AI-аналитика видео в онлайн-обучении 2026: вовлечённость, соответствие стандартам и цена

Почему этот гид написала Фора Софт

Мы занимаемся видеосвязанным ПО с 2005 года. Более 625 продуктов, 21 год работы с видео в реальном времени и искусственным интеллектом — наша специализация снова и снова сводится к одному треугольнику: видеостриминг, компьютерное зрение и машинное обучение. Направление EdTech — виртуальные классы, интерактивные платформы для лекций, AI-репетиторы, инструменты прокторинга — это то место, где аналитика вовлечённости работает на практике, а не только в презентациях.

Несколько примеров из нашей практики в e-learning: виртуальный класс BrainCert (WebRTC, SOC 2 + ISO 27001, миллионы учащихся); Scholarly в Азиатско-Тихоокеанском регионе (15 000+ активных пользователей, занятия с 2 000 одновременных участников, признан AWS самым инновационным EdTech-стартапом APAC); AI-платформа для коучинга Career Point, разработанная совместно с Оксфордским университетом, которая привлекла 105 млн ₽ после запуска. В каждый из этих проектов мы внедрили аналитику внимания, автоматические субтитры, рекомендательные системы и тепловые карты по группам — поэтому эта статья — концентрат того, что действительно работает.

AI мы активно используем и на собственной инженерной стороне (Agent Engineering) — поэтому наши цифры ниже среднего по рынку. Реальные диапазоны укажем честно; там, где не уверены, гадать не будем.

Что AI-видеоаналитика в онлайн-обучении делает на самом деле

Уберите маркетинг — и технология решает три задачи. Распознать: кто смотрит на экран, кто отвёл взгляд, кто только что зевнул, кто переключил вкладку. Спрогнозировать: кто из студентов рискует отчислением, какие моменты занятия теряют внимание группы, какая группа запуталась. Запустить действие: отправить преподавателю подсказку, показать корректирующий ролик, изменить темп, отметить студента для личного контакта.

Входные данные обычные: видео с веб-камеры, доступ к которой студент уже предоставляет на занятии, видео самой лекции и кликстрим из LMS. На выходе — небольшой набор сигналов (оценка вовлечённости, кривая внимания, точки отвала, аномальные события), на которые преподаватели, методисты или адаптивные системы могут реально отреагировать.

Четыре семейства сигналов, которые стоит собирать

1. Направление взгляда и поворот головы. Куда смотрят глаза? Голова отворачивается? Это самый надёжный и легко интерпретируемый признак вовлечённости — мы видим поведение, а не пытаемся угадать внутреннее состояние. MediaPipe Iris и Face Mesh работают на 30 кадров в секунду на обычном процессоре и дают качественные данные без обращения к облаку.

2. Присутствие и движение. Студент на месте? В кадре появился другой человек? Студент ушёл на пять минут? Частота моргания — признак усталости. Кивки головой — ритмичная подсказка. Эти сигналы легко подсчитать и почти не связаны с регуляторными рисками.

3. Аналитика видео лекции. На какой минуте большинство студентов перематывают назад? Где они уходят? Какой тест идёт после какого клипа? Это самый недооценённый сигнал — он привязан к контенту, а не к биометрии конкретного человека, поэтому почти не создаёт регуляторной нагрузки.

4. Видимое выражение лица (осторожно). Распознавание улыбки, удивления, замешательства. В EU AI Act это граница между «распознаванием явно выраженной мимики» (разрешено) и «выведением эмоционального состояния» (запрещено в образовании). Собирайте данные минимально, размечайте аккуратно и никогда не используйте этот сигнал для принятия решений, влияющих на оценку или доступ студента.

Цифры, которые спросит совет директоров

В этой продуктовой нише пересекаются два быстро растущих рынка — бизнес-обоснование получается без излишних допущений.

Рынок ИИ в образовании, по прогнозу The Business Research Company, вырастет с 517 млрд ₽ (2025) до 3 трлн ₽ (2030) — CAGR 42,83%. Смежный рынок ИИ-видеоаналитики, по данным MarketResearchFuture, увеличится с 650 млрд ₽ (2025) до 3,4 трлн ₽ (2034) при CAGR 20,52%. С какой бы стороны ни подходить, базовый спрос остаётся неизменным: учащимся нужно качественное видео, учебным заведениям — измеримые результаты, а ни то, ни другое невозможно масштабировать без автоматической аналитики.

