প্রতিটি বড় শহর এখন ভিডিওর ওপর ভিত্তি করে চলে। ট্রাফিক মোড়, সাবওয়ে প্ল্যাটফর্ম, পাবলিক পার্ক এবং শপিং ডিস্ট্রিক্টগুলো নিরবচ্ছিন্ন ফুটেজ মিউনিসিপ্যাল কন্ট্রোল রুমে পাঠায়। এই বিশাল পরিমাণ ডেটা বিস্ময়কর। সঠিক ব্যাখ্যা ছাড়া, সেই ফ্রেমগুলো কেবল সার্ভার স্পেস দখলকারী ব্যয়বহুল ফাইল মাত্র। ডিপ লার্নিং এই সমীকরণ বদলে দিয়েছে। এটি নগর ব্যবস্থাকে ঘটনা ঘটার সাথে সাথে তা পর্যবেক্ষণ করা, বোঝা এবং প্রতিক্রিয়া জানানোর ক্ষমতা দেয়, যা নিষ্ক্রিয় রেকর্ডিংকে সক্রিয় অবকাঠামোতে রূপান্তরিত করে।
পিক্সেল থেকে সিদ্ধান্ত
প্রথাগত কম্পিউটার ভিশন হাতে তৈরি নিয়মের ওপর নির্ভর করত। ইঞ্জিনিয়াররা নির্দিষ্ট আকৃতি, রঙ বা গতির প্যাটার্ন খোঁজার জন্য সিস্টেম প্রোগ্রাম করতেন। এই পদ্ধতিগুলো নিয়ন্ত্রিত ল্যাবে কাজ করলেও শহরগুলো অনেক বেশি জটিল। ছায়া পরিবর্তিত হয়। বৃষ্টি লেন্স ঘোলা করে দেয়। পথচারীরা এমন ছাতার নিচে জড়ো হয় যা ট্রেনিং ডায়াগ্রামের সাথে মোটেও মেলে না। নিয়ম-ভিত্তিক সিস্টেমগুলো ক্রমাগত ব্যর্থ হতো এবং অপারেটরদের ভুল শনাক্তকরণের (false positives) চাপে ডুবিয়ে দিত।
ডিপ লার্নিং এই সমস্যাটিকে ভিন্নভাবে মোকাবিলা করে। কনভোলিউশনাল নিউরাল নেটওয়ার্ক এবং এর পরবর্তী সংস্করণগুলো সরাসরি ডেটা থেকে বৈশিষ্ট্যগুলো শেখে। একটি সাইকেল দেখতে কেমন তা কম্পিউটারকে বলে দেওয়ার পরিবর্তে, ইঞ্জিনিয়াররা একে লক্ষ লক্ষ লেবেলযুক্ত উদাহরণ প্রদান করেন যতক্ষণ না মডেলটি সাইকেলের নিজস্ব একটি অভ্যন্তরীণ ধারণা তৈরি করে নেয়। এর ফলে এমন একটি সিস্টেম তৈরি হয় যা কোনো ত্রুটি ছাড়াই বাস্তব জগতের পরিবর্তনগুলো সামলাতে পারে। একটি জনাকীর্ণ রাস্তার দিকে তাকানো ক্যামেরা এমনকি গোধূলি বেলাতেও, হালকা কুয়াশার মধ্যেও বা যানবাহনগুলো আংশিকভাবে একে অপরকে ঢেকে ফেললেও একটি ডেলিভারি ভ্যান এবং একটি বাসের মধ্যে পার্থক্য করতে পারে। আরও গুরুত্বপূর্ণভাবে, মডেলটি কাঁচা পিক্সেলের পরিবর্তে কনফিডেন্স স্কোর এবং স্ট্রাকচার্ড মেটাডেটা প্রদান করে, যার অর্থ হলো ডাউনস্ট্রিম সফটওয়্যার অ্যালার্ট ট্রিগার করতে পারে, ড্যাশবোর্ড আপডেট করতে পারে বা সরাসরি ট্রাফিক কন্ট্রোল হার্ডওয়্যারে ডেটা পাঠাতে পারে।
ট্রাফিক ব্যবস্থাপনা এবং প্রবাহ নিয়ন্ত্রণ
