قد تدير المؤسسات الكبيرة مئات أو حتى آلاف كاميرات CCTV الموزعة عبر المصانع والمستودعات ومراكز البيانات ومواقع المرافق أو البنية التحتية الحيوية.
وقد تؤدي هذه الكاميرات وظائفها الأساسية بكفاءة، سواء في عرض الصور المباشرة أو تسجيل الأحداث للاستخدام كأدلة لاحقاً. لكن مع زيادة عدد الكاميرات، يبدأ السؤال الأساسي في التحول من:
“هل نستطيع رؤية جميع المناطق؟”
إلى:
“من بين كل هذه الصور والفيديوهات، هل يستطيع النظام معرفة أي الأحداث تتطلب اهتمامنا الآن؟”
وهذا أحد الأسباب التي تدفع المؤسسات إلى النظر إلى ما هو أبعد من مجرد إضافة المزيد من كاميرات CCTV، والبدء في الاهتمام بـ AI Safety Platform.
فالتحدي في أنظمة Security & Safety الحديثة لم يعد يقتصر على تسجيل أكبر كمية ممكنة من Video، بل أصبح يتعلق بقدرة النظام على تحليل بيانات الكاميرات واكتشاف الأحداث المهمة وربطها بـ Alerts وCommunication وResponse Workflows بسرعة أكبر.
بالنسبة إلى Canal One، ينعكس هذا النهج من خلال ASAP أو All Smart AI Platform، الذي يستخدم AI للمساعدة في تحليل الأحداث وتصنيفها واكتشاف الحالات غير الطبيعية وإرسال التنبيهات، إلى جانب مفهوم Smart Integration الذي يربط People وData وIntelligent Devices معاً.
لذلك، فإن الانتقال من CCTV نحو AI Safety Platform لا يعني التخلي عن CCTV.
بل تظل CCTV أحد أهم مصادر البيانات، بينما يتمثل التغيير الحقيقي في إضافة Intelligence إلى بيانات الكاميرات، بدلاً من الاعتماد على الأشخاص وحدهم لمراقبة كميات هائلة من الفيديو بشكل مستمر.
تخيل Control Room في منشأة صناعية كبيرة يستقبل الصور من مئات الكاميرات.
حتى مع وجود Video Wall كبير وموظفين يعملون على مدار الساعة، تظل مراقبة جميع الكاميرات باستمرار وبالمستوى نفسه من الانتباه أمراً صعباً.
وتزداد أهمية هذه المشكلة عندما يمكن أن يقع حدث حرج خلال ثوانٍ قليلة فقط وسط عدد هائل من Video Streams.
تتميز CCTV التقليدية بقدرتها على Capture وRecord البيانات بكفاءة، لكن تحديد الحدث غير الطبيعي من بين هذه البيانات قد يظل معتمداً على الأشخاص في مراحل متعددة.
ومع توسع المنشآت وزيادة عدد الكاميرات، قد تنمو كمية Video Data بوتيرة أسرع من قدرة البشر على مراقبتها.
هنا يمكن لـ AI Safety Platform أن تغير المعادلة.
فبدلاً من أن يضطر الموظف إلى التساؤل:
“أي كاميرا يجب أن أراقب الآن؟”
يمكن لـ AI Video Analytics المساعدة في تحليل الصور وفقاً للشروط المحددة مسبقاً، وإدخال الأحداث المطابقة إلى Alert Workflow لتوجيه انتباه الموظفين نحو الحالات التي تحتاج إلى التحقق.
هذا لا يعني أن AI يحل محل الموظفين.
بل يعمل AI كـ Intelligence Layer تساعد على تصفية كميات كبيرة من المعلومات قبل تقديم الأحداث ذات الصلة إلى الإنسان لاتخاذ القرار.
تظهر قيمة CCTV التقليدية بوضوح بعد وقوع الحادث.
فعند حدوث تسلل أو حادث أو موقف غير طبيعي، يستطيع الموظفون العودة إلى Video المسجل لمعرفة ماذا حدث، ومتى، وأين.
لكن في العديد من حالات Security & Safety، قد لا يكون اكتشاف ما حدث بعد انتهاء الحدث كافياً.
تحتاج المؤسسات بصورة متزايدة إلى معرفة ما يحدث أثناء وقوع الحدث نفسه.
