Детекция аномалий в видеонаблюдении: инженерное руководство по VMS на 2026 год

Почему Фора Софт написала этот playbook по детекции аномалий

Фора Софт разрабатывает программное обеспечение для видеонаблюдения с 2005 года. Valt — наш многолетний референс в этой области: платформа для видеонаблюдения и разбора записей, которой пользуются правоохранительные органы, исследовательские и корпоративные службы безопасности. Мы также создаём инструменты для интеграции камер по ONVIF, плагины для VMS и пайплайны AI-аналитики для интеграторов и продуктовых компаний. Практика видеонаблюдения — именно та область, где живут шаблоны из этого playbook; команда AI-интеграции Фора Софт собирает поверх неё inference-слой.

Каждый вендор VMS и интегратор систем безопасности, с которыми мы работали за последние два года, задавал один и тот же вопрос в разных формулировках: «Как нам выпустить детекцию аномалий, которую операторы не отключат за неделю?» Этот playbook отвечает на него: какие модели использовать, какое железо ставить и где, как маршрутизировать события через ONVIF Profile M в Milestone / Genetec / Nx Witness, как пройти проверку на соответствие требованиям и что измерять, чтобы понимать, что система работает.

Что на самом деле означает «детекция аномалий в реальном мире»

В маркетинговых текстах в этот термин сваливают две совершенно разные задачи. В техническом задании их нужно разделять.

Детекция объектов отвечает на вопрос: есть ли в кадре человек, машина, номерной знак? Задача хорошо изучена, решается готовыми моделями уровня YOLO с точностью > 95 % по состоянию на 2026 год. Это предварительное условие, а не цель.

Детекция аномалий отвечает на вопрос: типично ли это поведение для этой зоны в это время? Задача контекстная и временная. Человек, стоящий неподвижно в зале ожидания — норма; тот же человек в той же позе в запретной зоне склада в 02:00 — инцидент. Для этого нужны покадровые признаки, модель «нормы» для каждой зоны и слой временного рассуждения, который срабатывает на отклонения.

Типовые классы аномалий, которые реально доходят до продакшна:

• Периметр: проникновение, пересечение виртуальной линии, перелаз через забор, несанкционированный заезд транспортного средства.
• Поведенческие: болтание без цели, задержка в запретных зонах, оставленные предметы, нетипичные траектории движения.
• Безопасность жизни: падения, поскальзывания, потеря сознания, длительная неподвижность.
• Конфликты: драки, агрессия, скопления резкого движения, оружие.
• Толпа: аномалии плотности, направление наплыва, встречные потоки, паническое рассеяние.
• Транспорт: проезд на красный, заезд против движения, превышение скорости, остановившиеся машины в действующих полосах.

Ландшафт моделей в 2026 году: с учителем, без учителя, с самообучением

Обучение с учителем по-прежнему уместно, если у вас есть размеченный датасет «аномалия / норма» и узкий сценарий — например, недостача в рознице при конкретной планировке магазина. После обучения на датасете уровня UCF-Crime (1900 видео, 13 категорий аномалий) модель достигает 85–92 % AUC на бенчмарковых разбиениях. На новые камеры и новые сцены это не переносится без потерь.

Обучение с самообучением (self-supervised) — доминирующий подход для новых внедрений. Предобучение на большом неразмеченном видеокорпусе (Kinetics, YouTube-8M), затем дообучение на 7–30 днях «нормального» видео с каждой площадки. Гораздо лучше адаптируется к домену; именно так устроены VideoMAE и современные трансформерные VAD-модели.

Без учителя и со слабым учителем — Multiple Instance Learning (MIL), оценка плотности на автоэнкодерах, one-class SVM на глубоких признаках — работают, когда размеченных аномалий мало. MIL, в частности, рассматривает каждое видео как набор клипов и учится помечать аномальные наборы без покадровой разметки; это правильный инструмент для интеграторов безопасности, у которых часы записанных инцидентов, но нет таймстемпов и аннотаций.

Фреймворки, о которых стоит знать в 2026 году: RTFM (temporal feature magnitude), MGFN (моделирование признаков смесью гауссиан), PEL4VAD (совместный эмбеддинг внешнего вида и движения), а также волна трансформерных детекторов аномалий, выросшая из TimeSformer и ViViT. На публичных бенчмарках они показывают 80–88 % AUC; на продакшн-камерах — на 10–15 пунктов ниже, так что калибровка на ваших собственных данных — не опция, а требование.

