ഇന്ന് എല്ലാ പ്രധാന നഗരങ്ങളും വീഡിയോയെ അടിസ്ഥാനമാക്കിയാണ് പ്രവർത്തിക്കുന്നത്. ട്രാഫിക് ജംഗ്ഷനുകൾ, സബ്വേ പ്ലാറ്റ്ഫോമുകൾ, പൊതു പാർക്കുകൾ, ഷോപ്പിംഗ് ഏരിയകൾ എന്നിവയിൽ നിന്നുള്ള ദൃശ്യങ്ങൾ നിരന്തരം മുനിസിപ്പൽ കൺട്രോൾ റൂമുകളിലേക്ക് എത്തുന്നു. ഇതിന്റെ അളവ് അതിശയിപ്പിക്കുന്നതാണ്. കൃത്യമായ വിശകലനം ഇല്ലാതെ, ഈ ദൃശ്യങ്ങൾ വെറും സെർവർ സ്പേസ് ഉപയോഗിക്കുന്ന വിലകൂടിയ ഫയലുകൾ മാത്രമാണ്. ഡീപ് ലേണിംഗ് (Deep learning) ഈ സാഹചര്യത്തെ മാറ്റിമറിച്ചു. നഗര സംവിധാനങ്ങൾക്ക് സംഭവങ്ങൾ നടന്നുകൊണ്ടിരിക്കുമ്പോൾ തന്നെ അവ നിരീക്ഷിക്കാനും മനസ്സിലാക്കാനും പ്രതികരിക്കാനുമുള്ള കഴിവ് ഇത് നൽകുന്നു, അങ്ങനെ നിഷ്ക്രിയമായ റെക്കോർഡിംഗുകളെ സജീവമായ അടിസ്ഥാന സൗകര്യങ്ങളാക്കി മാറ്റുന്നു.
പിക്സലുകളിൽ നിന്ന് തീരുമാനങ്ങളിലേക്ക്
പരമ്പരാഗത കമ്പ്യൂട്ടർ വിഷൻ (computer vision) കൈകൊണ്ട് നിർമ്മിച്ച നിയമങ്ങളെയാണ് ആശ്രയിച്ചിരുന്നത്. പ്രത്യേക രൂപങ്ങൾ, നിറങ്ങൾ അല്ലെങ്കിൽ ചലന രീതികൾ എന്നിവ കണ്ടെത്താൻ എഞ്ചിനീയർമാർ സിസ്റ്റങ്ങളെ പ്രോഗ്രാം ചെയ്തു. ഈ രീതികൾ നിയന്ത്രിത ലാബുകളിൽ പ്രവർത്തിക്കുമായിരുന്നു, എന്നാൽ നഗരങ്ങൾ സങ്കീർണ്ണമാണ്. നിഴലുകൾ മാറുന്നു. മഴ കാരണം ലെൻസുകൾ മങ്ങുന്നു. പരിശീലന ഡയഗ്രങ്ങളിൽ കാണാത്ത രീതിയിൽ ആളുകൾ കുടകൾക്ക് താഴെ ഒത്തുചേരുന്നു. ഇത്തരം നിയമങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള സിസ്റ്റങ്ങൾ നിരന്തരം പരാജയപ്പെടുകയും, തെറ്റായ വിവരങ്ങൾ (false positives) നൽകി ഓപ്പറേറ്റർമാരെ ബുദ്ധിമുട്ടിക്കുകയും ചെയ്തു.
