة. إذا كان يجب أن يؤدي الإنذار إلى تشغيل مكبر صوت محلي، أو ضوء تحذيري، أو إجراء تحكم في الدخول، أو إشعار منصة القيادة، فإن التحليلات المستندة إلى الكاميرا يمكن أن تقلل الوقت بين الكشف والاستجابة. كلما كان مسار البيانات أقصر، كان بناء منطق الاستجابة في الوقت الفعلي أسهل.

أين لا تزال تحليلات الحافة والسحابة ذات قيمة

لا يعني نمو الذكاء الاصطناعي المستند إلى الكاميرا أن تحليلات السحابة والحافة ستختفي. لا يزال لكل طريقة نشر سوقها الخاص. التحليلات السحابية مفيدة للإدارة المركزية للبيانات، وتشغيل المنصة عبر المناطق، وتدريب النماذج، والإحصاءات الواسعة للأحداث، وتحليل الأعمال الموحد. كما أنها مناسبة عندما يقوم النظام بشكل أساسي بتحليل اللقطات المرفوعة أو الفيديو المسجل أو مقاطع الأحداث المحددة بدلاً من التدفقات المستمرة الكاملة.

تحليلات الحافة ذات قيمة عندما لا تدعم العديد من الكاميرات الحالية الذكاء الاصطناعي المدمج. فهي تتيح للمستخدمين ترقية الذكاء دون استبدال كل كاميرا. يمكن لخوادم الحافة أيضًا تشغيل خوارزميات أكثر تعقيدًا من العديد من منصات الكاميرات المدمجة، خاصة عندما تكون هناك حاجة إلى نماذج متعددة، أو دقة أعلى، أو سعة حوسبة أقوى.

يعتمد الاختيار العملي على المشروع. قد تفضل التركيبات الجديدة ذات احتياجات الكشف الواضحة كاميرات الذكاء الاصطناعي. قد تستخدم المشاريع القائمة صناديق أو خوادم الذكاء الاصطناعي على الحافة. قد تجمع مشاريع المنصات الكبيرة بين ذكاء الكاميرا ومعالجة الحافة والإدارة السحابية معًا. غالبًا ما تكون الهندسة الهجينة أكثر واقعية من نموذج واحد ثابت.

تخطيط الهندسة المعمارية لنظام موثوق

يجب أن يبدأ حل المراقبة بالذكاء الاصطناعي الموثوق بمتطلبات العمل، وليس باسم الخوارزمية. يجب على فريق المشروع تحديد ما يجب اكتشافه، ومدى سرعة الإبلاغ عن النتيجة، وعدد الكاميرات المعنية، وما هو النطاق الترددي للشبكة المتاح، وما إذا كانت الاستجابة المحلية مطلوبة.

إذا كان المشروع يحتاج إلى تحليل مستمر للعديد من التدفقات الحية وكان النطاق الترددي الصاعد محدودًا، فيجب النظر أولاً في الذكاء الاصطناعي المستند إلى الكاميرا أو تحليلات الحافة المحلية. إذا كان المشروع يمتلك بالفعل عددًا كبيرًا من الكاميرات العادية، فقد تكون بوابة الفيديو بالإضافة إلى خادم الذكاء الاصطناعي على الحافة أكثر عملية. إذا كان المشروع يركز على الإدارة المركزية ولديه موارد شبكة قوية، فقد تظل التحليلات السحابية مفيدة.

يجب أيضًا تخطيط هندسة تدفق الفيديو بعناية. يجب تجنب السحب المباشر المتكرر للتدفق من الكاميرات في الأنظمة الكبيرة. يمكن لطبقة وصول وسائط موحدة أن تساعد في توزيع الفيديو على منصات مختلفة، وتقليل حمل الكاميرا، وتحسين استقرار النظام. هذا مهم بشكل خاص عندما يتطلب تحليل الذكاء الاصطناعي والمراقبة الحية والتسجيل وإرسال القيادة جميعًا الفيديو في نفس الوقت.