Цифры бенчмарков против того, что реально дают ваши камеры

Разрыв между цифрами из статей и реальными цифрами в эксплуатации — главный источник разочарований у клиентов с VMS, которые мы видим на практике. Реалистичная картина:

*Recall на падениях должен быть высоким: пропуск стоит жизни. Заплатить за это можно ростом ложных срабатываний.

Edge или облако: решение о развёртывании, которое определяет экономику

Edge-инференс запускает модель на устройстве на самом объекте — Jetson Orin, Hailo-8, Coral или прямо внутри камеры на чипе Ambarella CVflow. Видео не покидает периметра; наружу уходят только алерты и 5–10 с подтверждающего клипа. Задержка 50–200 мс, приватность из коробки, операционные расходы низкие после первоначальных затрат на железо.

Облачный инференс отправляет RTSP-потоки в управляемый GPU-пул (AWS, Azure, GCP или специализированные провайдеры вроде NVIDIA Metropolis / Eagle Eye Networks). Задержка 500–2 000 мс, капекс почти нулевой, опекс ровный и регулярный.

Гибрид — то, к чему в итоге приходят все: edge для детекции в реальном времени и фильтрации ложных срабатываний, облако — для еженедельного дообучения, аналитики трендов и аудита. Это совпадает с тем, как уже устроены продукты вендоров VMS: локальные рекордеры для видео, облако — для администрирования и отчётности.

Железо в 2026 году: Jetson, Hailo, Coral, Ambarella

Практический выбор интегратора, который в 2026 году собирает многокамерный объект, — семейство Jetson Orin: Nano для крошечных объектов, NX для среднего сегмента, AGX — как on-prem-бокс аналитики для корпоративных внедрений. Hailo выигрывает там, где критичен энергобюджет (периметры на солнечных батареях, монтаж на транспорт, компактные NVR-боксы).

ONVIF Profile M: как события аномалий реально доходят до вашей VMS

Детекция аномалий без интеграции с VMS — научный эксперимент, а не продукт. ONVIF Profile M — стандартный способ передавать аналитические метаданные вместе с видео, и это путь, который большинство плагинов под Milestone, Genetec и Nx Witness уже понимают. Наша подробная статья про ONVIF-профили в системах безопасности разбирает всё семейство.

Поток в продакшн-развёртывании:

1. Edge-инференс. Устройство класса Jetson подписывается на RTSP с камеры, прогоняет модель детекции аномалий, отдаёт метаданные Profile M рядом с RTP.

2. Приём в VMS. Milestone XProtect, Genetec Security Center, Nx Witness или Avigilon Control Center потребляют метаданные через плагин или нативный драйвер. Алерты появляются на таймлайне оператора, рамки распознавания — при воспроизведении.

3. Движок правил. Пороги по зонам, маршруты эскалации, назначение операторов. Типовая точка входа — движок правил Nx Witness и алерты Smart Client в Milestone; у Genetec свой проприетарный слой правил.

4. SIEM / управление инцидентами. Алерты высокой важности уходят вебхуком в Splunk, Sentinel или SOAR-платформу; службы безопасности коррелируют их с событиями контроля доступа и сетевых IDS.

Ловушка: соответствие Profile M у вендоров VMS неровное. В поле закладывайте 20–30 % несовпадений по схеме. Проверяйте на реальном экземпляре VMS, прежде чем подписываться под цифрами проекта.

Ложные срабатывания: проблема, которая реально хоронит проект

Операторы терпят меньше одного необъяснённого алерта на камеру в день — дальше они отключают каналы или выключают зоны. Всё, что выше этого порога, — провал продукта, даже если recall на бумаге выглядит прилично. Пять повторяющихся причин:

1. Тени и смена освещения. Угол солнца меняется в течение дня. PCA-вычитание фона принимает движение тени за движение объекта. Решается адаптивной моделью фона на смеси гауссиан, которая обновляется каждые 24–48 часов, плюс детекторами с учётом теней на пограничном слое.

2. Вибрация камеры. Ветер на камере на столбе, тряска от вентиляции, дрожь от транспорта — всё это триггерит алерты о движении. Префильтр стабилизации (на основе гомографии) плюс минимальные пороги по амплитуде движения закрывают простые случаи.