ഡീപ് ലേണിംഗ് ഈ പ്രശ്നത്തെ വ്യത്യസ്തമായ രീതിയിലാണ് സമീപിക്കുന്നത്. കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകളും (Convolutional neural networks) അവയുടെ പിൻഗാമികളും ഡാറ്റയിൽ നിന്ന് നേരിട്ട് സവിശേഷതകൾ പഠിക്കുന്നു. ഒരു സൈക്കിൾ എങ്ങനെയിരിക്കുമെന്ന് കമ്പ്യൂട്ടറിനോട് പറയുന്നതിന് പകരം, ഒരു മോഡൽ സൈക്കിളിനെക്കുറിച്ച് സ്വന്തമായി ഒരു ധാരണ ഉണ്ടാകുന്നത് വരെ എഞ്ചിനീയർമാർ ലക്ഷക്കണക്കിന് ഉദാഹരണങ്ങൾ അതിലേക്ക് നൽകുന്നു. ഇതിന്റെ ഫലമായി, യഥാർത്ഥ ലോകത്തെ മാറ്റങ്ങളെ തകരാറില്ലാതെ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ഒരു സംവിധാനം ലഭിക്കുന്നു. തിരക്കേറിയ ഒരു റോഡിലെ ക്യാമറയ്ക്ക് സന്ധ്യാസമയത്തോ, നേരിയ മൂടൽമഞ്ഞിലോ, വാഹനങ്ങൾ ഭാഗികമായി മറഞ്ഞിരിക്കുമ്പോഴോ പോലും ഒരു ഡെലിവറി വാനിനെ ബസ്സിൽ നിന്ന് വേർതിരിച്ചറിയാൻ കഴിയും. ഇതിനേക്കാൾ പ്രധാനമായി, ഈ മോഡലുകൾ വെറും പിക്സലുകൾക്ക് പകരം കോൺഫിഡൻസ് സ്കോറുകളും (confidence scores) സ്ട്രക്ചേർഡ് മെറ്റാഡേറ്റയും (structured metadata) നൽകുന്നു. ഇതിനർത്ഥം ഡൗൺസ്ട്രീം സോഫ്റ്റ്വെയറുകൾക്ക് അലേർട്ടുകൾ നൽകാനോ, ഡാഷ്ബോർഡുകൾ പുതുക്കാനോ, അല്ലെങ്കിൽ ട്രാഫിക് കൺട്രോൾ ഹാർഡ്വെയറിലേക്ക് നേരിട്ട് വിവരങ്ങൾ നൽകാനോ സാധിക്കും എന്നാണ്.
ട്രാഫിക് മാനേജ്മെന്റും ഫ്ലോ കൺട്രോളും
വീഡിയോ അനലിറ്റിക്സിന്റെ ഏറ്റവും വലിയ വിജയങ്ങളിലൊന്നാണ് നഗരങ്ങളിലെ ട്രാഫിക് നിയന്ത്രണം. പതിറ്റാണ്ടുകൾക്ക് മുമ്പ് പ്രവചിക്കാവുന്ന തിരക്കുള്ള സമയങ്ങൾക്കായി (rush-hour patterns) ആണ് ഫിക്സഡ്-ടൈമിംഗ് ട്രാഫിക് ലൈറ്റുകൾ രൂപകൽപ്പന ചെയ്തത്. ഒരു കൺസേർട്ട് നേരത്തെ അവസാനിക്കുമ്പോഴോ അല്ലെങ്കിൽ ഒരു ചെറിയ അപകടം കാരണം ഒരു ലെയ്ൻ തടസ്സപ്പെടുമ്പോഴോ അവയ്ക്ക് സാഹചര്യത്തിനനുസരിച്ച് മാറാൻ കഴിയില്ല.