নগর যানজট ভিডিও অ্যানালিটিক্সের অন্যতম স্পষ্ট সাফল্য। নির্দিষ্ট সময়ের ট্রাফিক লাইটগুলো কয়েক দশক আগে পূর্বনির্ধারিত রাশ-আওয়ার প্যাটার্নের জন্য ডিজাইন করা হয়েছিল। কোনো কনসার্ট যদি দুই ঘণ্টা আগে শেষ হয়ে রাস্তায় মানুষের ভিড় তৈরি করে বা কোনো সামান্য সংঘর্ষ মাঝের লেনটি আটকে দেয়, তবে সেগুলো মানিয়ে নিতে পারে না।
মোড়ে বসানো ডিপ লার্নিং সিস্টেমগুলো যানবাহনের ধরন গণনা করে, রেড লাইটে লাইনের দৈর্ঘ্য পরিমাপ করে এবং অপেক্ষার সময় অনুমান করে। সিটি ইঞ্জিনিয়াররা কেবল একটি রাস্তা ব্যস্ত তা দেখতে পান না, বরং কেন এটি ব্যস্ত তাও দেখতে পান। যানজট কি সাধারণ ট্রাফিক প্রবাহের কারণে, সুরক্ষিত সিগন্যাল ছাড়া বাম দিকে মোড় নেওয়ার কারণে, নাকি ট্রাফিক লাইট অমান্য করে পথচারীদের পারাপারের কারণে হচ্ছে? অনবোর্ড ইনফারেন্স সমৃদ্ধ ক্যামেরাগুলো রিয়েল-টাইমে সিগন্যাল ফেজিং পরিবর্তন করতে পারে যাতে যে দিকে বেশি চাপ রয়েছে সেই দিকে অগ্রাধিকার দেওয়া যায়। কিছু সিস্টেম তাৎক্ষণিকভাবে ঘটনা শনাক্ত করে—যেমন ভুল পথে গাড়ি চালানো, একটি থেমে যাওয়া যানবাহন বা রাস্তায় পড়ে থাকা কোনো ধ্বংসাবশেষ—যা প্রায়শই মনিটরের দিকে নজর রাখা একজন মানুষের চেয়েও দ্রুত কাজ করে।
এই সরঞ্জামগুলো বৃহত্তর নগর পরিকল্পনার সাথেও সমন্বিত হয়। কয়েক সপ্তাহের ভিডিও বিশ্লেষণ করে, শহরগুলো দীর্ঘস্থায়ী যানজটের স্থানগুলো শনাক্ত করতে পারে যা নতুন টার্ন লেন বা পরিবর্তিত গতিসীমার প্রয়োজনীয়তা নির্দেশ করে, ফলে অনুমানের পরিবর্তে পর্যবেক্ষণ করা আচরণের ভিত্তিতে সিদ্ধান্ত নেওয়া সম্ভব হয়।
জননিরাপত্তা এবং নজরদারি
নিরাপত্তার প্রয়োগগুলো কেবল সাধারণ মোশন ডিটেকশনের মধ্যেই সীমাবদ্ধ নয়। আধুনিক অ্যানালিটিক্স এমন প্যাটার্ন শনাক্ত করতে পারে যা দুর্ঘটনা বা অপরাধের পূর্বলক্ষণ। একটি নির্দিষ্ট সময়ের বেশি ট্রেন প্ল্যাটফর্মে কোনো ব্যাগ ফেলে রাখা হলে তা নোটিফিকেশন ট্রিগার করে। নদী তীরবর্তী ক্যামেরায় ধোঁয়া বা হঠাৎ ভিড়ের ছত্রভঙ্গ হওয়া দেখা গেলে কেউ রিপোর্ট করার আগেই জরুরি অবস্থা সম্পর্কে ধারণা পাওয়া সম্ভব।
মূল উন্নতি হলো এর সুনির্দিষ্টতা। পুরনো সিস্টেমগুলো প্রতিটি কাঠবিড়ালি বা দুলতে থাকা গাছের ডালের জন্য অ্যালার্ট দিত। ডিপ লার্নিং মডেলগুলো অপ্রাসঙ্গিক গতিবিধি ফিল্টার করে এবং প্রকৃত অস্বাভাবিক আচরণ শনাক্ত করে। একটি চত্বরে মারামারি শুরু হলে তার একটি নির্দিষ্ট কাইনেটিক সিগনেচার তৈরি হয় যা বন্ধুদের মধ্যে খুনসুটি বা কোনো স্ট্রিট পারফর্মারের অ্যাক্রোবেটিক্সের চেয়ে আলাদা। নিরাপত্তা কর্মীরা শত শত ভুল অ্যালার্টের পেছনে না ছুটে মাত্র কয়েকটি যাচাইকৃত ঘটনার দিকে মনোযোগ দিতে পারেন।
