Тренды Android-видеонаблюдения 2026: 5 ИИ-функций, меняющих безопасность

Видеонаблюдение на Android в 2026 году — это уже не задача облачного стриминга, а задача ИИ на устройстве. Смартфоны и специализированные Android-устройства теперь несут на борту NPU мощностью 20+ TOPS, мультимодальные vision-language-модели, достаточно компактные для офлайн-работы, и стандартизированные API (CameraX, NNAPI, AICore). Это позволяет одному приложению выдавать детекцию объектов и поведения в реальном времени, поиск по видео на естественном языке, детекцию аномалий и приватное замазывание лиц — и при этом не отправлять сырые кадры на сервер.

Если вы прорабатываете Android-продукт для видеонаблюдения на 2026 год, вопрос уже не «добавлять ли ИИ?», а «какие пять ИИ-возможностей являются обязательными и как реализовать их, не убив батарею, приватность пользователей и нормативные сроки?»

Если коротко: пять ИИ-функций, которые реально влияют на результат в 2026 году, — это (1) инференс на устройстве на NPU, (2) мультимодальная детекция объектов и поведения, (3) поиск по видео на естественном языке с помощью VLM, (4) самообучаемая детекция аномалий и (5) приватный ИИ с замазыванием на устройстве. Всё остальное — облачный бэкап, многокамерные дашборды, интеграция с системами контроля доступа — обвязка вокруг этих пяти.

Что реально изменилось в Android-видеонаблюдении в 2026 году

Три сдвига отделяют стек Android-видеонаблюдения 2026 года от стека 2023-го — и они складываются друг с другом.

Сдвиг 1 — NPU стали стандартом, а не премиум-опцией. Каждый флагманский Android-смартфон, выпущенный после конца 2024 года, несёт выделенный нейроускоритель в диапазоне 15–35 TOPS (Tensor G4 в Pixel 9, NPU в Samsung S24/S25, Qualcomm Hexagon NPU в Snapdragon 8 Gen 3 и 8 Elite). Специализированные камеры и шлюзы на Android используют тот же кремний. Это открывает доступ к моделям, которые два года назад работали только в облаке, — YOLOv10, SAM 2, MoViNet и небольшим VLM — и они идут на устройстве со скоростью 30–60 FPS.

Сдвиг 2 — Android AI API наконец-то догнали железо. В Android 14 появился системный сервис AICore; Android 15 стабилизировал работу Gemini Nano и LiteRT (преемника TensorFlow Lite) на устройстве. NNAPI остаётся слоем переносимости для сторонних ускорителей. Для разработчика это означает, что одна модель TFLite/LiteRT теперь работает на Pixel Tensor, Qualcomm Hexagon, NPU Samsung и MediaTek APU без вендорских костылей — то, что в 2023-м было задачей дикой сложности.

Сдвиг 3 — регуляторика стала новым конструктивным ограничением. EU AI Act вступил в силу в 2024 году, а обязанности по системам высокого риска применяются с августа 2026-го. Удалённая биометрическая идентификация в реальном времени в общественных местах в большинстве случаев запрещена; пост-событийная биометрическая идентификация требует судебной санкции. Illinois BIPA, Texas CUBI и Washington MHMDA — все накладывают явные требования к согласию на биометрию с фиксированными штрафами. Практическое следствие: архитектуры, которые отправляют сырые кадры в облачный матчер лиц, юридически радиоактивны. Инференс на устройстве, замазывание на источнике и аудируемые согласия теперь обязательны, а не приятный бонус.

Дальше в гиде мы пройдёмся по пяти ИИ-функциям, которые вместе образуют эталонную архитектуру 2026 года, — что делает каждая, как она реализуется на Android и сколько стоит.

5 ИИ-функций, меняющих Android-видеонаблюдение

Функция 1: Инференс на устройстве через NNAPI и NPU Android 14+

Самое большое единичное изменение в Android-видеонаблюдении за последние два года — инференс, который раньше уходил на GPU в us-east-1, теперь работает на самой камере. С меньшей задержкой, меньшей стоимостью и существенно более здоровой ситуацией по приватности. Pixel 9 Pro с квантованной YOLOv10-n через Tensor G4 NPU выдаёт 65+ FPS при 640×640. Snapdragon 8 Gen 3 с делегатом Hexagon крутит MoViNet-A2 на 30 FPS на живом 1080p-потоке.

