Видеоаналитика для задач бизнеса

На сегодняшний день одна из самых востребованных бизнес-задач систем видеонаблюдения с видеоаналитикой – её использование в ритейле. В частности, реализуется такая задача, как анализ длины очередей у кассовых узлов в магазинах, иными словами, нужно знать, сколько покупателей стоит в очереди, фиксировать время ожидания, учитывать, сколько посетителей обслужено на данный момент и сколько на это потрачено времени. Зачастую заказчики ставят и такую задачу, как учет посетителей, которые покидают очередь, не дождавшись обслуживания. Все эти задачи с успехом можно решать с помощью современных средств видеонаблюдения с использованием видеоаналитики на основе машинного обучения. Также есть задачи по подсчету количества посетителей торговых точек.

Задача распознавания человеческих лиц – здесь мы не ограничиваемся только ритейлом, можно говорить об игровом бизнесе, и любых других сферах, где требуется работа с так называемыми белыми и черными списками. На основе результатов анализа владельцы бизнеса и менеджеры разрабатывают программы лояльности.

Еще одна специфическая и важная задача – создание тепловых карт. Имеется в виду не тепло как таковое, а нанесение на изображение от видеокамеры специальной маски, с помощью которой можно проанализировать максимальную и минимальную плотность движения в пределах изображения. Красные зоны, наложенные на изображение, дают возможность понять, в каких зонах группируется максимальное количество людей. Это опять же в основном задача для ритейла – определяются зоны, представляющие наибольший интерес для выкладки товара. И, наоборот, самые холодные синие зоны – зоны с минимальным количеством людей. Анализ поможет оптимально организовать использование торговых площадей.

Надо сказать, что при использовании видеоаналитики прежнего поколения в решении подобных задач допускалось довольно большое количество неточностей. В условиях плотных потоков людей старые алгоритмы видеоанализа давали очень большой процент ошибок. Сегодня наша компания и многие другие участники рынка используют алгоритмы видеоаналитики нового поколения, основанные на машинномобучении. Подобного рода системы позволяют существенным образом повысить точность решения всех задач клиента. Больше того, они могут быть адаптированы под его конкретные задачи.

С развитием и удешевлением технологий аппаратного анализа все большую актуальность получают аппаратно-программные комплексы обработки данных как тенденция в развитии программного обеспечения для систем безопасности. Сегодня на рынке происходит постепенный переход от простого видеонаблюдения (View) к системам с функциями видеоанализа (DeepinView) и далее – к системам на базе нейросетей и технологий глубокого обучения (Deep Learning или DeepinMind). Прежде всего, такая трансформация нужна для исключения человеческого фактора в работе систем безопасности. Но есть и большое количество запросов со стороны коммерческих заказчиков на камеры видеонаблюдения, которые могут решать бизнес-задачи, повышать эффективность рабочих процессов.

Идентификация лиц и работа с базами – это лишь малая часть потенциала систем видеоаналитики на базе алгоритмов глубокого обучения. Приведу в пример несколько основных задач, которые сегодня мы решаем с помощью видеоаналитики Deep Learning и обработки больших данных.

Снижение количества ложных тревог – для этого используются нейросетевые фильтры тревог, которые определяют в кадре только людей или транспортные средства и исключают все остальные нерелевантные объекты и события (движение небольших животных, природные явления и т.д.), которые могут вызвать ложное срабатывание системы. Эта возможность широко востребована не только для обеспечения безопасности, но и для бизнес-приложений, чтобы видеоаналитика могла работать только с нужными данными.

Распознавание и идентификация – пожалуй, самое распространенное применение аналитических систем. Помимо непосредственно защиты объекта от правонарушителей, распознавание также можно использовать для выявления приоритетных клиентов, повышать уровень обслуживания. Базы VIP-клиентов и нежелательных посетителей можно создавать как на уровне одного объекта, так и в рамках целой сети (магазинов, отелей и т.д.).

Получение дополнительной информации о клиентах – помимо работы с готовой базой лиц, бизнес заинтересован в получении и других полезных данных о своих клиентах, чтобы использовать ее для повышения качества обслуживания и лучшего понимания своей аудитории. Например, камеры могут анализировать возраст клиентов, распознавать их по гендерному признаку – на основе этой информации владельцы бизнеса понимают, кто чаще всего посещает торговую точку или пользуется их услугами. Анализ длины очереди – одна из самых востребованных функций видеоаналитики. В отличие от обычной системы, аналитика на базе самообучаемых нейросетей способна фильтровать объекты по высоте, получая более точную информацию о количестве людей в очереди, следить за средним временем ожидания, чтобы в нужный момент отправить сигнал управляющему о том, что необходимо открыть дополнительные кассы.