ജംഗ്ഷനുകളിൽ സ്ഥാപിച്ചിട്ടുള്ള ഡീപ് ലേണിംഗ് സിസ്റ്റങ്ങൾ വാഹനങ്ങളുടെ തരം തിരിച്ച് എണ്ണുകയും, റെഡ് ലൈറ്റുകളിൽ വാഹനങ്ങൾ ക്യൂ നിൽക്കുന്ന ദൈർഘ്യം അളക്കുകയും, കാത്തിരിപ്പ് സമയം കണക്കാക്കുകയും ചെയ്യുന്നു. ഒരു റോഡ് തിരക്കുള്ളതാണെന്ന് മാത്രമല്ല, എന്തുകൊണ്ടാണ് അത് തിരക്കുള്ളതെന്ന് നഗര എഞ്ചിനീയർമാർക്ക് മനസ്സിലാക്കാൻ സാധിക്കും. തിരക്ക് കാരണം ഉണ്ടാകുന്ന തടസ്സം വഴി കടന്നുപോകുന്ന വാഹനങ്ങൾ മൂലമാണോ, സിഗ്നലുകൾ ഇല്ലാത്ത ഇടത്തുനിന്നുള്ള തിരിവുകൾ മൂലമാണോ, അതോ സിഗ്നൽ അവഗണിച്ച് റോഡ് മുറിച്ചുകടക്കുന്ന ആളുകൾ മൂലമാണോ? ഇൻബിൽറ്റ് ഇൻഫറൻസ് (onboard inference) ശേഷിയുള്ള ക്യാമറകൾക്ക്, വാഹനങ്ങളുടെ സാന്നിധ്യം അനുസരിച്ച് സിഗ്നൽ സമയക്രമം തത്സമയം ക്രമീകരിക്കാൻ കഴിയും. ചില സിസ്റ്റങ്ങൾ അപകടങ്ങൾ ഉടൻ തന്നെ തിരിച്ചറിയുന്നു—തെറ്റായ ദിശയിൽ പോകുന്ന ഡ്രൈവർ, നിലച്ചുപോയ വാഹനം, അല്ലെങ്കിൽ റോഡിലെ തടസ്സങ്ങൾ എന്നിവ കണ്ടെത്താൻ ഒരു മനുഷ്യ ഓപ്പറേറ്ററെക്കാൾ വേഗത്തിൽ ഇവയ്ക്ക് സാധിക്കും.
ഈ ഉപകരണങ്ങൾ നഗര ആസൂത്രണവുമായി (urban planning) സംയോജിപ്പിക്കാനും സാധിക്കും. ആഴ്ചകളോളം നീളുന്ന വീഡിയോകൾ വിശകലനം ചെയ്യുന്നതിലൂടെ, പുതിയ ടേൺ ലെയ്നുകൾ അല്ലെങ്കിൽ വേഗത പരിധി മാറ്റേണ്ട ആവശ്യകത സൂചിപ്പിക്കുന്ന ഇടങ്ങൾ നഗരങ്ങൾ തിരിച്ചറിയുന്നു. ഇത് ഊഹങ്ങൾക്കനുസരിച്ചുള്ള തീരുമാനങ്ങൾക്ക് പകരം നിരീക്ഷണങ്ങളിൽ അധിഷ്ഠിതമായ തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു.
പൊതു സുരക്ഷയും നിരീക്ഷണവും
സുരക്ഷാ ആപ്ലിക്കേഷനുകൾ വെറും ചലനം തിരിച്ചറിയുന്നതിനും അപ്പുറമാണ്. അപകടങ്ങൾക്കോ കുറ്റകൃത്യങ്ങൾക്കോ മുന്നോടിയായുള്ള പാറ്റേണുകൾ തിരിച്ചറിയാൻ ആധുനിക അനലിറ്റിക്സിന് കഴിയും. ട്രെയിൻ പ്ലാറ്റ്ഫോമിൽ നിശ്ചിത സമയത്തേക്കാൾ കൂടുതൽ ഉപേക്ഷിക്കപ്പെട്ട ഒരു ബാഗ് കണ്ടാൽ അത് ഉടൻ തന്നെ അറിയിപ്പ് നൽകുന്നു. നദിക്ക് സമീപമുള്ള ക്യാമറകളിൽ പുകയോ ആളുകൾ പെട്ടെന്ന് ചിതറി ഓടുന്നതോ കണ്ടാൽ, ആരും റിപ്പോർട്ട് ചെയ്യുന്നതിന് മുമ്പ് തന്നെ അത് ഒരു അടിയന്തര സാഹചര്യമാണെന്ന് മനസ്സിലാക്കാൻ സാധിക്കും.
