AI-видеоаналитика: исчерпывающий гид по умным системам безопасности в 2026 году

Камера видеонаблюдения, которая просто записывает, — это всего лишь видеорегистратор. Камера, которая понимает, что она видит, — которая распознаёт драку ещё до первого удара, замечает погрузчик, выехавший на пешеходную дорожку, и фиксирует номер автомобиля, час кружащего по парковке, — это уже система безопасности. Закрыть этот разрыв — задача AI-видеоаналитики, и в 2026 году это уже не научная фантастика, а строка в бюджете, которую совет директоров рассчитывает увидеть.

Этот гид — именно та шпаргалка, которую нам самим хотелось бы получить в руки девять лет назад, когда мы выпустили свой первый продукт AI-безопасности на видео. Здесь разбирается, что такое AI-видеоаналитика для безопасности в 2026 году, восемь сценариев применения, в которых она себя окупает, эталонная семислойная архитектура, которую мы внедряем в продакшен, семь платформ умной безопасности, между которыми стоит выбирать, регуляторная картина (NDAA, EU AI Act, GDPR, BIPA), реальная финансовая модель для развёртывания на 200 камер, а также подводные камни, тихо губящие подобные проекты. Текст длинный. Текст практичный. Мы писали его для директоров по безопасности, руководителей ИТ/OT и продакт-оунеров, которым нужно принять решение в этом квартале.

01. Почему этот гид написала Фора Софт

Мы разрабатываем AI-видеосистемы с 2017 года, а решения для видеостриминга в продакшене — с 2005. Это даёт нам редкий угол обзора на умную безопасность: мы видели, как она прошла путь от криминалистического поиска (отмотать вчерашнюю запись, чтобы найти нарушителя) до принятия решений в реальном времени (предупредить охранника до того, как нарушитель доберётся до двери). Большую часть того, что мы знаем, мы выучили, выпуская продукты, которые ломались в продакшене, а потом чинились в субботу в 2 часа ночи.

Несколько продуктов, на опыте которых основан этот гид:

• MindBox — платформа детекции инцидентов, которая обрабатывает более 500 000 автомобилей в день на 80+ камерных площадках, с точностью распознавания лиц 99,5% и оповещениями менее чем за секунду.
• V.A.L.T. — многозальная платформа видеозаписи, развёрнутая в 770+ организациях с 2 500+ камерами; используется для безопасности, наблюдения и комплаенс-записи.
• Системы детекции СИЗ для промышленности — распознавание касок, жилетов и контроль зон запрета, развёрнутые на стройках и энергетических объектах.
• Пилоты по предотвращению потерь в рознице — обнаружение схемы swap-scan (sweethearting), распознавание паттернов ORC и контроль касс самообслуживания.

Две оговорки о том, чем этот гид отличается от маркетинговых PDF, которые легко найти в интернете. Во-первых, у нас есть личная заинтересованность — всё, что здесь написано, мы либо эксплуатируем сами, либо построили для платящих клиентов. Во-вторых, наша практика Agent Engineering позволяет нам обычно сдавать такие проекты на 30–50% быстрее традиционной студии — мы используем AI для написания шаблонного кода, генерации тестовых фикстур, набросков ONVIF-интеграций и т. п. Из-за этого наши оценки часто выглядят подозрительно низкими. Но это не так. Они просто актуальные.

02. Что такое AI-видеоаналитика для безопасности на самом деле

AI-видеоаналитика — это слой, который превращает сырые видеокадры в структурированные события: «человек пересёк линию в 14:32:08, уверенность 0,94». На основе этих событий действуют нижестоящие системы: VMS, контроллер доступа, ситуационный центр, мобильное приложение. Для задач безопасности слой опирается на семь аналитических примитивов: детекция объектов, мультиобъектный трекинг, повторная идентификация человека, классификация действий и поведения, распознавание лиц, распознавание автомобильных номеров и детекция аномалий. Каждый примитив — это модель. У каждой модели есть задержка, точность, бюджет на железо и регуляторный след.

Это не: детектор движения (технология из 1990-х, которая срабатывает на качающиеся ветки), универсальный ChatGPT-поверх-видео (задержка и стоимость не сходятся для живого мониторинга) и не «умные камеры» с проприетарной прошивкой, которые запирают вас в экосистему одного вендора (на третий год об этом пожалеете).

