Một cửa hàng có tám camera và cần tìm lại một người xuất hiện vào khoảng vài ngày trước. Người quản lý chỉ nhớ người đó mặc áo đỏ, mang theo một chiếc túi và từng đi qua khu vực cửa ra vào. Với cách xem camera truyền thống, công việc có thể bắt đầu bằng việc chọn từng camera, mở từng khoảng thời gian rồi tua video cho tới khi tìm thấy hình ảnh phù hợp.
Một thế hệ công cụ tìm kiếm video mới đang cố gắng thay đổi cách làm này. Thay vì chỉ chọn ngày giờ hoặc lọc “người – phương tiện”, người dùng có thể nhập một câu mô tả gần với ngôn ngữ đời thường như “người mặc áo đỏ”, “người đội mũ bảo hộ màu vàng” hay “xe bán tải màu vàng”, sau đó hệ thống AI tìm những hình ảnh có mức độ tương đồng cao trong kho video.
Công nghệ này không còn chỉ nằm ở mức ý tưởng. Một số nền tảng camera hiện đã cung cấp hình thức tìm kiếm bằng câu mô tả tự nhiên, nhưng khả năng cụ thể phụ thuộc vào camera, đầu ghi, phần mềm, phiên bản firmware và kiến trúc hệ thống. Vì vậy, không nên hiểu rằng chỉ cần camera có chữ “AI” là người dùng có thể lập tức gõ bất kỳ câu nào để tìm video.
Tìm video bằng mô tả khác gì AI phát hiện người và phương tiện?
Các hệ thống AI camera phổ biến trong vài năm gần đây thường tập trung vào việc phân loại đối tượng. Thay vì coi mọi chuyển động giống nhau, camera hoặc đầu ghi có thể nhận biết một sự kiện có liên quan tới người hay phương tiện, từ đó giúp giảm số lượng cảnh báo không cần thiết và thu hẹp phạm vi tìm kiếm.
Tìm kiếm bằng ngôn ngữ tự nhiên đi thêm một bước. Người dùng không chỉ yêu cầu hệ thống tìm “người”, mà có thể mô tả thêm những đặc điểm nhìn thấy trong hình như màu quần áo, loại phương tiện hoặc một số đặc điểm của đối tượng. Axis hiện mô tả Free-text Search của mình là khả năng tìm đối tượng chuyển động bằng các từ của người dùng, còn Verkada cho phép sử dụng câu tự do thay vì bị giới hạn vào một danh sách thuộc tính cố định.
Điểm khác biệt này rất quan trọng. AI phát hiện người giúp trả lời câu hỏi “đoạn video nào có người?”, trong khi tìm kiếm bằng mô tả hướng tới câu hỏi chi tiết hơn như “đoạn nào có người mặc áo đỏ?”.
Gõ “người mặc áo đỏ”, hệ thống thực sự làm gì?
Người dùng có thể hình dung quá trình này gần giống một công cụ tìm kiếm dành cho kho video. Hệ thống đã phân tích hoặc lập chỉ mục dữ liệu hình ảnh, sau đó so sánh nội dung truy vấn với những đối tượng xuất hiện trong video và trả về các kết quả được đánh giá có khả năng phù hợp nhất.
Axis cho biết giải pháp Free-text Search sử dụng mô hình nền tảng được tối ưu cho tình huống giám sát và thực hiện đối sánh giữa văn bản với hình ảnh. Kết quả được sắp xếp theo mức độ phù hợp và hiển thị dưới dạng thumbnail để người vận hành kiểm tra.
Điều này giải thích vì sao người dùng không nên hiểu câu lệnh tìm kiếm giống một truy vấn cơ sở dữ liệu tuyệt đối chính xác. AI không nhất thiết biết chính xác “đây là người cần tìm”, mà đang xác định những hình ảnh trông phù hợp với câu mô tả rồi xếp chúng lên trước để con người kiểm tra.
Có thể tìm “người mặc áo đỏ” nhanh đến đâu?
Trong điều kiện hệ thống hỗ trợ chức năng và video đã được phân tích, kết quả tìm kiếm có thể xuất hiện nhanh hơn rất nhiều so với việc một người ngồi tua hàng giờ video. Một số nhà cung cấp mô tả hệ thống của họ có khả năng trả kết quả trong vài giây, nhưng con số đó không nên được áp dụng chung cho mọi camera hoặc đầu ghi.
