تواجه مواقف السيارات الحضرية والتجارية مشكلة بسيطة لكنها مكلفة: لا أحد يعرف أي موقف شاغر في أي لحظة. يدور السائقون بين الطوابق، ويتكوّن طابور عند المدخل، ولا يرتبط نظام التذاكر بالمواقف، ولا تعرف الإدارة أعداد الدخول والخروج لليوم إلا بعد الإغلاق. والمستشعرات الأرضية لكل موقف مكلفة التركيب والصيانة وتتعثر في المواقف المكشوفة. والمطلوب طريقة لقياس حالة كل موقف باستمرار وبتكلفة منخفضة ودون تدخل بشري.
لا تقتصر الأهمية على راحة السائق. فبالنسبة للمدينة، كل دقيقة تقضيها سيارة في البحث عن موقف تضيف ازدحامًا وانبعاثات. وبالنسبة للمشغّل، فإن عدم معرفة الإشغال الفعلي يعني العجز عن التسعير الديناميكي أو تقديم الحجوزات أو تحليل أنماط الاستخدام. وبالنسبة للأمن، فإن معرفة أي مركبة في أي موقف ومنذ متى هي أساس متابعة أي حادث. لذا فالمواقف الذكية ليست منتجًا للرفاهية، بل بنية تحتية تتحول إلى بيانات، وبيانات تتحول إلى قرارات.
تحوّل بنية قائمة على الرؤية الحاسوبية الكاميرات الموجودة، أو عددًا قليلًا من الكاميرات الجديدة، إلى مستشعرات. عند الحافة، تحلل وحدة معالجة صغيرة الإطارات، وتكشف إشغال كل موقف وتقرأ لوحات المركبات، ولا ترسل إلى الخادم سوى الأحداث ذات المعنى، مثل «الموقف 12 مشغول» أو «اللوحة X دخلت». تُجمع هذه الأحداث على منصة مركزية، وتُربط بنظام التذاكر والدفع، وتُتاح عبر واجهات API للوحات الإرشاد وتطبيق الهاتف ولوحة المعلومات الإدارية. لا يغادر الفيديو الخام الموقع أبدًا؛ البيانات فقط هي التي تغادر.
الاعتبار العملي الأول هو ظروف العالم الحقيقي. فالنماذج التي تؤدي جيدًا في إضاءة جيدة وبعدسة نظيفة قد تخفق ليلًا أو تحت المطر أو في ظلال الأشجار أو حين تنحرف الكاميرا عن وضعها. والعلاج هو تقييم النموذج على بيانات الموقع الفعلي وإعادة تدريبه دوريًا، بدلًا من الوثوق بنموذج عام. فمثلًا، للموقف المكشوف في الشتاء نمط إضاءة مختلف تمامًا عنه في الصيف، ويُتوقع أن تنخفض الدقة من دون إعادة التدريب.
الاعتبار الثاني هو الخصوصية وتصميم البيانات. فلوحة المركبة بيانات شخصية، ويجب التعامل معها بالعناية نفسها التي تُعامل بها بيانات العملاء في البنك. وهذا يعني المعالجة على الحافة، وحذف الصورة بمجرد استخراج الحدث، والاحتفاظ باللوحات فقط للمدة التي تتطلبها العمليات والدفع، والوصول القائم على الأدوار إلى لوحات المعلومات. والبنية الجيدة تُدمج هذه القيود في التصميم بدلًا من إضافتها لاحقًا، وهذا أكثر أمانًا وأقل تكلفة.
المزالق الشائعة واضحة. أولًا، البدء بأفضل نموذج بدلًا من أفضل زاوية للكاميرا؛ فالتموضع الصحيح للكاميرا يؤثر في الدقة أكثر من أي خوارزمية. ثانيًا، بث الفيديو الخام إلى خادم مركزي، ما يستهلك عرض النطاق ويخلق مخاطر على الخصوصية. ثالثًا، بناء نظام الكشف دون ربطه بنظام التذاكر والدفع، ما ينتج لوحة معلومات لا يتصرف أحد بناءً عليها. رابعًا، إغفال حالة العطل؛ فحين تتعطل كاميرا، ينبغي أن يُبلغ النظام عن المواقف بأنها «غير معروفة» لا «شاغرة»، وإلا وُجّه السائقون إلى أماكن غير موجودة.
تطبّق منصة بينا للذكاء البصري من نياداد هذه البنية: المعالجة على الحافة، وكشف الإشغال واللوحات، وتوليد الأحداث، والتكامل مع الأنظمة التشغيلية عبر واجهات API. وفي مشروع المواقف الذكية لنياداد، تعمل بينا طبقةً للإدراك، وتغذي أحداثها منصات البيانات والأحداث لدى نياداد لتكون حالة الموقف متاحة للسائق والمشغّل والتحليل على مستوى المدينة على حد سواء.
المواقف الذكية نموذج مصغّر من النمط الأكبر للمدينة الذكية: استشعار منخفض التكلفة، وذكاء على الحافة، وأحداث بدلًا من الفيديو، وتكامل مع الأنظمة التشغيلية. والمؤسسة التي تُحسن تطبيق هذا النمط في موقف واحد تستطيع تكراره عند مدخل مبنى أو على خط إنتاج أو في مستودع. وقد نضجت التقنية اليوم بما يكفي لئلا يكون العامل الحاسم هو النموذج، بل الانضباط الذي يُبنى به النظام المحيط به.