ഇതിലെ പ്രധാന പുരോഗതി തിരഞ്ഞെടുക്കാനുള്ള കഴിവാണ (selectivity). പഴയ സിസ്റ്റങ്ങൾ ഓരോ ചെറിയ ചലനത്തിനും (ഉദാഹരണത്തിന് മരച്ചില്ലകൾ അനങ്ങുന്നത്) അലറിക്കൊണ്ടിരിക്കുമായിരുന്നു. എന്നാൽ ഡീപ് ലേണിംഗ് മോഡലുകൾ അനാവശ്യമായ ചലനങ്ങളെ ഒഴിവാക്കി യഥാർത്ഥത്തിൽ അസാധാരണമായ പെരുമാറ്റങ്ങൾ മാത്രം അടയാളപ്പെടുത്തുന്നു. ഒരു പ്ലാസയിൽ നടക്കുന്ന വഴക്ക്, സുഹൃത്തുക്കൾ തമ്മിലുള്ള തമാശകളോ അല്ലെങ്കിൽ തെരുവിൽ പ്രകടനം നടത്തുന്നവരുടെ ചലനങ്ങളോ അല്ല എന്ന് തിരിച്ചറിയാൻ ഇതിന് സാധിക്കും. സുരക്ഷാ ഉദ്യോഗസ്ഥർക്ക് നൂറുകണക്കിന് തെറ്റായ അലേർട്ടുകൾ പരിശോധിക്കുന്നതിന് പകരം, കൃത്യമായി സ്ഥിരീകരിച്ച സംഭവങ്ങളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ കഴിയും.
ജനക്കൂട്ട നിരീക്ഷണവും സാന്ദ്രത വിശകലനവും
വലിയ പൊതുസമ്മേളനങ്ങൾ സവിശേഷമായ അപകടസാധ്യതകൾ ഉയർത്തുന്നു. സ്റ്റേഡിയം എക്സിറ്റുകൾ, ഉത്സവപ്പറമ്പുകൾ, അവധി ദിവസങ്ങളിലെ ട്രാൻസിറ്റ് ഹബ്ബുകൾ എന്നിവയിൽ ജനത്തിരക്ക് സുരക്ഷിതമായ പരിധിയിൽ കൂടുതൽയാകുമ്പോൾ അത് അപകടകരമായി മാറിയേക്കാം. ഒരു സ്ഥലത്തെ ആളുകളുടെ വിന്യാസം വിശകലനം ചെയ്യുന്നതിലൂടെ ജനക്കൂട്ടത്തിന്റെ എണ്ണവും സാന്ദ്രതയും കണക്കാക്കാൻ ഡീപ് ലേണിംഗ് സിസ്റ്റങ്ങൾക്ക് കഴിയും.
ഈ ടൂളുകൾ ജനക്കൂട്ടം എവിടെയാണ് കൂടുന്നത് എന്ന് തത്സമയം കാണിക്കുന്ന ഹീറ്റ്മാപ്പുകൾ (heatmaps) നിർമ്മിക്കുന്നു. അപകടകരമായ തിരക്ക് രൂപപ്പെടുന്നതിന് മുമ്പ് ഇവന്റുകൾ സംഘാടകർക്കും പോലീസിനും സെക്കൻഡറി എക്സിറ്റുകൾ തുറക്കാനോ, ആളുകളുടെ സഞ്ചാരം തിരിച്ചുവിടാനോ, അല്ലെങ്കിൽ ആളുകൾ വരുന്നത് താൽക്കാലികമായി നിർത്താനോ സാധിക്കും. സാധാരണ സമയങ്ങളിൽ, ഇതേ സാങ്കേതികവിദ്യ റീട്ടെയിൽ ഇടങ്ങളിലൂടെയോ ട്രാൻസിറ്റ് മെസനൈനുകളിലൂടെയോ (transit mezzanines) ഉള്ള കാൽനടയാത്രയുടെ ഒഴുക്ക് അളക്കുന്നു. ഇത് ആർക്കിടെക്റ്റുകൾക്കും സിറ്റി പ്ലാനർമാർക്കും ആളുകൾ പൊതു ഇടങ്ങളിലൂടെ എങ്ങനെയാണ് യഥാർത്ഥത്തിൽ സഞ്ചരിക്കുന്നത് എന്ന് മനസ്സിലാക്കാൻ സഹായിക്കുന്നു. അതുപോലെ തന്നെ, വിമാനത്താവളങ്ങളിലും സർക്കാർ ഓഫീസുകളിലും ക്യൂവിന്റെ നീളം കണക്കാക്കുന്നത്, വരികൾ കൂടുന്നതിന് മുമ്പ് അധിക സർവീസ് വിൻഡോകൾ തുറക്കാൻ ജീവനക്കാരെ സഹായിക്കുന്നു.