Thời gian thực tế còn phụ thuộc vào lượng video cần tìm, số camera, khoảng thời gian truy vấn, cách dữ liệu được lập chỉ mục, năng lực xử lý của đầu ghi hoặc máy chủ và kiến trúc Cloud hay tại chỗ. Một truy vấn trong một camera của buổi sáng hôm nay rõ ràng khác với việc tìm trên hàng chục camera trong nhiều tuần video.
Vì vậy, ưu điểm lớn nhất không nhất thiết nằm ở việc một kết quả xuất hiện trong hai, năm hay mười giây. Giá trị thực tế là AI có thể rút một kho video rất lớn xuống thành một nhóm clip có khả năng liên quan, từ đó giảm đáng kể lượng video mà con người phải xem thủ công.
Đừng hiểu “tìm bằng câu mô tả” là camera nghe hiểu mọi câu hỏi
Cụm từ “ngôn ngữ tự nhiên” dễ khiến người dùng hình dung hệ thống có thể hiểu mọi câu hỏi giống một chatbot. Trong thực tế, video search thường hoạt động tốt hơn với những mô tả có đặc điểm trực quan rõ ràng.
Ví dụ, những câu như “người mặc áo đỏ”, “người mặc áo khoác xanh” hoặc “xe bán tải màu vàng” cung cấp các thuộc tính có thể quan sát trực tiếp trong hình ảnh. Axis cũng khuyến nghị sử dụng một vài đặc điểm chính và cho biết màu sắc, vật thể thường phù hợp hơn những khái niệm khó nhìn thấy trực tiếp như cảm xúc hoặc một số hành động cần nhiều ngữ cảnh.
Do đó, câu “người đàn ông trông đáng ngờ” có thể khó xử lý hơn nhiều so với “người mặc áo đỏ, mang ba lô đen”. AI có thể so sánh màu sắc, hình dáng và vật thể trong hình ảnh tốt hơn việc suy đoán ý định của một người.
Mô tả càng dài có phải kết quả càng chính xác?
Không nhất thiết. Việc thêm những đặc điểm có giá trị có thể giúp thu hẹp kết quả, nhưng một câu quá dài chứa nhiều thông tin mà camera không nhìn thấy rõ lại có thể không mang lại lợi ích tương ứng.
Một cách thực tế là bắt đầu bằng đặc điểm nổi bật nhất. Chẳng hạn, người vận hành có thể tìm “người mặc áo đỏ”, kiểm tra nhóm kết quả đầu tiên rồi bổ sung các yếu tố như ba lô, mũ hoặc vị trí xuất hiện nếu phần mềm hỗ trợ.
Điều quan trọng là mô tả theo những gì có thể nhìn thấy trong khung hình, thay vì mô tả điều mà người dùng suy luận về đối tượng.
Camera thường có dùng được chức năng này không?
Đây là điểm người mua cần đặc biệt lưu ý. Chức năng tìm kiếm video bằng AI không chỉ phụ thuộc vào chiếc camera có tạo được hình ảnh hay không mà còn phụ thuộc vào toàn bộ hệ thống xử lý phía sau.
Tùy nền tảng, phân tích AI có thể được thực hiện tại camera, đầu ghi, máy chủ hoặc môi trường Cloud. Một hệ thống cũng có thể cần metadata hoặc dữ liệu đã được lập chỉ mục trước thì mới thực hiện truy vấn nhanh.
Hikvision hiện mô tả quy trình AI video search trên NVR gồm các bước từ camera tạo video, AI phân tích hình ảnh, tạo metadata, nhận truy vấn rồi trả lại clip hoặc ảnh có khả năng phù hợp. Hãng đồng thời lưu ý chức năng cụ thể thay đổi theo model NVR, firmware, camera kết nối và cấu hình hệ thống.
Vì vậy, việc đang sử dụng một camera IP 4MP hoặc 8MP không tự động đồng nghĩa có thể tìm video bằng câu mô tả. Độ phân giải và khả năng tìm kiếm AI là hai vấn đề khác nhau.
Đầu ghi cũng phải tương thích
Trong nhiều hệ thống camera doanh nghiệp, NVR đóng vai trò rất quan trọng đối với khả năng tìm kiếm. Đầu ghi không chỉ lưu video mà có thể tham gia phân tích, lập chỉ mục và cung cấp giao diện tìm kiếm, tùy dòng sản phẩm.
