Návrh Implementace: Systém Detekce Osob

Strategický přehled pro interní bezpečnost a provoz budov

1. Strategický Přehled a Cíle Projektu

Projekt je primárně interní bezpečnostní systém pro sledování aktuálního počtu osob v budově. Data slouží k optimalizaci bezpečnosti a provozu – například pro prevenci přeplnění, řízení evakuace nebo rychlou informovanost v případě incidentu.

Klíčovým prvkem návrhu je anonymizace záznamu v reálném čase. Systém nevyužívá video k identifikaci konkrétních osob, ale pouze k počítání anonymizovaných siluet. Informace jsou určeny pro interní správu a pouze v případě krizové události mohou být agregovaná data (počty) sdílena se složkami IZS.

🛡

Soulad s AI Act a GDPR

Díky okamžité anonymizaci systém nezpracovává biometrické údaje. Tento přístup "Privacy by Design" zásadně snižuje rizikový profil dle AI Act a zjednodušuje soulad s GDPR. Přesto je nutné dodržovat principy pro robustní a důvěryhodné AI.

2. Architektura a Strategické Odůvodnění Nákladů

Volba hybridní architektury (zpracování na lokálním edge zařízení) je pro tento typ systému klíčová. Zajišťuje, že citlivý video stream je anonymizován okamžitě a nikdy neopouští budovu, a zároveň je to jediná finančně udržitelná cesta pro nepřetržitý provoz.

Ilustrativní Srovnání Nákladů (5letá projekce pro 20 kamer)

Graf ukazuje dramatický rozdíl v celkových nákladech na vlastnictví (TCO).

Závěr analýzy: Ačkoliv počáteční investice do edge hardwaru (CapEx) existuje, je zanedbatelná ve srovnání s astronomickými provozními náklady (OpEx) za nepřetržitý běh GPU v cloudu. Hybridní model je z dlouhodobého hlediska jedinou finančně udržitelnou cestou.

3. Technologie a Implementační Plán

Doporučený Technologický Stack

Na základě analýzy kompromisů mezi přesností, rychlostí a vyspělostí ekosystému je doporučena následující kombinace:

YOLOv11 + BoT-SORT
  • YOLOv11: Detekční model s nejlepším poměrem stability, podpory a výkonu pro detekci objektů.
  • BoT-SORT: Sledovací algoritmus, který zajišťuje robustní počítání anonymních objektů i při krátkodobém zakrytí.

Implementační Plán

Fáze 1: Rámec Bakalářské Práce (Měsíce 1–3)

Teoretický a analytický základ. Cílem je návrh a Proof-of-Concept, nikoli hotový produkt.

  • Analýza technologií a legislativy (AI Act, GDPR).
  • Návrh hybridní architektury s důrazem na anonymizaci.
  • Testování funkčnosti na vzorových datech.

Fáze 2: Vývoj a Pilotní Provoz (Měsíce 4–6)

Vývoj prototypu pro reálné nasazení.

  • Sběr dat a trénink vlastního modelu.
  • Nasazení a optimalizace na edge hardwaru (NVIDIA Jetson).
  • Finalizace dokumentace pro posouzení shody.

4. Principy pro Důvěryhodné a Legislativně Konformní AI

I přes snížené riziko díky anonymizaci je pro zajištění důvěryhodnosti a souladu s legislativou klíčové dodržet následující osvědčené principy AI Actu.

Řízení Rizik

Nepřetržitý proces identifikace a zmírňování rizik (např. nepřesné počítání) pro bezpečnost provozu.

Správa Dat

Zajištění, aby trénovací data byla kvalitní a reprezentativní pro přesné počítání v různých podmínkách.

Transparentnost

Vytvoření technické dokumentace a automatické logování provozních událostí pro zpětnou sledovatelnost a audit.

Lidský Dohled

Návrh systému tak, aby umožňoval efektivní lidský dohled, ověření funkčnosti a případnou kalibraci.