智慧城市講AI、工業轉型自動化講AI，連做物業管理的朋友都在問我深度學習可怎樣幫他們節省人手。看著市場上大大小小的AI方案，我最大的感觸反而是：各行各業都在喊AI，但背後那班真正「湊大」這些智能系統的AI工程師，到底有幾多人了解他們在做甚麼？

前陣子在創科展會跟合作夥伴智建系統（3S）碰面，3S的NexSite系統做的是建築工地安全管理，從工人入閘、UWB定位到影像監察都包辦；我們的巡邏機械人就負責在工地走動，補足固定攝影機拍不到的角度。兩套東西加起來，監測覆蓋算是比較完整。記得展場上，我也跟他們的AI工程團隊代表Keith探討培訓AI模型的應用及發展。

而談起AI工程師，很多人以為AI工程師就是整天對著螢幕寫程式，實際上他們大部分時間都在跟人溝通——安全專家、工地前線、客戶，一個都不能少。以建築工地智能安全系統為例，工人為甚麼不戴安全帽？帽繩為甚麼常常沒扣好？這些問題都不是憑空能想出來的，必須走到現場了解、觀察，然後才回來處理數據、訓練模型。訓練好的模型還要部署到工地的伺服器或邊緣設備，因為工地網絡不穩，不能甚麼都靠雲端。

舉個例子，要訓練AI辨識帽繩，帽繩那麼細一條，工人轉個身、舉個手就遮住了，加上戶外陽光、陰影、雨天變來變去，AI很易看錯。AI工程師的解決方法很「貼地」——用大量本土工地的真實畫面來「餵」模型，再設計一些後處理機制，如比較前後幾幀畫面判斷是否一致，避免系統一秒前說有戴、一秒後又說沒戴這種「跳來跳去」的情況，甚至用姿態估計先找出工人頭部位置，才集中看帽繩區域，這樣準繩度就高很多。這種斤兩十足的工夫，正是他們的辨識能力比市場上一般方案更細緻的原因。

他們團隊亦正在嘗試另一個有趣的新方向——讓AI不只是「見到違規才出聲」，而是嘗試預測工人的意圖，例如看到某人伸手去摸帽帶，系統能否判斷他可能準備脫帽？或某人在禁煙區掏出煙盒，系統能否在他點火之前就發出提示？這條路不易走，「意圖」本身很難定義，相關的訓練數據又少，運算成本也高，但一旦做到，對工地安全的幫助會很大。

談到實戰，團隊也分享了兩個小故事。一次是雨天誤報率突然飆高，後來才發現是雨水在鏡頭前造成類似物件邊緣的效果，擾亂了模型判斷。團隊於是收集更多雨天畫面重新訓練，並加入天氣模擬來補足數據不足。另一次是團隊內部為了「帽繩怎樣才算繫緊」吵了很久，後來大家直接落工地實地觀察、量度，再跟安全專家一起訂出一套統一的判斷標準，才解決分歧。這些經歷讓他們深刻體會到，技術再強，若沒有安全知識、現場驗證和用戶反饋，一切都只是紙上談兵。

對於有意投身此領域的年輕人，這些實戰經驗正正說明了AI工程師的職業要求——既要具備電腦視覺與程式開發的硬技能，也要擁有跨領域溝通與現場觀察的軟實力。從事建築工地安全的AI工程，更需要理解前線工人的處境與習慣，技術方案才能切實落地。這份職業的挑戰與價值，在於將實驗室的演算法，轉化為工地現場真正用得上的安全保障。

希望本文的分享，讓大家對AI工程師有更具體的理解。AI工程師遠遠不止是「寫AI的人」，也是連接科技和現實的橋樑，既要懂技術，又要懂行業，還要懂人。在香港建造業走向智慧化的過程中，這班人用技術守護每個工地安全，也守護著每個工人背後的家人。這份工作的意義，大概比我們想像中要厚重得多。

文：王嘉敏（Jazzy）

托寶智能方案（Tobot Solution）行政總裁兼創辦人，IT界中少有女性企業家，以「與機械人共同美好生活」為核心理念，專門為客戶提供機械人應用的顧問諮詢及客製化方案，更提倡要與機械人建立「不或缺．不取替」的共生時代。