Chẳng hạn, Hikvision hiện cho biết AcuSeek trên một số NVR VPro tương thích có thể nhận mô tả bằng văn bản hoặc giọng nói để tìm một đối tượng hoặc cảnh. Cùng lúc, các chức năng AcuSearch trước đó tập trung nhiều hơn vào việc chọn một người hoặc phương tiện đã xuất hiện rồi tìm các đoạn tương tự trong video.
Điều này cho thấy ngay trong cùng một hệ sinh thái, “AI Search” cũng không phải chỉ có một loại. Có loại tìm theo người/phương tiện, có loại tìm đối tượng tương tự từ một hình ảnh mẫu, và có loại cho phép nhập câu mô tả tự nhiên.
Khi lựa chọn thiết bị, người dùng cần hỏi chính xác “đầu ghi này hỗ trợ kiểu tìm kiếm nào?”, thay vì chỉ hỏi chung chung “có AI không?”.
Camera và đầu ghi khác hãng có dùng được không?
Camera IP có thể truyền video tới đầu ghi thông qua các giao thức tương thích, nhưng việc xem được hình ảnh không có nghĩa toàn bộ chức năng AI nâng cao cũng được giữ nguyên. Những tính năng như metadata, tìm kiếm thuộc tính hoặc free-text search có thể yêu cầu hệ sinh thái và phiên bản thiết bị tương thích.
Vì vậy, với một hệ thống dự kiến dùng AI để điều tra video, việc kiểm tra tương thích nên được thực hiện trước khi mua hàng. Nếu chỉ kiểm tra camera có lên hình trên NVR rồi kết luận hệ thống đã hỗ trợ đầy đủ AI, người dùng có thể phát hiện sau này rằng phần tìm kiếm nâng cao không hoạt động như mong muốn.
Đây đặc biệt là vấn đề cần quan tâm khi nâng cấp đầu ghi cho một hệ thống camera cũ. Hình ảnh có thể vẫn ghi bình thường nhưng những khả năng tìm kiếm mới không nhất thiết áp dụng cho toàn bộ camera đang có.
Có thể tìm trên nhiều camera cùng lúc không?
Một số nền tảng cho phép mở rộng phạm vi truy vấn ra nhiều camera. Axis cho biết Free-text Search có thể áp dụng trên một camera hoặc nhiều camera, trong khi các nền tảng quản lý tập trung khác cũng cung cấp tìm kiếm trên tập hợp camera của hệ thống.
Đây là một trong những tình huống thể hiện rõ giá trị của AI search. Nếu một người đi từ cổng vào hành lang rồi tới khu vực kho, việc tìm thủ công có thể yêu cầu người vận hành nhớ thời gian và chuyển qua nhiều kênh camera.
Khi nền tảng có khả năng tìm kiếm nhiều camera, người vận hành có thể thu hẹp quá trình này đáng kể. Tuy nhiên, khả năng theo dõi liên tục một người qua nhiều camera còn phụ thuộc vào tính năng cụ thể của hệ thống và không nên mặc định mọi công cụ free-text search đều thực hiện được việc đó.
Phạm vi thời gian vẫn rất quan trọng
Ngay cả khi AI cho phép nhập câu mô tả, người dùng vẫn nên giới hạn khoảng thời gian càng hợp lý càng tốt. Nếu biết một người xuất hiện vào sáng thứ Hai, việc tìm trong khoảng vài giờ sẽ hiệu quả và dễ kiểm tra hơn việc yêu cầu hệ thống rà toàn bộ một tháng dữ liệu.
Ngày giờ còn giúp giảm các kết quả giống nhau nhưng không liên quan. Trong một cửa hàng có đồng phục đỏ, truy vấn “người mặc áo đỏ” trong 30 ngày có thể trả về rất nhiều nhân viên. Nếu sự việc chỉ xảy ra từ 14h đến 16h một ngày cụ thể, phạm vi thời gian trở thành bộ lọc cực kỳ có giá trị.
Bởi vậy, AI không làm mất đi vai trò của thông tin ban đầu. Càng biết rõ thời gian, camera và khu vực, việc tìm càng dễ thu hẹp.