Счетчик посетителей – первые счетчики появились на рынке достаточно давно, по сути, они фиксировали количество людей, которые пересекли линию. Но коэффициент полезности таких систем не превышает 60%, потому что когда несколько людей одновременно пересекают эту линию, система считает их как одного посетителя. Нейросетевая видеоаналитика решает эту проблему, точно анализируя каждого входящего или выходящего человека, в том числе фиксируя количество входов/выходов одного посетителя.

Тепловые карты нужны для анализа трафика посетителей и выявления популярных и невостребованных зон или товаров, для анализа маршрутов передвижения клиентов по залу. В сочетании с модулями снижения ложных тревог владелец системы получит точную информацию о том, как именно передвигаются посетители и какие зоны торговой точки их интересуют больше всего.

Контроль доступа – решения на базе Deep Learning используют в качестве идентификатора лицо человека, так как это наиболее надежный способ организации СКУД на объекте. В отличие от телефона, карты или ключа, данный биометрический идентификатор невозможно потерять, передать другому человеку, а подделать очень и очень сложно. Если в терминал встроить специальный тепловой модуль, то система будет анализировать не только 3D-модель объекта в кадре, но и его температуру. По фотографии пройти уже не получится.

Учет рабочего времени – также одна из наиболее востребованных функций. Помимо непосредственного контроля за рабочим режимом, систему можно интегрировать с внутренними корпоративными платформами, тогда СКУД будет получать информацию о командировках, деловых встречах или отпусках. В этом случае отсутствие сотрудника на рабочем месте не будет засчитано как прогул или опоздание.

Контроль трафика – это направление активно развивается, например, в рамках проектов «Умный город», но, к сожалению, в большинстве случаев функционал сводится к штрафам за нарушения ПДД, а сбор полезных данных практически не ведется. Тогда как видеоаналитика может не только считывать номерные знаки, но и определять цвет автомобиля, тип транспортного средства, марку. С точки зрения бизнеса эту информацию можно использовать по аналогии с анализом посетителей. Например, для выявления на улицах города целевой аудитории и показа таргетированной рекламы на билбордах и других цифровых площадках.

Задачи могут быть простыми – например, обнаружение любого объекта в стерильной зоне. Или сложными – детектирование лесного пожара по поднимающемуся дыму на расстоянии в десятки километров, обнаружение человека в опасной для жизни зоне на фоне визуальных помех – работающего оборудования, строительной техники, контроль использования индивидуальных средств защиты – касок, светоотражающих жилетов.

Нейросетевая видеоаналитика может решать и очень сложные задачи. Например, поведенческая аналитика, основанная на определении позы, может быть полезна в системах безопасности банков, магазинов, общественных мест, образовательных учреждений. Она способна детектировать человека в позиции стрелка, сотрудника с поднятыми руками, потенциального взломщика, присевшего на корточки рядом с банкоматом.

Кроме того, видеоаналитика эффективна при решении бизнес-задач, которые требуют монотонного повторения одних и тех же рутинных операций. Например, на производстве это наблюдение за технологическим процессом, контроль качества выпускаемой продукции, сбор информации о рабочем процессе. Также видеоаналитика производит учет и классификацию автомобильного транспорта, подсчитывает посетителей, контролирует длину очередей и решает многие другие задачи.

Видеоаналитика с помощью технологий компьютерного зрения может генерировать автоматические оповещения, выявлять тенденции и закономерности в данных.

Большую часть видео, генерируемого камерами, операторы не в силах просмотреть сами. Видеоаналитика практически замещает оператора-человека, помогает экономить время и ресурс и выдаёт результат, который делает бизнес эффективным.

Видео – это данные, которые теряются, если не поставить на поток их обработку. Для бизнеса математические алгоритмы экономят время и деньги, работая таким образом, чтобы обрабатывать большие объемы информации за кратчайшее время. С помощью анализа видеоконтента можно повышать безопасность (самая простая функция – обнаружение движения), анализировать эффективность маркетинговых акций (подсчёт посетителей и распознавание лиц), улучшать качество обслуживания (детекция очередей) и многое другое.

