কোনো ব্যবসায়ী যখন স্মার্ট ক্যামেরা বসানোর ঘোষণা দেন, তাঁর কর্মীরা সাধারণত প্রযুক্তিগত প্রশ্ন করেন না। তাঁরা বরং জিজ্ঞেস করেন: "এটা কি আমাকে নজরে রাখবে?"। প্রশ্নটি ন্যায্য, আর বাণিজ্যিক ব্রোশিয়ার এর উত্তর দেয় না। স্টোরে ভিশন এআই আসলে কী বিশ্লেষণ করে তা জানার সবচেয়ে সহজ উপায় হলো একটি ছবির যাত্রাপথ অনুসরণ করা, ক্যামেরা থেকে নোটিফিকেশন পর্যন্ত, আর পথে মডেল যা যা উপেক্ষা করে তা লক্ষ্য করা।
ভিডিও বিশ্লেষণ খুচরা বাণিজ্যে এখনও খুব কম ব্যবহৃত হয়। ২০২৪ সালে মূলত ইউরোপীয় ও উত্তর আমেরিকার ৭০টি খুচরা বিক্রেতার মধ্যে পরিচালিত খুচরা বাণিজ্যে ভিডিও বিশ্লেষণ নিয়ে ECR Retail Loss-এর সমীক্ষায়, তালিকাভুক্ত বিশ্লেষণ সমাধানগুলোর গড় ব্যবহারের হার ১০%-এর বেশি ছিল না, আর সেলস ফ্লোরে তা নেমে গিয়েছিল ৪%-এ। এই খাতে ঐকমত্য না থাকায় একই প্রতিবেদন ভিডিও বিশ্লেষণের একটি কার্যকর সংজ্ঞা প্রস্তাব করেছে: এমন একটি সিস্টেম যা স্বয়ংক্রিয়ভাবে চিত্র ব্যাখ্যা করে সুস্পষ্টভাবে সংজ্ঞায়িত ও কাজে লাগানোর মতো ফলাফল তৈরি করে। এরপর যা কিছু বলা হবে, তা এই দুটি শব্দেই নিহিত।
ভিশন এআইয়ের কাছে "দেখা" মানে কী
একটি ক্যামেরা ছবির একটি ধারাবাহিক প্রবাহ পাঠায়। মডেল কিন্তু কোনো দৃশ্য "বোঝে" না, যেভাবে সেকশনের একজন কর্মী বোঝেন: সে হাতের অবস্থান, বস্তু ও নড়াচড়াকে শেখা ক্যাটাগরির সঙ্গে মেলায়। যা দেখছে তা এদের কোনো একটির সঙ্গে যথেষ্ট মিললে সে একটি ইভেন্ট তৈরি করে: অঙ্গভঙ্গির ধরন, একটি জোন, একটি সময়, একটি ছোট ভিডিও অংশ। এর বেশি কিছু নয়।
তখন সবকিছু নির্ভর করে ছবির স্পষ্টতার ওপর। নিম্ন রেজোলিউশনের স্ট্রিমে জ্যাকেটের পকেটে রেজার ঢুকিয়ে দেওয়া হাত কয়েকটি ঝাপসা পিক্সেলে পরিণত হয়, আর সেজন্যই উচ্চ রেজোলিউশনের মূল স্ট্রিমে ভিডিও বিশ্লেষণ গুরুত্বপূর্ণ। Oxania-তে এই মূল স্ট্রিম প্রক্রিয়া করা হয় স্টোরে বসানো একটি নির্দিষ্ট GPU-তে: শনাক্তকরণ হয় স্থানীয়ভাবে, ক্যামেরার স্ট্রিম সাইটের বাইরে যায় না, এবং শুধু অ্যালার্টের সঙ্গে সম্পর্কিত অংশগুলো সংরক্ষিত থাকে, গ্রাহকের দেশের যতটা সম্ভব কাছাকাছি অবস্থিত সার্ভারে।
অঙ্গভঙ্গির একটি সীমিত শব্দভান্ডার, মানুষের ওপর নজরদারি নয়
ক্ষতি প্রতিরোধে প্রয়োগ করা হলে, একটি অঙ্গভঙ্গি শনাক্তকরণ মডেল সীমিত সংখ্যক বিভাগের তালিকা নিয়ে কাজ করে। চুরির ক্ষেত্রে সাধারণত যা দেখা যায়:
