AI 看到了人，還不夠。我們真正想知道的是：這個人「在哪裡」？

Day 13 我們談到一件很重要的事情：

AI Model 負責 Detection，但 Detection 不等於 Event。

例如 AI 偵測到：

Person
Confidence = 0.87
Bounding Box = (...)

這代表：

畫面裡有一個人。

但對我們的 Unmanned Area Use Case 來說，這其實還不夠。

因為工廠裡每天都有人。

有人出現在 Camera 裡面，並不代表發生異常。

真正有意義的問題是：

這個人有沒有進入「不應該進入」的區域？

於是，我們需要 Geofence。

1. Person Detection 其實沒有告訴我們「這件事情重要不重要」

假設 Camera 看到這個畫面：

┌────────────────────────────┐
│                            │
│       👤 Person            │
│                            │
│                ┌────────┐  │
│                │        │  │
│                │禁  區  │  │
│                │        │  │
│                └────────┘  │
│                            │
└────────────────────────────┘

AI 只知道：

Person = detected

但是我們真正需要的是：

Person
   +
Location
   ↓
Is the person inside the restricted area?

這就是 Geofence 的價值。

2. Geofence 是什麼？

簡單來說：

Geofence 就是在影像畫面上定義一個「有意義的區域」。

例如：

• 禁止進入區
• 機台周圍
• 生產線
• 危險區域
• 出入口
• 倉庫
• 特定設備周圍

在我們的 Edge AI Application 裡，可以讓使用者直接在 Camera 畫面上畫出區域。

例如：

┌─────────────────────────────┐
│                             │
│       Camera View           │
│                             │
│      ╱──────────────╲       │
│     │  Restricted    │      │
│     │     Area       │      │
│      ╲──────────────╱       │
│                             │
└─────────────────────────────┘

這個區域就成為後面 Rule Engine 的條件。

3. 我們為什麼需要 Polygon？

最簡單的方式其實是 Rectangle。

例如：

x1, y1
   ┌─────────────┐
   │             │
   │ Restricted  │
   │    Area     │
   │             │
   └─────────────┘
             x2, y2

這對規則很單純的場景很好用。

但真實工廠環境不一定這麼整齊。

例如：

        ┌───────────────┐
        │               │
        │     ╲         │
        │      ╲        │
        │       ╲───────┘
        │
        └────────────────

所以我們後來會需要 Polygon Geofence。

使用者可以在畫面上點幾個點：

P1 → P2 → P3 → P4 → P5

形成一個不規則區域。

這樣才比較能符合實際場域。

4. 但畫出 Geofence 還不夠

這裡又回到 Day 13 的 Detection → Rule → Event。

假設：

AI Detection
Person
Confidence = 0.88

接著我們拿 Bounding Box 去跟 Geofence 做判斷。

例如：

Person
   ↓
Bounding Box
   ↓
Geofence Check
   ↓
Inside?

如果：

Inside = FALSE

那：

Person Detected，但沒有事件。

如果：

Inside = TRUE

才可能：

Trigger Intrusion Event。

5. 這裡有一個很有趣的問題：到底看 Bounding Box 哪裡？

這是實際做產品時很容易被忽略的問題。

假設 Person 的 Bounding Box 是：

       ┌───────┐
       │  👤   │
       │       │
       │       │
       └───────┘

這個 Box 有：

• Top-left
• Top-right
• Bottom-left
• Bottom-right
• Center

那到底哪個點進入 Geofence，才算「人進去了」？

如果用 Center：

       ┌───────┐
       │       │
       │   ●   │ ← Center
       │       │
       └───────┘

可能會比較穩定。

但如果人的腳已經踏進區域，Center 還沒有進去：

      Person
       ┌───┐
       │   │
───────┴───┴────────
      Restricted Area

這時候就可能漏掉事件。

6. 所以 Geofence 其實不是單純「畫一個框」

到了這裡我才發現：

Geofence 看起來像 UI Feature，背後其實是一個完整的 AI Rule。

它至少涉及：

Geometry

Rectangle 還是 Polygon？

Coordinate

畫面座標怎麼轉換？

Detection

使用 Bounding Box 的哪個位置？

Rule

Inside / Outside？

Tracking

一個 Frame 進去，還是真的進去了？

Event

什麼時候產生 Enter Event？

Exit

什麼時候算離開？

這些最後都會變成 Product Requirement。

7. 更麻煩的是：人可能一直站在邊界

假設一個人站在 Geofence 邊界：

       Person
         👤
─────────┼─────────
         │
     Geofence

Camera 每一幀可能出現：

Frame 1 → Outside
Frame 2 → Inside
Frame 3 → Outside
Frame 4 → Inside
Frame 5 → Outside