3. Дрейф базовой линии. Магазин переставил витрины — «норма» изменилась. Склад добавил погрузочную зону — маршруты людей сдвинулись. Закладывайте ежеквартальный пересмотр базовой линии как операционную гигиену, а не как тушение пожаров.

4. Погода. Дождь на объективе, снег на земле, туман снижает контраст. Сезонные окна дообучения и пороги, учитывающие погоду (снижайте чувствительность во время сильных осадков, помечая режим оператору).

5. Переходы сцены. Движение PTZ, перефокус, переключение на ИК-подсветку в сумерках. Подавляйте алерты в течение N секунд после любого обнаруженного перехода сцены: это патч в 20 строк, который спасает рассудок оператора.

Закладывайте 4–8 недель калибровки на каждой площадке после установки. «Подключай и работай» — это строчка для маркетинга, а не реальность развёртывания.

Кейсы с цифрами: розница, логистика, периметр, города, забота о людях

Розница, предотвращение потерь. Целевая недостача обычно 1–2 % от инвентаря; в реальности 2–4 %. Отслеживаемые аномалии: болтание у дорогих полок, подмена бирок, поведение в слепых зонах. Сеть из 50 точек может рассчитывать на ощутимую шестизначную (в рублёвом эквиваленте) ежегодную экономию на предотвращении потерь, если детекция аномалий внедрена правильно. Стоимость на одну точку: 60–90 тыс. ₽ за edge-узел плюс интеграция. Глубже эту тему разбирает наша статья про видеоаналитику в рознице.

Безопасность на складе. По средним данным OSHA, поскальзываний и падений 2–4 инцидента на 1000 работников в год. Детекция падений с задержкой 2–5 с ускоряет реакцию аварийных служб. Один предотвращённый серьёзный инцидент окупает всю систему на отдельно взятом объекте. 8–12 камер на 1000 м², установка 375–600 тыс. ₽ на склад.

Периметровая безопасность (аэропорты, тюрьмы, границы). Детекция проникновения с задержкой меньше 500 мс. Допуск по ложным срабатываниям экстремальный — меньше 0,2 на камеру в день. Модели: 3D CNN с сильной временной согласованностью. 24–72 камеры на объект; полные внедрения обычно стоят 15–37 млн ₽ с железом, интеграцией и шестью-восемью неделями калибровки.

Умные города и транспорт. Проезд на красный, заезд против движения, остановившиеся машины в действующих полосах. Задержка детекции 1–3 с, чтобы дальше работало правоприменение. Обычно 50–500 перекрёстков на город, бюджет 3,7–37 млн ₽+ в зависимости от масштаба; интегрируется с уже работающим управлением трафиком SCATS / SCOOT.

Забота о пожилых и независимое проживание. Детекция падений и длительной неподвижности. Аналитика на скелетной модели (без лица, без идентичности) — для гигиены HIPAA / GDPR. Целевой recall 85–95 %; меньше 0,5 ложных срабатываний на комнату в день, чтобы родственники не уставали от алертов. 1–2 камеры на комнату; 150–375 тыс. ₽ на одного жильца с интеграцией.

Модель затрат: SaaS против edge, TCO на 5 лет

Две ориентировочные модели, чтобы закрепить разговор «строить или купить». SaaS-сервис AI-детекции аномалий обычно стоит 750–3 000 ₽ за камеру в месяц в зависимости от полноты функционала и SLA. Edge-развёртывание амортизирует железо, монтаж и обслуживание за 5 лет.

Точка безубыточности между edge и SaaS лежит в районе 40–60 камер в портфеле. Ниже — экономика SaaS выигрывает, как только учтёшь инженерное дежурство и обновление парка. Выше — амортизация edge перевешивает, плюс выигрываете в приватности и задержках.

Комплаенс: GDPR, BIPA, CCPA и местные регламенты по видеонаблюдению

GDPR (ЕС). Запись с камер — персональные данные; биометрическая обработка (лицо, походка) попадает под особую категорию по статье 9. Нужно правовое основание: законный интерес для периметровой безопасности, договор для мониторинга сотрудников, согласие почти никогда не работает в масштабе. DPA с каждым процессором, публичный список субпроцессоров. Метаданные о событиях без идентичности (событие + зона + таймстемп) — самый простой путь к защитимой позиции.

