এআই ভিডিও বিশ্লেষণের একটি ডেমোর সময় একই প্রশ্ন শেষ পর্যন্ত সবসময় উঠে আসে, হোক তা আইটি ম্যানেজারের মুখে বা স্বয়ং স্টোর ম্যানেজারের: ভিডিওগুলো যায় কোথায়? অনেকে ভাবেন, স্টোরের ইন্টারনেট সংযোগ দিয়ে ক্রমাগত কোনো দূরবর্তী সার্ভারে ভিডিও পাঠানো হচ্ছে। বাস্তবে, সবকিছু নির্ভর করে প্রথম সেটিংয়ের অনেক আগে নেওয়া একটি স্থাপত্যগত সিদ্ধান্তের ওপর: বিদ্যমান ক্যামেরাগুলোর মূল স্ট্রিম থেকে, স্টোরে থাকা একটি GPU-তে স্থানীয়ভাবে ভিডিও বিশ্লেষণ।
ছবির মান নিয়ে আমরা এখানে আর আলোচনা করব না। বরং ক্যামেরার লেন্স থেকে ম্যানেজারের স্ক্রিন পর্যন্ত ডেটার যাত্রাপথ অনুসরণ করব: কী স্থানীয়ভাবে থাকে, কী বাইরে যায়, এবং এই সিদ্ধান্ত অ্যালার্টের গতি, স্টোরের নেটওয়ার্ক ও ডেটার নিয়ন্ত্রণে বাস্তবে কী পরিবর্তন আনে।
একটি ভিডিও স্ট্রিম অনেক ভারী, আর একটি বড় স্টোরে এমন স্ট্রিম থাকে কয়েক ডজন
একটি আইপি ক্যামেরা সাধারণত কমপক্ষে দুটি স্ট্রিম তৈরি করে। মূল স্ট্রিম (মেইনস্ট্রিম) হাই রেজোলিউশনের। হালকা করা সেকেন্ডারি স্ট্রিম (সাবস্ট্রিম) মূলত মোজাইক প্রদর্শন এবং দূর থেকে দেখার কাজে ব্যবহৃত হয়। সূক্ষ্ম কোনো গতিবিধি শনাক্ত করতে, যেমন পকেটে ঢুকিয়ে দেওয়া পণ্য বা র্যাকে খোলা অবস্থায় থাকা প্যাকেজিং, সেখানে মূল স্ট্রিমই গুরুত্বপূর্ণ: সেকেন্ডারি স্ট্রিমে হাত মাত্র কয়েকটি পিক্সেলে পরিণত হয়। আমরা এই বিষয়টি আমাদের স্টোরে মূল স্ট্রিম বিশ্লেষণ নিবন্ধে বিস্তারিতভাবে আলোচনা করেছি।
তখন সমস্যাটি একটি অঙ্কের হিসাবে দাঁড়ায়। বিশ বা ত্রিশটি ক্যামেরার মূল স্ট্রিম একটানা দূরবর্তী সার্ভারে পাঠাতে হলে উচ্চ ও স্থায়ী আপলোড ব্যান্ডউইথ লাগে, যা অনেক স্টোরের সংযোগ নিশ্চিত করতে পারে না। তার ওপর এই লাইন তারা আগে থেকেই পেমেন্ট টার্মিনাল, চেকআউট, মেসেজিং এবং কখনও কখনও গ্রাহকদের ওয়াইফাইয়ের সঙ্গে ভাগ করে ব্যবহার করে। গ্রীষ্মকালীন সেলের কোনো শনিবারে, যখন পেমেন্ট টার্মিনালগুলো একটানা চলছে, তখন কেউই চায় না এই লাইন ভরে যাক।