Полезная мысленная модель: AI-аналитика для безопасности добавляет над камерой три новых слоя — восприятие (что в кадре), понимание (что происходит между кадрами) и действие (что с этим делать). Большинство коробочных платформ закрывают восприятие хорошо, понимание — частично, а действие почти полностью оставляют на вас. Именно последний слой и определяет, выстрелит проект или тихо умрёт.

03. Состояние рынка: куда идут инвестиции в умную безопасность в 2026

Цифры по большей части сходятся. Разные аналитики до сих пор публикуют разные абсолютные значения (мировой сегмент «видеоаналитики» гуляет от 375 до 825 млрд ₽ в зависимости от того, считают ли в него распознавание лиц, ALPR и анализ трафика), но форма рынка одинакова у всех: рост 22–30% в год до конца десятилетия, причём львиная доля новых вложений идёт в AI-аналитику, а не в традиционные VMS и хранение.

Несколько цифр, которые стоит запомнить:

• Мировой рынок видеоаналитики: около 510 млрд ₽ в 2026 году, прогноз — более 3,6 трлн ₽ к 2035-му.
• Поставки edge-AI-камер: по прогнозам, к 2027 году превысят 120 миллионов штук в год, когда Jetson Orin и Hailo-8 падают ниже порога в 6 000 ₽ за BOM.
• Потери розницы в США: 8,4 трлн ₽ в 2025 году, причём на внешние кражи и организованную преступность приходится около 36% потерь.
• Средняя конверсия AI-пилотов в продакшен: пока всего около 30% в сфере физической безопасности, проекты в основном застревают на интеграции с legacy-VMS и на усталости от ложных оповещений.
• Действие NDAA Section 889: федеральные контракты больше не могут использовать оборудование Hikvision, Dahua, Hytera, Huawei и ZTE — и правило расползается на закупки штатов и корпораций.

Если вы планируете бюджет 2026 года, практический вывод такой: железо стало дешевле некуда, модели коммодитизируются, а главный дифференциатор — интеграция. Стоимость сместилась с «купить аналитику» на «вписать аналитику в реальные рабочие процессы».

04. Восемь сценариев, где AI-аналитика для безопасности окупается

Избавим вас от рекламной формулы «возможности безграничны». По нашему опыту приёма проектов, на восемь сценариев приходится около 90% всего, что доходит до продакшена. Они отсортированы по зрелости: чем выше в списке, тем выше шанс найти коробочные модели, которые работают «из коробки».

1. Розница: предотвращение потерь и ORC

Sweethearting на кассах самообслуживания, распознавание паттернов организованной розничной преступности (ORC), проникновения после закрытия. AI ищет skip-scan (товар провезли мимо сканера без сигнала), аномалии при упаковке (товар положили в пакет, не отсканировав) и возврат известных нарушителей. Снижение потерь по реальным внедрениям: 30–83% за двенадцать месяцев.

2. Общественная безопасность и умные города

ALPR для оповещений об угнанных автомобилях, оценка плотности толпы, детекция оружия на площадях, детекция драк на транспортных узлах. Правовая рамка узкая (особенно в ЕС по статье AI Act о «биометрической идентификации в реальном времени в общественных местах»), поэтому большинство продакшен-систем работают с согласием на видном месте или ограничиваются криминалистическим разбором, а не живыми оповещениями.

3. Транспорт и парковки

Детекция движения против потока на трассах, проезд под шлагбаумом «паровозиком», классификация припаркованных автомобилей, поиск оставленного багажа в аэропортах. Источник видео обычно — PTZ-камеры и ANPR-камеры на уровне полос. MindBox обрабатывает 500 000+ автомобилей в день в этом сегменте.

4. Промышленность: СИЗ и охрана труда

Детекция касок, сигнальных жилетов, защитных очков и страховочных привязей на стройках, НПЗ и складах. Плюс контроль зон запрета (никого в радиусе разворота экскаватора) и оповещения о сближении погрузчиков с пешеходами.

5. Медицинские учреждения

Детекция падений пациентов, контроль ухода (пациент-странник покидает отделение), эскалация агрессии в приёмном покое. HIPAA требует строгого on-prem-инференса и плотного журналирования доступа — чисто облачные решения обычно не проходят сразу.

6. Школы и университеты

Детекция оружия на периметре и у входов, автоматизация локдауна, проникновения после закрытия. Этот рынок крайне чувствителен к ложноположительным срабатываниям: одно ложное оповещение об оружии, поднявшее спецназ, обрывает карьеру администратора. Поэтому вендоры обычно пропускают оповещения через оператора в круглосуточном SOC.