Что выбрать в 2026 году

В качестве рантайма используйте LiteRT (преемник TensorFlow Lite, переупакованный как часть Google AI Edge в 2024-м), а для переносимости подключайте делегат NNAPI. На устройствах Pixel системный сервис AICore даёт доступ к Gemini Nano для текста и лёгких VLM-задач. Для гарантированной производительности на Qualcomm подключайте делегат Qualcomm AI Hub. Для Samsung делегат Samsung NPU с One UI 6.1 стал достаточно зрелым для продакшена.

Бенчмарки, которые имеют значение

Полезные цифры, которые стоит держать в голове при оценке: YOLOv10-n INT8 при 640×640 укладывается в 12–18 мс на флагманах 2024+ и в 45–80 мс на устройствах среднего уровня (Snapdragon 7 Gen 3). Термальный троттлинг включается примерно через 20 минут непрерывного инференса без скважности — поэтому стратегия «считать каждый второй кадр + использовать motion gating» — не опция, а стандарт по умолчанию. Конкретные приёмы оптимизации под Android мы разбираем в гиде по оптимизации Android-приложений для видеостриминга.

Функция 2: Мультимодальная детекция объектов и поведения

Детекция движения ловит пакет, который несёт ветром. Детекция объектов ловит человека. Ни то, ни другое не говорит вам, праздно ли он шатается, падает ли, дерётся ли или заходит в запретную зону. Мультимодальная детекция — наложение детекции объектов, оценки позы и кратковременной классификации действий — это то, что превращает сырой поток в события, на которые можно реагировать.

Эталонный пайплайн 2026 года выглядит так: YOLOv10 (или более новый открытый детектор) выдаёт bounding box на 25+ FPS; MediaPipe Pose Landmarker работает на вырезанных областях с людьми; MoViNet или 3D-CNN-голова классифицирует 16-кадровые отрезки по меткам действий (праздношатание, падение, драка, оставленный предмет, проход за спиной). Все три модели работают параллельно на современном NPU с суммарным бюджетом порядка 60–80 мс на кадр.

У классификаторов поведения есть неочевидные режимы отказа — они путают человека, который наклонился, с упавшим, а групповое фото — с дракой. Лекарство — трекер на фильтре Калмана плюс gating по времени удержания: событие должно держаться более N кадров, чтобы оно сработало. Если это сделать правильно, частота ложных срабатываний падает с 30–50 на камеру в день до менее 5 — порога, при котором операционная команда начинает доверять алертам.

Подробнее о самих моделях детекции см. наш разбор 7 лучших алгоритмов машинного обучения для детекции аномалий в видеонаблюдении и нашу статью про компьютерное зрение для видеонаблюдения.

Функция 3: Поиск по видео на естественном языке (эра VLM)

В 2024-м единственным способом найти «красный грузовик у ворот 3 между 2–4 часами ночи» в недельной записи была прокрутка. В 2026-м VLM (vision-language model) превращает каждый кадр в эмбеддинг на этапе индексации; на этапе запроса оператор пишет фразу на английском и получает подходящие отрезки меньше чем за секунду.

Модели, которые сделали это реальным на Android, — PaliGemma 2 от Google (варианты 3B и 10B, плюс мобильный чекпоинт 2B), Gemini Nano через AICore и Qwen2-VL 2B. Все три достаточно малы, чтобы квантоваться до 4-бит и работать на флагманском NPU. Типовая архитектура индексирует 1 кадр в секунду, хранит 512-мерные эмбеддинги в локальном SQLite + FAISS или эквиваленте на CoreML и выдаёт ответы на запрос менее чем за 200 мс по неделе записи на одну камеру.

Есть потолок по точности: маленькие VLM ненадёжны на мелких атрибутах (точные номера автомобилей, конкретные логотипы). Для них поверх крупного поиска через VLM ставят специализированный классификатор на отобранных кандидатах. На практике такая двухступенчатая схема (VLM как сито + специалист на пере-ранжировании) даёт 85–93% точности top-5 на стандартных бенчмарках поиска по видеонаблюдению — и стоит примерно в 20 раз меньше, чем отправка кадров полного разрешения в GPT-4V.