وهذا أحد الاختلافات الأساسية التي تضيفها AI Video Analytics.
يوفر Canal One ASAP قدرات AI-Based Safety & Security Detection لـ Use Cases مثل Intruder Detection وSmoke and Fire AI Detection وPPE Safety وSuspicious Object Detection وFace Recognition وLicense Plate Recognition.
عندما يتم إدخال Video Streams من الكاميرات المناسبة إلى AI، يمكن للنظام المساعدة في تحليل ما إذا كان النشاط الظاهر في الفيديو يطابق الشروط التي حددتها المؤسسة للمراقبة.
وبذلك يمكن أن يتطور دور CCTV من:
“تسجيل ما حدث”
إلى:
“توفير البيانات التي تساعد النظام على فهم ما يحدث الآن.”
وهذا هو الانتقال من Video Surveillance إلى Video Intelligence.
يمكن أن تكون إضافة AI إلى بعض الكاميرات فعالة جداً في Use Cases محددة.
لكن عندما تمتلك المؤسسة عدة مبانٍ ومناطق وأنظمة، بالإضافة إلى فرق متعددة مسؤولة عن التعامل مع الأحداث، تصبح المشكلة أكبر من قدرات كاميرا واحدة.
لنفترض أن AI اكتشف متسللاً بنجاح.
ماذا يحدث بعد ذلك؟
من سيستلم Alert؟
وعبر أي قناة يجب أن تصل المعلومات إلى فريق الأمن؟
أي كاميرا يجب فتحها للتحقق من الحدث؟
إذا كان من الضروري التواصل مع الموظفين الميدانيين، فكيف سيتم ربط الحدث بنظام Communication؟
وإلى أي Workflow يجب أن ينتقل الحادث؟
لهذا السبب تبدأ المؤسسات الكبيرة في إعطاء أهمية أكبر لـ Platform Approach.
فالـ Platform لا تنظر فقط إلى ما يستطيع AI اكتشافه، بل أيضاً إلى كيفية استخدام Detection داخل Operations.
يدعم Canal One ASAP مفهوم Real-Time Notification عبر قنوات مختلفة مثل Applications وAPIs وDirect Messages وStrobe Light/Siren وPortable Radio.
وبذلك يمكن تصميم Intelligence الناتجة من CCTV بحيث ترتبط بالأشخاص والعمليات المعنية، بدلاً من أن تنتهي على Dashboard داخل نظام منفصل.
في المصانع والبيئات الصناعية، قد تكون Security وSafety تحديين مختلفين، لكنهما غالباً ما يوجدان ضمن Environment نفسها.
قد تحتاج منطقة Perimeter إلى مراقبة التسلل.
وقد تحتاج منطقة Production إلى مراقبة PPE.
وقد تواجه Warehouse مخاطر مختلفة.
بينما قد تحتاج مناطق أخرى إلى مراقبة الدخان أو الحريق.
إذا كان لكل Use Case نظام وDashboard منفصلان، فقد تمتلك المؤسسة تقنيات كثيرة، لكن الموظفين سيظلون بحاجة إلى جمع Context من عدة أنظمة بأنفسهم.
هنا تظهر أهمية AI Safety Platform، لأنها تتيح تصميم أنواع متعددة من AI-Based Detection ضمن Architecture أكثر ترابطاً.
وهذا هو الفرق بين امتلاك عدة AI Features
وبناء AI Safety Ecosystem.
فما تحتاج إليه المؤسسات الكبيرة بشكل متزايد ليس مجرد Algorithms قادرة على اكتشاف الأحداث، بل نظاماً يستطيع إدخال نتائج Detection فعلياً إلى Operational Workflows.
قد يكتشف AI الحدث بشكل صحيح، لكن إذا بقيت النتيجة على Dashboard ولم يرها أحد في الوقت المناسب، فستظل قيمة Detection محدودة.
في Security & Safety، ما يحدث بعد Detection قد يكون مهماً بقدر أهمية AI نفسه.
لنتخيل حالتين.
في الحالة الأولى، تسجل CCTV حادثة تسلل، ثم يكتشف الموظفون الأمر لاحقاً ويعودون إلى Video للتحقق مما حدث.