“Áo đỏ” cũng có thể bị AI nhận nhầm
Màu sắc tưởng chừng là một đặc điểm đơn giản nhưng hình ảnh camera chịu ảnh hưởng rất nhiều bởi môi trường. Áo đỏ dưới ánh sáng ban ngày có thể trông khác dưới hồng ngoại, dưới bóng râm hoặc dưới nguồn đèn có nhiệt độ màu khác.
Đối tượng ở quá xa cũng khiến lượng chi tiết dành cho AI giảm. Một người chỉ chiếm vài chục pixel trong khung hình sẽ khó được mô tả chính xác như một người đi ngang camera ở khoảng cách phù hợp.
Ngoài ra, người mặc áo đỏ có thể bị che một phần bởi người khác, xe cộ hoặc vật thể trong hiện trường. Vì vậy, kết quả tìm kiếm cần được coi là danh sách gợi ý có mức độ tương đồng, chứ không phải phán quyết rằng một thumbnail chắc chắn là đúng người.
Ngay cả các nhà cung cấp công nghệ cũng lưu ý kết quả AI có thể không chính xác. Verkada, khi giới thiệu AI-powered Search, cho biết mô hình có thể tạo kết quả sai và triển khai thêm các biện pháp kiểm soát cho tính năng này.
Camera lắp quá cao hoặc quá xa cũng ảnh hưởng khả năng tìm kiếm
Một hệ thống được thiết kế chỉ với mục tiêu “nhìn bao quát càng rộng càng tốt” có thể gặp hạn chế khi muốn sử dụng AI ở mức chi tiết. Nếu một camera quan sát một khu vực quá rộng, người xuất hiện trong khung hình có thể quá nhỏ để phân biệt rõ màu quần áo, phụ kiện hoặc đặc điểm khác.
Đây là lý do thiết kế camera AI không nên chỉ dựa vào số megapixel. Cần xem mật độ điểm ảnh tại khu vực mục tiêu, tiêu cự ống kính, khoảng cách, góc đặt camera và điều kiện ánh sáng.
Một camera có độ phân giải cao nhưng nhìn một người ở khoảng cách quá xa vẫn có thể cung cấp ít thông tin hữu ích hơn một camera được chọn tiêu cự và vị trí phù hợp.
Ban đêm là bài kiểm tra rất đáng làm
Nếu hệ thống cần tìm người bằng màu quần áo, người dùng nên đặc biệt thử nghiệm vào ban đêm. Camera chuyển sang chế độ hồng ngoại đen trắng có thể làm mất thông tin màu sắc vốn rất hữu ích đối với truy vấn “áo đỏ”, “áo xanh” hoặc “xe màu vàng”.
Một số camera có khả năng duy trì hình ảnh màu trong điều kiện ánh sáng thấp hoặc sử dụng đèn trợ sáng, nhưng hiệu quả thực tế phụ thuộc môi trường và thiết bị. Do đó, demo AI search vào ban ngày chưa đủ để kết luận khả năng tìm kiếm trong toàn bộ thời gian vận hành.
Nếu yêu cầu nghiệp vụ thường xảy ra ban đêm, hãy thử chính các truy vấn cần dùng vào thời điểm đó.
Một bài kiểm tra thực tế nên làm như thế nào?
Thay vì chỉ xem video giới thiệu của nhà sản xuất, có thể tạo một bài test rất đơn giản trước khi triển khai diện rộng. Chọn một camera tại vị trí dự kiến sử dụng, để một vài người lần lượt đi qua với quần áo có màu và đặc điểm khác nhau, sau đó chờ hệ thống ghi nhận dữ liệu theo đúng cơ chế của nó.
Tiếp theo, thử những câu mô tả từ đơn giản tới chi tiết như “người mặc áo đỏ”, “người mặc áo đỏ mang ba lô” hoặc một mô tả khác mà phần mềm cho phép. Kết quả cần được đánh giá không chỉ bằng việc AI có tìm thấy người cần tìm hay không mà còn bằng số lượng kết quả sai xuất hiện trước và sau kết quả đúng.
Sau đó lặp lại bài test ở khoảng cách xa hơn và trong điều kiện ban đêm. Đây mới là cách xác định chức năng có phù hợp với hiện trường thực tế hay chỉ hoạt động đẹp trong một tình huống lý tưởng.
