Трагические ошибки при выборе системы видеоаналитики: как видеонаблюдение маскируют под «ИИ»

Основная статья: Видеоаналитика (термины, сферы применения, технологии)

Эта история родилась не из желания «поругаться с рынком». Скорее — из десятков разговоров в кулуарах конференций и проектов, куда нас звали уже после того, как деньги потрачены, сроки сгорели, а виноватым назначили самого удобного человека.

Да, это крик души: я слишком часто вижу, как подменяют понятия — обычное «видеонаблюдение» продают как «видеоаналитику», а маркетинг становится настолько смелым, что последствия для заказчика бывают не только финансовыми, но и уголовными.

Почему так происходит? Потому что заказчик часто не обязан разбираться в нюансах. А вот продавец — обязан. И когда производитель классического видеонаблюдения (даже сильный и заслуженный в своей нише) начинает «доклеивать интеллект скотчем», рождается ложное ожидание: мол, «камеры сами всё поймут, сами дообучатся».«Диасофт» и «Центр «РИС» подтвердили безопасность решения Digital Q.ERP 12.2 т

Спойлер: нет. Это как поставить на машину дополнительные колёса «для улучшения езды» — добавится вес, усложнится управление, а ехать лучше не станет. Ниже — пять историй, которые наглядно показывают, чем заканчивается подмена понятий «видеонаблюдение» = «видеоаналитика».

История № 1. Самообучение, которое случится… ровно после окончания гарантии

Ситуация простая: службе безопасности в индустрии гостеприимства нужно детектировать людей, пересекающих забор.

Что продают: известная компания «А» вместе со своей системой видеонаблюдения предлагает «нейросетевую видеоаналитику». На практике — детекторы «со стороны», постоянного R&D нет, концепция «коробка без дообучения». Но на встрече звучит легенда: «детекторы самообучающиеся — подождите год, и они научатся отличать человека от коряги». Заказчик ждёт уже больше полугода, но чуда так и нет.

Проблема не в том, что «нейросети плохие». Проблема в том, что «самообучение на объекте» без работы с данными — это миф, а не план.

Итог предсказуем: разочарование в технологии и токсичный шлейф — но уже не для «А», а для «всей видеоаналитики» как класса.

История № 2. «Умные камеры», дешёвые лицензии — и год потерян: как похоронить проект ОТиТБ

Эта история особенно обидная. Потому что начиналась правильно: служба ОТиТБ крупной добывающей компании — мы провели пресейл, показали референсы, был заложен бюджет. А дальше заказчик пропадает на год и возвращается уже с другим внедрением: вместо специализированной видеоаналитики — система видеонаблюдения той же компании «А». Партнёр и пресейл «убедили не тратиться»: возьмите «умные камеры» и «недорогие лицензии» на видеоаналитику.

Почему не взлетело:

• «умные камеры» не вытянули нужную точность,
• детекторов оказалось мало,
• дообучали через фрилансеров (где-то получилось, где-то — как обычно),
• и в финале прозвучал приговор: «на нейросетях так нельзя; нужны большие датасеты; технология ограниченная».

То есть проблему реализации аккуратно выдали за «ограничение технологии». Ключевой факт в том, что успех видеоаналитики чаще упирается в архитектуры, процессы MLOps и датасеты — поэтому и важно работать со специализированными командами, а не с «купи-продай».

Финал: бюджет на камеры и лицензии потрачен, серверов под полноценную аналитику не купили, «умные камеры» до актуальных нейросетей не прокачать — и проект приходится «спасать» уже с плохими вводными.

История № 3. Вендор сказал «поставим в план на 2026», а крайним стал заказчик

Небольшая производственная компания хочет автоматизировать контроль попадания в опасные зоны. Выбрали систему видеонаблюдения производителя «Б».

И тут выясняется первая неприятная деталь: кастомизация интерфейса и отчётов не делается. Ответ вендора звучит почти как мем: «поставим в план разработки на 2026; ускорим, если будет ещё несколько таких запросов».

Вторая — хуже: логика попадания в опасную зону примитивная. «Попадание» считали по середине bounding box в нарисованной области. Камера стоит под углом — геометрия врёт — срабатывания некорректные.

Третья — финальная: некому чинить. У производителя «Б» нет data science подразделения; алгоритм делали временные сотрудники «несколько лет назад». Доработка невозможна, кроме как «поставить камеры в надир».