- পকেটে, পোশাকের নিচে বা ব্যক্তিগত ব্যাগে কোনো পণ্য লুকিয়ে ফেলা;
- ব্যাকপ্যাক, হ্যান্ডব্যাগ বা অনিশ্চিত ধরনের কোনো ব্যাগে পণ্য রাখা;
- চেকআউটে যাওয়ার আগে মোড়ক খুলে ফেলা;
- স্টোরেই খাওয়া বা পান করা, দাম পরিশোধ না করা পণ্য;
- প্রসঙ্গের উপাদান, যেমন ট্রলি, স্ট্রলার বা শপিং ব্যাগ, যা দৃশ্যটি পড়তে সাহায্য করে।
কিছু সিস্টেমে পড়ে যাওয়ার অ্যালার্টও যুক্ত থাকে, যা পণ্যের চেয়ে গ্রাহক ও কর্মীদের নিরাপত্তার জন্য বেশি উপযোগী। এই ক্যাটাগরিগুলোর কোনোটিই বলে না ছবিতে কে আছে। ঝুঁকিপূর্ণ অঙ্গভঙ্গি শনাক্তকরণ একটি নির্দিষ্ট মুহূর্তে, একটি নির্দিষ্ট জোনে ঘটা একটি কাজের ওপর ভিত্তি করে।
AI যা করে না
বর্জনের তালিকা শনাক্তকরণের তালিকার মতোই গুরুত্বপূর্ণ, আর প্রায়ই এটাই কর্মীদের আশ্বস্ত করে। এই কাঠামোয় তৈরি একটি অঙ্গভঙ্গি বিশ্লেষণকারী এআই:
- কাউকে শনাক্ত করে না: কোনো মুখ শনাক্তকরণ নেই, কোনো নাম নেই, মানুষের কোনো ফাইল নেই;
- কোনো ব্যক্তিকে এক সেকশন থেকে আরেক সেকশনে, কিংবা এক সফর থেকে পরবর্তী সফরে অনুসরণ করে না;
- কোনো প্রোফাইল তৈরি করে না: না বয়স, না উৎস, না "ঝুঁকিপূর্ণ" পোশাক। পরিসংখ্যান পড়া হয় জোন ও সময়ের স্লট অনুযায়ী, ব্যক্তি অনুযায়ী নয়;
- উদ্দেশ্য নির্ধারণ করে না: ঝুঁকিপূর্ণ অঙ্গভঙ্গি কোনো অপরাধ নয়, শুধু এমন একটি পরিস্থিতি যা মানুষের নজর পাওয়ার যোগ্য;
- কর্মীদের কাজ পরিমাপ করে না: উৎপাদনশীলতা, বিরতি বা পদ্ধতি মেনে চলা নিয়ে কোনো ক্যাটাগরি নেই।
এত সুনির্দিষ্ট পরিসরের কারণে এই টুলের ব্যবহার ব্যাখ্যা করা সহজ থাকে। কী কারণে অ্যালার্ট তৈরি হয়, তা এক বাক্যে একজন বিক্রয়কর্মীকে যেমন বলা যায়, তেমনি একজন গ্রাহককেও বলা যায়, আর ঠিক এটাই টুলটিকে গ্রহণযোগ্য করে তোলে।
অ্যালার্ট কোনো রায় নয়: সিদ্ধান্ত মানুষেরই থাকে
মডেল মাঝে মাঝে ভুল করে। ধরুন একজন গ্রাহক কফির প্যাকেট তোলার ঠিক পরেই নিজের চশমা পকেটে রাখলেন: মেশিনের কাছে দৃশ্যটি লুকিয়ে ফেলার মতো দেখায়। তাই অ্যালার্টকে দেখতে হবে টিমের কাছে করা একটি প্রশ্ন হিসেবে, কখনোই সিদ্ধান্ত হিসেবে নয়।
