همزمان با گسترش ابعاد و پیچیدگی مراکز داده (Data Centers) و پراکندگی جغرافیایی آن‌ها برای پاسخگویی به تقاضای جهانی، هوش مصنوعی (AI) نقشی حیاتی در ساده‌سازی مدیریت محلی و از راه دور این سایت‌ها ایفا خواهد کرد.

بخش زیرساخت دیجیتال آماده‌ی یک رشد انفجاری است. انتظار می‌رود تقاضا برای خدمات الکترونیکی در دهه آینده دو برابر شود و صنعت جهانی مراکز داده نیز برای پاسخگویی به این نیاز گسترده، در مدت مشابه سه برابر شود. بخش بزرگی از این زیرساخت، انرژی مورد نیاز خدماتی را تأمین می‌کند که جهان به آن‌ها متکی شده است، اما بخش عظیمی از رشد تقاضا از نسل بعدی ارائه‌ی خدمات نشأت می‌گیرد: دنیای هوش مصنوعی.

هوش مصنوعی در سال‌های اخیر به طور قابل توجهی تغییر کرده است. تیترهای متعدد هوش مصنوعی مولد (Generative AI) از تکامل سریع آن ناشی شده‌اند و ما شاهد ورود تولید متن، تصویر و حتی ویدئو به ابزارهای رایج بوده‌ایم. اما هوش مصنوعی پیش‌بین (Predictive AI) – که نه برای تولید داده، بلکه برای تجزیه و تحلیل و نتیجه‌گیری از آن ساخته شده است – واکنش عمومی ملایم‌تری دریافت کرده است؛ این علی‌رغم پتانسیل آن برای استخراج بینش‌های ارزشمند از صدا، تصاویر و مهم‌تر از همه، ویدئو، فراتر از هر چیزی است که ما به تنهایی با توان انسانی می‌توانستیم به آن دست یابیم.

پیوند دادن داده‌های ویدئویی و هوش مصنوعی

هوش مصنوعی فقط یک محرک رشد نیست، بلکه «توانمندساز» رشد است. همزمان با گسترش ابعاد و پیچیدگی مراکز داده و پراکندگی جغرافیایی آن‌ها برای پاسخگویی به تقاضای جهانی، هوش مصنوعی نقشی حیاتی در ساده‌سازی مدیریت محلی و از راه دور سایت‌های مرکز داده ایفا خواهد کرد. با افزایش مصرف برق – انتظار می‌رود هوش مصنوعی مولد به تنهایی تا سال ۲۰۲۸ به ۳۸ گیگاوات برق اضافی نیاز داشته باشد – هوش مصنوعی به یافتن بهره‌وری‌های جدید و کشف منابع اتلاف انرژی کمک خواهد کرد. و با ورود مراکز داده به عصر «موجودیت‌های حیاتی»، هوش مصنوعی از عملکرد ضروری امنیت و ایمنی سایت‌ها پشتیبانی خواهد کرد.

داده‌های ویدئویی اکنون یک منبع غنی برای تجزیه و تحلیل هوش مصنوعی هستند. یک دوربین به طور بالقوه قوی‌ترین حسگری است که یک کسب‌وکار می‌تواند به کار گیرد و میلیون‌ها نقطه داده را چندین بار در هر ثانیه تولید می‌کند. هر پیکسل را می‌توان جدا کرد و تجزیه و تحلیل کرد؛ نمای یک دوربین واحد را می‌توان به نقاط مورد علاقه متعددی تقسیم کرد تا به یک دوربین اجازه دهد چندین کار را به طور همزمان انجام دهد. تحلیل‌های مبتنی بر شیء (Object-based analytics) می‌توانند موارد را در یک صحنه شناسایی، ردیابی و طبقه‌بندی کنند و فرآیندهای خودکار را بر اساس قوانین به سادگی قابل تعریف، فعال سازند. دوربین‌ها همه‌کاره هستند و کاربردهای آن‌ها تقریباً نامحدود است.

