ИИ в системах безопасности и видеонаблюдения: умные камеры, распознавание лиц и предиктивная охрана

Среднестатистическая система видеонаблюдения: 50 камер, один охранник смотрит в монитор. Физически невозможно одновременно отслеживать 50 потоков. Человек замечает 10–15% важных событий. AI-система замечает всё — и алертит охранника только когда действительно что-то происходит.

Кейс 1. Avigilon (Motorola) — интеллектуальное видеонаблюдение

Инструменты

• Avigilon Control Center с AI-аналитикой
• CV: обнаружение людей, транспортных средств, оставленных предметов
• Facial Recognition: биометрический доступ и поиск лиц
• Unusual Motion Detection: ML выявляет нетипичное поведение
• Search: поиск по видеоархиву («найди человека в красной куртке во вторник»)

Что происходит

Торговый центр, 200 камер. Традиционно: охранник смотрит на мозаику из 16 камер. Avigilon AI: автоматически анализирует все 200 потоков, алертит охранника только при событиях: человек упал, оставлен предмет в зоне запрета, толпа собралась нетипично быстро, зафиксировано лицо из стоп-листа.

Поиск по видеоархиву: «найди того же человека на всех камерах вчера с 14:00 до 18:00» — традиционно часы работы оператора. AI — минуты.

Необычное поведение: ML знает «нормальное» поведение в этой зоне. Человек ходит кругами у банкомата последние 45 минут → аномалия → алерт.

Результаты

• Процент важных событий, не пропущенных охраной: рост с ~15% до ~85%
• Время реагирования на инцидент: снижение с ~8 минут до ~2 минут
• Avigilon: >500 000 камер с AI-аналитикой по всему миру
• ROI для торгового центра: снижение краж на ~30–40%, сокращение персонала охраны при той же эффективности

Кейс 2. Система «Безопасный город» в России — AI и умный город

Инструменты

• Распознавание лиц и автомобильных номеров (РСОБ)
• Интеграция с базами МВД
• ML-анализ поведенческих паттернов в толпе
• Предиктивное патрулирование: AI предсказывает места потенциальных правонарушений

Что происходит

Москва — один из мировых лидеров по плотности камер видеонаблюдения с AI. Система распознавания лиц: в реальном времени сверяет лица из видеопотоков с базами разыскиваемых лиц. С 2019 года: задержано >10 000 человек** по горячим следам через систему.

Предиктивное патрулирование: ML анализирует исторические данные о правонарушениях по времени, месту, дню недели — и рекомендует патрульным маршруты. Аналог PredPol (США).

Распознавание автомобильных номеров: каждый автомобиль отслеживается по всем камерам в городе. Угнанный автомобиль → система автоматически алертит ближайший патруль.

Результаты

• Раскрываемость преступлений в Москве: рост на ~15% после внедрения видеоаналитики
• Задержанных через распознавание лиц: >10 000 с 2019 года
• Время реагирования на ДТП: снижение на ~30% (система видит и алертит сразу)

Кейс 3. Privacy vs Security — главная дискуссия

Этические вопросы

Массовое распознавание лиц — самая спорная технология AI:

Аргументы «за»:

• Снижение преступности в публичных пространствах
• Быстрый поиск пропавших людей
• Идентификация террористов

Аргументы «против»:

• Наблюдение за всеми, а не только преступниками (презумпция невиновности)
• Ошибки алгоритма (особенно для меньшинств) → ложные аресты
• Сдерживающий эффект на свободу собраний и выражений

Как разные страны решают:

• ЕС: GDPR + предложение о регулировании AI ограничивают применение в публичных пространствах
• США: разные штаты — противоположные решения (Сан-Франциско запретил, другие активно применяют)
• Россия и Китай: широкое применение без значимых ограничений

Для бизнеса: применение биометрии требует информированного согласия и соответствия 152-ФЗ в России. Нарушения ведут к штрафам и репутационным рискам.

Источники: Avigilon product documentation, Московская городская видеонаблюдательная система (ДИТ Москвы), NIST Facial Recognition Accuracy Report, EDRi «Biometrics in Public Spaces».