Функция 4: Самообучаемая детекция аномалий

Фундаментальная проблема supervised-детекции в видеонаблюдении в том, что события, которые вы больше всего хотите ловить, — именно те, под которые у вас меньше всего размеченных данных. Самообучаемая детекция аномалий решает это: модель учится тому, как выглядит «норма», по нескольким суткам неразмеченных записей с камеры и помечает отклонения от этого распределения.

На Android-сцене 2026 года доминируют два семейства моделей: методы с банком памяти, такие как PatchCore и SimpleNet (изначально для промышленной инспекции, перенесённые на видеонаблюдение с дообучением под сцену), и методы на основе реконструкции, такие как MemAE и более новые варианты на диффузионной реконструкции. Оба семейства достаточно компактны — 30–80 МБ после квантования — чтобы крутиться на устройстве для каждой камеры отдельно.

Будьте готовы к «налогу на калибровку»: каждой новой камере нужно 24–72 часа базовых записей, прежде чем детекции аномалий можно доверять. Пропуск калибровки — причина №1, по которой системы детекции аномалий отключают в первый месяц. Закладывайте UX калибровки с самого первого дня.

Более глубокий разбор выбора между моделями есть в нашем гиде по ИИ-детекции аномалий — там показаны компромиссы между основными семействами с бенчмарками.

Функция 5: Приватный ИИ и замазывание на устройстве

Три регуляторных движения 2024–2025 годов превратили приватный ИИ из маркетинговой формулировки в требование к продакшену: положения EU AI Act по высокому риску (применяются с августа 2026), расширенные коллективные иски по Illinois BIPA (TikTok на 6 млрд 900 млн ₽, Facebook на 48 млрд 750 млн ₽ задали потолок; правоприменение усилилось в 2024–2025) и Washington MHMDA (вступил в силу в 2024-м). Практически для Android-видеонаблюдения это означает: любой кадр, покидающий устройство и содержащий узнаваемое лицо, должен быть замазан на источнике с возможностью аудита — если у вас нет явного согласия и юридического основания.

Пайплайн замазывания 2026 года выглядит так. Сначала на полной частоте кадров идёт лёгкий детектор лиц (BlazeFace или аналог); SAM 2 Tiny доводит каждую детекцию лица до точной маски сегментации; маска размывается или пикселизуется до того, как кадр будет закодирован. Все три шага вместе на флагманском NPU укладываются в менее чем 20 мс. В серверное хранилище попадают только замазанные пиксели — если только подписанный токен разблокировки не разрешает оригинал.

Та же архитектура применима к автомобильным номерам, детям в кадре и экранам с персональными данными. Для постоянного обновления моделей всё чаще используется федеративное обучение — Android-устройство дообучает модель на собственных записях и отправляет в облако только дельты градиентов, никогда не сырое видео. По умолчанию транспортом служит Federated Compute Platform от Google (встроена в Android начиная с 13-й версии).

Стек Android-видеонаблюдения с ИИ: эталонная архитектура

Стек, который попадает в продакшен Android-приложения для видеонаблюдения в 2026 году, выглядит как таблица ниже. Всё, что выше пунктирной линии, работает на устройстве; ниже — на VMS оператора или в облаке.

CameraX, ONVIF и интеграция с IP-камерами

В 2026 году камера на Android — это CameraX. Он давно заменил Camera2 для любого практичного продуктового кода и остаётся единственным API, который чисто отдаёт use case ImageAnalysis, нужный для передачи кадров в инференс-рантайм без копирования. CameraX также берёт на себя крайние случаи, которые раньше съедали недели работы, — ориентацию сенсора, синхронизацию вспышки, HDR, 10-битный HEVC — через высокоуровневый API, осознающий жизненный цикл.

Для IP-камер общим языком остаётся ONVIF. В 2026 году вам стоит реализовать как минимум Profile S (стриминг), Profile T (H.265 и метаданные аналитики) и Profile G (запись и воспроизведение на устройстве). ONVIF Profile M (метаданные/аналитика) и Profile D (контроль доступа) становятся важны, как только приложение начинает разговаривать с бизнес-системами. Метаданные аналитики ONVIF от самой камеры — bounding box, зоны движения, классы объектов — Android-клиент может потреблять напрямую, экономя полный проход инференса для камер, на которых аналитика уже работает на борту.