Không nên đánh giá AI chỉ bằng việc “có tìm thấy hay không”
Giả sử trong 100 clip có một đoạn chứa đúng người cần tìm. AI đưa đoạn đó vào kết quả nghĩa là hệ thống đã có giá trị, nhưng nếu nó đồng thời trả về hàng trăm kết quả không liên quan thì thời gian tiết kiệm được có thể không nhiều.
Ngược lại, một công cụ đưa ra 10 kết quả và đoạn cần tìm nằm trong vài vị trí đầu sẽ hữu ích hơn rất nhiều cho công việc thực tế.
Do đó, khi thử nghiệm nên quan sát ít nhất ba yếu tố: người cần tìm có xuất hiện hay không, kết quả đúng nằm ở vị trí nào và có bao nhiêu kết quả sai phải kiểm tra trước khi xác định được clip cần thiết.
Tốc độ tìm kiếm chỉ là một phần của trải nghiệm. Chất lượng xếp hạng kết quả mới quyết định người vận hành tiết kiệm được bao nhiêu thời gian.
Tìm bằng ảnh và tìm bằng mô tả là hai cách khác nhau
Một số hệ thống AI còn cung cấp khả năng chọn một hình ảnh đã có rồi tìm những đối tượng tương tự. Nếu camera đã ghi được một người tại cổng, người vận hành có thể chọn đối tượng đó để tìm những lần xuất hiện khác trong video, tùy chức năng của nền tảng.
Cách này khác với việc bắt đầu chỉ bằng một câu “người mặc áo đỏ”. Tìm bằng hình ảnh có một mẫu trực quan cụ thể, trong khi tìm bằng văn bản phải chuyển câu mô tả thành những đặc điểm hình ảnh có khả năng tương ứng.
Hikvision AcuSearch, chẳng hạn, được mô tả là có thể chọn hình ảnh khuôn mặt hoặc cơ thể trong video rồi so sánh với video đã ghi để tìm mục tiêu, trong khi những chức năng natural-language mới mở rộng theo hướng nhập mô tả.
Trong thực tế, hai cách có thể bổ sung cho nhau: dùng câu mô tả để tìm lần xuất hiện đầu tiên, sau đó dùng đối tượng đã tìm thấy để tiếp tục thu hẹp nếu hệ thống hỗ trợ.
Tìm bằng mô tả không thay thế Playback truyền thống
Ngay cả khi AI Search hoạt động rất tốt, người vận hành vẫn cần mở video gốc để xác nhận diễn biến. Một thumbnail phù hợp chỉ cho biết có hình ảnh tương đồng với truy vấn; nó không cung cấp đầy đủ những gì xảy ra trước và sau khoảnh khắc đó.
Ví dụ, AI tìm được một người áo đỏ tại cửa kho lúc 15h12. Người kiểm tra vẫn cần mở video trước và sau mốc 15h12 để xác định người đó đi từ đâu tới, làm gì và rời khỏi khu vực theo hướng nào.
Vì vậy, AI Search nên được hiểu là công cụ giúp tìm đúng đoạn Playback nhanh hơn, chứ không phải thay thế việc xem và đánh giá video.
Những hệ thống cũ có thể nâng cấp để tìm bằng AI không?
Câu trả lời phụ thuộc rất lớn vào kiến trúc hiện tại. Có hệ thống có thể bổ sung đầu ghi hoặc phần mềm mới để tận dụng camera đang sử dụng, nhưng cũng có chức năng yêu cầu camera tương thích hoặc metadata cụ thể ngay từ nguồn.
Do đó, một công trình đang có 30 camera không nên vội thay toàn bộ thiết bị chỉ vì muốn có AI Search, nhưng cũng không nên mua một NVR AI rồi mặc định toàn bộ 30 camera cũ sẽ hỗ trợ mọi chức năng mới.
Bước phù hợp là kiểm kê model camera, đầu ghi, firmware và phần mềm quản lý, sau đó đối chiếu với danh sách tương thích của chức năng tìm kiếm muốn triển khai.
AI Search hữu ích nhất ở đâu?
Giá trị của tính năng tăng rõ rệt khi lượng video cần kiểm tra lớn. Một gia đình có hai camera và biết chính xác sự việc xảy ra lúc 21h10 có thể mở Playback trực tiếp mà không cần một hệ thống tìm kiếm phức tạp.