এই সীমাবদ্ধতা নতুন নয়। ২০২০ সালে প্রকাশিত এবং ইউরোপ ও আমেরিকার ২২ জন খুচরা বিক্রেতার সঙ্গে সাক্ষাৎকারের ভিত্তিতে তৈরি খুচরা বাণিজ্যে ভিডিও প্রযুক্তির ব্যবহার সংক্রান্ত সমীক্ষায় ECR Retail Loss গ্রুপ ইতিমধ্যেই উল্লেখ করেছিল যে বেশ কয়েকজন অংশগ্রহণকারী ভিডিও বিশ্লেষণের ব্যবহারে ব্যান্ডউইথ ও কম্পিউটিং ক্ষমতার প্রভাব নিয়ে উদ্বিগ্ন ছিলেন।
কেন গণনা ক্যামেরার সবচেয়ে কাছে করা হয়
ছবি এক জায়গা থেকে আরেক জায়গায় পাঠানোর বদলে গণনার কাজটিকেই সরিয়ে নেওয়া হয়: এটাই এজ কম্পিউটিংয়ের মূল নীতি। EuroShop মেলা খুচরা বাণিজ্যে এজ কম্পিউটিং নিয়ে একটি বিশেষ প্রতিবেদনে বিষয়টি সংক্ষেপে তুলে ধরেছে: শুধু প্রয়োজনীয় তথ্যই ক্লাউডে যায়, নেটওয়ার্কের চাপ কমে এবং রিয়েল টাইমে সাড়া দেওয়া সম্ভব হয়। ভিডিওর ক্ষেত্রে একটি সম্ভাব্য রূপ হলো স্টোরে বসানো একটি ডেডিকেটেড GPU, যা ক্যামেরার স্ট্রিম পড়ে এবং মডেলটি সেখানেই চালায়। পরিচালকের কাছে এর পার্থক্য তিনটি জায়গায় দেখা যায়:
- বিলম্ব (ল্যাটেন্সি)। অ্যালার্ট তখনই কাজে লাগে, যখন সেটি পৌঁছানোর সময়ও পরিস্থিতি রেকর্ড বা সেই রেয়ে চলমান থাকে। পুরো স্ট্রিম ডেটা সেন্টারে গিয়ে ফিরে আসার প্রয়োজন না থাকায় অঙ্গভঙ্গি থেকে নোটিফিকেশন পর্যন্ত পথটি ছোট হয়ে যায়: Oxania-তে ভিডিও অ্যালার্ট মোবাইল, ট্যাবলেট বা কম্পিউটারে ১০ সেকেন্ডেরও কম সময়ে পৌঁছায়।
- রেজোলিউশন। স্ট্রিমটি ইন্টারনেটের মধ্য দিয়ে যায় না বলে সংযোগে পাঠানোর জন্য এর মান কমানোর দরকার নেই। মডেলটি হাই রেজোলিউশনের ছবির ওপর কাজ করে, যে ছবিতে ব্যক্তিগত ব্যাগ ও কেনাকাটার ব্যাগের পার্থক্য বোঝা যায়, কিংবা চেকআউটে যাওয়ার আগেই কোনো পণ্য খাওয়া হয়ে গেছে কি না তা দেখা যায়।
- নেটওয়ার্ক। GPU সার্ভারটি স্টোরের জন্য নির্দিষ্ট এবং সেখানেই বসানো থাকে: ক্যামেরার স্ট্রিম পড়া ও বিশ্লেষণ করায় ইন্টারনেট সংযোগের ব্যান্ডউইথ খরচ হয় না। তবে শনাক্তকরণের নিশ্চিতকরণ, অ্যালার্টের ভিডিও অংশ পাঠানো এবং নোটিফিকেশন এই সংযোগের মাধ্যমেই যায়, তাই সংযোগটি সচল থাকতে হবে।
স্টোরে কী থাকে, কী বাইরে যায়
প্রত্যেক আইটি প্রধানই শেষ পর্যন্ত প্রশ্নটি তোলেন, আর স্লোগান দিয়ে এর উত্তর হয় না। Oxania যে আর্কিটেকচার বেছে নিয়েছে, তাতে ক্যামেরার ছবিগুলো তিনটি আলাদা পথ অনুসরণ করে:
