夜裡，一束車燈掃過圍牆，樹影跟著晃了一下。
警衛室裡的警報響起，值班人員點開畫面：「啊，是誤報。」確認沒有人，把視窗關掉。
同樣的情形，一個晚上重複二十次之後，還有誰會去看畫面？
警報的意義，在於可信度
誤報的來源很單純，傳統移動偵測只判斷畫面有沒有變化，風吹樹葉、貓狗經過，或車燈在牆上留下的影子，都可能被當成事件。值班人員起初還會逐一確認，次數多了？就開始憑經驗略過。時間再長一點，通知就成了背景雜訊，真正的事件也隨著被淹沒。
所以我們會需要精準的物件辨識。先區分畫面裡移動的是人、車還是其他物體，再依場景設定行為規則。規則因場景而異，停車場關心的是車輛滯留，需要設定容許停留的秒數和偵測區域；圍牆防的是跨線、警戒線要畫在鏡頭能看清人形的高度，因為位置太高或角度太斜會影響辨識率。
參數之外，現場條件的影響也不小。逆光、雨絲，或夜間紅外燈引來的昆蟲，也都會產生假事件。這類狀況通常要靠調整鏡頭與偵測參數逐步收斂，換一台更高階的攝影機幫助有限。
AI 前端辨識把人車辨識和事件處理放在攝影機端，部署時可以省下一台獨立的運算主機。至於辨識準不準、哪些事件需要產生通知，實務上多半要安裝商和使用單位一起測試幾輪才能定案，攝影機的設定是否彈性會有很大差別。
Edge AI 攝影機與後端系統的事件處理流程
畫面內容的判斷在前端完成，攝影機平時只需要送出事件資訊與 Metadata，後端收到事件再決定要不要錄存、要不要連動其他設備，無形中節省了大量頻寬。因為並不是每個場域都需要回傳每幀的高畫質影像，有事件時，再回傳高碼率內容即可。
事件送到後端之後，就進入 VMS 的範圍。平台收到前端事件，要把畫面帶到值班席，必要時同步連動門禁、照明等現場設備；從辨識、確認到現場處置是一條完整的流程。
韌體與供應鏈，決定它能安全用多久
系統調順了、流程接上了，接下來要面對的是時間。監控設備的汰換週期比多數 IT 設備長，一台攝影機用上五年、七年並不少見，這段期間它一直接在企業網路上接收韌體更新、也經手影像和事件資料。所以採購時還要面對幾個更長期的問題：晶片來自哪裡、有無資安疑慮、韌體由誰維護、發現漏洞時由誰負責修補。
這類疑慮，美國已經寫進採購規範。《國防授權法》（NDAA）Section 889 限制聯邦機構採購特定來源的監控設備，範圍包含列名企業的子公司與關聯企業，許多企業也跟著把「NDAA compliant」列入採購條件。採購單位仍要核對製造商、關係企業、實際型號與供應商聲明，才能建立可追溯的來源審查。
綜觀全局，AI 監控真正要解決的問題、或者說能提供的價值，就是「信任」。這也應是 AI 監控要極力依循的方向。
