AI সিটি চ্যালেঞ্জের দশকপূর্তি: গাড়ি ট্র্যাকিং থেকে শহর বোঝা পর্যন্ত
AI সিটি চ্যালেঞ্জের দশম সংস্করণ শুধু আরেকটি লিডারবোর্ড টেবিল নয়। ২০১৭ সালে ক্যামেরার ফুটেজে যানবাহন সনাক্তকরণ, শ্রেণীবিভাগ এবং ট্র্যাকিংয়ের মতো বেশ ব্যবহারিক কাজ দিয়ে শুরু হওয়া এই প্রতিযোগিতা আট বছরে ফিজিক্যাল এআই গবেষণার জন্য একটি বিশাল প্ল্যাটফর্মে পরিণত হয়েছে। এই বছর চ্যালেঞ্জটি ECCV 2026 সম্মেলনের সাথে একত্রে অনুষ্ঠিত হচ্ছে এবং এর আয়োজকরা স্মার্ট সিটি ও বুদ্ধিমান পরিবহন ক্ষেত্রে এক দশকের বেঞ্চমার্কিংয়ের একটি প্রতীকী সমাপ্তি টেনেছেন।
কী পরিবর্তন হয়েছে? প্রথম বছরগুলোতে ফোকাস ছিল গাড়ি "দেখা এবং গণনা" করার উপর, কিন্তু এখন কথা হচ্ছে মেশিন যেন প্রসঙ্গ বুঝতে পারে: কে নিয়ম ভঙ্গ করছে, পথচারী কী করতে যাচ্ছে, রাস্তার কোন ঘটনা বিপজ্জনক এবং কেন। এটি আর শুধু কম্পিউটার ভিশন নয়, বরং উপলব্ধি, যুক্তি এবং পূর্বাভাসের একটি সংমিশ্রণ — যাকে আজ ফিজিক্যাল এআই বলা হয়।
স্কেল রেকর্ড ভাঙছে
বার্ষিকী সিজন আগের বছরের তুলনায় উল্লেখযোগ্যভাবে বেশি অংশগ্রহণকারী আকৃষ্ট করেছে। এই বছর ২৬টি দেশ ও অঞ্চল থেকে ৩২৫টি দল নিবন্ধন করেছে — তুলনার জন্য, ২০২৫ সালে ১৫টি দেশ থেকে ২৪৫টি দল ছিল। দলের সংখ্যায় প্রায় এক-তৃতীয়াংশ এবং ভৌগোলিক বিস্তৃতিতে প্রায় দ্বিগুণ বৃদ্ধি ইঙ্গিত দেয় যে চ্যালেঞ্জের কাজগুলো এখন শুধু পরিবহন ভিশনের সংকীর্ণ বিশেষজ্ঞদের নয়, বরং মাল্টিমোডাল মডেল থেকে জেনারেটিভ মডেলিং পর্যন্ত বিস্তৃত এআই গবেষকদের একটি বিস্তৃত পরিসরের কাছেও আকর্ষণীয় হয়ে উঠেছে।
অংশগ্রহণকারীদের এই বৈচিত্র্য স্বাভাবিক: প্রতিযোগিতার ট্র্যাকগুলো একসাথে বেশ কয়েকটি দিক কভার করে, যা সাধারণত একটি বেঞ্চমার্কে খুব কমই দেখা যায়।
ছয়টি ট্র্যাক — ছয়টি চ্যালেঞ্জ
২০২৬ সালের মূল প্রোগ্রামটি ছয়টি দিক নিয়ে গঠিত:
- মাল্টি-ক্যামেরা 3D উপলব্ধি — একাধিক ক্যামেরার ডেটা থেকে দৃশ্যের ত্রিমাত্রিক চিত্র পুনর্গঠন, যা স্বায়ত্তশাসিত পরিবহন এবং শহুরে ভিডিও নজরদারির জন্য অত্যন্ত গুরুত্বপূর্ণ।
- পরিবহন নিরাপত্তার জন্য ক্যাপশন এবং VQA — রাস্তার পরিস্থিতির পাঠ্য বিবরণ তৈরি এবং সেগুলোর উপর প্রশ্নের উত্তর, যাতে সিস্টেম ব্যাখ্যা করতে পারে রাস্তায় কী ঘটছে।
- ট্রাফিক অস্বাভাবিকতা সম্পর্কে যুক্তি — অস্বাভাবিক, সম্ভাব্য বিপজ্জনক ঘটনা চিহ্নিত করা এবং তাদের কারণ বোঝা।
- মানুষের অস্বাভাবিকতার পাঠ্য অনুসন্ধান — প্রাকৃতিক ভাষার প্রশ্নের ভিত্তিতে ভিডিও রেকর্ডিংয়ে পথচারীদের অস্বাভাবিক আচরণের খণ্ড খুঁজে বের করা।
- পরিবহন ভিডিও স্ট্রিমের জেনারেটিভ পূর্বাভাস — রাস্তার দৃশ্যের ভবিষ্যত ফ্রেম সংশ্লেষণ, যা সিমুলেটর এবং মডেল প্রশিক্ষণের জন্য উপযোগী।
- ক্রস-সিটি অবজেক্ট ডিটেকশন — একটি শহরের ডেটাতে প্রশিক্ষিত মডেলকে গুণমান না হারিয়ে অন্য শহরের ক্যামেরায় স্থানান্তর করা।