Когда мы говорим о видеоаналитике, то разделяем аналитику, которая работает с потоковым видео или с записью, а также разделяем аналитику по отраслям, в которых она применяется: ритейл, транспорт, промышленное производство. Для каждой отрасли она решает совершенно разные задачи. Уже стало привычным применение видеоаналитики для задач безопасности (пересечение линии, оставленные предметы). В ритейле видеоаналитика позволяет собирать данные для определения конверсии торговой точки, оценивает наиболее популярные прилавки, к которым чаще подходят покупатели, что позволяет владельцам магазинов оценить рентабельность и определить лучшие точки продаж.

В промышленности видеоаналитика позволяет решать три задачи. Во-первых, это охрана труда. Во-вторых, машинное зрение на конвейере определяет соответствие деталей нужным параметрам, наличие брака. При этом для этих задач необходимо применение камер с высоким разрешением. И третья задача видеоаналитики – охрана периметра, защита от проникновений и хищений.

Определение качества продукции с помощью систем машинного зрения, обеспечение безопасности труда, контроль за соблюдением работниками требований по безопасности, например, использование спецодежды: халатов, касок – очень интересные и быстро развивающиеся рынки.

Но для каждого производства нужно создавать свой алгоритм анализа. Разработка подобных алгоритмов требует немалых финансовых вложений, но в результате применения видеоаналитики значительно повышается качество продукции, что положительно влияет на репутацию производителя, а также появляется больше возможностей для автоматизации производственных процессов и уменьшения числа ошибок из-за исключения человеческого фактора.

Аналитика на транспорте – это определение номеров, фиксация нарушений правил дорожного движения, правил парковки и т.д.

Видеоаналитка также широко применяется для распознавания дыма, камеры позволяют определить начальный момент возгорания, когда дыма еще нет.

Видеоаналитика, которая позиционируется как для бизнеса (не технологическая или ситуационная), не решает задачи, а должна помочь решить их. Ее задача – предоставить некие данные, которые следует передать в систему принятия решения, где, в том числе, частью системы является человек.

Например, в розничной торговле, определяется клиент, который имеет определенные предпочтения, и эта информация передается сотруднику, который должен «принять клиента» – но, это возврат к тому, от чего и планировали уйти.

Для задач сбора данных для маркетинговых исследований мы предоставляем инструменты в виде специального изделия. И в результате его работы заказчик получит статистику о среднем и максимальном количестве посетителей и длительности их пребывания в определенных территориях.

Решения в области видеонаблюдения все чаще рассматриваются в качестве источников новых возможностей для бизнеса. Видеоаналитика играет важную роль в накоплении «умных» данных, способствующих повышению уровня безопасности и эффективности работы компаний, а также снижению их расходов.

Растет число камер видеонаблюдения, подключенных к интернету и использующих интеллектуальные датчики, которые способны собирать больше данных, чем одни лишь изображения с видеокамер. Уровень подключенности к интернету растет с каждым днем наряду с уровнем использования бизнес-аналитики. Важную роль в этом играют технологии анализа видеоданных.

Приведу несколько примеров. Транспорт: интеллектуальная камера с функцией анализа видеоданных может использоваться в качестве датчика для автостоянок. Розничная торговля: повышение качества обслуживания клиентов или сбор бизнес-статистики с подсчетом числа покупателей. Коммерческие и промышленные склады: повышение эффективности бизнеса. Например, состояние погрузочной платформы напрямую влияет на эффективность обработки товаров и материалов. Анализ видеоданных позволяет определить момент отсутствия грузовика на погрузочной платформе.

Есть несколько способов развития систем видеоаналитики. Во-первых, «самосовершенствующиеся» алгоритмы, например, с помощью развёртывания двух свёрточных нейронных сетей, одна из которых проверяет вторую на ошибки. Во-вторых, обучение с подкреплением – нейросеть учится действовать в окружающей среде, выполняя действия и тем самым нарабатывая интуицию, после чего наблюдает результаты своих действий. И наконец, обновление математических алгоритмов непосредственно разработчиками.

Для обучения системы человек ставит задачу, понимая, в каких случаях эта задача будет считаться решенной, проверяет результат, определяет вероятность правильного решения. Таким образом происходит тестирование систем на объектах. При анализе применения видеоаналитики оценивается частота ложных срабатываний, правильных решений и так далее. Сложности в обучении могут быть связаны с тем, что необходимо учесть все параметры возможных событий, после проведения тестирования требуется оценить результат, внести нужные коррективы и снова проводить тестирование. А это – достаточно трудоемкий процесс.