BIPA (штат Иллинойс). Biometric Information Privacy Act: письменное информированное согласие на любой отпечаток лица, походки или сканирование геометрии руки. Риск коллективных исков реален: 75–375 тыс. ₽ за нарушение. Для розничных или внутрикорпоративных продуктов с детекцией аномалий избегайте функций на основе идентичности, пока у вас не выстроен процесс согласия. Аналитика на скелетной модели и ключевых точках обходит большинство рисков BIPA.

CCPA (Калифорния). Право потребителя знать, удалить и отказаться. Уведомление о наличии камер и AI-аналитики обязательно. Слежение в полупубличных пространствах (розница) контролируется строже, чем в частных рабочих местах.

Местные регламенты. В Сан-Франциско и Окленде ограничено распознавание лиц муниципальными службами; в Нью-Йорке действуют требования к управлению данными биометрического наблюдения. Портленд (Орегон) запрещает распознавание лиц частным сектором в публичных пространствах. Ждите, что городов с подобными правилами станет больше.

Принцип минимизации данных. Храните метаданные об аномалии и 10-секундный клип вокруг события, а не круглосуточное сырое видео. Удаляйте сырые записи через 30–90 дней, кроме случаев конкретного инцидента. Используйте скелеты и тепловые карты для аналитики, которая не требует идентичности. Одно это решение продукта снимает большинство претензий регулятора одним движением.

Паттерны интеграции: ONVIF, вебхуки, MQTT, SDK для VMS

Четыре пути интеграции, выбираются под конкретную VMS и стек безопасности:

1. ONVIF Profile M. По умолчанию для распространённых VMS. Метаданные аналитики идут через ту же RTSP-сессию, что и видео. Milestone, Nx Witness, Avigilon поддерживают нативно; у Genetec покрытие частичное.

2. REST-вебхуки. JSON-нагрузки вида event.anomaly.loitering отправляются на эндпоинт вебхука в SIEM клиента. Самая простая интеграция для не-VMS-приёмников.

3. MQTT. Publish-subscribe через брокер, удобно в IoT-насыщенных средах и на объектах с ограниченным каналом. Нагрузки меньше, чем у REST; операторы подписываются на топики по зонам.

4. SDK для VMS. Milestone MIP SDK, REST + движок правил Nx Witness, SDK Genetec (более жёсткий вендорский контроль), плагинная инфраструктура Avigilon. Используются, когда VMS — основной интерфейс для клиента и нужна плотная интеграция с таймлайном и воспроизведением.

UX оператора: объяснимость важнее голой точности

Алерт с точностью 92 % без подтверждения всегда проигрывает алерту с точностью 80 %, у которого есть чёткая рамка, временная тепловая карта и одна кнопка, открывающая 10 секунд до и после события. Объяснимость даёт доверие, доверие даёт принятие. Пять UX-решений, которые реально двигают метрики:

1. Рамки и тепловые карты при воспроизведении. Оператору надо видеть, что именно отметила модель, а не только метку события.

2. Уверенность в корзинах, а не в сыром числе. «Высокая / средняя / низкая», а не 0,87. Операторы не калибруют модель, они сортируют события.

3. Кнопка «это не аномалия» в один клик. Уходит в еженедельный цикл дообучения. Операторы чувствуют, что их слышат, и петля качества замыкается.

4. Уровень тяжести по зонам. Один и тот же класс события в хранилище и в комнате отдыха значит разное. Пусть администратор настраивает уровни по зонам.

5. Таймлайн алертов с причинно-следственным контекстом. Показывайте последние три события в той же зоне и данные систем контроля доступа. Операторы рассуждают сценами, а не изолированными инцидентами.

Мини-кейс: детекция аномалий, прикрученная к существующему VMS-внедрению

Ситуация. Интегратор безопасности с мультисайтовыми видеовнедрениями хотел добавить AI-детекцию аномалий (болтание, проникновение, прорыв периметра) поверх уже работающих VMS — без замены камер и без переучивания клиентов. Операторы и так были перегружены; новая функция не имела права добавлять шума.

12-недельный план. Недели 1–2: обследование двух пилотных объектов, размеченный аудит 30 дней записанного видео с каждого объекта, базовая модель «нормы» для каждой камеры. Недели 3–5: edge-узел Jetson Orin NX на каждые 4 камеры, VAD-пайплайн в стиле faster-whisper, публикатор метаданных ONVIF Profile M. Недели 6–7: интеграция плагина с Milestone XProtect, наложение рамок на таймлайн, управление тяжестью по зонам. Недели 8–10: проход калибровки — подавление теней, фильтр вибрации камер, пороги по зонам, цикл еженедельного дообучения. Недели 11–12: поэтапная раскатка под фича-флагом, обучение операторов, регламент квартального пересмотра базовой линии.

