當我第一次看到 QCS6490 上的 AI Detection 成功跑起來時，確實很有成就感。

從影像串流、Video Pipeline，到 QNN / HTP 加速，再到 Person Detection、Geofence 和 Event Trigger，原本散落在不同技術環節的東西，終於串成了一個可以實際運作的流程。

我們也在 4 樓無人區進行了超過一週的驗證，確認這個 Use Case 不只是簡報上的架構圖，而是真的能在現場運作。

但 Demo 成功之後，我開始問自己一個問題：

如果明天把這套系統交給客戶，我真的可以放心嗎？

答案是：還不行。

一、能跑起來，只代表第一關通過了

以目前的 PoC 為例，我們已經可以接收影像、進行人物偵測、判斷是否進入指定區域，並觸發後續事件。

但這只代表主要流程已經串通，不代表所有使用情境都經過驗證。

例如：

• 效能： 單次 Model Inference 可以達到約 31 FPS，不代表整個影像到事件的流程都能維持 31 FPS。
• 穩定性： Demo 當下正常，不代表長時間執行、網路中斷或服務重啟後，系統仍然能正常運作。
• 準確性： 偵測到一個人，不代表每次入侵都能正確判斷，也不代表不會出現誤報。
• 資源使用： 單一串流可以運作，不代表增加攝影機後，NPU、CPU、記憶體與影像處理資源仍然足夠。
• 維運能力： 系統發生錯誤時，能不能找到原因？更新 Model 或 Container 之後，能不能恢復到上一個可用版本？

這些問題不一定會在 Demo 時出現，卻會直接影響客戶能不能真正使用這個產品。

二、從 Demo 到產品，我會再看四件事

1. Performance：效能是否符合實際需求？

我們不能只看 Model 的 FPS，還要看完整的 End-to-End Pipeline。

從影像進入系統、解碼、前處理、AI 推論，到事件判斷與通知，每個環節都可能影響最後的反應時間。

因此，接下來要驗證的不只是推論速度，而是整體延遲、可支援的串流數量，以及不同負載下的資源使用情況。

2. Reliability：系統能不能長時間穩定運作？

真實場域不會一直配合 Demo。

RTSP 可能斷線，Container 可能異常，設備也可能重新啟動。

產品化需要進一步驗證斷線重連、服務自動恢復、錯誤紀錄與異常告警，而不是每次發生問題都要工程師到現場重新操作。

3. Usability：客戶能不能自己操作？

目前的功能包含影像來源設定、Model 選擇、Confidence 與類別篩選、Tripwire、Geofence、追蹤、警示、錄影及上傳。

但功能存在，不代表操作就足夠簡單。

客戶真正想做的，是設定「哪個區域不能有人進入」，而不是理解 QNN、HTP、Model Artifact 或 Runtime 的差異。

產品需要把底層技術複雜度藏在合理的操作流程後面，讓客戶可以完成任務，而不是要求客戶先學會工程師的工作。

4. Maintainability：之後要怎麼更新與維護？

如果客戶想換一個 Model，或我們需要更新 Application，能不能確認版本相容性？

新版本上線前，有沒有經過驗證？更新失敗時，能不能回復到上一個穩定版本？

這也是為什麼前面幾天一直討論 Model Registry、Model Artifact、Device Profile 與 Validation。

它們不是為了讓架構看起來更完整，而是要解決產品交付之後，版本如何管理、如何部署，以及如何降低更新風險的問題。

三、兩個人的團隊，不可能一次把所有事情做完

回到我們的專案，只有一位 PM、一位工程師，以及一片 QCS6490 開發板。

我們不可能在三個月內，把所有硬體組合、所有 Model、所有異常情境與完整的企業級維運能力全部做完。

所以我必須區分三件事：

• Implemented： 功能已經完成。
• Validated： 功能已經在特定條件下驗證。
• Product-ready： 已經達到明確的交付標準，包含穩定性、操作、維運與支援需求。

這三件事不能畫上等號。

例如，Geofence 已經可以運作，不代表所有攝影機角度、光線條件與人員移動情境都經過驗證；Container 可以部署，也不代表系統已經具備完整的遠端維運能力。

對 AI PM 來說，重要的不是把所有待辦事項都標記成完成，而是清楚知道目前已經證明什麼、還有哪些風險，以及下一步應該優先投入什麼。

四、PoC 的價值，不是證明產品已經完成

回頭看這段開發歷程，我認為這個 PoC 最重要的成果，不是我們做出了多少個功能。

而是我們已經把原本抽象的想法，轉變成可以實際運作、可以測試，也能持續改善的系統。

我們知道影像如何進入 Pipeline，AI 如何透過 QNN / HTP 執行，偵測結果如何轉成事件，也知道當 Model、Runtime、Container 與硬體組合改變時，還需要面對哪些整合與驗證問題。

這些經驗讓下一階段的工作不必再從零開始猜測。

Demo 證明這個想法做得到；產品化則要證明它在客戶需要的條件下，能持續、可靠而且容易地運作。

對我來說，這才是從 AI PoC 走向 Edge AI Product，真正需要跨過的那段距離。