- যা স্টোরেই থাকে: ক্যামেরার হাই রেজোলিউশনের একটানা ভিডিও স্ট্রিম। স্টোরের GPU এটি পড়ে ও বিশ্লেষণ করে, এবং এই স্ট্রিম আর কোথাও যায় না। আপনার বিদ্যমান ভিডিও সিস্টেমের রেকর্ডিং আগের মতোই পরিচালকের দায়িত্বে থাকে।
- যা নিশ্চিতকরণের জন্য যায়: কোনো ঝুঁকিপূর্ণ অঙ্গভঙ্গি শনাক্ত হলে শনাক্তকরণের একটি সংক্ষিপ্ত ডিজিটাল বিবরণ নিশ্চিতকরণের জন্য পাঠানো হয়। এটি ভিডিও নয়, এবং এর আকার ভিডিওর তুলনায় কিছুই নয়।
- যা যায় এবং সংরক্ষিত হয়: অ্যালার্টের সঙ্গে সংযুক্ত ভিডিও অংশটুকু, শুধু সেটিই। এটি গ্রাহকের দেশের সবচেয়ে কাছের সার্ভারে সংরক্ষিত হয়, যাতে দ্রুত অ্যাক্সেস পাওয়া যায় এবং স্থানীয় নিয়মও মানা হয়।
তাই বাছাইয়ের কাজটি উৎসেই হয়ে যায়। কয়েক ঘণ্টার ভিডিওর মধ্যে শুধু অ্যালার্টের সঙ্গে সম্পর্কিত অংশগুলোই স্টোর থেকে বেরোয়: যেগুলো দলের কোনো সদস্যের দেখার যোগ্য। অ্যালার্টে ঠিক এই অংশগুলোই থাকে, আগ্রহের স্থানে স্বয়ংক্রিয় ক্রমান্বয়ে জুমসহ। যিনি অ্যালার্টটি পান, তিনি এক নজরেই দৃশ্যটি বুঝে পরবর্তী পদক্ষেপ ঠিক করেন।
স্থানীয় মানে বিচ্ছিন্ন নয়
স্থানীয় ইনফারেন্স বলতে ঠিক কী বোঝায়, তা স্পষ্ট করা দরকার। শনাক্তকরণ হয় স্টোরে, একটি নির্দিষ্ট GPU-তে, কিন্তু সাইটটি ক্লাউডের সঙ্গে সংযুক্তই থাকে: শনাক্তকরণ নিশ্চিত করতে, অ্যালার্টের ভিডিও অংশ পাঠাতে এবং দলের ডিভাইসে নোটিফিকেশন পৌঁছে দিতে সংযোগ প্রয়োজন। যা বদলায় তা হলো কী চলাচল করে: কয়েক ডজন ক্রমাগত স্ট্রিমের বদলে কয়েকটি বার্তা ও ছোট ভিডিও অংশ। যে সরবরাহকারী উল্টোটা দাবি করেন অথচ আপনার ফোনে অ্যালার্ট পাঠান, তাঁকে আরও একটি প্রশ্ন করা উচিত।
আরেকটি বিষয় প্রায়ই ভুলে যাওয়া হয়: GPU সার্ভার একটি বাস্তব যন্ত্র। এর জন্য জায়গা খুঁজতে হয়, বিদ্যুৎ দিতে হয়, বায়ু চলাচলের ব্যবস্থা করতে হয় এবং ক্যামেরার সঙ্গে ঠিকভাবে যুক্ত করতে হয়। এটি ইন্টিগ্রেটরের কাজ, আর ফলাফল শুধু মডেলের মানের ওপর নির্ভর করে না, যেমনটি আমরা এআই ক্যামেরার কার্যকারিতায় ইন্টিগ্রেটরদের ভূমিকা প্রসঙ্গে ব্যাখ্যা করেছিলাম। সার্টিফায়েড ইন্টিগ্রেটরদের নেটওয়ার্কের সাহায্যে বিদ্যমান ক্যামেরায় ইনস্টলেশন সাধারণত একদিনেরও কম সময়ে সম্পন্ন হয়।
স্বাক্ষরের আগে পাঁচটি প্রশ্ন