فناوری موجود، فرصت‌های جدید

اگر دوربینی بتواند چیزی را ببیند، هوش مصنوعی می‌تواند بر اساس آن عمل کند. از طریق یادگیری عمیق (Deep Learning)، می‌توان برنامه‌های کاربردی واکنشی سفارشی را توسعه داد که راه‌حل‌های جدیدی برای مشکلات قدیمی ارائه می‌دهند، یا مشکلات جدید را قبل از اینکه برای اقدام دیر شود، تشخیص می‌دهند. و برخلاف بارهای کاری سنگین هوش مصنوعی که زیربنای رشد سریع مراکز داده هستند، مدل‌های هوش مصنوعی که به درستی آموزش دیده‌اند، اجازه می‌دهند چنین برنامه‌های تحلیلی مستقیماً بر روی لبه شبکه (Network Edge)، یعنی در داخل همان سخت‌افزار دوربینی که به آن متکی هستند، اجرا شوند.

این بدان معناست که دوربینی که در حال حاضر برای امنیت استفاده می‌شود، می‌تواند توانایی‌های خود را با استفاده از تحلیل‌های هوش مصنوعی ارتقا دهد؛ مثلاً پرسنل غیرمجاز را در مناطق حساس شناسایی کرده و به طور خودکار زنگ خطر را به صدا درآورد، یا فعالیت‌های مشکوک مانند پرسه زدن یا ورود غیرقانونی را شناسایی و به اپراتورها هشدار دهد.

اما این همچنین به این معناست که همان دوربین می‌تواند کارهای بیشتری انجام دهد – می‌تواند با یک سیستم کنترل دسترسی (Access Control) یکپارچه شود تا عبور غیرمجاز همزمان دو نفر (tailgating) را تشخیص دهد، یا در کنار یک دوربین حرارتی کار کند تا نمایی زنده از هرگونه نقاط داغ (hot spots) را به اپراتورها ارائه دهد و حتی به طور خودکار سیستم خنک‌کننده اضافی را فعال کند.

امکانات خلاقانه برای نوآوری تازه

پتانسیل خلاقانه هوش مصنوعی به این معناست که برنامه‌های تحلیلی را می‌توان طوری شکل داد که متناسب با نیازهای منحصربه‌فرد محیط مرکز داده باشند. به عنوان مثال، تشخیص شیء ممکن است طوری تنظیم شود که به دنبال موارد ممنوعه مانند بطری‌های آب بگردد. دوربین‌ها را می‌توان طوری پیکربندی کرد که علائم بصری یا (از طریق میکروفون‌هایشان) شنیداری خرابی یا افت عملکرد سرور را تشخیص دهند. تحلیل‌ها را می‌توان آموزش داد تا مراقب خطرات محیطی مانند نشت (leaks) باشند و اطمینان حاصل کنند که نگهداری و تعمیرات برای افزایش طول عمر تجهیزات کافی است.

با افزایش تعداد مشتریان مرکز داده، تحلیل‌های ویدئویی می‌توانند تأیید بصری وضعیت دقیق سرورهای فیزیکی را به مشتریان هم‌مکان (co-locating) ارائه دهند یا به بهینه‌سازی مصرف انرژی از طریق سیستم‌های روشنایی و خنک‌کننده خودکار بر اساس تشخیص حضور افراد کمک کنند.

حتی بازیابی فاجعه (Disaster Recovery) نیز می‌تواند از تحلیل‌های هوش مصنوعی بهره‌مند شود – دوربینی که دود را تشخیص می‌دهد می‌تواند به طور خودکار هشدارهای بلندگو را فعال کند، در حالی که دوربین‌ها، اینترکام‌ها و ریدرها، تعداد دقیق و مکان پرسنل را برای ساده‌سازی رویه‌های تخلیه اضطراری فهرست می‌کنند.

پشتیبانی از آینده مراکز داده

مراکز داده سنگ بنای فناوری فردا هستند، اما هیچ‌کس نمی‌گوید که گسترش سریع زیرساخت‌های دیجیتال آسان خواهد بود. اپراتورها به هر مزیتی که بتوانند به دست آورند، نیاز دارند؛ خواه صرفه‌جویی در هزینه، صرفه‌جویی در انرژی، یا فقط راه‌اندازی تأسیسات به پاک‌ترین، کارآمدترین و ایمن‌ترین شکل ممکن.

تحلیل‌های هوش مصنوعی همه این مزایا و موارد بیشتری را ارائه می‌دهند، و همگی به عنوان افزونه‌ای بر سخت‌افزاری (دوربین‌ها) هستند که چه از تحلیل‌ها استفاده می‌شد یا نه، برای عملکرد امنیتی مورد نیاز بودند.