أما في الحالة الثانية، فيساعد AI على اكتشاف الحدث المطابق للشروط أثناء وقوعه، ثم ينقله إلى Real-Time Notification ليتمكن المسؤولون من التحقق منه.
قد تكون الكاميرا نفسها في الحالتين.
ما تغير هو Data Workflow.
لذلك، لا تأتي قيمة AI Safety Platform من “Real-Time Detection” وحده، بل من قدرتها على نقل Detection عبر:
Alert → Communication → Human Decision → Response
بالطريقة المناسبة.
الحوادث الفعلية داخل المؤسسات الكبيرة نادراً ما تعتمد على بيانات الكاميرات وحدها.
توفر CCTV المعلومات البصرية، بينما يمكن لأجهزة IoT وSensors توفير بيانات عن Environment أو المعدات. وتساعد أنظمة Communication على إيصال المعلومات إلى الأشخاص، بينما يمكن لتقنيات مثل Drone دعم عمليات التحقق من المناطق وفقاً للـ Workflow المصمم من قبل المؤسسة.
إذا كانت جميع هذه الأنظمة تعمل بشكل منفصل، يتحول الموظف من دون قصد إلى Integration Layer.
قد يضطر الشخص إلى استقبال Alert من نظام، ثم فتح CCTV في نظام آخر، والتواصل مع الفريق عبر Radio، ثم الدخول إلى Software مختلف إذا احتاج إلى استخدام أجهزة إضافية.
وهذه هي مشكلة امتلاك العديد من Smart Devices من دون وجود Smart Ecosystem.
تم تصميم مفهوم ASAP لدى Canal One للعمل مع عناصر مثل CCTV وSmart Drone وSmart Robot وIntegrated Communication System وSmart Voice Radio وAdvanced Thermal Sensor.
والفكرة الأساسية هنا هي AI & IoT Orchestration.
فالسؤال لم يعد:
“ما مدى ذكاء كل جهاز بمفرده؟”
بل أصبح:
“عند وقوع حادث، إلى أي مدى تستطيع هذه الأجهزة والبيانات العمل معاً؟”
في عمليات Security & Safety، لا يضيع الوقت فقط عندما يكون Detection بطيئاً.
بل قد يضيع الوقت أيضاً بعد اكتشاف الحدث بالفعل.
قد يحتاج الموظفون إلى العثور على الكاميرا المناسبة والتحقق من المعلومات والتواصل مع المسؤولين وشرح الموقف وانتظار الرد قبل بدء Response.
لذلك، فإن الفترة بين Detection وResponse هي نقطة مهمة يجب على المؤسسات أخذها في الاعتبار.
يمكن لـ AI Safety Platform التي تربط Detection وAlerts وCommunication أن تساعد على تقليل Friction في هذه الخطوات.
يمكن أن تتطور العملية التقليدية من:
CCTV → Human Monitoring → Human Verification → Communication → Response
إلى:
CCTV / Data → AI Analysis → Detection → Real-Time Alert → Human Decision → Response
الهدف الأساسي ليس إخراج الإنسان من العملية.
بل ضمان أن المعلومات التي يحتاج إليها لاتخاذ القرار تصل إليه بشكل أسرع وفي Context أكثر ارتباطاً بالحدث.
قد توحي عبارة “الانتقال من CCTV إلى AI Safety Platform” بأن المؤسسة تحتاج إلى إزالة جميع الكاميرات الحالية وتركيب نظام جديد بالكامل.
لكن عملياً، يجب أن تبدأ عملية الانتقال المناسبة بتقييم Existing Infrastructure.
إذا كانت CCTV الحالية قادرة على توفير Video Streams وجودة صورة مناسبة للـ Use Cases المطلوبة، فقد يكون من الممكن الاستفادة من هذه الكاميرات مع AI Video Analytics.
ومع ذلك، لا ينبغي افتراض أن كل كاميرا تستطيع دعم كل أنواع AI مباشرة.
فـ Intruder Detection وPPE Safety وFace Recognition وLicense Plate Recognition لها متطلبات مختلفة فيما يتعلق بجودة الصورة وزاوية الكاميرا وموقعها والـ Environment.
لذلك، تركز Canal One على البدء من Pain Points وRequirements وExisting Infrastructure قبل تصميم وتخصيص Solution بما يتناسب مع الاستخدام الفعلي.