നഗരപരിസരങ്ങളിലെ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷനും ട്രാക്കിംഗും (Object Detection and Tracking in Urban Settings)
നഗരങ്ങൾ ചലനാത്മകമാണ്: കാൽനടയാത്രക്കാർ, സൈക്കിൾ യാത്രക്കാർ, സ്കൂട്ടർ യാത്രക്കാർ, വളർത്തുമൃഗങ്ങൾ, ഡെലിവറി റോബോട്ടുകൾ, എല്ലാ വലുപ്പത്തിലുള്ള വാഹനങ്ങൾ എന്നിവയാൽ നഗരങ്ങൾ നിറഞ്ഞിരിക്കുന്നു. ഡീപ്പ് ലേണിംഗ് സിസ്റ്റങ്ങൾ ഈ വസ്തുക്കളെ ഒരു ഫ്രെയിമിൽ മാത്രം കണ്ടെത്തുകയല്ല ചെയ്യുന്നത്; പകരം അവയെ കാലക്രമേണ ക്യാമറ നെറ്റ്വർക്കുകളിലൂടെ ട്രാക്ക് ചെയ്യുന്നു.
മൾട്ടി-ഒബ്ജക്റ്റ് ട്രാക്കിംഗ് (Multi-object tracking) ഒരു രംഗത്തിലൂടെ കടന്നുപോകുന്ന വസ്തുക്കൾക്ക് സ്ഥിരമായ ഐഡന്റിറ്റികൾ നൽകുന്നു. ഒരു പാർക്ക് ചെയ്ത വാനിന് പിന്നിലേക്ക് പോകുന്ന കാൽനടയാത്രക്കാരൻ സിസ്റ്റത്തിന്റെ കാഴ്ചയിൽ നിന്ന് അപ്രത്യക്ഷനാകുന്നില്ല; മോഡൽ അവരുടെ സഞ്ചാരപാത (trajectory) പ്രവചിക്കുകയും വീണ്ടും കാണപ്പെടുമ്പോൾ ലക്ഷ്യത്തെ തിരിച്ചറിയുകയും ചെയ്യുന്നു. പരസ്പരം ഓവർലാപ്പ് ചെയ്യുന്ന കാഴ്ചാപരിധിയുള്ള ക്യാമറ നെറ്റ്വർക്കുകളിലേക്ക് ഇത് വ്യാപിപ്പിക്കുമ്പോൾ, 'പേഴ്സൺ റീ-ഐഡന്റിഫിക്കേഷൻ' (person re-identification) വഴി ഒരു വ്യക്തിയെ പിന്തുടരാനോ അല്ലെങ്കിൽ ഒരു കുഞ്ഞിനെ കണ്ടെത്താനോ സാധിക്കും. ഇതിനായി മണിക്കൂറുകളോളം ഫൂട്ടേജ് പരിശോധിക്കേണ്ട ആവശ്യമില്ല.