ভিড় পর্যবেক্ষণ এবং ঘনত্ব বিশ্লেষণ
বড় জনসমাগম অনন্য ঝুঁকি তৈরি করে। স্টেডিয়াম থেকে বের হওয়ার পথ, উৎসবের এলাকা এবং ছুটির দিনে ট্রানজিট হাবগুলো বিপজ্জনক হয়ে উঠতে পারে যখন মানুষের ঘনত্ব নিরাপদ সীমা অতিক্রম করে। ডিপ লার্নিং সিস্টেমগুলো একটি দৃশ্যের মধ্যে মানুষের স্থানিক বিন্যাস বিশ্লেষণ করে ভিড় গণনা এবং ঘনত্ব অনুমান করে।
এই সরঞ্জামগুলি রিয়েল-টাইমে ভিড় কোথায় ঘন হচ্ছে তা দেখানোর জন্য হিটম্যাপ তৈরি করে। কোনো বিপজ্জনক ভিড় বা হুড়োহুড়ি তৈরি হওয়ার আগেই ইভেন্ট আয়োজক এবং পুলিশ বিকল্প বহির্গমন পথ খুলে দিতে পারেন, মানুষের চলাচল পরিবর্তন করতে পারেন অথবা আগমণ সাময়িকভাবে স্থগিত করতে পারেন। সাধারণ সময়ের ক্ষেত্রে, একই প্রযুক্তি রিটেইল করিডোর বা ট্রানজিট মেজানিনগুলোর মধ্য দিয়ে পথচারীদের চলাচল পরিমাপ করে, যা স্থপতি এবং নগর পরিকল্পনাবিদদের বুঝতে সাহায্য করে যে মানুষ আসলে কীভাবে সাধারণ বা যৌথ স্থানগুলোর মধ্য দিয়ে চলাচল করে। একইভাবে, বিমানবন্দর এবং সরকারি অফিসগুলোতে লাইনের দৈর্ঘ্য অনুমান করার মাধ্যমে কর্মীগণ লাইন অস্বাভাবিকভাবে দীর্ঘ হওয়ার আগেই অতিরিক্ত পরিষেবা উইন্ডো বা কাউন্টার খুলে দিতে পারেন।
নগর পরিবেশে অবজেক্ট ডিটেকশন এবং ট্র্যাকিং
শহরগুলো বিভিন্ন গতিশীল উপাদানে পূর্ণ: পথচারী, সাইকেল আরোহী, স্কুটার, পোষা প্রাণী, ডেলিভারি রোবট এবং সব ধরণের যানবাহন। ডিপ লার্নিং সিস্টেমগুলো কেবল একটি ফ্রেমেই এই বস্তুগুলোকে শনাক্ত করে না; তারা সময়ের সাথে এবং ক্যামেরা নেটওয়ার্ক জুড়ে সেগুলোকে ট্র্যাক করে।
মাল্টি-অবজেক্ট ট্র্যাকিং কোনো দৃশ্য অতিক্রম করার সময় বিভিন্ন সত্তাকে (entities) একটি সুসংগত পরিচয় প্রদান করে। একজন পথচারী যদি একটি পার্ক করা ভ্যানের পেছনে চলে যান, তবে তিনি সিস্টেমের নজরদারির বাইরে চলে যান না; মডেলটি তার গতিপথ অনুমান করে এবং পুনরায় দৃশ্যমান হলে লক্ষ্যবস্তুকে শনাক্ত করে। যখন ওভারল্যাপিং ফিল্ড অফ ভিউ সম্পন্ন ক্যামেরা নেটওয়ার্কের মাধ্যমে এটি সম্প্রসারিত করা হয়, তখন 'পারসন রি-আইডেন্টিফিকেশন' (person re-identification) প্রযুক্তি একজন অরক্ষিত ব্যক্তিকে অনুসরণ করতে বা কোনো হারিয়ে যাওয়া শিশুকে খুঁজে পেতে সাহায্য করে, যার জন্য একজন অপারেটরকে ঘণ্টার পর ঘণ্টা ফুটেজ ম্যানুয়ালি পরীক্ষা করতে হয় না।
