AI वीडियो विश्लेषण के किसी डेमो के दौरान एक सवाल अंत में हमेशा सामने आता है, चाहे वह IT मैनेजर पूछे या स्वयं स्टोर मैनेजर: फ़ुटेज आखिर जाती कहाँ है? बहुत से लोग मानते हैं कि स्टोर के इंटरनेट कनेक्शन से वीडियो लगातार किसी दूर के सर्वर पर भेजा जाता है। असल में सब कुछ एक आर्किटेक्चर निर्णय पर टिका होता है, जो पहली सेटिंग से बहुत पहले लिया जाता है: स्टोर में लगे GPU पर स्थानीय वीडियो विश्लेषण, जो मौजूदा कैमरों की मुख्य स्ट्रीम पर आधारित होता है।
यहाँ हम इमेज क्वालिटी पर दोबारा बात नहीं करेंगे। इसके बजाय हम डेटा के रास्ते को देखेंगे, कैमरे के लेंस से लेकर मैनेजर की स्क्रीन तक: क्या वहीं रहता है, क्या बाहर जाता है, और यह चुनाव अलर्ट की गति, स्टोर के नेटवर्क और डेटा पर नियंत्रण के लिए व्यावहारिक रूप से क्या बदलता है।
एक वीडियो स्ट्रीम का भार बहुत होता है, और एक बड़े स्टोर में ऐसी दर्जनों स्ट्रीम होती हैं
एक IP कैमरा आमतौर पर कम से कम दो स्ट्रीम बनाता है। मुख्य स्ट्रीम (मेनस्ट्रीम) हाई रेज़ोल्यूशन में होती है। हल्की सेकेंडरी स्ट्रीम (सबस्ट्रीम) का उपयोग मुख्यतः मोज़ेक डिस्प्ले और दूर से देखने के लिए होता है। किसी बारीक गेस्चर को पकड़ने के लिए, जैसे जेब में सरकाया गया उत्पाद या रैक पर खोला गया पैकेट, मुख्य स्ट्रीम ही मायने रखती है: सेकेंडरी स्ट्रीम में हाथ केवल कुछ पिक्सेल का रह जाता है। इस बिंदु को हमने अपने लेख में विस्तार से समझाया है: स्टोर में मुख्य स्ट्रीम का विश्लेषण।
तब समस्या गणित की बन जाती है। बीस या तीस कैमरों की मुख्य स्ट्रीम को लगातार किसी दूरस्थ सर्वर तक भेजने के लिए ऊँची और स्थायी अपलोड स्पीड चाहिए, जिसकी गारंटी स्टोर के कई कनेक्शन नहीं देते। और यह लाइन पहले से ही पेमेंट टर्मिनलों, चेकआउट, मैसेजिंग और कभी-कभी ग्राहकों के वाई-फ़ाई के साथ साझा होती है। गर्मियों की सेल के किसी शनिवार को, जब कार्ड टर्मिनल लगातार चल रहे हों, कोई भी इसे ठप होते नहीं देखना चाहता।
यह सीमा कोई नई बात नहीं है। 2020 में प्रकाशित और 22 यूरोपीय और अमेरिकी रिटेलरों के साथ हुए साक्षात्कारों पर आधारित अपने रिटेल में वीडियो तकनीकों के उपयोग पर अध्ययन में ECR Retail Loss समूह ने पहले ही बताया था कि कई प्रतिभागी वीडियो विश्लेषण के उपयोग पर बैंडविड्थ और कंप्यूटिंग क्षमता के असर को लेकर चिंतित थे।
गणना कैमरों के सबसे नज़दीक क्यों की जाती है
छवियों को इधर-उधर भेजने के बजाय, गणना को ही वहाँ ले जाया जाता है: यही एज कंप्यूटिंग का सिद्धांत है। EuroShop प्रदर्शनी ने इसे रिटेल में एज कंप्यूटिंग पर समर्पित एक फ़ाइल में संक्षेप में समझाया है: केवल उपयोगी डेटा क्लाउड तक जाता है, नेटवर्क पर बोझ घटता है और प्रतिक्रिया रीयल टाइम में हो सकती है। वीडियो के लिए एक संभावित रूप है स्टोर में लगा समर्पित GPU, जो कैमरों की स्ट्रीम पढ़ता है और मॉडल को वहीं चलाता है। संचालक के लिए यह अंतर तीन जगह दिखता है:
- लेटेंसी। अलर्ट तभी काम का है जब उसके पहुँचने पर स्थिति रेयोन में अब भी जारी हो। पूरी स्ट्रीम को डेटा सेंटर तक भेजने और वापस लाने की ज़रूरत न होने से, गतिविधि और नोटिफ़िकेशन के बीच की कड़ी छोटी हो जाती है: Oxania में वीडियो अलर्ट मोबाइल, टैबलेट या कंप्यूटर पर 10 सेकंड से भी कम समय में पहुँच जाता है।
- रेज़ोल्यूशन। स्ट्रीम इंटरनेट से होकर नहीं गुज़रती, इसलिए उसे कनेक्शन में समाने के लिए घटाने की ज़रूरत नहीं पड़ती। मॉडल हाई रेज़ोल्यूशन इमेज पर काम करता है, जिससे निजी बैग और शॉपिंग बैग में फ़र्क करना संभव होता है, या यह देखना कि कोई उत्पाद चेकआउट पर पहुँचने से पहले ही खा लिया गया है।
- नेटवर्क। GPU सर्वर स्टोर के लिए समर्पित है और वहीं लगा होता है: कैमरों की स्ट्रीम पढ़ने और विश्लेषण करने में इंटरनेट कनेक्शन की बैंडविड्थ खर्च नहीं होती। वहीं, डिटेक्शन की पुष्टि, अलर्ट क्लिप भेजना और नोटिफ़िकेशन इसी कनेक्शन से जाते हैं, जिसका उपलब्ध रहना ज़रूरी है।
स्टोर में क्या रहता है, क्या बाहर जाता है
हर IT प्रमुख आख़िरकार यह सवाल पूछता है, और केवल एक नारा इसका जवाब नहीं हो सकता। Oxania ने जो आर्किटेक्चर चुना है, उसमें कैमरों की छवियाँ तीन अलग-अलग रास्तों से गुज़रती हैं:
- जो वहीं रहता है: कैमरों की लगातार चलने वाली हाई रेज़ोल्यूशन वीडियो स्ट्रीम। स्टोर का GPU उसे पढ़ता और उसका विश्लेषण करता है, और यह स्ट्रीम इससे आगे नहीं जाती। आपके मौजूदा वीडियो सिस्टम की रिकॉर्डिंग पहले की तरह ही संचालक की ज़िम्मेदारी में रहती हैं।
- जो पुष्टि के लिए बाहर जाता है: जब कोई जोखिम भरा हाव-भाव पकड़ा जाता है, तो पुष्टि के लिए डिटेक्शन का एक संक्षिप्त डिजिटल विवरण भेजा जाता है। यह वीडियो नहीं है, और इसका आकार फ़ुटेज के आकार से कोई तुलना नहीं रखता।
- जो बाहर जाता है और सहेजा जाता है: अलर्ट से जुड़ा वीडियो अंश, और केवल वही। इसे ग्राहक के देश के सबसे नज़दीक स्थित सर्वरों पर संग्रहीत किया जाता है, ताकि पहुँच तेज़ रहे और स्थानीय नियमों का पालन भी हो।
इस तरह छँटाई स्रोत पर ही हो जाती है। घंटों की वीडियो में से केवल अलर्ट से जुड़े क्लिप ही स्टोर से बाहर जाते हैं: वही, जिन्हें टीम के किसी सदस्य का देखना ज़रूरी है। यही क्लिप अलर्ट में भी दिखते हैं, जिनमें रुचि के बिंदु पर अपने-आप क्रमिक ज़ूम होता है। अलर्ट पाने वाला व्यक्ति दृश्य को एक नज़र में समझ लेता है और आगे का निर्णय लेता है।
स्थानीय का मतलब दुनिया से कटा हुआ नहीं है
फिर भी यह स्पष्ट होना चाहिए कि स्थानीय इन्फ़रेंस में क्या शामिल है। डिटेक्शन स्टोर में, एक समर्पित GPU पर होता है, लेकिन साइट क्लाउड से जुड़ी रहती है: डिटेक्शन की पुष्टि कराने, अलर्ट के अंश भेजने और टीम के उपकरणों तक नोटिफ़िकेशन पहुँचाने के लिए उसे कनेक्शन चाहिए। बदलाव इसमें है कि क्या भेजा जाता है: लगातार चलती दर्जनों स्ट्रीम की जगह कुछ संदेश और छोटे अंश। जो प्रदाता इसके उलट दावा करे और फिर भी आपके फ़ोन पर अलर्ट भेजे, उससे एक सवाल और पूछना बनता है।