طريقة الاختيار الموصى بها

للمواقع الصغيرة التي تحتوي على عدد قليل من الكاميرات واحتياجات كشف بسيطة، يمكن لكاميرات الذكاء الاصطناعي أن تقلل من تعقيد التركيب وتجعل النظام أسهل في التشغيل. للمشاريع متوسطة الحجم، قد يوفر مزيج من كاميرات الذكاء الاصطناعي وبوابة فيديو محلية توازنًا جيدًا بين الذكاء المحلي وتكامل النظام. للمشاريع الكبيرة، غالبًا ما يكون التصميم متعدد الطبقات أفضل: تتعامل كاميرات الذكاء الاصطناعي مع الكشف البسيط في الوقت الفعلي، وتقوم خوادم الحافة بمعالجة المهام الأكثر تعقيدًا، وتدير المنصة السحابية الأحداث والتقارير والبيانات طويلة الأجل.

يجب على فريق المشروع أيضًا تقييم هيكل التكلفة. قد يزيد الذكاء الاصطناعي المستند إلى الكاميرا من سعر الوحدة لكل كاميرا، ولكنه يمكن أن يقلل من تكلفة الخادم وضغط النطاق الترددي وصعوبة التكامل. قد يتطلب الذكاء الاصطناعي على الحافة أجهزة حوسبة إضافية، ولكنه يمكنه إعادة استخدام الكاميرات الحالية. قد يبسط الذكاء الاصطناعي السحابي الأجهزة المحلية، لكنه يتطلب قدرة تحميل شبكة أقوى ووصولاً مستقرًا للخدمة على المدى الطويل.

الحل الأفضل ليس دائمًا الأكثر تقدمًا. إنه الحل الذي يتوافق مع هدف الكشف، وظروف الشبكة، والميزانية، والقدرة على الصيانة، وخطة التوسع المستقبلية.

الأسئلة الشائعة

هل كاميرا الذكاء الاصطناعي دائمًا أفضل من كاميرا عادية مع خادم ذكاء اصطناعي؟

لا. كاميرا الذكاء الاصطناعي فعالة للكشف المحلي، ولكن قد يكون خادم الذكاء الاصطناعي أفضل عندما يحتاج المشروع إلى قوة حوسبة أقوى، أو خوارزميات متعددة، أو دعم ترقية للكاميرات الموجودة.

هل يمكن للذكاء الاصطناعي المستند إلى الكاميرا أن يقلل من حركة مرور الشبكة؟

نعم. بما أن الكاميرا يمكنها معالجة الفيديو محليًا وتحميل التنبيهات واللقطات والبيانات الوصفية أو نتائج الأحداث فقط، فإن ذلك يمكن أن يقلل من الحاجة إلى تحميل تدفقات فيديو كاملة في الوقت الفعلي بشكل مستمر.

لماذا لا تزال بعض مشاريع المراقبة بالذكاء الاصطناعي تعاني من الإنذارات الكاذبة؟

قد تأتي الإنذارات الكاذبة من تغيرات الإضاءة، أو الكائنات المتشابهة، أو ضعف جودة الصورة، أو الطقس، أو الانسداد، أو بيانات التدريب المحدودة. يمكن أن يساعد دمج المستشعرات وضبط خاص بالسيناريو بشكل أفضل في تحسين الموثوقية.

هل يجب استبدال أنظمة المراقبة القديمة بكاميرات الذكاء الاصطناعي؟

ليس دائمًا. غالبًا يمكن ترقية الأنظمة الحالية باستخدام أجهزة الذكاء الاصطناعي على الحافة أو خوادم تحليلات الفيديو. الاستبدال الكامل أكثر ملاءمة عندما يحتاج المشروع أيضًا إلى مواقع كاميرات جديدة، أو جودة صورة أفضل، أو وظائف استشعار متكاملة.

ما هو العامل الأكثر أهمية قبل اختيار طريقة نشر الذكاء الاصطناعي؟

العامل الأكثر أهمية هو متطلب التطبيق الحقيقي. يجب على الفريق تحديد هدف الكشف، ووقت الاستجابة، وكمية الكاميرات، وحالة النطاق الترددي، وتوقع الدقة، ونموذج الصيانة قبل اختيار التحليلات المستندة إلى السحابة أو الحافة أو الكاميرا.

هل يمكن لكاميرات الذكاء الاصطناعي العمل مع منصة إدارة مركزية؟

نعم. يمكن لكاميرات الذكاء الاصطناعي إرسال أحداث الإنذار واللقطات والبيانات الوصفية وتدفقات الفيديو المحددة إلى منصة مركزية. هذا يسمح للتحليل المحلي والإدارة المركزية بالعمل معًا في نفس النظام.