এই সক্ষমতাগুলো লজিস্টিকস এবং আইন প্রয়োগকেও সহায়তা করে। অটোমেটেড লাইসেন্স প্লেট রিকগনিশন ইতিমধ্যেই প্রচলিত, তবে নতুন ধরনের 'ভেহিকল রি-আইডেন্টিফিকেশন' সিস্টেমগুলো নম্বর প্লেট না পড়েই বাম্পার স্টিকার, রুফ র্যাক বা চাকার প্যাটার্নের মতো স্বতন্ত্র বৈশিষ্ট্য ব্যবহার করে একটি নির্দিষ্ট গাড়ির যাত্রা ট্র্যাক করতে পারে। আইন প্রয়োগকারী সংস্থাগুলোর জন্য এটি অত্যন্ত শক্তিশালী একটি মাধ্যম, তবে এটি এর পরিধি এবং তদারকি নিয়ে কিছু বৈধ প্রশ্নও তোলে, যা নগর প্রশাসকদের কঠোর নীতির মাধ্যমে সমাধান করতে হবে।
অবকাঠামোগত চ্যালেঞ্জ
শহর পর্যায়ে এই সিস্টেমগুলো স্থাপন করা কেবল একটি সফটওয়্যার সংক্রান্ত সমস্যা নয়। হাজার হাজার ক্যামেরা থেকে আসা হাই-রেজোলিউশন ভিডিওর স্ট্রিম পেটাবাইট ডেটা তৈরি করে। বিশ্লেষণের জন্য সবকিছু একটি কেন্দ্রীয় ক্লাউডে পাঠানো ব্যয়বহুল এবং ধীরগতির। কম্পিউটেশনের (compute) আগেই নেটওয়ার্ক ব্যান্ডউইথ একটি সীমাবদ্ধ ফ্যাক্টর হয়ে দাঁড়ায়।
শহরগুলো 'এজ কম্পিউটিং' (edge computing)-এর মাধ্যমে এর সমাধান করছে। আধুনিক স্মার্ট ক্যামেরাগুলোতে ডেডিকেটেড ইনফারেন্স এক্সিলারেটর থাকে যা স্থানীয়ভাবে মডেলগুলো চালায় এবং শুধুমাত্র অ্যালার্ট, গণনা বা সংকুচিত মেটাডেটা সদর দপ্তরে পাঠায়। এটি ব্যান্ডউইথ খরচ কমায় এবং ল্যাটেন্সি (latency) সেকেন্ড থেকে মিলিসেকেন্ডে নামিয়ে আনে, যা ট্রাফিক সিগন্যাল নিয়ন্ত্রণ বা ট্রেন থামানোর মতো ক্ষেত্রে অত্যন্ত গুরুত্বপূর্ণ।
রক্ষণাবেক্ষণ হলো আরেকটি বাধা। আউটডোর ক্যামেরাগুলোতে ময়লা, বরফ এবং মাকড়সার জাল জমে। লেন্স নোংরা হয়ে গেলে নিখুঁত ছবিতে প্রশিক্ষিত একটি মডেলের কার্যক্ষমতা কমে যায়। নির্ভরযোগ্য স্থাপনের জন্য স্বয়ংক্রিয় স্বাস্থ্য পর্যবেক্ষণ (health monitoring) এবং ফিল্ড রক্ষণাবেক্ষণ সূচির প্রয়োজন। ফার্মওয়্যার আপডেট, স্থানীয় ডেটা দিয়ে মডেল রিট্রেনিং এবং সিকিউরিটি প্যাচগুলো চলমান পরিচালন ব্যয় বাড়িয়ে দেয়, যা প্রকিউরমেন্ট টিমগুলো প্রায়শই পাইলট প্রজেক্টের সময় অবমূল্যায়ন করে।
গোপনীয়তা এবং মানবিক দিক