И как это подают? Вендор не признаёт ошибку, давит на дозакупку камер и говорит: «мы ведущая компания видеонаблюдения, у всех так работает».

Финал — самый болезненный: проект закрыт как неудачный, ответственного со стороны заказчика увольняют.

История № 4. «Секретное подразделение» и тень УК: как сказка превращается в протокол

Госкомпания из ВПК внедряет комплекс ОТиТБ, включая видеоаналитику. Наше предложение отклоняют как «дорогое» и берут популярного за Уралом производителя промышленного видеонаблюдения — компанию «В».

«В» продают красиво: «подразделение по нейросетям есть, но оно засекречено, потому что ВПК», «невероятные разработки»… Ирония в том, что в рекламном ролике «В» на экране можно заметить графику YOLO.

Чем закончилось: часть проекта по видеоаналитике завалили, у участников истории замаячил риск юридических последствий. Сейчас, с отставанием примерно в полтора года, товарищи пытаются реализовать обещанное.

История №5. 100 детекторов по цене кофе: почему «дешево» почти всегда значит «не будет работать»

Самый коварный кейс — потому что формально никто не соврал.

Компания «Г» продвигает свою аналитику через сайт: на главной — «более сотни детекторов», ниже таблица с названиями и ценой. Цена смешная — пара тысяч рублей за детектор.

Заказчик думает: «ну отлично», покупает, подключает, запускает… и видит, что оно «работает» ровно настолько, чтобы нельзя было положиться на это в реальном процессе. А потом выясняется, что есть документация. Подробная. С нюансами. Мелким плотным шрифтом, который, конечно, никто не читал (особенно после «берите, потом настроите»). И там честно написано: нужен определённый ракурс, освещение, расположение в кадре. Например, человек в СИЗ корректно детектится только если полностью виден и стоит вертикально: сел — не видит, нагнулся — не видит, перекрылся — не видит.

Формально — всё честно. Фактически — заказчик ожидал рабочий инструмент, а получил алгоритм для лабораторных условий.

Что объединяет все эти истории (и где вас разводят чаще всего)?

Если отбросить буквы вместо брендов, логика везде одна и та же: видеоаналитику продают как дешёвую надстройку и набор галочек, а заказчик покупает её как рабочее решение, которому можно доверять в инциденте, проверке или расследовании. Между этими ожиданиями — пропасть.

И дальше включается повторяющийся сценарий:

• обещают то, чего сейчас нет, надеясь «доработать по ходу проекта»;
• продают «коробку» без процессинга данных и дообучения;
• ограничения реализации называют «ограничениями технологии»;
• прикрываются «20 лет на рынке видеонаблюдения», как будто это автоматически делает лидером в видеоаналитике.

Отдельно болит ещё одна категория — «студенческие» стартапы с MVP, которые искренне верят, что доведут продукт до тиража «за еду», а заказчик остаётся с неподдерживаемой системой.

Как не попасться: вопросы, которые сильнее любой презентации

Если хотите быстро отличить «видеонаблюдение с наклейкой ИИ» от видеоаналитики, попросите у вендора не слайды, а ответы и доказательства: метрики качества на ваших сценариях, план пилота с критериями приёмки, описание процесса дообучения, ограничения по камерам и ракурсам, кто и как делает R&D, и что с интеграциями и кастомными отчётами (со сроками и ответственностью, а не «в планах на 2026»).

P.S. Немного неудобной правды про пилоты

Скажу вещь, которая многим не нравится, но лучше услышать её до, а не после проекта: зрелые компании, которые профессионально занимаются видеоаналитикой, уже не делают бесплатные пилоты.

Потому что пилот — это инженеры, data science, разметка, инфраструктура и ответственность за результат. Максимум «бесплатного», что можно получить у зрелого вендора — прогон ваших видео и демонстрацию того что «видит» система (доступ к облачной демо-версии, куда можно подключить поток или загрузить запись); показ работы детекторов без обещаний результата на вашем объекте.

А вот «бесплатные пилоты под ключ» чаще предлагают те, кто надеется доделать продукт по ходу проекта. Иногда из этого вырастают хорошие решения. Но чаще заказчик становится полигоном для обучения, а не получателем готового продукта.

Авторская колонка Василия Долгова