एक और बात जो अक्सर भुला दी जाती है: GPU सर्वर एक वास्तविक मशीन है। उसके लिए जगह ढूँढनी पड़ती है, बिजली देनी पड़ती है, हवादार रखना पड़ता है और उसे कैमरों से ठीक से जोड़ना पड़ता है। यह इंटीग्रेटर का काम है, और नतीजा केवल मॉडल की गुणवत्ता पर निर्भर नहीं करता, जैसा कि हमने AI कैमरों की प्रभावशीलता में इंटीग्रेटरों की भूमिका पर समझाया था। प्रमाणित इंटीग्रेटरों के नेटवर्क के साथ, मौजूदा कैमरों पर इंस्टॉलेशन आमतौर पर एक दिन से भी कम में हो जाता है।
हस्ताक्षर करने से पहले पूछने लायक पाँच सवाल
चाहे एक ही स्टोर हो या पूरा नेटवर्क, ये पाँच बिंदु वीडियो विश्लेषण आर्किटेक्चर की मज़बूती को जल्दी परखने में मदद करते हैं:
- विश्लेषित स्ट्रीम: मुख्य स्ट्रीम (हाई रेज़ोल्यूशन) या सेकेंडरी स्ट्रीम।
- मॉडल कहाँ चलता है, और क्या मशीन वाकई आपके स्टोर के लिए समर्पित है।
- साइट से ठीक-ठीक क्या बाहर जाता है, और किस समय।
- अलर्ट के अंशों के संग्रहण का स्थान: किस देश में, और कितने समय के लिए।
- स्टोर का कनेक्शन कट जाने या कमज़ोर होने पर क्या होता है।
ठोस उत्तरों की अपेक्षा रखें। एक सुविचारित आर्किटेक्चर को बिना शब्दजाल के कुछ वाक्यों में समझाया जा सकता है। जो प्रदाता ऐसा नहीं कर पाता, उसके पास अक्सर अपने डेटा प्रवाह का स्पष्ट नक्शा ही नहीं होता। और यदि आपके कैमरे कुछ साल पुराने हैं, तो हमारी स्टोर के लिए सही कैमरा चुनने की गाइड यह जाँचने में मदद करती है कि वे उपयोग योग्य मुख्य स्ट्रीम देते हैं या नहीं।
एक आर्किटेक्चर जो भरोसे के भी काम आता है
स्ट्रीम को स्टोर में रखना केवल बैंडविड्थ का मामला नहीं है। इसका मतलब यह भी है कि जो कुछ बाहर जाता है उसे ज़रूरी न्यूनतम तक सीमित रखा जाए, और डेटा को व्यापारी के नियंत्रण में रहने दिया जाए। AI की मज़बूती, सुरक्षा और संरक्षा पर OECD के सिद्धांत सुझाते हैं कि AI सिस्टम अपने पूरे जीवन चक्र में सुरक्षित रहें और ठीक से काम करने में सक्षम हों, और ऐसी व्यवस्थाएँ हों जिनसे अनुचित हानि का जोखिम होने पर उन्हें सुरक्षित रूप से निष्क्रिय किया जा सके, सुधारा जा सके या सेवा से हटाया जा सके।
स्टोर में इसका सीधा अर्थ है: तकनीक पहचानती है, टीम निर्णय लेती है। AI हाव-भाव का विश्लेषण करता है, लोगों का नहीं, और किसी को एक कैमरे से दूसरे कैमरे तक ट्रैक नहीं करता। अंश देखने के बाद, कोई इंसान ही तय करता है कि रेयोन में जाना है, मदद की पेशकश करनी है या कुछ नहीं करना है।
इसमें कुछ भी नाटकीय नहीं है: बस सही जगह पर की गई गणना और ऐसी वीडियो जो केवल तभी यात्रा करती है जब ज़रूरत हो। फिर भी यही तेज़ और सटीक अलर्ट देता है, और अज्ञात शिंकेज पर बेहतर नियंत्रण भी। फ़ीचर्स की तुलना करने से पहले, स्ट्रीम का नक्शा दिखाने को कहें: वह अक्सर किसी कमर्शियल ब्रोशर से कहीं ज़्यादा बताता है।