如果我們直接把每一次判斷都當 Event：

Enter
Exit
Enter
Exit
Enter

使用者一定會瘋掉。

所以我們又回到了前面提到的：

Event Lifecycle。

8. 所以我們需要 Tracking + Debounce

實際產品裡，可以加入一些條件。

例如：

Person 必須連續 N 個 Frames 都在 Geofence 裡，才算真正進入。

變成：

Frame 1 → Inside
Frame 2 → Inside
Frame 3 → Inside
Frame 4 → Inside
       ↓
Intrusion Event

而不是：

Frame 1 → Inside
       ↓
Event

這可以有效降低 Camera Noise 或 Detection 抖動造成的誤報。

9. 這時候 Geofence 開始變成「Business Rule」

我們原本只有：

Person Detection

現在變成：

Person Detection
      +
Confidence > Threshold
      +
Inside Geofence
      +
Continuous Detection
      ↓
Intrusion Event

再往後：

Intrusion Event
      ↓
Recording
      ↓
Alert
      ↓
Upload

這才是一個完整的 AI Application Workflow。

10. Geofence 其實讓同一個 Model 產生不同 Use Case

這也是我覺得 Geofence 很有產品價值的原因。

同一個：

Person Detection Model

不用重新訓練。

只要換不同 Rule，就可以變成不同產品場景。

Case 1：禁止區

Person
+
Restricted Area
→ Intrusion

Case 2：機台區域

Person
+
Machine Area
→ Machine Access

Case 3：倉庫

Person
+
Warehouse Area
+
After Hours
→ After-hours Intrusion

Case 4：安全區

Person
+
Danger Zone
→ Safety Violation

所以：

同一個 AI Model，可以透過不同的 Rule 產生不同的 Business Event。

這對只有 1 個 PM + 1 個 Engineer 的團隊非常重要。

因為我們沒有辦法為每一個客戶、每一個場景都重新 Train 一個 Model。

我們必須善用：

Model + Rule

來擴展 Use Case。

11. 這也是為什麼我開始思考 Rule Builder

如果每次新增一個 Use Case 都需要 Engineer 改 Code：

Customer A
→ Engineer 改 Code

Customer B
→ Engineer 改 Code

Customer C
→ Engineer 改 Code

那產品很快就會遇到瓶頸。

所以我們真正想要的是：

             Model
               ↓
          Detection
               ↓
        ┌──────────────┐
        │ Rule Builder │
        ├──────────────┤
        │ Object       │
        │ Confidence   │
        │ Geofence     │
        │ Time         │
        │ Duration     │
        └──────┬───────┘
               ↓
             Event
               ↓
             Action

讓使用者可以自己組合：

Person + Geofence + Time

變成：

After-hours Intrusion

這時候，我們就開始從一個 AI Application，往 Edge AI Application Platform 走。

12. PM 在這裡真正做的是「抽象」

這也是我在這個專案裡很深的體會。

一開始我們的需求只有：

「我要偵測無人區有人。」

但如果只按照這句話做：

Person Detection
+
One Geofence

我們只能得到一個 Demo。

所以 PM 要再往上抽象：

我們真正需要的，是讓 AI Detection 可以和不同 Business Rules 組合。

於是：

Model
 ↓
Detection
 ↓
Rule
 ↓
Event
 ↓
Action

就變成我們後面產品架構的基礎。

最後，我對 Geofence 的理解也變了

以前我會把 Geofence 看成：

「畫一個區域。」

現在我會把它看成：

「把 AI 的空間資訊轉換成 Business Rule。」

AI 告訴我們：

這裡有一個人。

Geofence 告訴我們：

這個人在哪裡。

Rule 告訴我們：

這個位置是否有問題。

Event 告訴我們：

發生了什麼事。

Action 才真正開始：

接下來要做什麼。

所以整個 Edge AI Application 最後變成：

Camera
  ↓
AI Model
  ↓
Detection
  ↓
Confidence
  ↓
Geofence / Rule
  ↓
Event
  ↓
Alert / Recording / Upload

而這也是我開始理解：

Edge AI 的價值，不只是讓 AI 在 Edge Device 上跑得更快，而是讓 AI 的結果可以直接連接到真實世界的 Business Rule。