ഈ കഴിവുകൾ ലോജിസ്റ്റിക്സിനും നിയമപാലനത്തിനും (enforcement) അടിത്തറ പാകുന്നു. ഓട്ടോമേറ്റഡ് ലൈസൻസ് പ്ലേറ്റ് റെക്കഗ്നിഷൻ (Automated license plate recognition) ഇപ്പോൾ സാധാരണമാണ്, എന്നാൽ പുതിയ വെഹിക്കിൾ റീ-ഐഡന്റിഫിക്കേഷൻ സിസ്റ്റങ്ങൾക്ക് പ്ലേറ്റ് വായിക്കാതെ തന്നെ ഒരു പ്രത്യേക കാറിന്റെ യാത്ര ട്രാക്ക് ചെയ്യാൻ കഴിയും. ബമ്പർ സ്റ്റിക്കറുകൾ, റൂഫ് റാക്കുകൾ അല്ലെങ്കിൽ വീൽ പാറ്റേണുകൾ പോലുള്ള പ്രത്യേകതകൾ ഉപയോഗിച്ചാണ് ഇത് ചെയ്യുന്നത്. നിയമപാലനത്തിന് ഇത് വളരെ ശക്തമാണ്, എന്നാൽ ഇത് നഗര ഭരണാധികാരികൾ കർശനമായ നയങ്ങളിലൂടെ പരിഹരിക്കേണ്ട വ്യാപ്തിയെയും മേൽനോട്ടത്തെയും കുറിച്ചുള്ള ചോദ്യങ്ങൾ ഉയർത്തുന്നുമുണ്ട്.
ഇൻഫ്രാസ്ട്രക്ചർ വെല്ലുവിളി (The Infrastructure Challenge)
നഗരതലത്തിൽ ഇത്തരം സിസ്റ്റങ്ങൾ വിന്യസിക്കുന്നത് ഒരു സോഫ്റ്റ്വെയർ പ്രശ്നം മാത്രമല്ല. ഉയർന്ന റെസല്യൂഷനുള്ള വീഡിയോകൾ സ്ട്രീം ചെയ്യുന്ന ആയിരക്കണക്കിന് ക്യാമറകൾ പെറ്റാബൈറ്റുകൾ കണക്കിന് ഡാറ്റ സൃഷ്ടിക്കുന്നു. വിശകലനത്തിനായി എല്ലാം ഒരു സെൻട്രൽ ക്ലൗഡിലേക്ക് അയക്കുന്നത് ചെലവേറിയതും സാവധാനത്തിലുള്ളതുമാണ്. കമ്പ്യൂട്ടിനേക്കാൾ മുമ്പ് നെറ്റ്വർക്ക് ബാൻഡ്വിഡ്ത്ത് ഒരു പരിധിയായി മാറുന്നു.
നഗരങ്ങൾ ഇതിന് 'എഡ്ജ് കമ്പ്യൂട്ടിംഗ്' (edge computing) ഉപയോഗിച്ച് പ്രതികരിക്കുന്നു. ആധുനിക സ്മാർട്ട് ക്യാമറകളിൽ ഡെഡിക്കേറ്റഡ് ഇൻഫറൻസ് ആക്സിലറേറ്ററുകൾ (inference accelerators) ഉൾപ്പെടുന്നു. ഇവ മോഡലുകൾ പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കുകയും അലേർട്ടുകൾ, എണ്ണൽ അല്ലെങ്കിൽ കംപ്രസ് ചെയ്ത മെറ്റാഡാറ്റ എന്നിവ മാത്രം ഹെഡ്ക്വാർട്ടേഴ്സിലേക്ക് അയക്കുകയും ചെയ്യുന്നു. ഇത് ബാൻഡ്വിഡ്ത്ത് ചെലവ് കുറയ്ക്കുകയും ലേറ്റൻസി (latency) സെക്കൻഡുകളിൽ നിന്ന് മില്ലിസെക്കൻഡുകളിലേക്ക് കുറയ്ക്കുകയും ചെയ്യുന്നു. ട്രാഫിക് സിഗ്നലുകൾ ക്രമീകരിക്കുമ്പോഴോ ട്രെയിൻ നിർത്തേണ്ടി വരുമ്പോഴോ ഇത് വളരെ പ്രധാനമാണ്.