Боль, которую закрывает аналитика, — конкретная. Средняя завершаемость онлайн-курса составляет 12–15%, что хуже, чем в очном формате (LearnStream, 2025). Первые две недели — самые важные: после них разница в вовлечённости между теми, кто дойдёт до конца, и теми, кто бросит курс, сокращается до менее чем 3%. Любая интервенция позже этого срока уже мало что изменит. При этом учебные заведения, у которых данные о вовлечённости уже есть, с трудом превращают их в реальные решения: 72% сталкиваются с фрагментацией данных между LMS, видеоплатформой и SIS (EDUCAUSE, 2025).

Когда аналитика встроена в рабочий процесс, результат не заставляет себя ждать. edX сообщил о снижении отчислений на 35% благодаря поведенческой аналитике; Coursera зафиксировал рост вовлечённости на 47% после внедрения персонального трекинга. Часто упоминаемая отраслевая цифра — 3–5 рублей возврата на каждый вложенный рубль в AI-видеоаналитику. По опубликованным кейсам Фора Софт и партнёров, 60% учебных заведений окупают первоначальные инвестиции за 18 месяцев. Эти цифры реальны, но только при условии, что преподаватели регулярно анализируют полученные данные — дашборд, который никто не открывает, бесполезен.

Эталонный пайплайн: от кадра с веб-камеры до дашборда в LMS

Каждая рабочая система аналитики вовлечённости, которую мы выпустили, устроена примерно одинаково. Пять этапов, каждый из которых можно заменить; разделение между edge и облаком — самое важное архитектурное решение.

Правило, которое мы применяем по умолчанию: сырые биометрические кадры никогда не покидают устройство студента. Этапы 1–3 выполняются на устройстве; за пределы передаются только агрегированные оценки. Уже это снижает основные риски по GDPR, FERPA и BIPA и уменьшает облачные расходы более чем на 80% по сравнению с отправкой каждого кадра в AWS Rekognition или Azure Video Indexer.

Сравнение стека: open-source против облачных API против специализированных вендоров

Большинство команд, с которыми мы общаемся, переоценивают облачные API, потому что их легко подключить за выходные. Математика настигает их примерно к 20-тысячной минуте обработанного видео. Вот как три уровня выглядят в реальных ценах и возможностях 2026 года.

Четыре стратегии вовлечённости, которые реально повышают завершаемость

Каждый продукт AI-видеоаналитики, который мы выпускали, рано или поздно сводился к четырём основным стратегиям. То, что эффектно смотрелось в демонстрациях, но не работало с реальными учащимися, мы отбросили.

Стратегия 1 — Подсказки внимания в реальном времени

Как работает. Взгляд и поворот головы на устройстве передают данные в скользящее окно. Когда внимание студента падает ниже установленного порога — например, N минут подряд — приложение мягко напоминает: «Вы ещё с нами?» или предлагает короткий мини-тест, чтобы вернуть вовлечённость без упрёков. Все данные остаются на устройстве; в логи попадают только обобщённые события.

Чего избегаем. Публичных дашбордов с оценками преподавателей, всплывающих во время занятия сообщений вроде «вы выглядите скучающим» и всего, что связано с распознаванием эмоций. Подсказки должны восприниматься как помощь, а не контроль.

Стратегия 2 — Анализ контента при отвале пользователей

Как работает. Фиксируйте посекундное удержание внимания, перемотки вперёд и назад по каждому видео лекции для всей группы; стройте тепловую карту поверх таймлайна. Методист видит, что 40% студентов перематывают момент на 7:20 минуте, и переписывает или разбивает этот фрагмент. Биометрии нет — это чистая аналитика VOD.

Почему выигрывает. Это самая недооценённая интервенция. Она меняет контент, а не студента — эффект структурный и накапливается со временем. При этом она не зависит от вовлечённости пользователей. Мы внедряем её в первую очередь в каждом новом проекте LMS.

Стратегия 3 — Выявление учащихся в зоне риска

Как работает. Объедините оценку вовлечённости, результаты тестов, частоту входов и шаблон поздних сдач в градиентно-бустинговую модель, которая определяет студентов, которые с высокой вероятностью откажутся от курса в ближайшие 14 дней. Уведомления направляются преподавателю, а не студенту — решение о контакте принимает человек.