7. Госсектор и критическая инфраструктура

Периметры подстанций, водоочистные сооружения, порты. Только NDAA-совместимые камеры (Axis, Hanwha, Bosch, i-PRO, Verkada). Большинство внедрений изолированы от интернета и используют односторонние data diode для отправки данных в SIEM.

8. Стройка и контроль прогресса работ

Подсчёт прибывающих материалов, анализ простоя техники, кражи после рабочего дня, проникновения на периметр. Часто разворачивается как временная мачтовая камера с сотовым каналом; аналитика крутится на небольшом Jetson-боксе у основания мачты.

05. Эталонная архитектура: семь слоёв пайплайна аналитики безопасности

Все системы умной безопасности, которые мы выпускали, под капотом устроены примерно одинаково. Семь слоёв ниже — то, что мы строим или интегрируем почти в каждом проекте. Не пропускайте ни один: тот, который пропустите, обычно и подведёт в продакшене.

Слой 1. Камеры и приём потока

Камеры с поддержкой ONVIF Profile S/T/G, отдающие RTSP (H.264/H.265) на медиасервер. Для greenfield-проектов рекомендуем NDAA-совместимые бренды (Axis, Hanwha, Bosch, i-PRO), минимум 4 Мп, 30 fps, с WDR. Не полагайтесь на встроенную в камеру аналитику, если сценарий не сводится к бинарному «движение / нет движения» — модель должна жить на устройстве, которое контролируете вы.

Слой 2. Edge-узел инференса

Небольшой Jetson Orin (Nano/NX/AGX) или связка Intel + Hailo-8 в серверной шкафа на этаже, тянет 8–32 потока. Запускает YOLOv9/v10 для детекции, ByteTrack/BoT-SORT для трекинга и квантованную модель для лиц или ALPR, если нужно. Выдаёт структурированные события через MQTT или gRPC на серверный уровень.

Слой 3. Серверный уровень

NVIDIA Triton + TensorRT для всех моделей, слишком тяжёлых для edge (повторная идентификация между камерами, сложное распознавание активности). На этом же уровне крутится rules engine, который собирает события в действительные оповещения: «человек + затяжное стояние > 60 секунд + после закрытия = тревога».

Слой 4. Данные и индекс

PostgreSQL/TimescaleDB для событий, S3-совместимое объектное хранилище (MinIO или AWS S3) для клипов и векторная БД (Qdrant или Weaviate) для поиска похожих случаев — «найди все клипы с человеком в красной куртке между 18:00 и 20:00».

Слой 5. Интеграция с VMS

Отправка детекций обратно в Milestone XProtect, Genetec Security Center, Avigilon Control Center или Hanwha Wisenet через их SDK. Именно здесь большинство проектов недооценивают объём работы: SDK вендоров часто плохо документированы и требуют большого количества glue-кода.

Слой 6. Оповещения и рабочие процессы

Дашборд SOC, мобильное приложение, интеграции с PagerDuty/Opsgenie, двусторонние рации диспетчера и панелями контроля доступа (HID Origo, LenelS2, Genetec Synergis). Именно этот пользовательский интерфейс заказчик видит каждый день — закладывайте на него бюджет соответственно.

Слой 7. Аудит и управление

Защищённые от подделки журналы для каждой детекции, каждого переопределения, каждого открытия клипа. RBAC и SSO на уровне оператора. Политики хранения, привязанные к местному закону о персональных данных — обычно 14–90 дней для сырого видео и дольше для размеченных событий.

06. Сравнительная матрица: семь платформ умной безопасности

Если вы выбираете коробочное решение, практичный шорт-лист 2026 года выглядит так. Цены ориентировочные — все вендоры активно дисконтуют многолетние сделки, поэтому считайте их якорями, а не котировками.

Цены отражают публично наблюдаемые диапазоны на I квартал 2026 года и регулярно меняются за счёт скидок, многолетних контрактов и пакетных предложений. Воспринимайте колонку как ориентир, а не как коммерческое предложение.

07. Edge vs cloud: где запускать инференс

Для любого внедрения от 50 камер edge-инференс сегодня — стандарт по умолчанию. Аргументы скучные, но решающие: трафик, задержка, стоимость.

Наша устойчивая рекомендация — edge для живых оповещений, облако для криминалистики и обучения.