Нейросетевые системы видеоаналитики обучаются на основе паттернов – чем их будет больше и чем больше свойств объекта находит алгоритм, тем более точными будут классификация и распознавание. Это ключевое отличие от стандартных систем видеоаналитики, где загрузка нужных свойств происходит вручную – это трудозатратно, а работа таких систем далеко не всегда эффективна.

Алгоритмическая модель глубокого обучения имеет значительно более сложную архитектуру и работает с бoльшим количеством типов для распознавания. В модели Deep Learning исходный сигнал проходит через несколько слоев обработки, в результате чего алгоритм трансформирует частичное (поверхностный уровень) понимание в общую закономерность (глубокий уровень), на основе которого и воспринимается изучаемый объект. К тому же алгоритмы глубокого обучения постоянно оптимизируются, что позволяет повышать качество и точность распознавания.

Развитие взаимодействия пользователей и их большего вовлечения приводит к увеличению объема данных – формируется Big Data. Именно так создается большое количество материала для качественного обучения, а модели объектов для распознавания становятся более точными.

С точки зрения технологий можно выделить видеоаналитику на камере и аналитику на сервере или их комбинацию. Применение видеоаналитики на камере является трендом, так как на сервере видеоаналитика более дорогая из-за высокой стоимости самих серверов. А возможность применения видеоаналитики на камере в итоге удешевляет систему. Второй тренд в рамках серверной видеоаналитики – это переход к искусственному интеллекту, внедрению самообучающихся алгоритмов. Классическая видеоаналитика, разрабатываемая человеком, очень трудоемкий процесс, но при этом разработчик знает каждый шаг и знает, что нужно исправить, если при отладке что-то работает не так. В случае с искусственным интеллектом нужно предоставить системе большой набор данных для её обучения. В результате система выдает более точный результат, но если обнаруживаются ложные срабатывания, то систему нельзя немного поправить, нужно удалить весь набор данных и начинать все сначала. В будущем, так как алгоритмы искусственного интеллекта совершенствуются, эта технология будет доминировать на рынке, но пока эти родовые болезни необходимо пережить. Мы в компании стараемся сейчас применять обе технологии, с учетом этого развиваем новые чипы.

Для работы видеоаналитики, основанной на искусственных нейронных сетях, обучение необходимо. Более того, обученная в определенных условиях нейросеть в иных условиях не сработает так же хорошо. Наибольшая эффективность достигается при обучении на материалах с конкретного объекта. Основной проблемой в этом случае может быть редкость нужных событий (например, лесной пожар в разных условиях наблюдения) и, соответственно, долгая подготовка обучающей выборки.

Возможно, если она обучаема. Основные проблемы технического характера – недостаточность материалов для обучения, высокие требования к процессорным мощностям. А вот проблемы «человеческого фактора» более серьезны – одни «продают воздух», а другие им верят.

Аналитика, позволяющая не только определить факт события, когда оно уже произошло, но и предсказать событие за некоторое время до его наступления. Для этого требуется, образно выражаясь, понимание происходящего в кадре. Современная видеоаналитика до этого пока не доросла – она может хорошо анализировать сцену, например, определять появление объектов определенного типа – людей, автомобилей, животных. Но анализировать взаимосвязь последовательных событий она пока не умеет. Однако первые системы предиктивной видеоаналитики вполне могут появиться в недалеком будущем.

При этом в более широком смысле под предиктивной видеоаналитикой подразумевается прогнозирование ситуации на основе событий, которые фиксирует видеоаналитика реального времени. Например: появление человека в стерильной зоне вокруг охраняемого периметра – угроза проникновения на объект. В этом смысле любую видеоаналитику, работающую в режиме реального времени, можно условно назвать предиктивной.

Один из примеров предиктивной аналитики – это определение клиента, который в ближайшее время перестанет им быть. И пока этого не произошло, с ним следует провести определенную работу. То есть это прогнозирование или предсказание свершения какого-либо события.

Относится ли это к видеоанализу? Ну, мы слышали заявление о том, что можно, якобы, предсказать «плохое поведение по лицу» – тогда, мы предпочли деликатно отклониться от дальнейшего диалога.

Прежде видеоакамеры позволяли увидеть только то, что уже произошло. Благодаря видеоаналитике появилась возможность рассматривать подозрительных людей или подозрительные ситуации и предотвращать наступление каких-то нежелательных событий. Например, анализ посетителей банка для оценки, нет ли этих людей в розыске, и в случае подозрительного поведения, обращение на них внимания оператора. Видеоаналитика дает некоторый процент ложных тревог, в случае предиктивной видеоаналитики этих тревог будет в разы больше. Поэтому очень важна ее высокая точность.