ومن ثم، يجب ألا تبدأ رحلة الانتقال من CCTV إلى AI Safety Platform بالسؤال:
“كم كاميرا يجب أن نستبدل؟”
بل بالسؤال:
“ما المشكلة التي نريد حلها، وإلى أي مدى يمكن لـ Existing Infrastructure الموجودة لدينا أن تدعم هذا الهدف؟”
غالباً لا تعاني المؤسسات الكبيرة من نقص التكنولوجيا.
فالعديد منها يمتلك بالفعل CCTV وAccess Systems وSensors وCommunication Systems وSoftware متخصصة.
لكن المشكلة أن هذه التقنيات قد تكون ناتجة عن مشاريع مختلفة، وفي فترات زمنية مختلفة، ومن مزودين مختلفين.
قد يعمل كل نظام بكفاءة بمفرده، بينما تظل الصورة الإجمالية Fragmented.
ولهذا تزداد أهمية مفاهيم Unified Security System وSmart Integration.
فبدلاً من إضافة نظام جديد ينتج Dashboard إضافية، ينبغي للمؤسسات التفكير في كيفية استخدام AI لربط Data وWorkflows الموجودة.
لأن الميزة الحقيقية في بيئة تحتوي على أنظمة متعددة لا تأتي من امتلاك أكبر عدد من Dashboards.
بل من القدرة على جمع المعلومات المرتبطة بحادث واحد وإيصالها إلى متخذي القرار بأسرع ما يمكن.
تطوير CCTV إلى منصة سلامة بالذكاء الاصطناعي ينبغي أن يربط رؤية الحادث بالخطوة التشغيلية التالية. ينبغي أن يربط مركز العمليات المتكامل الذكي (Integrated Operation Center أو IOC، مع تطويره إلى Smart IOC) هذه المعلومات بتحقق الفريق والتنسيق، لتقود معرفة الموقف إلى إجراء مناسب.
تظل CCTV التقليدية جزءاً مهماً من Security Infrastructure، ولن تختفي من أنظمة الأمن.
لكن ما يتغير هو دور البيانات التي تنتجها CCTV.
فبينما كان Video يستخدم أساساً في Monitoring والتحقيق بعد وقوع الحوادث، يسمح AI بتحليل هذا الفيديو للمساعدة في اكتشاف الأحداث أثناء وقوعها.
وعندما يتم ربط ذلك بـ Real-Time Notification وSmart Integration، يمكن لهذه المعلومات الانتقال إلى Workflows الخاصة بالمؤسسة بسرعة أكبر.
وهذا يمثل تحولاً من Reactive Security إلى نهج أكثر Proactive في Security & Safety.
بالنسبة إلى المؤسسات الكبيرة، يكتسب هذا التحول أهمية خاصة لأن التحدي الأساسي غالباً ليس نقص البيانات.
بل امتلاك كميات هائلة من المعلومات موزعة عبر أنظمة متعددة، والحاجة إلى تحويلها إلى Situational Awareness يمكن للإنسان استخدامها فعلياً.
لذلك، إذا كان السؤال:
“لماذا تنتقل المؤسسات الكبيرة من CCTV إلى AI Safety Platform؟”
فالإجابة ليست لأن CCTV لم تعد جيدة بما يكفي أو فقدت أهميتها.
بل لأن المؤسسات تعمل على تطوير الأنظمة التي تركز على المراقبة وتسجيل الصور إلى أنظمة يستطيع فيها AI تحليل Video Data واكتشاف الأحداث المحددة وربط النتائج بـ Real-Time Alerts وCommunication وOperational Workflows، بما يساعد الأشخاص على إدراك الحوادث والتعامل معها بطريقة أكثر تنظيماً.
لذلك، قد لا يتحدد مستقبل Security & Safety بالسؤال:
“كم عدد كاميرات CCTV التي قامت المؤسسة بتركيبها؟”
بل بالسؤال الأكثر أهمية:
“من بين جميع الكاميرات والبيانات المتاحة، ما مدى سرعة النظام في مساعدة المؤسسة على تحديد ما يستحق الاهتمام وتحويل هذه المعلومات إلى استجابة فعالة؟”