08. Слой моделей: что реально запускать на ваших камерах

Модели быстро устаревают, но в начале 2026 года практичный шорт-лист для продакшен-нагрузок в безопасности невелик. Вот что мы разворачиваем и в каких случаях:

• Детекция: YOLOv9-E (56% mAP на COCO) там, где важнее точность; YOLOv10-S (43,8% mAP, в 1,8 раза быстрее RT-DETR) для edge-first. RT-DETR для случаев на трансформерах.
• Трекинг: ByteTrack и BoT-SORT для общих задач; DeepSORT — только когда нужна re-ID прямо внутри.
• Повторная идентификация: OSNet или CLIP-ReID для трекинга между камерами. Векторная БД (Qdrant/Weaviate) под галерею.
• Распознавание действий: SlowFast или VideoMAE для драк, падений, затяжного стояния. Это тяжёлые модели — обычно крутятся на серверном уровне, а не на edge.
• Детекция аномалий: автоэнкодеры с памятью для неразмеченных сцен.
• Распознавание лиц: эмбеддинги ArcFace / AdaFace, индекс FAISS или Qdrant. Потолок качества обычно упирается не в модель, а в качество съёмки.
• ALPR: отдельный пайплайн (детектор + распознавание номера). Открытый стек: PaddleOCR + собственный детектор. Коммерческий: Plate Recognizer, Genetec AutoVu.

09. Интеграция с VMS: как подружить аналитику с существующим стеком

В greenfield-проекте VMS выбираете вы. Почти в каждом brownfield-проекте — а таких большинство — AI прикручивают к тому, что уже стоит. Большая четвёрка по-прежнему покрывает основную часть установленной базы: Milestone XProtect, Genetec Security Center, Avigilon Control Center и Hanwha Wisenet WAVE. У каждого есть SDK или REST API для отправки событий обратно; у каждого свои особенности; для некоторых сценариев требуется платное партнёрство по интеграции.

Типичные паттерны интеграции, которые мы используем: запись обнаруженных событий как закладок (Milestone), как тревог (Genetec), как векторов для appearance-search (Avigilon) или как оверлей-метаданных (Hanwha). Выбор меняет то, как оператор взаимодействует с оповещением: закладки удобны для разбора, тревоги требуют подтверждения, а оверлеи накладываются прямо на живой видеостену.

Бюджетное правило: интеграция с VMS обычно занимает 20–35% проекта по часам. Недооценка этой статьи — самая частая причина срыва сроков.

10. Пайплайн оповещений: как превратить детекции в действия

Детекция — это не оповещение. Детекция — это сигнал, который в связке с контекстом, rules engine и вниманием оператора может превратиться в тревогу. Ошибитесь с этим слоем — и заказчик выключит систему через месяц, потому что SOC тонет в шуме.

Несколько паттернов, которые в продакшене работают:

• Складывайте, а не сцепляйте. Детекция «человек» после рабочих часов сама по себе бессмысленна; «человек + ограниченная зона + после рабочих часов + задержка > 30 с» — это уже тревога. Используйте небольшой rules engine (Drools, Open Policy Agent или свой).
• Тиерируйте реакцию. Критично → звонок дежурному охраннику. Серьёзно → алерт на дашборде SOC + таймер на подтверждение. Малозначимо → в журнал для аудита, разбор при пересменке.
• Фидбек по ложным срабатываниям — в один клик. Оператор должен пометить ложное срабатывание за две секунды — именно эти данные потом золотые для дообучения.
• Всегда показывайте клип. Ни одно оповещение не уходит без 10-секундного превью. Операторы не верят «голым» алертам — и правильно делают.

11. Соответствие нормам: NDAA, EU AI Act, GDPR, HIPAA, BIPA

Регуляторика из «о, ещё надо проверить» превратилась в первый рубеж закупки. Вот картина на 2026 год — перед запуском поговорите с настоящим юристом, но эта таблица убережёт от очевидных ловушек.

12. Мини-кейс: как MindBox даёт 99,5% распознавания лиц на 500 000 автомобилей в день

MindBox — одно из наших флагманских внедрений по аналитике безопасности и хороший пример того, как выглядит реальный продакшен-масштаб. Пять вещей делают его рабочим:

1. Edge-first приём потока. На каждом шлагбауме или зоне стоит Jetson AGX Orin с локальной детекцией, трекингом и ALPR. На серверный уровень уходят только структурированные события.
2. Захват лиц с контролем качества. Лица эмбеддятся, только если классификатор качества выставил оценку выше 0,85 — именно это и даёт 99,5% точности на действительно важных кейсах.
3. Тиерированные списки наблюдения. Три уровня (BOLO, person of interest, забаненные) с разной политикой оповещений и требованиями к аудиту.
4. Задержка оповещения меньше секунды. От пересечения лицом линии до звонка дежурному офицеру — менее 800 мс p95.
5. Цикл обратной связи от оператора. Каждое ложное срабатывание помечается в один клик; модель дообучается на исправленных данных еженедельно.