Детали интеграции в реальной жизни тоже важны: используйте SRTP или RTSP-over-TLS для всего транспорта между камерой и устройством; включайте certificate pinning; закладывайте 5–10% потерь пакетов на LTE-аплинках. Командам, которые хотят увидеть, как все эти части собираются в продакшен-продукт, стоит начать с нашего разбора 4 лучших Android SDK для приложений видеонаблюдения, а более широкий гид по 12 ключевым функциям современного VMS показывает, что должна выставлять серверная сторона.

Стриминг с низкой задержкой: WebRTC, SRT и MoQ на Android

Задержка glass-to-glass менее 500 мс — новый базовый уровень для живого просмотра. За неё на Android в 2026 году конкурируют три транспорта:

WebRTC идёт по умолчанию. Нативно поддерживается на Android через webrtc.org и хорошо поддерживается серверными стеками (Janus, mediasoup, LiveKit, Jitsi). Даёт 100–400 мс по LTE/5G, решает NAT traversal и «из коробки» приносит SRTP-шифрование. Слабое место — экономика fan-out на много участников; на 100+ одновременных зрителях нужен SFU.

SRT (Secure Reliable Transport) — рабочая лошадка для загрузки потока с камеры на сервер и для контрибьюшен-линков. Работает поверх UDP с надёжной ретрансмиссией, чисто переживает 10% потерь пакетов и нативно несёт AES-256. Для Android эталонная реализация — libsrt от Haivision с Kotlin-биндингами. SRT — для верхнего плеча, WebRTC или LL-HLS — для нижнего.

MoQ (Media over QUIC) — становящийся стандарт. Пока ещё ранняя стадия, но рабочий черновик IETF дозрел в 2024–2025 годах, и MoQ теперь работает в Chrome, на основных медиасерверах и в первых эталонных реализациях для Android. Это единственный транспорт, спроектированный с нуля под раздачу «один ко многим» в реальном времени с задержкой WebRTC — и он, скорее всего, вытеснит HLS и LL-HLS в новых проектах к 2027 году. Наш подробный разбор кастомной WebRTC-архитектуры показывает, какой транспорт когда выбирать.

Приватность, биометрия и соответствие AI Act в 2026 году

Compliance в 2026 году — это не отдельный поток работы, а архитектурное ограничение, которое расходится по всем слоям стека. Что нельзя обойти для Android-продукта по видеонаблюдению, поставляемого в ЕС, США или Великобританию в 2026 году:

EU AI Act (Regulation 2024/1689). Удалённая биометрическая идентификация в реальном времени в общественных местах: запрещена, кроме узких исключений для правоохранительных органов. Пост-событийная биометрическая идентификация: оценка соответствия + судебная санкция. Распознавание эмоций на рабочем месте или в образовании: запрещено. ИИ высокого риска (биометрическая категоризация, критическая инфраструктура): полная техническая документация, человеческий надзор, логирование и регистрация в базе ЕС. Применение для систем высокого риска начинается в августе 2026 года.

GDPR + CCPA/CPRA. Биометрические данные относятся к специальной категории. Нужны явное согласие, задокументированное юридическое основание, эндпоинты для прав субъекта данных (доступ, удаление, переносимость) и DPIA в архиве. CCPA добавляет право знать и право удалить с 45-дневным окном на ответ.

Illinois BIPA, Texas CUBI, Washington MHMDA. Региональные законы о биометрии с фиксированными штрафами. Частное право на иск по BIPA делает его самым опасным — 75 тыс.–375 тыс. ₽ за нарушение, и каждый кадр с несанкционированными данными о лице может считаться отдельным нарушением в трактовке адвокатов истцов. Лекарство везде одно и то же: замазывание на устройстве, явное согласие, лимиты хранения от 1 до 3 лет и аудируемое удаление.

HIPAA (развёртывания в здравоохранении). Сквозное шифрование в покое и при передаче, BAA с каждым субподрядчиком, аудит-логи, переживающие попытки подделки, и ролевой доступ вплоть до отдельного сегмента видео. Актуально для любого продукта видеонаблюдения, разворачиваемого в больницах, клиниках или аптеках.

