I parcheggi urbani e commerciali affrontano un problema semplice ma costoso: nessuno sa quale stallo sia libero in un dato momento. I conducenti girano tra i piani, si forma una coda all'ingresso, il sistema di biglietteria non è collegato agli stalli e la direzione conosce gli ingressi e le uscite della giornata solo dopo la chiusura. I sensori a terra per ogni stallo sono costosi da installare e mantenere e funzionano con difficoltà nelle strutture all'aperto. Serve un modo per misurare lo stato di ogni stallo in modo continuo, economico e senza intervento umano.
L'importanza non riguarda solo la comodità del conducente. Per la città, ogni minuto che un'auto trascorre a cercare un posto aggiunge traffico ed emissioni. Per il gestore, non conoscere l'occupazione reale significa non poter applicare prezzi dinamici, offrire prenotazioni o analizzare i modelli di utilizzo. Per la sicurezza, sapere quale veicolo si trova in quale stallo e da quando è la base per dare seguito a qualsiasi incidente. Il parcheggio intelligente non è quindi un prodotto di comodità, ma un'infrastruttura che diventa dati, e dati che diventano decisioni.
Un'architettura di visione artificiale trasforma le telecamere esistenti, o un numero ridotto di nuove telecamere, in sensori. All'edge, un'unità di elaborazione compatta analizza i fotogrammi, rileva l'occupazione di ciascuno stallo e legge le targhe, inviando al server solo eventi significativi, come «stallo dodici occupato» o «targa X entrata». Tali eventi vengono raccolti su una piattaforma centrale, collegati a biglietteria e pagamenti ed esposti tramite API alla segnaletica di guida, all'app mobile e alla dashboard direzionale. Il video grezzo non lascia mai il sito: escono solo i dati.
La prima considerazione pratica riguarda le condizioni reali. Modelli che funzionano bene con buona luce e obiettivo pulito possono fallire di notte, sotto la pioggia, all'ombra degli alberi o quando una telecamera è stata disallineata. Il rimedio è valutare il modello sui dati del sito effettivo e riaddestrarlo periodicamente, anziché affidarsi a un modello generico. Ad esempio, un parcheggio all'aperto in inverno presenta un andamento della luce completamente diverso rispetto all'estate, e senza riaddestramento è prevedibile un calo dell'accuratezza.
La seconda considerazione riguarda la privacy e la progettazione dei dati. Una targa è un dato personale e deve essere trattata con la stessa cura dei dati dei clienti in una banca. Ciò significa elaborazione all'edge, eliminazione dell'immagine una volta estratto l'evento, conservazione delle targhe solo per il tempo richiesto dalle operazioni e dai pagamenti, e accesso alle dashboard basato sui ruoli. Una buona architettura integra questi vincoli nella progettazione anziché aggiungerli a posteriori, il che è sia più sicuro sia più economico.
Le insidie più comuni sono chiare. Primo, partire dal modello migliore invece che dall'angolazione migliore della telecamera; il corretto posizionamento delle telecamere incide sull'accuratezza più di qualsiasi algoritmo. Secondo, trasmettere video grezzo a un server centrale, il che consuma banda e crea rischi per la privacy. Terzo, costruire il sistema di rilevamento senza integrarlo con biglietteria e pagamenti, ottenendo una dashboard su cui nessuno agisce. Quarto, ignorare lo stato di guasto; quando una telecamera si blocca, il sistema dovrebbe indicare gli stalli come sconosciuti anziché liberi, altrimenti i conducenti verranno indirizzati verso posti che non esistono.
La piattaforma di IA per la visione Bina («بینا») di Niadad implementa questa architettura: elaborazione all'edge, rilevamento dell'occupazione e delle targhe, generazione di eventi e integrazione con i sistemi operativi tramite API. Nel progetto di parcheggio intelligente di Niadad, Bina funge da livello di percezione e i suoi eventi alimentano le piattaforme di dati ed eventi di Niadad, affinché lo stato del parcheggio sia disponibile al conducente, al gestore e all'analisi a livello urbano.
Il parcheggio intelligente è un piccolo esempio del più ampio modello della smart city: rilevamento a basso costo, intelligenza all'edge, eventi al posto del video e integrazione con i sistemi operativi. Un'organizzazione che applica correttamente questo modello in un parcheggio può replicarlo all'ingresso di un edificio, su una linea di produzione o in un magazzino. La tecnologia è ormai abbastanza matura da far sì che il fattore decisivo non sia più il modello, ma la disciplina con cui viene costruito il sistema circostante.