Принцип переносится. Тот же паттерн мы используем в рознице (роль «лица» играет sweethearting-событие), в промышленности (нарушение СИЗ) и в здравоохранении (уход пациента). Бизнес-логика меняется, архитектурный паттерн — нет.

13. Финансовая модель: оценка проекта на 200 камер «под ключ»

Развёртывание на 200 камер по нескольким объектам — удобная точка калибровки: именно здесь SaaS и кастомная разработка сходятся по цене. Ниже — репрезентативный итог за первый год, разделённый между коробочным решением и кастомной сборкой нашей командой.

Кастомная сборка по итогам первого года выглядит похоже, но уже со второго резко вырывается вперёд: вы перестаёте платить SaaS-сбор за каждую камеру. Подвох: эксплуатацию, патчинг и сопровождение моделей вы (или ваш партнёр) забираете на себя. Это реальная ответственность. Если штата под это нет — коробочное решение правильный выбор.

14. Фреймворк решений: выбор подхода к AI-безопасности за пять вопросов

Когда заказчики приходят без определённого выбора, мы прогоняем их через пять вопросов. Честные ответы обычно указывают ровно на один из трёх вариантов: SaaS-платформа, гибрид (существующие камеры + AI-надстройка) или кастомная разработка.

1. Сколько камер и сколько площадок? Меньше 50 камер или 1–2 площадки → SaaS почти всегда дешевле. Больше 200 камер или 10+ площадок → кастом быстро догоняет.
2. Какой у вас парк камер? В основном Hikvision/Dahua, а заказчик — госсектор? Сначала решите проблему с NDAA. В основном Axis/Hanwha? Можно надстраивать AI через Spot AI или кастом.
3. Какой сценарий с самым высоким риском? Детекция оружия в школе? Нужен вендор с круглосуточным SOC и человеком в петле. СИЗ на стройке? Подойдут и коробка, и кастом.
4. Какой у вас регуляторный режим? ЕС + биометрия → риски по AI Act; здравоохранение США → HIPAA on-prem; розница в нескольких штатах с биометрией → угроза по BIPA. Эти ограничения жёстко сужают выбор вендора и архитектуры.
5. Вы продаёте это как продукт или эксплуатируете внутри? Если строите продукт (например, VSaaS-платформу для парковочной отрасли), почти всегда нужен кастом: коробка лишает вас дифференциации.

15. Подводные камни — шесть самых частых ошибок

1. Считать камеру продуктом. Камера — худшее место, куда стоит вкладывать в AI. Вкладывайте в дашборд SOC, логику оповещений и UX оператора. Камеру меняют раз в 5–7 лет, аналитику — раз в 18 месяцев.
2. Пропустить дизайн уровней оповещений. Самый быстрый способ убить внедрение — слать каждую детекцию на дашборд SOC. Разнесите тревоги по уровням до релиза.
3. Использовать потребительские камеры. Нет, Wyze-камера в чулане — это не камера безопасности. ONVIF, WDR и поддерживаемая дорожная карта прошивок — вещи неперебиваемые.
4. Отсутствие цикла дообучения. Модели дрейфуют — новый свет, новая униформа, новые типы машин. Без обратной связи от SOC в обучающую выборку точность тихо просядет за 6–12 месяцев.
5. Забыть про аудит-журналы. Когда придёт регулятор (или иск), вопрос будет не «детектировала ли система», а «кто и когда смотрел этот клип». Стройте аудит-цепочку с первого дня.
6. Недооценить часы на интеграцию VMS. Закладывайте 20–35% общих часов проекта только на работу с VMS. SDK вендоров редко документированы так, как обещано в datasheet'ах.

16. KPI: что измерять и какие целевые значения важны

Короткий список метрик, которые мы отслеживаем на каждом внедрении, с типичными целевыми значениями:

• Доля истинно положительных (recall) по сценарию: >85% для критичных к безопасности (оружие, падения); >75% для предотвращения потерь.
• Ложные срабатывания на камеру в день: <3 для оповещений, мониторимых SOC.
• Задержка оповещения end-to-end p95: <1,5 с для живых тревог; <5 с допустимо для криминалистики.
• Время доступности системы: 99,9% для пайплайна оповещений; 99,5% для аналитических воркеров.
• Время до клипа: от звонка тревоги до того, как оператор смотрит видео — <3 с.
• Время подтверждения оператором: p50 < 30 с; p95 < 2 мин.
• Дрейф модели: просадка <5 процентных пунктов mAP за 6 месяцев.