একটি মাত্র বিক্রয়কেন্দ্র হোক বা পুরো নেটওয়ার্ক, এই পাঁচটি বিষয় দিয়ে ভিডিও বিশ্লেষণ স্থাপত্যের দৃঢ়তা দ্রুত যাচাই করা যায়:
- বিশ্লেষিত স্ট্রিম: মূল স্ট্রিম, হাই রেজোলিউশনে, নাকি দ্বিতীয় স্ট্রিম।
- মডেলটি কোথায় চলে, এবং যন্ত্রটি সত্যিই আপনার স্টোরের জন্য নির্দিষ্ট কি না।
- সাইট থেকে ঠিক কী বাইরে যায়, এবং কখন।
- অ্যালার্টের ভিডিও অংশ কোথায় সংরক্ষিত হয়: কোন দেশে, এবং কতদিনের জন্য।
- স্টোরের সংযোগ বিচ্ছিন্ন বা দুর্বল হলে কী ঘটে।
সুনির্দিষ্ট উত্তর আশা করুন। ভালোভাবে ভাবা স্থাপত্য জটিল পরিভাষা ছাড়াই কয়েক বাক্যে বর্ণনা করা যায়। যে সরবরাহকারী তা পারেন না, তাঁর নিজের কাছেই প্রায়ই নিজের ডেটা প্রবাহের স্পষ্ট মানচিত্র থাকে না। আর আপনার ক্যামেরাগুলো যদি কয়েক বছরের পুরোনো হয়, আমাদের স্টোরের জন্য সঠিক ক্যামেরা বেছে নেওয়ার নির্দেশিকা যাচাই করতে সাহায্য করে যে সেগুলো ব্যবহারযোগ্য মূল স্ট্রিম দেয় কি না।
একটি স্থাপত্য যা আস্থাও গড়ে তোলে
স্ট্রিম স্টোরে রাখা শুধু ব্যান্ডউইথের প্রশ্ন নয়। এর অর্থ এটাও যে যা কিছু চলাচল করে তা একেবারে প্রয়োজনীয় পর্যায়ে সীমিত রাখা এবং ডেটা ব্যবসায়ীর নিয়ন্ত্রণে রাখা। এআইয়ের দৃঢ়তা, সুরক্ষা ও নিরাপত্তা সংক্রান্ত OECD নীতিমালা সুপারিশ করে যে এআই সিস্টেম যেন তার পুরো জীবনচক্র জুড়ে নিরাপদ, সুরক্ষিত এবং যথাযথভাবে কাজ করতে সক্ষম থাকে, এবং অন্যায্য ক্ষতির ঝুঁকি দেখা দিলে সেগুলোকে নিরাপদে নিষ্ক্রিয় করা, মেরামত করা বা সেবা থেকে সরিয়ে নেওয়ার ব্যবস্থা থাকে।
স্টোরে এর অনুবাদ সহজ: প্রযুক্তি শনাক্ত করে, দল সিদ্ধান্ত নেয়। এআই অঙ্গভঙ্গি বিশ্লেষণ করে, মানুষ নয়, এবং এক ক্যামেরা থেকে আরেক ক্যামেরায় কাউকে অনুসরণ করে না। ভিডিও অংশটি দেখে একজন মানুষই ঠিক করেন সেকশনে যাবেন, সাহায্যের প্রস্তাব দেবেন, নাকি কিছুই করবেন না।
এসবের মধ্যে চমকপ্রদ কিছু নেই: শুধু সঠিক জায়গায় গণনা করা এবং ভিডিও কেবল তখনই চলাচল করা যখন তার প্রয়োজন হয়। তবুও এটাই দ্রুত ও নির্ভুল অ্যালার্ট এবং আরও ভালোভাবে নিয়ন্ত্রিত শ্রিঙ্কেজ নিশ্চিত করে। ফিচার তুলনা করার আগে ডেটা প্রবাহের মানচিত্রটি দেখতে চান: এটি প্রায়ই বিক্রয় ব্রোশিওরের চেয়ে অনেক বেশি কিছু বলে দেয়।