പരിപാലനം (Maintenance) മറ്റൊരു തടസ്സമാണ്. ഔട്ട്ഡോർ ക്യാമറകളിൽ പൊടിയും മഞ്ഞും ചിലന്തിവലകളും അടിഞ്ഞുകൂടുന്നു. വൃത്തിയുള്ള ചിത്രങ്ങളിൽ പരിശീലിപ്പിച്ച ഒരു മോഡലിന്റെ പ്രകടനം ലെൻസ് അഴുക്കായിരിക്കുമ്പോൾ കുറയുന്നു. വിശ്വസനീയമായ വിന്യാസത്തിന് ഓട്ടോമേറ്റഡ് ഹെൽത്ത് മോണിറ്ററിംഗും ഫീൽഡ് മെയിന്റനൻസ് ഷെഡ്യൂളുകളും ആവശ്യമാണ്. ഫേംവെയർ അപ്ഡേറ്റുകൾ, പ്രാദേശിക ഡാറ്റ ഉപയോഗിച്ചുള്ള മോഡൽ റീട്രെയിനിംഗ്, സെക്യൂരിറ്റി പാച്ചുകൾ എന്നിവ തുടർച്ചയായ പ്രവർത്തനച്ചെലവുകൾ വർദ്ധിപ്പിക്കുന്നു, ഇത് പൈലറ്റ് പ്രോജക്റ്റുകൾക്കിടയിൽ പലപ്പോഴും സംഭരണ വിഭാഗങ്ങൾ (procurement teams) കുറച്ചു കാണാറുണ്ട്.
സ്വകാര്യതയും മനുഷ്യ ഘടകവും (Privacy and the Human Element)
നഗര വീഡിയോ അനലിറ്റിക്സിനെക്കുറിച്ചുള്ള ഒരു ചർച്ചയിലും സ്വകാര്യതയെ ഒഴിവാക്കാൻ കഴിയില്ല. കാൽനടയാത്രക്കാരെ എണ്ണുന്ന അതേ മോഡലുകൾക്ക് മുഖങ്ങൾ തിരിച്ചറിയാനും കഴിയും. നഷ്ടപ്പെട്ട ഒരാളെ കണ്ടെത്തുന്ന അതേ ട്രാക്കിംഗ് ഒരു പ്രതിഷേധക്കാരനെ പിന്തുടരാനും ഉപയോഗിക്കാം. ഇത്തരം ടൂളുകൾ ഉപയോഗിക്കുന്ന നഗരങ്ങൾ വ്യക്തമായ ഡാറ്റ റീറ്റെൻഷൻ പരിധികൾ നിശ്ചയിക്കണം, മുഖം തിരിച്ചറിയൽ (facial recognition) എന്നത് വാറന്റോ സമ്മതമോ ഉള്ള കർശനമായ സാഹചര്യങ്ങളിൽ മാത്രം പരിമിതപ്പെടുത്തണം, കൂടാതെ ക്യാമറകളുടെ സ്ഥാനത്തെക്കുറിച്ചും സിസ്റ്റത്തിന്റെ ശേഷിയെക്കുറിച്ചും സുതാര്യത റിപ്പോർട്ടുകൾ പ്രസിദ്ധീകരിക്കുകയും വേണം.
അനോനിമൈസേഷൻ (Anonymization) സാങ്കേതികവിദ്യകൾ ഇതിന് സഹായിക്കുന്നു. ട്രാഫിക് അല്ലെങ്കിൽ സുരക്ഷാ മാനേജ്മെന്റിന് ആവശ്യമായ ബിഹേവിയറൽ മെറ്റാഡാറ്റ മാത്രം എടുക്കുന്ന രീതിയിൽ, മുഖങ്ങളും ലൈസൻസ് പ്ലേറ്റുകളും ഡിഫോൾട്ട് ആയി ബ്ലർ ചെയ്യാൻ മോഡലുകളെ ക്രമീകരിക്കാം. ആഴ്ചകളോളം നീളുന്ന റോ ഡാറ്റ ഒരു സെൻട്രൽ സെർവറിൽ സൂക്ഷിക്കുന്നതിന് പകരം എഡ്ജിൽ പ്രാദേശികമായി ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നത് മാസ് സർവൈലൻസ് (mass surveillance), ഡാറ്റാ ബ്രീച്ച് എന്നിവയുടെ സാധ്യത കുറയ്ക്കുന്നു.