ডোমেন-বহির্ভূত বোনাস ট্র্যাক
তৃতীয় ট্র্যাকের ভিতরে আয়োজকরা দুটি অতিরিক্ত প্রতিযোগিতামূলক লিডারবোর্ড লুকিয়ে রেখেছেন — আনুষ্ঠানিকভাবে সেগুলো ট্র্যাক ৭ এবং ৮ হিসাবে গণনা করা হয়, তবে মূল ডোমেনের বাইরের ডেটা ব্যবহার করে। প্রথমটি "ফিশ-আই" ক্যামেরার ফুটেজে ট্রাফিক নিয়ম লঙ্ঘন বোঝার জন্য নিবেদিত — এই ধরনের লেন্স অনেক শহরে থাকে, কিন্তু মডেলগুলো সাধারণত সাধারণ রাস্তার ক্যামেরায় প্রশিক্ষিত হয়। দ্বিতীয় বোনাস ট্র্যাক — পথচারীদের পরিস্থিতিগত উদ্দেশ্য সম্পর্কে VQA: মানুষ এখন কী করছে তা নয়, বরং সম্ভবত কী করতে যাচ্ছে সে সম্পর্কে প্রশ্নের উত্তর দিতে হবে। এটি কর্ম শনাক্তকরণের চেয়ে অনেক বেশি কঠিন এবং মডেলের কাছ থেকে দৃশ্যের গভীর বোঝার প্রয়োজন।
কেন সিস্টেমগুলো জয়ী হয়
অংশগ্রহণকারীদের সমাধান বিশ্লেষণ একটি আকর্ষণীয় প্যাটার্ন প্রকাশ করে। শীর্ষ দলগুলোর কোনোটিই শুধুমাত্র একটি আর্কিটেকচারের উপর নির্ভর করে না। সফল পদ্ধতিগুলো হলো বৃহৎ ফাউন্ডেশনাল মডেলের সংমিশ্রণ আরও ক্লাসিক কৌশলের সাথে:
- জ্যামিতিক যুক্তি — ক্যামেরা এবং 3D স্পেসের মধ্যে প্রজেকশন সম্পর্ক ব্যবহার;
- অনুসন্ধান এবং রির্যাংকিং — চূড়ান্ত উত্তরের আগে প্রাসঙ্গিক ভিডিও খণ্ড বা প্রার্থী নির্বাচন;
- সিন্থেটিক ডেটা ডিজাইন — বিরল পরিস্থিতির জন্য অতিরিক্ত প্রশিক্ষণ উদাহরণ তৈরি;
- ডোমেন অভিযোজন — যেমন শহর বা ক্যামেরার ধরনের মধ্যে মডেল স্থানান্তর;
- নিয়ন্ত্রিত ইনফারেন্স — নির্দিষ্ট নিয়ম বা শব্দভাণ্ডার দ্বারা মডেলের আউটপুট সীমাবদ্ধ করা।
অন্য কথায়, নতুন বেঞ্চমার্ক দেখিয়েছে যে ফিজিক্যাল এআই "বড় মডেল নিয়ে ডেটার উপর ছেড়ে দেওয়া" নয়। নির্ভরযোগ্যতা হাইব্রিড স্কিমের মাধ্যমে অর্জিত হয়, যেখানে নিউরাল নেটওয়ার্ক জ্যামিতি, বাহ্যিক জ্ঞান এবং সতর্ক পোস্টপ্রসেসিং দ্বারা পরিপূরক হয়।
দশ বছর — ডিটেকশন থেকে বোঝার পথ
সামগ্রিকভাবে AI সিটি চ্যালেঞ্জের বিবর্তনের দিকে তাকালে মূল বিষয়টি দেখা যায়: বেঞ্চমার্কটি আর কেবল ডিটেক্টরের নির্ভুলতা উন্নত করার মাঠ নয়। এখন এটি সম্পূর্ণ বুদ্ধিমান সিস্টেম পরীক্ষার একটি প্ল্যাটফর্ম, যেগুলোকে বাস্তব শহরের পরিস্থিতিতে উপলব্ধি, যুক্তি এবং পূর্বাভাস দিতে হবে। তাছাড়া, নির্ভুলতা এবং গতির পাশাপাশি গোপনীয়তাও গুরুত্বপূর্ণ ভূমিকা পালন করে — ব্যক্তিগত ডেটা প্রকাশ না করেই মডেল মূল্যায়নের সাথে সম্পর্কিত কাজের একটি আলাদা স্তর রয়েছে।
আয়োজকরা একটি নিবন্ধ প্রকাশ করেছেন যেখানে প্রতিযোগিতার সেটআপ, সমস্ত ডেটাসেট, মূল্যায়ন প্রোটোকল, লিডারবোর্ডের ফলাফল এবং ওয়ার্কশপের উপকরণ বিস্তারিতভাবে বর্ণনা করা হয়েছে। গবেষক এবং প্রকৌশলীদের জন্য এটি মূলত বুদ্ধিমান পরিবহন এবং ফিজিক্যাল এআই ক্ষেত্রের বর্তমান অবস্থার একটি প্রস্তুত ওভারভিউ — এবং একই সাথে পরবর্তী সিজনে নিজেদের চেষ্টা করার আমন্ত্রণ।