Nhưng với cửa hàng có 16 camera, kho có hàng chục camera hoặc nhà máy có nhiều khu vực, chỉ biết “một người mặc áo đỏ xuất hiện khoảng buổi chiều” có thể đồng nghĩa phải kiểm tra một lượng video rất lớn. Đây là lúc khả năng tìm kiếm bằng mô tả trở nên đáng quan tâm.
Nó cũng hữu ích khi người vận hành không biết chính xác camera nào đã ghi được đối tượng. Nếu phần mềm hỗ trợ tìm trên nhiều camera, một truy vấn có thể nhanh chóng tạo ra danh sách các vị trí cần kiểm tra thay vì mở từng kênh một.
Khi mua hệ thống, đừng chỉ hỏi “có AI Search không?”
Hai sản phẩm đều quảng cáo AI Search nhưng khả năng có thể rất khác nhau. Một thiết bị chỉ lọc người/phương tiện. Thiết bị khác cho phép chọn một người trong video rồi tìm hình ảnh tương tự. Một hệ thống cao hơn nữa có thể cho nhập mô tả tự nhiên.
Vì vậy, câu hỏi nên cụ thể hơn: Có gõ được câu mô tả không? Tìm được trên bao nhiêu camera? Tìm trong video đã ghi bao lâu? AI chạy ở camera, NVR hay Cloud? Camera hiện tại có tương thích không? Có tìm theo màu quần áo không? Ban đêm còn tìm được đặc điểm đó không?
Nếu đơn vị cung cấp không thể demo trên dữ liệu thực tế, người mua nên thận trọng với những cụm từ quảng cáo quá chung chung như “AI thông minh”, “AI thế hệ mới” hay “tìm kiếm thông minh”.
Cách kiểm tra trước khi triển khai cho nhà máy hoặc kho
Với dự án lớn, nên chọn một nhóm camera đại diện để thử nghiệm trước. Các vị trí nên gồm ít nhất cửa ra vào, khu vực có nhiều người di chuyển và một vị trí có điều kiện ánh sáng khó hơn.
Sau khi ghi đủ dữ liệu mẫu, hãy tạo một danh sách truy vấn giống tình huống người vận hành thực sự sẽ sử dụng. Ví dụ “người mặc áo đỏ”, “người mang ba lô”, “xe tải màu trắng” hoặc những mô tả trực quan khác phù hợp với phạm vi mà phần mềm hỗ trợ.
Kết quả cần được ghi nhận về thời gian trả về, số kết quả, vị trí của kết quả đúng và những trường hợp AI nhận nhầm. Một hệ thống chỉ nên được coi là phù hợp khi hiệu quả đó đủ tốt trong chính điều kiện của công trình.
Tương lai của Playback camera có thể bắt đầu từ một ô tìm kiếm
Trong nhiều năm, cách tìm video camera chủ yếu xoay quanh ngày, giờ và từng kênh ghi hình. AI phát hiện người và phương tiện đã giúp rút ngắn quá trình này bằng việc loại bớt những đoạn chuyển động không cần thiết. Tìm kiếm bằng ngôn ngữ tự nhiên đang tiếp tục đẩy trải nghiệm gần hơn với cách con người nhớ về một sự việc.
Thay vì nhớ “camera số 7, lúc 14h37”, người dùng thường nhớ những thứ đời thường hơn: người mặc áo đỏ, xe màu trắng, người mang ba lô hoặc một chiếc xe xuất hiện gần cửa kho. Việc biến những mô tả đó thành công cụ tìm video có thể giúp quá trình điều tra nhanh và trực quan hơn.
Tuy nhiên, đây chưa phải phép màu có thể biến mọi camera thành một công cụ tìm kiếm hoàn hảo. Khả năng thực tế vẫn phụ thuộc vào chất lượng hình ảnh, góc camera, ánh sáng, đầu ghi, phần mềm, metadata, firmware và thuật toán của từng nền tảng.
Vì vậy, nếu mục tiêu là tìm một “người mặc áo đỏ”, câu hỏi không nên chỉ là AI mất bao nhiêu giây để trả kết quả. Điều đáng quan tâm hơn là hệ thống có đưa đúng đoạn video vào nhóm kết quả đầu tiên, trong đúng khoảng thời gian và trên đúng các camera cần kiểm tra hay không.
Khi đạt được điều đó, giá trị lớn nhất của AI không phải là “xem camera thay con người”, mà là giúp con người bỏ qua hàng giờ video không liên quan và đi thẳng tới những đoạn đáng xem nhất.