ഇവിടെ വിവരിച്ചിരിക്കുന്ന അൽഗോരിതങ്ങളെയും പ്രയോഗങ്ങളെയും കുറിച്ച് കൂടുതൽ അറിയാൻ, പൂർണ്ണമായ ഗവേഷണ പ്രബന്ധം source paper on Dev.to-ൽ ലഭ്യമാണ്. നഗര AI, കമ്പ്യൂട്ടർ വിഷൻ മേഖലകളിൽ പ്രവർത്തിക്കുന്ന മറ്റുള്ളവരുമായി ഈ ആശയങ്ങൾ ചർച്ച ചെയ്യാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, GyaanSetu Telegram community-ൽ ചേരുക.
മോഡൽ പരിശീലിപ്പിച്ചതിന് ശേഷമാണ് യഥാർത്ഥ ജോലി ആരംഭിക്കുന്നത് (The Real Work Starts After the Model Is Trained)
Deep learning വീഡിയോ അനലിറ്റിക്സിനെ ഒരു ശാസ്ത്ര പരീക്ഷണത്തിൽ നിന്ന് പ്രായോഗിക യാഥാർത്ഥ്യമാക്കി മാറ്റിയിരിക്കുന്നു. സ്മാർട്ട് സിറ്റികളിലെ ക്യാമറകൾ ഇപ്പോൾ വെറുതെ റെക്കോർഡ് ചെയ്യുക മാത്രമല്ല ചെയ്യുന്നത്; അവ കാര്യങ്ങൾ വ്യാഖ്യാനിക്കുകയും അളക്കുകയും പ്രതികരിക്കുകയും ചെയ്യുന്നു. ഇതിനകം തന്നെ ക്യാമറകളിൽ പതിഞ്ഞുകൊണ്ടിരിക്കുന്ന വീഡിയോകൾ ഉപയോഗിച്ച് ട്രാഫിക് നിയന്ത്രിക്കാനും, ജനക്കൂട്ടം മൂലമുണ്ടാകുന്ന അപകടങ്ങൾ തടയാനും, അടിയന്തര സാഹചര്യങ്ങളിൽ വേഗത്തിൽ പ്രതികരിക്കാനും ആവശ്യമായ സാങ്കേതികവിദ്യ ഇന്ന് നിലവിലുണ്ട്.
എന്നാൽ ഹാർഡ്വെയറുകളും അൽഗോരിതങ്ങളും ഈ ജോലിയുടെ ഒരു ഭാഗം മാത്രമാണ്. കൃത്യമായ പരിപാലന പദ്ധതികളോ, ബാൻഡ്വിഡ്ത്ത് പരിധികൾ പാലിക്കുന്ന നെറ്റ്വർക്ക് ആർക്കിടെക്ചറോ, സ്വകാര്യത സംരക്ഷിക്കുന്ന സംവിധാനങ്ങളോ ഇല്ലാതെ ഇത്തരം ഉപകരണങ്ങൾ ഉപയോഗിക്കുന്ന ഒരു നഗരം, ഒന്നുകിൽ വലിയ സാമ്പത്തിക നഷ്ടമുണ്ടാക്കുന്ന പരാജയമായി മാറും, അല്ലെങ്കിൽ സ്വകാര്യതയിലേക്ക് കടന്നുകയറുന്ന നിരീക്ഷണ സംവിധാനമായി മാറും. ഇതിന്റെ വ്യത്യാസം അത് നടപ്പിലാക്കുന്ന രീതിയിലാണ്. Deep learning കാഴ്ച നൽകുന്നു; എന്നാൽ നഗര ആസൂത്രകരും എഞ്ചിനീയർമാരുമാണ് ശരിയായ തീരുമാനങ്ങൾ എടുക്കുന്നത്.