پارکینگهای شهری و تجاری با مسئلهای ساده اما پرهزینه روبهرو هستند: کسی نمیداند در هر لحظه کدام جایگاه خالی است. رانندگان در طبقات میچرخند، صف در ورودی شکل میگیرد، سامانهٔ صدور بلیت به جایگاهها متصل نیست و مدیریت پارکینگ تنها در پایان روز از تعداد ورود و خروج مطلع میشود. حسگرهای زمینی برای هر جایگاه، پرهزینه و پرنگهداریاند و در پارکینگهای روباز بهسختی کار میکنند. آنچه نیاز است، راهی است که وضعیت هر جایگاه را پیوسته، ارزان و بدون دخالت انسان اندازه بگیرد.
اهمیت این موضوع فقط در راحتی راننده نیست. برای شهر، هر دقیقهای که خودرو بهدنبال جای پارک میگردد، ترافیک و آلودگی میسازد. برای بهرهبردار، ندانستن ظرفیت واقعی یعنی ناتوانی در قیمتگذاری پویا، رزرو و تحلیل الگوی استفاده. و برای امنیت، دانستن اینکه کدام خودرو در کدام جایگاه و از چه زمانی پارک شده، پایهٔ پیگیری هر رخداد است. پارکینگ هوشمند بنابراین یک محصول رفاهی نیست؛ زیرساختی است که به داده تبدیل میشود و آن داده به تصمیم.
معماری مبتنی بر بینایی ماشین، دوربینهای موجود یا تعداد کمی دوربین جدید را به حسگر تبدیل میکند. در لبه، یک واحد پردازش کوچک تصاویر را تحلیل میکند، اشغال هر جایگاه و پلاک خودرو را تشخیص میدهد و فقط رویدادهای معنادار، مثل «جایگاه ۱۲ اشغال شد» یا «پلاک X وارد شد»، را به سرور میفرستد. این رویدادها در یک پلتفرم مرکزی جمع میشوند، با سامانهٔ بلیت و پرداخت پیوند میخورند و از طریق API در اختیار تابلوهای راهنما، اپلیکیشن و داشبورد مدیریت قرار میگیرند. تصویر خام هیچگاه از پارکینگ خارج نمیشود؛ فقط داده.
نخستین ملاحظهٔ عملی، شرایط واقعی محیط است. مدلهایی که در نور مناسب و دوربین تمیز خوب کار میکنند، ممکن است در شب، باران، سایهٔ درختان یا با دوربین کجشده دچار خطا شوند. راهحل، ارزیابی مدل با دادهٔ همان محل و بازآموزی دورهای است، نه اتکا به یک مدل عمومی. برای مثال، یک پارکینگ روباز در فصل زمستان الگوی نوری کاملاً متفاوتی با تابستان دارد و باید انتظار داشت که دقت بدون بازآموزی افت کند.
دومین ملاحظه، حریم خصوصی و طراحی داده است. پلاک خودرو دادهٔ شخصی است و باید با همان دقتی مدیریت شود که دادهٔ مشتری در بانک. این یعنی پردازش در لبه، حذف تصویر پس از استخراج رویداد، نگهداری محدود پلاکها به مدت لازم برای عملیات و پرداخت، و کنترل دسترسی مبتنی بر نقش برای داشبوردها. معماری خوب، این محدودیتها را در طراحی جا میدهد، نه اینکه بعداً به آن اضافه کند.
دامهای رایج در این پروژهها مشخصاند. اول، شروع با بهترین مدل بهجای شروع با بهترین زاویهٔ دوربین؛ جانمایی درست دوربین بیش از هر الگوریتمی بر دقت اثر دارد. دوم، ارسال ویدئوی خام به سرور مرکزی که هم پهنای باند را میبلعد و هم ریسک حریم خصوصی میسازد. سوم، ساختن سامانهٔ تشخیص بدون اتصال به بلیت و پرداخت، که نتیجهاش داشبوردی است که کسی بر اساس آن عمل نمیکند. و چهارم، نادیده گرفتن حالت خرابی؛ وقتی یک دوربین از کار میافتد، سامانه باید بهجای گزارش «جایگاه خالی»، وضعیت «نامشخص» را نشان دهد.
پلتفرم هوش دیداری «بینا» در نیاداد همین معماری را پیاده میکند: پردازش در لبه، تشخیص اشغال و پلاک، تولید رویداد و اتصال به سامانههای عملیاتی از طریق API. «بینا» در پروژهٔ پارکینگ هوشمند نیاداد بهعنوان لایهٔ ادراک به کار رفته و رویدادهای آن به پلتفرمهای داده و رویداد نیاداد متصل میشوند تا وضعیت پارکینگ هم برای راننده، هم برای بهرهبردار و هم برای تحلیل شهری در دسترس باشد.
پارکینگ هوشمند نمونهٔ کوچکی از الگوی بزرگتر شهر هوشمند است: حسگر ارزان، هوش در لبه، رویداد بهجای ویدئو، و اتصال به سامانههای عملیاتی. سازمانی که این الگو را در یک پارکینگ درست پیاده کند، همان الگو را میتواند در ورودی ساختمان، خط تولید یا انبار تکرار کند. این فناوری امروز به بلوغی رسیده که عامل تعیینکننده دیگر مدل نیست، بلکه انضباطی است که سامانهٔ پیرامون آن با آن ساخته میشود.