Что заставляет это работать. Модель — всего лишь посредник; ключевое действие — это звонок человека или пересмотр учебного плана. Учебные заведения, которые используют систему как дашборд без активной работы, не добиваются прогресса; те, кто еженедельно направляет сигналы кураторам, достигают уровня edX по снижению отчислений — на 35%.

Стратегия 4 — Адаптивный темп подачи контента (продвинутая)

Как работает. Короткий цикл адаптации: если вовлечённость когорты падает ниже порога в первую минуту нового материала, показываем закрепляющий ролик или даём вспомогательный тест; если вовлечённость высокая и тесты подтверждают, что материал усвоен, этап закрепления пропускаем. Такой подход требует интеллектуального слоя репетиторства и хорошо выстроенного контента.

Осторожно. У этой стратегии самый высокий регуляторный риск, потому что вывод AI меняет то, что видит студент. Никогда не применяйте автоматические наказания; не блокируйте сертификаты на основе уровня вовлечённости; всегда оставляйте преподавателя в курсе решений, влияющих на оценки.

Комплаенс: закон, который не пропатчишь в 14-м спринте

Каждый основатель, с которым мы встречаемся, рано или поздно задаёт один и тот же вопрос: «можно ведь добавить согласие потом?» Честный ответ — нет. Пять регуляторных рамок наиболее опасны для аналитики вовлечённости, и архитектурные решения, которые им удовлетворяют, принимаются на первой неделе.

FERPA (США, школы и вузы)

Геометрия лица и оценки вовлечённости, связанные с ID студента, — это образовательные данные. Школы могут собирать их самостоятельно; вендорам требуется Data Processing Agreement или статус «школьного должностного лица». Практическое правило: заключите контракт, обязывающий вас соблюдать политику школы в отношении данных, не передавайте данные третьим сторонам и выполняйте запросы на удаление в течение 30 дней.

COPPA (США, для детей младше 13 лет)

Школы, собирающие данные в образовательных целях, как правило, не подпадают под действие закона. Вендоры, которые хотят перепродавать данные, использовать их для таргетированной рекламы или профилирования за пределами учебных задач, попадают под COPPA — штраф за нарушение составляет около 3,2 млн ₽. Безопасная стратегия: по умолчанию отключайте любое коммерческое использование данных для школьных аккаунтов.

GDPR (ЕС и резиденты ЕС)

Биометрические данные — это особая категория, и распознавание эмоций почти всегда считается высокорисковой обработкой, требующей DPIA. Явное и подробное согласие при opt-in — обязательное условие; общие формулировки вроде «мы можем использовать ваши данные для аналитики» не имеют юридической силы. Обработка на краю сети с агрегированным выводом значительно сужает сферу действия законодательства.

EU AI Act (вступил в силу в феврале 2025, полное применение — с 2026 года)

Распознавание эмоций в образовании запрещено — статья 5. Можно определить, что «студент улыбается», но нельзя делать вывод, что «студент раздражён». Любой пайплайн, который использует распознанную эмоцию для принятия решений в отношении студента, в ЕС теперь считается нарушением, ставящим продукт под угрозу. Если ЕС входит в вашу дорожную карту, проектируйте архитектуру с учётом анализа взгляда и присутствия уже на старте.

BIPA (Иллинойс) и запреты на уровне штатов

Частные школы и EdTech-провайдеры в Иллинойсе обязаны получить письменное уведомление и согласие перед сбором геометрии лица. Закон SB 2979 (2024) устанавливает штраф до ~375 000 ₽ за нарушение на одного человека, однако риск групповых исков сохраняется. Нью-Йорк полностью запретил использование распознавания лиц в школах; другие штаты также рассматривают подобные меры. Начинайте проектировать UX согласия уже сейчас.

Интеграция с LMS — LTI 1.3, xAPI и проблема силосов

72% учебных заведений уже тонут во фрагментированных данных. Новый аналитический продукт, живущий в собственном дашборде, лишь усугубляет проблему; продукт, который возвращает сигналы в LMS-зачётку и в личный кабинет студента, её решает. Важны три интеграционных канала.