همانطور که جهان هوشمندتر می‌شود، زیرساخت‌های دیجیتال نیز باید هوشمندتر شوند. برنامه‌ریزی مکان‌های جدید یا ارتقاها بر مبنای بهره‌گیری حداکثری از مزایای هوش مصنوعی، مسیر رسیدن به دنیایی هوشمندتر و ایمن‌تر برای اپراتورها، مشتریان آن‌ها و به طور حیاتی، داده‌های آن‌ها است.

در قلب هر دوربین امنیتی مدرن، یک قطعه کوچک و قدرتمند قرار دارد که تمام جادو در آن اتفاق می‌افتد: سیستم روی یک تراشه (SoC). این تراشه، مغز متفکر دوربین است که همه چیز، از پردازش تصویر گرفته تا اجرای تحلیل‌های هوشمند را مدیریت می‌کند. پیشرفت‌ها در فناوری SoC، دوربین‌های امنیتی را از سیستم‌های بزرگ و ناکارآمد گذشته به دستگاه‌های هوشمند، جمع‌وجور و قدرتمند امروزی تبدیل کرده است.

در حالی که بسیاری از تولیدکنندگان به تراشه‌های عمومی و شخص ثالث تکیه می‌کنند، شرکت هانوا ویژن (Hanwha Vision) با توسعه راه‌حل‌های SoC اختصاصی و داخلی برای بیش از ۲۰ سال، خود را متمایز کرده است. این سفر نوآوری که با توسعه پردازنده‌های سیگنال تصویر (ISP) داخلی آغاز شد، اکنون با معرفی آخرین دستاورد این شرکت، Wisenet 9، به اوج خود رسیده است.

قدرت توسعه داخلی: چرا ساخت تراشه اختصاصی یک مزیت استراتژیک است؟

در گذشته، پردازش ویدئو نیازمند اجزای الکترونیکی مجزا و متعددی بود که نتیجه آن سیستم‌هایی بزرگ و ناکارآمد بود. ظهور مدارهای مجتمع و پس از آن SoCها، این فرآیند را متحول کرد. با توسعه بازار نظارت تصویری تحت شبکه، تقاضا برای SoCهای تخصصی افزایش یافت. هانوا ویژن با سرمایه‌گذاری بر روی توسعه داخلی، توانسته است کنترل کاملی بر تمام جنبه‌های طراحی تراشه داشته باشد.

این کنترل مستقیم به معنای بهینه‌سازی عملکرد سیستم، تسهیل سفارشی‌سازی و پیشبرد نوآوری‌های فناورانه است. این رویکرد به هانوا اجازه می‌دهد تا الگوریتم‌های تحلیل ویدئویی خاص خود را تسریع کرده و کیفیت تصویر را به حداکثر برساند. نتیجه این کنترل، سرعت پردازش بالاتر، تأخیر کمتر و مصرف انرژی بهینه‌تر است که در نهایت به عملکرد برتر و تجربه امنیتی قابل اعتمادتری منجر می‌شود.

علاوه بر این، توسعه داخلی SoC، سازگاری سریع‌تر با فناوری‌های نوظهور و الزامات امنیتی جدید را ممکن می‌سازد. قابلیت‌های جدید Wisenet 9، مانند کاهش نویز (NR) مبتنی بر هوش مصنوعی و دامنه دینامیکی بسیار گسترده (Extreme WDR) برای وضوح تصویر استثنایی، و قابلیت RE-ID برای ردیابی و جستجوی پیشرفته افراد در میان چندین دوربین، این سازگاری را به وضوح نشان می‌دهد.

عصر آنالوگ: پایه‌ریزی بنیادها (۲۰۰۴-۲۰۰۹)

تخصص هانوا ویژن در پردازش تصویر، بسیار پیش از آنکه برند Wisenet مترادف با دوربین‌های شبکه پیشرفته شود، آغاز شد. در اوایل دهه ۲۰۰۰، تمرکز شرکت بر روی توسعه ISP برای دوربین‌های آنالوگ بود.