এআই সংক্রান্ত ইউরোপীয় নিয়ম, মানব নিয়ন্ত্রণ বিষয়ক তার ১৪ নম্বর অনুচ্ছেদে, এই ফাঁদটির কথা সরাসরি উল্লেখ করেছে: স্বয়ংক্রিয়তার পক্ষপাত, অর্থাৎ যন্ত্রের ফলাফলের ওপর স্বয়ংক্রিয়ভাবে বা অতিরিক্ত নির্ভর করার প্রবণতা। এতে দাবি করা হয়েছে যে নিয়ন্ত্রণের দায়িত্বে থাকা ব্যক্তিদের সিস্টেমের ফলাফল উপেক্ষা করা, বদলে দেওয়া বা উল্টে দেওয়ার সুযোগ থাকতে হবে। এই বিধান উচ্চ ঝুঁকির সিস্টেমকে লক্ষ্য করে, তবে ঝুঁকিপূর্ণ অঙ্গভঙ্গি শনাক্তকরণের যেকোনো টুলে একই শৃঙ্খলা প্রয়োগে কোনো বাধা নেই।
বাস্তবে, যিনি অ্যালার্ট পান তিনি ভিডিওর অংশটুকু দেখেন, তারপর সিদ্ধান্ত নেন: কিছু না করা, সংশ্লিষ্ট সেকশনে যাওয়া, গ্রাহককে সাহায্যের প্রস্তাব দেওয়া, অথবা পরিস্থিতি নিশ্চিত হলে কর্তৃপক্ষের কাছে পদক্ষেপ নেওয়া। এজেন্ট ও এআই একসঙ্গে কাজ করে একটি সহজ নিয়মে: প্রযুক্তি শনাক্ত করে, মানুষ সিদ্ধান্ত নেয়।
গ্রাহক ও কর্মীদের প্রতি স্বচ্ছতা
২০১৯ সালে গৃহীত এবং ২০২৪ সালের মে মাসে হালনাগাদ করা এআই বিষয়ক OECD নীতিমালা স্বচ্ছতা, ব্যাখ্যাযোগ্যতা ও দায়বদ্ধতাকে নির্ভরযোগ্য এআইয়ের পাঁচটি নীতির মধ্যে গণ্য করে। একটি স্টোরে এটি বাস্তবায়িত হয় কয়েকটি সুনির্দিষ্ট অভ্যাসের মাধ্যমে:
- স্থাপনের আগে ব্যাখ্যা করুন। টিমকে দেখান কী শনাক্ত হয়, কী হয় না, এবং অ্যালার্ট কারা পান। বিধান থাকলে কর্মীদের প্রতিনিধিদের যুক্ত করুন।
- ব্যবহারের নিয়ম লিখে রাখুন। টুলটি ক্ষতি সীমিত করতে ও মানুষকে রক্ষা করতে, কর্মীদের মূল্যায়নের জন্য নয়: তাই এটি স্পষ্ট করে লিখে রাখাই ভালো।
- গ্রাহকদের জানান। প্রবেশপথে বিজ্ঞপ্তি প্রদর্শন পরিচালনাকারীর দায়িত্ব, যেমন তাঁর বিদ্যমান ক্যামেরা স্থাপনার ক্ষেত্রে। একটি স্পষ্ট পাঠযোগ্য সাইনবোর্ড এবং সহজলভ্য একটি সংক্ষিপ্ত নোটিশ প্রায়ই উদ্বেগ দূর করতে যথেষ্ট।
- অ্যালার্ট পড়ার প্রশিক্ষণ দিন। ভিডিও অংশটি যাচাই করুন, ভদ্র থাকুন, শুধু একটি নোটিফিকেশনের ভিত্তিতে কখনোই কাউকে থামাবেন না।
- নিয়মিত পর্যালোচনা করুন। বাতিল করা অ্যালার্টগুলো আবার দেখুন, সুরক্ষিত জোনগুলো সমন্বয় করুন, এবং এ থেকে যা শিখছেন তা টিমের সঙ্গে ভাগ করুন।
সঠিকভাবে স্থাপন করা হলে একটি ভিশন এআই বিচারক চোখের চেয়ে বরং অত্যন্ত সীমিত শব্দভান্ডারের একজন সহকর্মীর মতো: সে অঙ্গভঙ্গির কথা জানায় এবং বাকিটা ছেড়ে দেয় তাদের হাতে যারা স্টোরটিকে চেনেন। এই কাঠামো উদ্বোধনী সভা থেকেই, এমনকি যন্ত্রপাতি বসানোর আগেই উপস্থাপন করলে ভালো ফল পাওয়া যায়। যে টিম জানে টুলটি কী দেখে এবং কী দেখে না, সে সত্যিই এটি ব্যবহার করে, আর তখনই এটি অজ্ঞাত স্টক ক্ষতি কমাতে শুরু করে।