Хотя большинство видеоаналитических функций – предиктивные. Взять, например, подсчет посетителей в магазине: большое число посетителей на входе предполагает, что через некоторое время нужно будет открыть дополнительные кассы. Анализ погодных условий позволяет предположить уменьшение посещаемости магазина в хорошую погоду в конце недели или ее увеличение в дождливый холодный день. Так же погожий день в конце недели предполагает увеличение потока машин за город, что позволяет учесть это при программировании зеленых зон. В случае бесцельного хождения человека на парковке можно предположить, что его поведение является подозрительным и подать об этом сигнал оператору. Это и является предиктивной видеоаналитикой, так как еще никакие события не произошли.

Есть еще один тренд предиктивной видеоаналитики – применение ее вместе с сетевым аудио. В случае обнаружения подозрительных людей подключается звуковое предупреждение. Если посетитель магазина очень долго задерживается у какого-то прилавка, может подаваться звуковое предупреждение, что к нему направляется менеджер магазина, чтобы помочь с выбором и покупкой. Или звуковое предупреждение у банкомата, если кто-то пытается подсмотреть пин-код чужой карты.

Предиктивная или прогнозная аналитика – это форма аналитики, которая использует как новые, так и исторические данные для прогнозирования будущих инцидентов, поведения людей и тенденций. Например, в ритейле прогноз может быть применён для анализа и предсказания поведения покупателей.

Система распознавания лиц – это тоже часть предсказательной аналитики: когда в базе данных содержится «чёрный список», система пришлёт уведомление о появлении нежелательного лица в магазине ещё до того, как он совершит противоправные действия. Такая видеоаналитика может улучшить безопасность любой точки продаж.

На следующих этапах ПО для анализа видеоданных должно научиться интерпретировать поведение людей. Это подразумевает дальнейшее углубленное обучение алгоритмов. Искусственный интеллект — еще одна технология, которая будет использоваться для решения пока нерешенных проблем. Хорошим примером является распознавание лиц (например, в аэропортах). Распознавание лиц без использования искусственного интеллекта затруднено в ситуациях так называемого «пассивного распознавания лиц». «Пассивное распознавание» означает, что опознаваемый человек не обязательно знает о наличии камеры и не смотрит непосредственно в нее. Программные решения для распознавания лиц на основе искусственного интеллекта (ИИ) могут использоваться для поиска и опознавания пропавших или находящихся в розыске людей или объектов в толпе, опознавания VIP-персон, а также для повышения качества обслуживания за счет предоставления специальных предложений и услуг, а также прямого обращения к клиентам.

Если используется система видеоаналитики, в которой изображению человека присваивается идентификатор, необходимо получить лицензию на обработку персональных данных. Правда, если идентификаторы обезличены (скажем, Ч1 — «человек-1», Ч2 — «человек-2»), это не требуется.

Сбор информации в системах видеоаналитики аналогичен процедуре использования данных пользователя в мобильном приложении любого ритейлера.

В случае с распознаванием лиц «хэш лицо» некоего субъекта N к персональным данным не относится: его фиксацию никакие юридические нормы не ограничивают. Главное, в такой хэш не записывать имя и фамилию – в ином случае требуется консультация с юристами.

Технологии, встроенные в камеры, позволяют соблюдать законодательство и передавать в архив и оператору видеонаблюдения такое изображение, чтобы не было возможности идентификации. Для этого можно применять технологию маскирования, при которой будут видны некие объекты и их перемещения без каких-либо деталей, а идентификация осуществляться не будет. Или, например, можно применять маскирование в случае применения видеоаналитики в больнице для наблюдения за больным.

Наша основная задача как разработчика – создать качественное решение в соответствии с запросами рынка. Ряд видов аналитики при использовании и в сочетании с обработкой персональных данных людей подпадают под действие Федерального закона №152 «О персональных данных». Задачу по сохранности этих данных должна выполнять непосредственно эксплуатирующая сторона, она же несет ответственность за некорректное использование или утерю данных. Например, если в офисе устанавливается система контроля доступа с распознаванием лица или по отпечатку пальца, то обязанность работодателя – предупредить об этом сотрудника и подписать с ним соответствующее соглашение, в котором сотрудник дает согласие на сбор и обработку своих персональных данных, а работодатель обязуется их хранить.