Делать или купить: когда кастомное Android-видеонаблюдение выигрывает

Большинство Android-продуктов для видеонаблюдения в 2026 году не стоит делать с нуля. Готовая платформа (Verkada, Rhombus, Eagle Eye Networks со стороны облака; Milestone, Genetec, Qognify со стороны VMS) даёт вам 80% функционала за 10% времени. Кастом имеет смысл при трёх условиях:

(1) Вертикаль с уникальным compliance-сценарием или рабочим процессом. Медицинское образование, защита детей, правоохранительная деятельность, страховые расследования, операции с дронами, трансграничная логистика — у всех есть требования к workflow, которые универсальные VMS закрывают плохо. (2) Нужно владеть данными и моделью. Готовые продукты приезжают с моделями вендора и условиями обмена данными, вшитыми в контракт. (3) Глубина интеграции. Когда продукт видеонаблюдения должен жить в двух кликах внутри доменного приложения (LMS, CAD/RMS, система управления объектами), кастом выигрывает.

Если применимо хотя бы одно из трёх условий, кастомная Android-сборка возвращает TCO за 18–36 месяцев и даёт защищаемое продуктовое преимущество. Если не применимо ни одно — берите готовую платформу и выпускайтесь.

Наш опыт в разработке Android-видеонаблюдения

Компания Фора Софт занимается разработкой видеостриминга и видеонаблюдения с 2005 года — более двух десятилетий специализации в одной узкой области. 625+ проектов сдано на Upwork со 100% Success Score. Официальное партнёрство с AXIS Communications для раннего доступа к сетевому видеооборудованию.

Наша флагманская платформа видеонаблюдения для Android и веба V.A.L.T развёрнута в 770+ организациях США с 50 000+ ежедневных пользователей — это правоохранительные органы, медицинские школы, центры защиты детей. Платформа поддерживает одновременный стриминг 9 HD-камер на экран, управление PTZ, двустороннее аудио, SSL/RTMPS-шифрование и ролевой доступ вплоть до отдельного сегмента видео. Наш продукт Netcam Studio закрывает потребительский и SMB-сегмент того же стека.

Каждый старший разработчик в команде завершает двухнедельный ИИ-видео-проект, прежде чем притрагивается к клиентской работе. Поэтому наши работы по ИИ-распознаванию видео и компьютерному зрению для видеонаблюдения сдаются с цифрами бенчмарков, а не маркетинговыми эпитетами.

Часто задаваемые вопросы

Может ли Android-смартфон в 2026 году реально заменить специализированный шлюз для видеонаблюдения?

Для небольших развёртываний (до 8 камер) — да. Флагманский Android с LiteRT + NNAPI имеет достаточно запаса по NPU, чтобы принимать, анализировать и замазывать 8 потоков 1080p на 15 FPS каждый. На больших инсталляциях по-прежнему нужно специализированное устройство или серверное железо. Паттерн «смартфон как шлюз» особенно силён в сценариях с дронами и мобильной съёмкой.

Какая минимальная версия Android для продакшен-видеонаблюдения с ИИ в 2026 году?

Android 13 — практичный нижний порог. Android 14+ открывает AICore и существенно более качественную поддержку NNAPI у вендоров. Для гарантированной производительности на разных OEM таргетируйте Android 14 (API level 34) как минимальный SDK.

У какого чипсета NPU самая лучшая устойчивая производительность для 24/7-видеонаблюдения?

Под непрерывную нагрузку у Qualcomm Snapdragon 8 Gen 3 / 8 Elite с Hexagon NPU лучшее термальное поведение и устойчивая пропускная способность среди флагманов 2024–2025 годов. Pixel Tensor G4 быстрее на пике, но сильнее троттлится под длительной нагрузкой. Если сценарий действительно 24/7 и стационарный — рассмотрите специализированное Android-железо с активным охлаждением, а не смартфоны.

Как соответствовать EU AI Act по биометрическим функциям в реальном времени?

Архитектура по умолчанию: вообще не делать удалённую биометрическую идентификацию в реальном времени в общественных местах. Для идентификации сотрудников внутри закрытого объекта документируйте явное согласие и запускайте распознавание на устройстве. Для пост-событийной идентификации ставьте операцию в очередь за процедурой судебной санкции и логируйте каждое обращение. Держите DPIA и оценку соответствия в архиве.

Какая полоса нужна под видеонаблюдение с ИИ на устройстве?

В этом и смысл ИИ на устройстве: требования к полосе пропускания резко сокращаются. Вместо постоянной загрузки 4–8 Мбит/с сырого 1080p вы отправляете отрывки событий и метаданные — обычно 5–15% от объёма сырого потока. Типовая 8-камерная установка падает с ~200 ГБ/день исходящего облачного трафика до менее 30 ГБ/день.