• W3 ISP: اولین گام در توسعه تراشه که زمینه را برای پیشرفت‌های آینده فراهم کرد.
• W5, A1, SV5 ISPs: این تکرارها نشان‌دهنده تعهد شرکت به بهبود قابلیت‌های پردازش تصویر برای سیستم‌های آنالوگ و ایجاد دانش بنیادی برای SoCهای دیجیتال آینده بود.

گذار دیجیتال: توسعه ISP برای دوربین‌های شبکه (۲۰۱۰)

با تغییر چشم‌انداز نظارت تصویری به سمت دوربین‌های تحت شبکه (IP)، هانوا ویژن نیاز به راه‌حل‌های دیجیتال را تشخیص داد.

• Wisenet 1 و Wisenet 2 ISPs: این‌ها اولین ISPهایی بودند که به طور خاص برای دوربین‌های IP توسعه یافتند و نیازهای منحصر به فرد پردازش ویدیوی دیجیتال را برطرف کردند.

عصر Wisenet SoC: پیشبرد قابلیت‌ها (۲۰۱۱-۲۰۲۰)

انقلاب واقعی با توسعه Wisenet S SoC آغاز شد که نشان‌دهنده حرکت هانوا ویژن به سمت طراحی چیپست‌های یکپارچه بود.

• Wisenet S: اولین SoC کامل که برای دوربین‌های شبکه رده پایه طراحی شد.
• Wisenet 3: با تکیه بر نسل قبل، این SoC پشتیبانی از رزولوشن بالاتر، کدک H.264، تحلیل‌های ویدئویی هوشمند و عملکرد مه‌زدایی (Defog) را معرفی کرد.
• Wisenet 5: این تکرار، هانوا ویژن را به سمت تحلیل‌های پیشرفته سوق داد و قابلیت‌هایی مانند طبقه‌بندی صدا، کدک H.265 و فناوری فشرده‌سازی ویدئوی WiseStream را معرفی کرد.
• Wisenet 7: این SoC که اوج تخصص شرکت تا آن زمان بود، از رزولوشن فوق‌العاده بالا (4K)، رابط‌های چند سنسوری و امنیت سایبری تقویت‌شده پشتیبانی می‌کرد و زمینه را برای تحلیل‌های پیشرفته هوش مصنوعی فراهم کرد.

Wisenet 9: انقلاب هوش مصنوعی در لبه (۲۰۲۵)

بر پایه این میراث غنی، هانوا ویژن Wisenet 9 را معرفی می‌کند. این تراشه که حاصل نزدیک به چهار سال توسعه متمرکز است، یک جهش کوانتومی در عملکرد، دقت و امنیت ارائه می‌دهد.

Wisenet 9 با ادغام واحدهای پردازش عصبی (NPU) قدرتمند، عملکرد استنتاج هوش مصنوعی را در مقایسه با Wisenet 7، سه برابر بهبود بخشیده است. این امر، ویژگی‌های پیشرفته‌ای مانند بهبودهای تصویر مبتنی بر هوش مصنوعی برای وضوح برتر، کارایی هوشمند از طریق کاهش حجم داده و حریم خصوصی تقویت‌شده از طریق پوشش حریم خصوصی پویا (DPM) را امکان‌پذیر می‌سازد. نوآوری‌های کلیدی مانند RE-ID برای ردیابی افراد، طبقه‌بندی صدای هوش مصنوعی و امنیت قوی مبتنی بر FIPS 140-3 Level 3، رهبری فناورانه هانوا را که حاصل رویکرد SoC اختصاصی آن است، به نمایش می‌گذارد.

آینده Wisenet: پیشتازی در انقلاب امنیت مبتنی بر هوش مصنوعی

تعهد هانوا ویژن به توسعه داخلی SoC، این شرکت را به عنوان یک رهبر در صنعت نظارت تصویری تثبیت کرده است. با افزایش تقاضا برای تحلیل‌های ویدئویی هوش مصنوعی و امنیت تقویت‌شده، تراشه‌های Wisenet، از جمله پیشرفته‌ترین آن‌ها یعنی Wisenet 9، نقشی حیاتی در شکل‌دهی به آینده نظارت تصویری ایفا خواهند کرد؛ آینده‌ای که در آن، دوربین‌ها دیگر تنها ناظران منفعل نیستند، بلکه شرکای هوشمندی هستند که به ما در درک و ایمن‌سازی دنیای اطرافمان کمک می‌کنند.