17. Privacy by design: как заслужить доверие людей в кадре

Privacy by design больше не галочка — это вопрос закупки и вопрос инвестора. На практике это означает:

• По умолчанию — эмбеддинги, а не картинки. Когда отправляете данные в векторную БД или в оповещение, шлите хэш или эмбеддинг, а не сырой кроп лица, везде где это возможно.
• Пайплайн пикселизации для разбора. Оператор, открывая клип, по умолчанию видит размытых случайных людей; снятие размытия — журналируемое действие.
• Жёсткие сроки хранения по умолчанию. 14 дней для сырого видео, 90 дней для размеченных событий, 7 лет для аудит-журналов — защищаемая база. Разрешите переопределение на уровне объекта.
• Запросы субъекта данных — через UI. Если попадаете под GDPR, постройте внутренний инструмент для обработки SAR за <72 часа. Делать это вручную — быстро выжигает DPO.
• Публичные таблички со ссылкой на политику. Перестраховка, но ожидаемая.

18. Когда НЕ стоит внедрять AI-видеоаналитику прямо сейчас

Короткий список ситуаций, когда наш честный ответ — «подождите полгода, сделайте сначала другое».

• У вас нет SOC или чёткого пути эскалации. Детекция без действий — просто шум.
• Существующее видео непригодно (плохие ракурсы, низкое разрешение, заслонённые объективы). Сначала разберитесь с оптикой, потом с AI.
• Вы не картировали правовой режим. Особенно в ЕС: ошибка в DPIA дороже всего проекта.
• Операторы SOC уже на пределе по объёму оповещений. AI без проектирования тревог только умножит шум.
• Задача решается датчиком за 3 750 ₽ (геркон на двери, СВЧ-датчик движения). AI здесь — стрельба из пушки по воробьям.

19. Защита системы: что заложить с первого дня

Платформы умной безопасности сами по себе — привлекательная цель: атакующий, получивший камеры, получает картину наблюдения. Что мы закладываем в первый день:

• Mutual TLS между камерами, edge-узлами и серверным уровнем. Никакого открытого RTSP в локальной сети.
• Сертификаты на каждое устройство (а не общие ключи), чтобы отзыв украденной камеры не требовал перевыпуска ключей для всего парка.
• SSO + RBAC для операторов, аппаратный MFA для админских действий.
• Сегментация сети: VLAN камер, VLAN аналитики, VLAN операций. С файрволом между ними.
• Защищённые от подделки журналы (только дозапись, хэш-цепочка), чтобы атакующий не мог стереть следы.
• Квартальный red team против дашборда SOC и пайплайна оповещений. Особенно кнопки «приглушить тревогу».
• Патчинг прошивок камер как отслеживаемая операционная задача — не «когда-нибудь дойдём».

20. Что дальше: три сдвига 2026–2027, к которым стоит готовиться

1. VLM-усиленный разбор. Vision-language-модели (Gemini, GPT-4o-класса) суммируют часы записи на человеческом языке. Для живых оповещений пока рано (задержка, галлюцинации), но для криминалистики и пересменки это качественный скачок.
2. Дообучение на самом устройстве. Федеративное обучение между edge-узлами: каждая площадка улучшает свои модели, не отправляя пиксели в облако. GDPR/HIPAA довольны.
3. Удешевление камер давит на SaaS-аналитику. Когда NDAA-совместимая Hanwha за 15 000 ₽ в связке с edge-узлом за 22 500 ₽ выдают то же, что в 2024 году делала смарт-камера за 150 000 ₽, поканальная SaaS-модель ценообразования сжимается. Ждём консолидации.

21. FAQ

22. Что почитать дальше

Подводя итог

AI-видеоаналитика для безопасности в 2026 году — больше не исследовательский проект, а категория закупки. Железо дешёвое, открытые модели отличные, регуляторная картина дозрела настолько, что под неё можно планировать. Остаётся работа: интеграция, дизайн оповещений и операционная дисциплина. Именно там проекты либо взлетают, либо тихо проваливаются.

Если вы оцениваете проект AI-аналитики безопасности — с нуля или поверх существующего парка — мы с удовольствием поможем оценить объёмы. Мы строим такие системы с 2017 года и набили достаточно шишек.