Нужен ли облачный VMS, если инференс работает на устройстве?

Да, но по другим причинам — долговременное хранение, поиск между устройствами, управление пользователями и многосайтовые дашборды. Чего вам больше не нужно, так это парка облачных GPU, который занимается инференсом по сырым кадрам. Модель на устройстве срезает самую дорогую статью затрат у VMS.

Как обновлять модели, не прерывая работу 24/7?

Для самого Android-приложения используйте in-app updates от Google Play (flexible flow), а ML-модели поставляйте через Firebase ML или собственный CDN моделей со схемой blue-green переключения внутри приложения. Держите старую модель живой, пока новая не пройдёт on-device smoke-тест — канареечный набор из 20–30 кадров с известными ожидаемыми ответами.

Какой реалистичный срок до выпуска продакшен-Android-приложения для видеонаблюдения с ИИ?

Сфокусированная команда из 4–6 инженеров (1 Android-лид, 2 мобильных разработчика, 1 ML-инженер, 1 QA, 1 DevOps/бэкенд) выпускает первый рыночный релиз за 6–9 месяцев: 3 месяца до MVP с захватом, стримингом и одной ИИ-функцией; ещё 3–6 месяцев — на остальные четыре функции, compliance-сценарии и интеграцию с продакшен-VMS.

Сравнительная матрица: делать самим, купить, гибрид или open source для Android-видеонаблюдения с ИИ

Быстрая сетка для выбора между четырьмя типовыми путями в 2026 году. Берите строку, которая соответствует размеру команды, регуляторной нагрузке и целевому сроку до пользы, — а не строку, которая звучит амбициознее.

Что почитать дальше

Готовы собирать Android-видеонаблюдение, которое выпустится в 2026 году?

Пять ИИ-функций в этом гиде — инференс на устройстве, мультимодальная детекция, поиск на естественном языке, самообучаемая детекция аномалий и приватное замазывание — это не список пожеланий. Это обязательный минимум для любого Android-продукта видеонаблюдения, который поставляется в ЕС или США в 2026 году и рассчитывает выигрывать тендеры у Verkada, Rhombus или Milestone.

Собрать стек — не самая сложная часть. Сложно с первого раза правильно расставить бюджеты NPU, compliance-позицию и стриминговый транспорт — и именно тут команда, которая непрерывно выпускает Android-приложения для видеонаблюдения с 2005 года, экономит вам 6–9 месяцев переделок.

Нужна рука помощи в оценке этого для вашей дорожной карты? Позвоните по номеру +7 (911) 236-51-91 или напишите на info@fora-soft.ru — обсудим детали и сроки.

KPI, которые стоит отслеживать до и после выпуска

Любое решение по ИИ в Android-видеонаблюдении должно опираться на метрики результата, а не на счётчики тщеславия. Отслеживайте долю активных пользователей (неделя к неделе), задержку p95, дрейф точности и качества (тренд по неделям), удержание (D1, D7, D30) и влияние на выручку, аттрибутированное через чистый A/B-тест с hold-out-группой. Большинство команд пропускают hold-out, а потом не могут объяснить, реален ли прирост.

Фреймворк решения: выпустить, отложить или закрыть

Используйте сетку 3x3: влияние (низкий / средний / высокий прирост выручки или удержания) по одной оси, стоимость сборки (маленькая, средняя, большая) — по другой. В первую очередь запускайте всё из клетки «высокое влияние / маленькая стоимость». «Высокое влияние / большая стоимость» откладывайте в квартальный цикл. «Низкое влияние / большая стоимость» закрывайте безжалостно. Это та же сетка, которую мы применяем с собственными клиентами в проектах по Android-видеонаблюдению с ИИ.

Пять подводных камней, которые срывают проекты

Первое — выпустить алгоритм без операционного цикла: ни мониторинга, ни переобучения, ни маршрута эскалации. Второе — относиться к compliance (WCAG, GDPR, HIPAA, политики магазинов приложений) как к пост-релизному спринту, а не как к проектному ограничению. Третье — оптимизировать под бенчмарки точности вместо качества, ощущаемого пользователем. Четвёртое — собирать своими силами, когда готовый вендор выпустился бы в 10 раз быстрее. Пятое — пропустить A/B-тест на чистой базе и потом приписать себе фоновый рост.