Результат. Уровень ложных тревог упал с начальных 6–8 на камеру в день на первой неделе до меньше 1 на камеру в день после калибровки. Принятие операторами держалось выше 80 % после четырёх недель (мы это отслеживаем отдельно, потому что типовой провал — тихое отключение каналов). В следующем квартале ещё два клиентских объекта раскатили внедрение, ссылаясь на пилот.

Фреймворк решения: пять вопросов

1. Сколько камер и на скольких объектах? < 20 → SaaS. 20–50 → гибрид. > 50 → edge с дообучением в облаке.

2. Какой допуск по задержкам? Падения с угрозой жизни, проникновение периметра → edge обязателен. Болтание для предотвращения потерь → облако подойдёт.

3. Какая VMS уже стоит у клиента? Milestone или Nx Witness → ONVIF Profile M даёт чистый путь. Genetec → закладывайте время на проприетарный SDK. Avigilon → плагинная инфраструктура.

4. Каков регуляторный периметр? ЕС / штат с BIPA / зоны с муниципальным запретом → отключайте функции на идентичность; ставьте аналитику на скелетах и ключевых точках; минимизация данных с первого дня.

5. Кто отвечает за обучение операторов и калибровку? Если у клиента нет команды операций безопасности, готовой провести 4–8 недель калибровки, закладывайте управляемый сервис в сделку. Передать детекцию аномалий неподготовленной команде операторов — верный способ потерять клиента.

Пять подводных камней, которые топят проекты по детекции аномалий

1. Использование предобученных моделей как есть. Сети, обученные на UCF-Crime, теряют 10–20 пунктов AUC на продакшн-камерах. Дообучайте на местном видео; закладывайте 4–8 недель калибровки на внедрение.

2. Нет порогов по зонам. Один глобальный порог уверенности даёт либо слишком много ложных тревог в открытых местах, либо пропуски в важных зонах. Пороги по зонам плюс тяжесть по классам события — минимально жизнеспособный набор настроек.

3. Нет сезонного дообучения. Весенний дождь, осенняя листва, зимний снег ломают модели, обученные на летнем видео. Квартальные циклы дообучения — операционная гигиена, а не пункт в roadmap.

4. Функции на основе идентичности без процесса согласия. Распознавание лиц для аномалий отлично смотрится в демо и проваливает комплаенс-ревью в продакшне. Стройте систему без идентичности сначала; идентичность добавляйте поверх по явному согласию, только где закон позволяет.

5. Отношение к интеграции с VMS как к «сантехнике». Отличная модель за плохим плагином — мёртвая функция. Вкладывайтесь в UI-слой VMS так же серьёзно, как в слой инференса.

KPI: что мерить с первого дня

KPI качества. AUC на ежемесячной выборке, размеченной людьми (цель ≥ 80 % в продакшне). Ложные тревоги на камеру в день (цель < 1 для критичных зон). Recall на аномалиях угрозы жизни (цель ≥ 85 % для падений).

Операционные KPI. Вовлечённость оператора — доля алертов, по которым приняли действие в течение 5 минут (цель ≥ 80 % для высокой тяжести). Доля заглушённых каналов (цель 0 % после 4 недели). Время цикла дообучения (цель ≤ 2 недели от обратной связи до продакшна).

Бизнес-KPI. Доля закрытых инцидентов на объекте после внедрения (цель — заметный рост в течение двух кварталов). ROI по страховке и недостаче, поквартально. Корпоративные продления, в которых AI-аналитика упоминается как обязательная возможность.

Когда детекцию аномалий запускать НЕ стоит

Если камеры у вас разношёрстные и потребительского уровня, и вы не можете привести разрешение и частоту кадров парка к единому знаменателю, потратьте бюджет сначала на обновление камер. Модели аномалий не компенсируют мусор на входе. Если команда операторов уже задыхается от существующих алертов, детекция аномалий сначала сделает хуже, а потом лучше — запланируйте редизайн рабочего процесса параллельно с AI-проектом, а не после. Если клиентская база в юрисдикции с действующим запретом на видеонаблюдение (частный сектор в Портленде, штат Орегон; часть муниципальных применений в Сан-Франциско), проходите юридическое ревью до запуска, а не после.