LTI 1.3 Advantage. Протокол запуска, позволяющий интегрировать ваш инструмент в Canvas, Moodle, Blackboard, D2L и Open edX. Обеспечивает единый вход (SSO), глубокие ссылки и передачу оценок. Это базовое требование для институциональных продаж — администратор LMS просто не установит инструмент, который не поддерживает LTI.

xAPI / cmi5. Словарь операторов вида «актор совершил активность с результатом». Отправляйте операторы «студент посмотрел минуты 7–12 с вовлечённостью 0,62» в Learning Record Store (LRS), и любой инструмент отчётности — институциональный BI, дашборды учебной аналитики, кастомные тренерские системы — сможет использовать эти данные без дополнительной интеграции.

Запасные варианты: вебхуки и SCORM. SCORM 2004 до сих пор остаётся стандартом для корпоративных LMS; SCORM-обёртка позволяет подключиться к Cornerstone, SumTotal, Docebo. Вебхуки обеспечивают интеграцию с Slack и Teams, а также поддерживают кастомные автоматизации в институциональных системах.

Мы интегрировали все три паттерна в платформы вроде BrainCert и Scholarly. В результате аналитика становится полноценным инструментом в существующей LMS, а не отдельной «теневой» системой, к которой никто не обращается.

Модель стоимости: сколько реально стоит MVP аналитики вовлечённости

Покажем структуру расчётов и отметим, где мы уверены, а где делаем предположения. Agent Engineering (наша практика разработки с использованием ИИ) сокращает затраты на реализацию функций; облачные сервисы и сторонние инструменты стоят одинаково для всех.

Переменная по облаку — это та, что сильнее всего колеблется: 100 000 минут в месяц обработки в AWS Rekognition Video по 7,5 ₽ за минуту стриминга — это 750 000 ₽ в месяц только на API. Та же нагрузка на MediaPipe на устройстве — 0 ₽ за API и примерно 11–30 тыс. ₽ в месяц на бэкенд-вычисления для агрегации данных. Эта разница быстро накапливается: при 1 млн минут в месяц edge-подход окупает всю разработку менее чем за квартал.

Мини-кейс: Scholarly и 12-недельный запуск аналитики вовлечённости

Ситуация. Scholarly проводит интерактивные занятия на рынке APAC — более 15 000 активных пользователей, до 2000 участников одновременно в одной сессии. AWS назвал стартап самым инновационным EdTech-решением в регионе APAC. Завершаемость длинных курсов остаётся на уровне 12–18%, а институциональные клиенты теперь требуют подтверждений вовлечённости перед продлением контрактов.

План на 12 недель. Недели 1–3: запускаем посекундную аналитику удержания по лекциям и тепловую карту по группе — без биометрии, быстрый выигрыш для методистов. Недели 4–7: накладываем взгляд и поворот головы на устройстве через MediaPipe, отправляем xAPI-операторы в существующий LRS, подключаем модель зоны риска к дашборду преподавателя. Недели 8–10: проводим A/B-тестирование переписанных самых низкововлечённых фрагментов. Недели 11–12: запускаем подсказки внимания в реальном времени на добровольных когортах, измеряем конверсию обращений к студентам.

Форма результата. Команды заметили ту же закономерность, что и публичные данные edX и Coursera: чем активнее преподаватели работали с группой студентов в зоне риска, тем выше была завершённость курса. При этом наличие дашборда само по себе не влияло на результат. Хотите провести аналогичный анализ для своей платформы? Свяжитесь с нами — проведём 30-минутный разбор аналитики вовлечённости.

Фреймворк решения — выберите свой билд за пять вопросов

1. Где географически находятся ваши учащиеся? Если хоть один пользователь — в ЕС, начинайте проектирование без компромиссов с самого старта: EU AI Act не даст доработать это позже. Если у вас только школы из США — сосредоточьтесь на FERPA и COPPA; если вы работаете в частном образовании в Иллинойсе — добавьте механизм согласия по BIPA ещё до запуска.

2. Сколько студенто-минут вы обрабатываете в месяц? До ~20 000 минут в месяц облачные API работают хорошо и быстро запускаются. Выше этого порога — и экономическая целесообразность, и требования регуляторов толкают к использованию компьютерного зрения на устройстве. При нагрузке свыше 500 000 минут в месяц — компьютерное зрение на устройстве становится единственным разумным решением.

3. На каких LMS сидят ваши покупатели? Canvas + Open edX? LTI 1.3 и xAPI — базовое требование. Корпоративный L&D? SCORM 2004 и вебхук-оповещения важнее, чем LTI. Картируйте до того, как начать строить.

