Почему проекты систем видеоаналитики часто не доходят до реализации

Примеры нереализованных проектов и причины отрицательного результата. Концептуальное знакомство с технологией. Успешно реализованные кейсы и пути развития

У простых обывателей термин «видеоаналитика» ассоциируется с фантастическими рисунками из фильмов наподобие сканирования человека роботом-терминатором для сопоставления с размерами собственного тела и мгновенного определения, подходит ли его одежда. На самом же деле этот термин имеет куда более обширное понимание. Предлагаем подробнее рассмотреть, какие возможности есть у технологии и каким образом происходит разделение вымысла и реальности.

Возможности технологии видеоаналитики могут быть весьма искажены по причине завышенного ожидания клиентов и некорректных действий работников организаций, предоставляющих услуги с помощью такой технологии. Для рекламы своих услуг поставщики стараются удивлять потенциальных заказчиков «экзотическими» решениями, утверждая, что анализ видеоматериала искусственным интеллектом — это нечто нереальное, на что сами люди не способны. Но в действительности видеокамеры не видят больше, чем простой человеческий глаз. К тому же благодаря врожденной интуиции люди разбираются в ситуации более качественно и быстро, нежели нейросеть сервиса видеоаналитики.

По этой причине многие проекты так и не могут быть реализованы. Расхождение ожиданий и действительности обусловлены тремя основными причинами: нереальностью проектов, экономической необоснованностью или организационными проблемами.

Нереальность требований заказчиков

Проблемы видеоаналитики могут возникать вследствие недостаточной подготовки клиента, неадекватных восприятий уже выполненных кейсов и слабого понимания работы самой технологии. Примеры проектов системы видеоаналитики, не реализованные из-за нереальности требований:

• Крупное предприятие желает выявить работников, ворующих продукцию. Заказчик считает, будто промышленная видеоаналитика работает как рентген и может определить ворованные вещи, спрятанные под одеждой человека.
• Распознавание конфликтной ситуации.Искусственный интеллект не способен распознавать эмоции субъектов, поэтому система не сможет отличить веселое общение двух друзей и драку между двумя хулиганами.
• Сортировка мусора и металлического лома. Чтобы идентифицировать эти предметы, нужно знать описание их свойств и упаковки, что может только человек.

Дороговизна реализации

Нередко бывает так, что требования и данные для видеоаналитики вполне реальные, но на реализацию проекта нужны огромные расходы. Причиной может быть необходимость покупки дорогостоящего оборудования, проработка множества сценариев. Бывают ситуации, когда бюджет проекта видеоаналитики на распознавание лиц по ГОСТ или другого заказа вполне подъемный, но выгоднее поручить задачу простому сотруднику.

Примеры проектов с дорогой реализацией:

• Осуществление дефектоскопии лопастей вертолета во время полета: установка нескольких камер, рассчитанных на эксплуатацию с тяжелых условиях, и их постоянная замена обходится куда дороже, чем содержание штатного инженера по качеству.
• Подсчет общего количества и числа забитых животных на крупной ферме. Для реализации проекта нужно устанавливать несколько десятков передвижных камер — ручной подсчет куда проще и дешевле.

Наличие организационных проблем

В этом случае кейсы также теоретически реализуемы, но не завершаются по причине организационной нестыковки. Примеры проектов:

• Компания, изготавливающая спецодежду, желает добиться снижения издержек в продажах из-за несоответствия размера при заказе крупной партии. Для этого перед пошивом партии требуется делать прогон рабочих без верхней одежды перед системой видеоаналитики и обзора, чтобы определить необходимое количество костюмов разных размеров. На это не способны пойти как работники, так и заказчик.
• Контроль рабочей дисциплины. Руководитель фирмы хочет знать, как его сотрудники перемещаются по офису. Для видеоаналитики распознавание лиц является простой задачей, но камеры видеонаблюдения не могут обеспечить нужные ракурсы. А перевешивать камеры служба безопасности категорически не согласна.
• Контроль вывоза ТБО. Для реализации проекта необходимо проработать системы наблюдения для отслеживания несанкционированных свалок и анализировать блокировку припаркованными автомобилями контейнеров ТБО. Из-за бюрократических проволочек заказчик не пожелает внедрять подготовленную наработку.

Чтобы успешно завершать проекты, важно также понимать внутреннее строение систем видеоанализа, знать разницу между простым видеонаблюдением и технологией видеоаналитики.

Интеллектуальная видеоаналитика является довольно простой технологией. Системы работают по четко написанному алгоритму, указывающему нейростети, что ей делать. При анализе видепотока искусственный интеллект извлекает необходимую информацию и понятные метрики, позволяющие сформировать сценарий возможных действий. Трудности могут возникать при сложности действий и большом количестве вариаций.

Существуют разные методы видеоаналитики:

• Сопоставление с эталоном. Самый простой вариант. Примером служит видеоаналитика в видеонаблюдении для распознавания лиц. Фото с сотнями точек помогает сравнивать полученную модель с эталоном в базе данных.
• Поиск аномалий. Более сложные методы. К примеру, если искусственный интеллект видеоаналитики может легко определить наличие каски на человеке по округлой верхней части головы, то когда субъект наклонится, то нейросети куда сложнее распознавать средство защиты работника. Для реализации проекта нужно вручную отрисовывать сотни или даже тысячи кадров и скармливать их ИИ.

Первым результативным примером применения технологии является распознавание текстов. Это классика видеоаналитики. Такие проекты обладают надежностью работы благодаря малому количеству вариаций. Кириллица в основном состоит из 33 букв и 10 цифр, которые одинаково хорошо распознаются под любыми ракурсами.

Следующим примером использования видеоаналитики — презентация биометрии. ИИ помогает распознавать лица, отпечатки пальцев, радужную оболочку глаза и пр. В данном случае нейросети работают по более сложным алгоритмам, при этом логика действий является вполне понятной и предсказуемой. Системы работают надежно, широко применяются в различных направлениях: система контроля доступа, домофон, идентификация на таможне и т. д. Также к примерам можно отнести систему видеоаналитики для подсчета посетителей в ресторане.

Довольно простыми, но весьма распространенными считаются системы распознания предметов (средств индивидуальной защиты, бревен или труб на прицепах тягачей, самосвалов на карьерах и др.).

Весьма полезными и распространенными считаются системы, предусматривающие анализ процессов с четкой последовательностью действий (action recognition). К примеру, ИИ может осуществлять анализ упаковки тортов с появлением десерта, установкой на основание, накрытием крышкой, завязыванием. Более сложный пример реализации action recognition — анализ целой череды последовательных действий в спорте. Это позволяет выявлять комбинации, чаще всего приводящие к успеху.

Как можно заметить, большинство незавершенных проектов систем видеоаналитики считаются вполне реальными, но не были осуществлены по причине дороговизны материалов и ресурсов. Но как показывает практика, со временем дорогие технологии становятся более доступными.

По мнению специалистов, системы видеоанализа продолжат активно развиваться и совершенствоваться, и даже самые фантастические сегодня проекты в будущем могут стать реальными. Ведь пути развития технологии понятны и логичны уже сейчас. Главное — продолжать новые исследования и изыскания, проверять гипотезы на практике, даже если будут получены отрицательные результаты.Ведь как известно, учатся именно на ошибках.