Уважающие себя разработчики таких систем хранят в своих базах данных только векторы, поэтому проблемы с законом могут возникнуть, если серверы БД находятся не под юрисдикцией РФ. Предприятия, которые используют системы контроля доступа на базе биометрии, вынуждают сотрудников подписывать соответствующие соглашения – так что, формально все по закону.

Общий тренд применения видеоаналитики – это сокращение затрат за счет уменьшения необходимого количества сотрудников и повышение качества за счет автоматизации некоторых процессов. Ведь человек не может долго удерживать внимание и, например, в случае работы оператора с большим числом мониторов только благодаря видеоаналитике он может фиксировать определенные события.

ритейле видеоаналитика применяется пока гораздо чаще, так как проще доказать ее эффективность, легко подсчитать возможную прибыль. Можно показать проходимость на каждом этаже магазина и проанализировать условия, влияющие на продажи. Можно планировать эффективные рекламные акции, учитывать места размещения товара, погодные условия. При этом легко считается конверсия и дается развернутый отчет по всем признакам. Возможно, что расширение этих возможностей будет одним из трендов.

Отношение к видеонаблюдению как к статье расхода (видеонаблюдение как необходимое зло) постепенно сменяется отношением к этим системам как к инструментам получения прибыли. Чтобы выбрать верное направление для бизнеса, клиентам необходима индивидуальная и уникальная информация. В результате повышается спрос на специализированные приложения, которые могут устанавливаться в видеокамерах с целью создания добавочной стоимости.

Сильно фрагментированный рынок непривлекателен для разработчиков ПО, способных создавать новые бизнес-модели (программные решения). Беспрепятственная интеграция таких запатентованных решений остается нерешенной проблемой, и реальные инновации внедряются медленно. Если мы действительно хотим бросить вызов проблемам будущего, нам необходимо объединить усилия и освободить инженерные ресурсы для обеспечения инвестиций в инновации. С этой целью был создан Открытый альянс безопасности (Open Security & Safety Alliance).

Тренд сегодняшнего дня – отсутствие единой терминологии в видеонаблюдении, обесценивание работы специалистов в области безопасности. Снижение уровня квалификации инженерного состава.

Прогнозы: по нашему мнению есть надежды на прорыв в области квантового компьютера и квантовой связи, за чем последует прорыв и в разработках видеоанализа.

До сих пор видеоаналитика рассматривалась как средство для получения информации об уже свершившихся инцидентах. Однако с появлением нейросетевых технологий и их дальнейшим развитием будет разрабатываться все больше решений по ситуационному анализу, которые смогут прогнозировать те или иные события и явления. Другими словами, будет происходить трансформация видеоконтента в информативные данные.

Массовое распространение сетей передачи данных нового поколения, увеличение их пропускной способности позволят усовершенствовать проекты «умных городов», внедрить IoT-решения не только на уровне отдельного дома, но и целого мегаполиса. С развитием аппаратной части будет повышаться доступность анализа данных не только на стационарных камерах, но и с помощью портативных устройств – носимые видеорегистраторы, смартфоны и т.д. Уже сейчас появляются сервисы с функцией идентификации пользователя по лицу. В дальнейшем количество подобных сервисов на рынке будет увеличиваться.

Основной тренд и ближайший прогноз – все большая автоматизация рутинных операций (в том числе работы операторов видеонаблюдения) и появление средств контроля сложных технологических процессов с участием людей. Например, контроль правильности сборки человеком сложных изделий. А через несколько лет уже могут появиться первые системы с искусственным интеллектом, способные «понять» логику происходящего в поле зрения камер. И тогда системы видеонаблюдения смогут стать действительно умным инструментом обнаружения правонарушений в реальном времени, и, возможно, даже их предсказания.

Искусственный интеллект будет все больше развиваться, шире применяться в видеокамерах, увеличится их производительность. Расширится применение сетевого аудио. Все идет к тому, что видеоаналитика будет определять любые объекты, получая о них самую полную информацию. Над этой аналитикой будет строиться некий логический слой, задача которого – обрабатывать эту информацию, анализировать её и делать какие-то выводы, то есть видеоаналитика будет делать то же самое, что сейчас делает оператор.

И через 5, и через 30 лет видеоаналитика будет отвечать за единый фронт работ по автоматизации обработки информации, чтобы снизить влияние человеческого фактора. Человек на основе данных алгоритмов будет принимать уже стратегические, а не тактические решения. И чем больше будет данных, тем лучше люди смогу действовать, при этом каждое решение будет иметь логическое общедоступное обоснование, почему оно правильно и необходимо.