4. Кто действует по сигналам? Преподаватели? Администраторы? Сам студент? Адаптивная система? Весь стек строится вокруг этого — если управление на стороне преподавателя, нужны дашборды и оповещения, если на стороне студента — подсказки внутри приложения, если система адаптивная — более строгие модели и жёсткий контроль. Будьте честны: кто будет настоящим партнёром в рабочем процессе.

5. Какой у вас целевой KPI? Завершаемость? Время до освоения? Средний балл по тестам? Или что-то ещё? KPI определяет, какие данные вы собираете и как оцениваете модель. Команды, которые пропускают этот вопрос, создают красивые дашборды, которым никто не доверяет.

Пять ловушек, которые мы видим снова и снова

1. Принимать внимание за прокси обучения. Внимание связано с некоторыми результатами и не связано с другими. Исследования в области игрового обучения снова и снова показывают, что между измеренным вниманием и результатами тестов нет никакой связи. Используйте внимание как подсказку, на что обратить внимание, но никогда — как сам показатель успеха.

2. Деплоить модели эмоций без демографического аудита. Публичные датасеты эмоций смещены в сторону европейцев; точность падает на 10–25% на лицах не-западного типа и на взрослых старше 40 лет. Внедрение в учебном заведении без отчёта о точности по демографическим группам — это и этическая проблема, и репутационная бомба замедленного действия.

3. Строить дашборды, которые никто не открывает. Данные о вовлечённости работают только тогда, когда кто-то — преподаватель, куратор или администратор — реально ими пользуется. Рост показателей (35% у edX, 47% у Coursera) достигнут не просто публикацией дашбордов, а изменением самого учебного процесса. Продвигайте не сам дашборд, а полезный рабочий процесс.

4. Отправлять сырые кадры в облако ради экономии инженерного времени. Кажется, что обработка каждого кадра через Rekognition займёт меньше времени. Но на деле — нет: бюджет и регуляторные ограничения быстро исчерпаются за один квартал. Базовые операции компьютерного зрения сразу выносите на устройство.

5. Использовать вовлечённость в решениях с высокими ставками. Никогда не отчисляйте автоматически, не блокируйте и не отзывайте сертификаты на основе оценок вовлечённости. Всегда оставляйте человека в процессе, если речь идёт о его академической записи, и фиксируйте это в DPIA и условиях использования сервиса.

KPI: что измерять — в трёх корзинах

KPI качества. Оценка вовлечённости должна хорошо согласовываться с человеческой разметкой — цель: корреляция не ниже 0,75 на слепой выборке. Доля ложных срабатываний в оповещениях о зоне риска — не более 20%. Разница в точности между демографическими группами — не более 8 процентных пунктов. Точность определения направления взгляда — не хуже 3° на веб-камерах среднего класса.

Бизнес-цели. Рост завершения курса по сравнению с базовой группой (цель: +10–30 пунктов за два семестра). Сокращение времени на освоение помеченных тем (цель: на 15–25%). Доля преподавателей, активных каждую неделю в дашборде (цель: более 60%). Продления и доля выигранных тендеров — если аналитика вовлечённости не влияет на продажи, значит, она не работает.

KPI надёжности. Задержка от получения кадра до его обработки — менее 500 мс на 95-м процентиле. Гарантия доставки xAPI-событий — 99,9%. Утечки данных не должно быть вообще: если хотя бы один необработанный кадр лица попадает за пределы устройства пользователя — это инцидент. Стоимость обработки 1000 студенто-минут — отслеживайте ежемесячно: это ранний признак архитектурных проблем.

Когда видеоаналитику вовлечённости строить не стоит

Три случая, в которых честный ответ — «не надо». Меньше 5000 учащихся в месяц и нет партнёрства с LMS. На настройке комплаенса вы потратите больше, чем сможет окупить прирост; вместо этого стоит сосредоточиться на аналитике отвалов по контенту (биометрия не нужна).

Корпоративный L&D, где сотрудники не включают камеру. Анализ активности по включению камеры на рабочем месте запрещён EU AI Act и во многих культурах подрывает доверие. Настройте LMS и плеер на сбор данных; камеру оставьте выключенной.

У вас нет слоя интервенции. Если преподаватели не звонят учащимся в зоне риска, а продукт не может адаптировать контент, аналитика останется невостребованной, а регуляторная нагрузка — бесполезной. Сначала настройте процесс — потом подключайте аналитику.

