機械人語｜安全監控的進化：AI工程師如何應對工地變數？

智慧城市、工業自動化、物業管理……幾乎每個領域都在談 AI。然而，當市場熱烈討論各種智能方案時，真正「養大」這些系統的 AI 工程師，卻鮮少被細緻審視。他們的工作，遠非「寫程式」三字可概括。

早前在創科展會上，筆者與合作夥伴智建系統（3S）交流。3S 的 NexSite 平台整合工人進出管制、UWB 定位與影像監測，而我們的巡邏機械人則補足固定鏡頭的死角，兩者疊加，工地監測覆蓋趨於完整。展場上，筆者與 3S 的 AI 工程團隊代表 Keith 談到模型訓練的實務挑戰，在此也分享一下他們的崗位，讓大家對這群「轉譯者」的具體工作有更深的理解。

AI 工程師的真實面貌：溝通重於編碼

許多人以為 AI 工程師終日面對螢幕，實情是，他們大部分時間用於與安全專家、前線工人及客戶溝通。以工地安全系統為例，工人為何不戴安全帽？帽繩為何常常未扣好？這些問題無法憑空推測，必須親赴現場觀察，再回頭處理數據、訓練模型。訓練完畢的模型，還需部署至工地伺服器或邊緣裝置——因為工地網絡不穩，一切無法依賴雲端。

辨識帽繩便是一大考驗。帽繩細小，工人轉身或舉手即可能遮擋，加上戶外陽光、陰影與雨天變化，AI 極易誤判。工程師的對策相當務實：以大量本地工地實景影像「餵養」模型，並設計後處理機制，例如比對前後數幀畫面的判斷一致性，避免系統出現「一秒偵測有戴、下一秒又說沒戴」的搖擺情形。更進一步，他們運用姿態估計鎖定工人頭部位置，再集中分析帽繩區域，大幅提升準確度。這類細膩功夫，正是其辨識能力優於市場一般方案的關鍵。

從「被動告警」邁向「意圖預測」

團隊近期嘗試一項有趣的新方向——讓 AI 不只被動偵測違規，更能預測工人意圖。例如，當偵測到某人伸手觸摸帽帶，系統能否判斷他可能準備脫帽？或者，若有人在禁煙區掏出煙盒，系統能否在點火前便發出提示？這條路並不易行，「意圖」本身難以定義，相關訓練數據稀缺，運算成本亦高；但若成功實現，對工地安全的助益將非常顯著。

實戰教訓：雨天誤報與帽繩標準之爭

團隊分享了兩個實例。一次雨天誤報率驟升，追查後發現是雨水在鏡頭前產生類似物件邊緣的效果，干擾模型判斷。團隊於是收集更多雨天畫面重新訓練，並加入天氣模擬以補足數據缺口。另一次，團隊內部為了「帽繩怎樣才算繫緊」爭論不休，最後眾人直接前往工地實地量測，並與安全專家共同訂出一套統一判斷標準，才化解分歧。這些經歷讓他們深刻領悟：技術再強，若缺乏安全知識、現場驗證與用戶反饋，一切終究止於紙上。

AI 工程師的角色，遠遠超越「撰寫 AI 程式」。他們是科技與現實之間的橋樑，既要精熟技術，又要理解行業脈絡，更要懂得與人協作。在香港建造業朝向智慧化轉型的進程中，這群人用專業守護每個工地的安全，也守護每名工人背後的家人。這份工作的意義，遠比我們想像的更為厚重。

撰文：Tobot Solution 創辦人兼行政總裁王嘉敏（Jazzy）
欲觀看更多 Jazzy 撰寫的文章，可按此瀏覽。