নগর ভিডিও অ্যানালিটিক্স নিয়ে কোনো আলোচনাতেই গোপনীয়তাকে বাদ দেওয়া সম্ভব নয়। যে মডেলগুলো পথচারীদের গণনা করতে পারে, সেগুলো মুখমণ্ডলও শনাক্ত করতে পারে। যে ট্র্যাকিং প্রযুক্তি একজন হারিয়ে যাওয়া ব্যক্তিকে খুঁজে পেতে পারে, সেটি একজন প্রতিবাদীকেও অনুসরণ করতে পারে। যেসব শহর এই সরঞ্জামগুলো গ্রহণ করছে, তাদের অবশ্যই ডেটা সংরক্ষণের স্পষ্ট সীমা নির্ধারণ করতে হবে, ওয়ারেন্ট বা সম্মতির মাধ্যমে নিয়ন্ত্রিত অত্যন্ত সীমিত পরিস্থিতিতে ফেসিয়াল রিকগনিশন বা মুখমণ্ডল শনাক্তকরণ সীমাবদ্ধ রাখতে হবে এবং ক্যামেরার অবস্থান ও সিস্টেমের সক্ষমতা সম্পর্কে স্বচ্ছতা প্রতিবেদন প্রকাশ করতে হবে।
অ্যানোনিমাইজেশন (Anonymization) কৌশলগুলো এক্ষেত্রে সাহায্য করে। মডেলগুলোকে ডিফল্টভাবে মুখমণ্ডল এবং লাইসেন্স প্লেট ঝাপসা (blur) করার জন্য কনফিগার করা যেতে পারে, যাতে ট্রাফিক বা নিরাপত্তা ব্যবস্থাপনার জন্য প্রয়োজনীয় আচরণগত মেটাডেটা সংগ্রহ করা যায়। একটি কেন্দ্রীয় সার্ভারে সপ্তাহের পর সপ্তাহ র-ফুটেজ (raw footage) সংরক্ষণ করার পরিবর্তে এজ (edge) ডিভাইসে স্থানীয়ভাবে ডেটা প্রসেস করা গণ-নজরদারি এবং ডেটা চুরির ঝুঁকি কমায়।
এখানে আলোচিত অ্যালগরিদম এবং অ্যাপ্লিকেশনগুলো সম্পর্কে আরও বিস্তারিত জানতে, সম্পূর্ণ গবেষণা পত্রটি Dev.to-তে এই সোর্স পেপারে পাওয়া যাচ্ছে। আপনি যদি নগর এআই (urban AI) এবং কম্পিউটার ভিশন নিয়ে কাজ করা অন্যদের সাথে এই ধারণাগুলো নিয়ে আলোচনা করতে চান, তবে GyaanSetu Telegram কমিউনিটিতে যোগ দিন।
মডেল প্রশিক্ষিত হওয়ার পরেই আসল কাজ শুরু হয়
ডিপ লার্নিং ভিডিও অ্যানালিটিক্সকে বৈজ্ঞানিক পরীক্ষা থেকে বাস্তবায়িত বাস্তবতায় নিয়ে এসেছে। স্মার্ট সিটির ক্যামেরাগুলো এখন আর কেবল রেকর্ড করে না; সেগুলো ব্যাখ্যা করে, পরিমাপ করে এবং প্রতিক্রিয়া জানায়। আগে থেকেই যে ভিডিওগুলো ধারণ করা হচ্ছিল, সেগুলো ব্যবহার করেই ট্রাফিক প্রবাহ নিয়ন্ত্রণ করা, জনসমাগমজনিত দুর্যোগ প্রতিরোধ করা এবং জরুরি সাড়া প্রদানের গতি বাড়ানোর প্রযুক্তি এখন বিদ্যমান।
কিন্তু হার্ডওয়্যার এবং অ্যালগরিদম কাজের মাত্র একটি অংশ। যে শহর রক্ষণাবেক্ষণ পরিকল্পনা, ব্যান্ডউইথ সীমা মেনে চলা নেটওয়ার্ক আর্কিটেকচার এবং গোপনীয়তা রক্ষার সুরক্ষা কবচ ছাড়াই এই সরঞ্জামগুলো প্রয়োগ করবে, তা হয় একটি ব্যয়বহুল ব্যর্থতা তৈরি করবে অথবা একটি অনধিকার প্রবেশকারী নজরদারি ব্যবস্থা হিসেবে গণ্য হবে। আসল পার্থক্যটি নিহিত রয়েছে বাস্তবায়নের খুঁটিনাটি বিষয়ের মধ্যে। ডিপ লার্নিং চোখ সরবরাহ করে; কিন্তু নগর পরিকল্পনাবিদ এবং প্রকৌশলীরাই এখনও বিচারবুদ্ধি প্রদান করেন।