FAQ

Можно ли просто взять предобученную модель UCF-Crime с Hugging Face?

С этого можно начать. Закончить на этом нельзя. Модели, обученные на бенчмарках, теряют 10–20 пунктов AUC на реальных камерах из-за освещения, ракурса, разрешения и разнообразия сцен. Закладывайте 4–8 недель файнтюнинга на видео с конкретной площадки; предобученные веса используйте только как инициализацию.

Какой реалистичный уровень ложных тревог для продакшн-детекции аномалий?

Меньше 1 алерта на камеру в день для строгих аномалий в критичных зонах. 2–3 на камеру в день — допустимо для широких поведенческих алертов в открытых местах. Всё, что выше, — операторы заглушат канал; считайте это провалом продукта, а не недотюненной настройкой.

Edge или облако — что выбрать?

Гибрид. Edge — для детекции в реальном времени и фильтрации ложных срабатываний; облако — для еженедельного дообучения, долгосрочной аналитики трендов и аудита. Экономическая точка безубыточности между чистым SaaS и гибридом с упором на edge лежит в районе 40–60 камер в портфеле клиента.

Как избежать нарушений GDPR и BIPA?

Храните метаданные событий, а не сырое видео. Используйте аналитику на скелетной модели и ключевых точках вместо распознавания лиц, где возможно. Ограничьте хранение 30–90 днями, дольше — только для конкретных помеченных инцидентов. Подписывайте DPA с каждым облачным поставщиком. Откажитесь от биометрических функций на идентичность, если нет задокументированного процесса согласия. Сделайте всё это до запуска, а не после.

Поддерживает ли моя VMS ONVIF Profile M?

Milestone XProtect: да, через плагины. Nx Witness: да, нативно плюс REST. Avigilon: в основном, через плагинную инфраструктуру. Genetec: частично, закладывайте работу с проприетарным SDK. Соответствие схеме неровное; закладывайте 2–3 недели интеграционного тестирования с конкретной версией VMS, которая стоит у клиента.

Сколько камер тянет Jetson Orin AGX?

8–12 одновременных потоков 1080p при 10–15 FPS для моделей детекции аномалий средней сложности; 4–6 потоков для более тяжёлых трансформерных моделей при 30 FPS. Jetson Orin NX тянет 2–4 потока; Orin Nano — 1–2. Закладывайте 25 % запас, чтобы поглотить разброс по кодеку и всплески в дождливый день.

Сколько займёт запуск на работающем объекте?

10–14 недель на продакшн-раскатку поверх существующей VMS с командой Фора Софт на инструментах Agent Engineering: обследование площадки, edge-железо, интеграция ONVIF Profile M, проход калибровки, обучение операторов, поэтапная раскатка. Мультисайтовые пилоты добавляют 3–4 недели на калибровку каждой площадки.

Работает ли детекция аномалий с устаревшими аналоговыми камерами?

Только через IP-энкодер с приемлемым разрешением (минимум 1080p). Аналоговые потоки ниже 1080p теряют слишком много деталей для надёжной детекции аномалий. Если парк клиента в основном легаси-аналог, планируйте обновление камер до или одновременно с AI-раскаткой: это лучше инвестиция, чем выжимать качество из неправильного входа.

Что почитать дальше

Готовы запустить детекцию аномалий, которую операторы реально не отключат?

Рабочий паттерн острее, чем кажется по маркетингу. Берите модели с самообучением или со слабым учителем, а не голые бенчмарковые сети. Разворачивайте edge-инференс на железе уровня Jetson для всего, что чувствительно к задержкам; накладывайте дообучение в облаке сверху. Маршрутизируйте события через ONVIF Profile M в ту VMS, которой клиент уже доверяет. Тратьте на подавление ложных срабатываний, управление тяжестью по зонам и объяснимый UX столько же, сколько на саму модель.

Выигрывают те проекты, которые относятся к комплаенсу, калибровке и доверию оператора как к первоклассной проектной работе, а не как к доделкам. Проигрывают те, что выкатывают модель с точностью 92 %, проскакивают четырёхнедельный медовый месяц по ложным срабатываниям и тихо наблюдают, как операторы заглушают каналы. Мы выпускали детекцию аномалий, интегрированную с VMS, в среды рядом с правоохранительными органами, в логистику и розницу; продакшн-раскатка поверх существующего парка укладывается в 10–14 недель.