Архитектура данных: что хранить, а что можно отбросить

Разницу между продуктом, безопасным для приватности, и иском обычно определяет политика хранения данных. Четыре правила, которые мы применяем в каждой системе аналитики вовлечённости.

Никогда не храните сырые кадры лица. Считайте опорные точки и оценки в памяти устройства; кадр выбрасывайте до прихода следующего. Если нужно проверить точность, используйте синтетические тестовые материалы, снятые в специальной лабораторной сессии — но ни в коем случае не из продакшена.

Храните только агрегированные сигналы. Поминутная оценка вовлечённости, привязанная к ID сессии, достаточна для всех наших дашбордов и моделей зоны риска. Покадровые опорные точки и векторы взгляда покидают устройство в виде одного числа в минуту, а не полного временного ряда, по которому можно восстановить исходные данные.

Разделяйте личность и аналитику. Таблицы аналитики ссылаются на учебный ID, а не на email студента или ключ SIS. Связующие таблицы находятся под более строгим контролем доступа и удаляются быстрее, чем сама аналитика.

Таймеры хранения на всё. Хранение исходных данных по лекциям — 18 месяцев. Оценка вовлечённости студента — текущий семестр плюс 90 дней. Связующая таблица личности — только за текущий семестр. Удаление автоматизируйте, на человеческую дисциплину полагаться нельзя.

Как построить модель зоны риска без переобучения и смещений

Классификатор зоны риска — это ML-компонент с наибольшим влиянием во всём стеке и при этом самый простой для переобучения. Градиентный бустинг (XGBoost или LightGBM) на нескольких признаках — например, тренд вовлечённости, ритм прохождения тестов, паузы между входами, доля поздних сдач — обгонит более сложные модели, пока у вас не будет десятки тысяч размеченных данных по учащимся. Начинайте с простого.

Выбор признаков. Используйте опережающие индикаторы, которые преподаватель может проверить: снижение вовлечённости на последних 3 лекциях, балл за тест ниже медианного по группе, более 5 дней без входа. Избегайте шумных демографических признаков — они редко помогают в прогнозах и повышают юридические риски.

Размечайте аккуратно. «В зоне риска» должно означать «покинул курс без завершения за N дней», а не «получил меньше 60%». Разметка по исходу, а не по оценке, делает модель честной и полезной в разных учебных заведениях с разными подходами к выставлению оценок.

Калибровка и проверка справедливости. Строите кривые precision-recall по подгруппам (возрастная группа, флаг «впервые на курсе», очно vs. заочно). Публикуйте ежемесячный отчёт о справедливости внутри продукта. Если у какой-то подгруппы precision заметно ниже — снижайте агрессивность оповещений для неё, пока не дообучите модель на новых данных.

Прокторинг и вовлечённость — держите их врозь

Соблазн использовать один и тот же CV-стек и для экзаменационного прокторинга, и для анализа вовлечённости велик — та же камера, то же распознавание лица, те же сигналы взгляда. Не стоит этого делать. Это разные продукты с разными регуляторными требованиями и уровнем доверия, и их объединение вредит обоим.

Практическое правило: выпускайте два продукта с двумя хранилищами и двумя сценариями согласия, даже если часть ML-примитивов под капотом общая. Как только юрист или аудитор заметит, что они смешаны, вы потратите недели на объяснения, почему «оценка вовлечённости» хранится рядом с «флагом нарушения экзаменационной целостности» у одного и того же студента.

FAQ

Что почитать дальше

Готовы выпустить аналитику вовлечённости, которая реально повышает завершение задач?

Если коротко: AI-видеоаналитика в онлайн-обучении работает, но только если вы ориентируетесь на поведенческие сигналы, а не на распознавание эмоций, запускаете компьютерное зрение прямо на устройстве, используете данные из LMS, а не собираете их в отдельный дашборд, и привязываете каждый сигнал к реальному процессу — человеческому или адаптивному, который на него реагирует. Сделайте это — и результаты уровня edX или Coursera станут достижимы без опоры на этически сомнительную модель распознавания эмоций.

Фора Софт выпускает именно этот стек ещё до того, как его начали называть «AI-видеоаналитикой» — виртуальные классы, интерактивные платформы для лекций и первые AI-инструменты для тренеров от Career Point до BrainCert и Scholarly. Если ваша команда не определилась, с чего начать, мы можем сжать первые 12 недель в чёткий план и рабочий прототип на ваших данных.