ИИ в промышленности и автопроме – инженерный плейбук

Кратко (TL;DR)

Промышленные и автомобильные продукты используют видео-ИИ для одной и той же базовой задачи – камера фиксирует физическую сцену, а модель должна быстро её интерпретировать, чтобы система успела среагировать. Именно поэтому контроль качества на заводе и система мониторинга водителя в автомобиле связаны гораздо теснее, чем может показаться. Через каждый такой проект проходят две ключевые линии: edge-линия (решение должно приниматься прямо на устройстве, ведь время реакции меньше, чем задержка при отправке данных в облако и их возврате) и линия безопасности (когда ошибка может привести к травме человека, а не просто к искажённому отчёту, функция перестаёт быть аналитикой и становится регулируемой функцией безопасности).

Выше линии безопасности возникает целый уровень стандартов: ISO 26262, ISO 21448 и ISO/IEC PAS 8800 в автомобильной отрасли; ISO 10218 и IEC 61508 на производственных предприятиях; общеевропейский регламент безопасности (GSR), Euro NCAP и режим высокого риска EU AI Act – во всех этих сферах. Самый сложный из них, SOTIF, существует именно потому, что модель восприятия может уверенно ошибаться, даже если все компоненты работают идеально.

Этот плейбук помогает нетехническому руководителю отличить аналитику от функции безопасности, оценить масштаб edge-проекта, разобраться в регуляторном календаре 2026 года и выбрать между покупкой готовой платформы, созданием собственной или обучением кастомных моделей.

Почему это важно

Если вы отвечаете за продукт, операции или инженерию в компании – производителе, операторе автопарка, изготовителе оборудования или автомобильном поставщике, – вам, скорее всего, скажут, что «добавить ИИ-зрение» – это просто направить камеру на объект и вызвать облачный API. Для дашборда, который считает погрузчики, это примерно верно. Но для задач, которые могут остановить станок, затормозить автомобиль, отключить подушку безопасности или предупредить отвлечённого водителя, такое представление опасно ошибочно: такие функции находятся по ту сторону двух ключевых границ, которые кардинально меняют проект, бюджет и юридическую ответственность.

Календарь 2026 года сделал ситуацию срочной: мониторинг отвлечения водителя теперь обязателен на новых автомобилях в Европе, Euro NCAP начисляет баллы за наблюдение в салоне, главный промышленный стандарт безопасности роботов впервые с 2011 года прошёл капитальный пересмотр, а режим высокого риска EU AI Act начинает распространяться на ИИ-компоненты безопасности – как в автомобилях, так и на станках.

Эта статья – простая карта, которая поможет руководителю принять решение: оценить объём работы, поставить задачу инженерам, выбрать партнёра и избежать двух ошибок, которые тихо губят такие проекты: полагать, что можно стримить всё в облако и обрабатывать там, и выпускать модель с критичностью для безопасности так, будто это обычный дашборд.

Что на самом деле значит «ИИ в промышленном или автомобильном продукте»

Когда кто-то говорит: «нам нужно ИИ-зрение в продукте», он обычно имеет в виду одну из нескольких задач, у которых общие камера и чип, но мало что ещё. Разделить их в первый же день – первый настоящий инженерный шаг, потому что у каждой задачи свои требования к задержке, своя планка точности и – что многих удивляет – свой юридический статус.

На промышленной стороне семейства всё ясно. Автоматический визуальный контроль – это камера и модель, которые проверяют каждую деталь на дефекты: царапину, недостающий винт, плохой сварной шов, опечатку на упаковке – на скорости линии, заменяя или подстраховывая контролёра-человека. Аналитика безопасности труда следит за рабочей зоной, выявляя небезопасные условия: человек без каски, кто-то в опасной зоне станка, неправильная поза при подъёме груза, опасное сближение пешехода и погрузчика. Логистическое и складское зрение читает штрихкоды и этикетки, считает и отслеживает товар, управляет автоматическими тележками. Предиктивный и процессный мониторинг контролирует оборудование и поток материалов, выявляя ранние признаки сбоев. А управление роботами и машинами обеспечивает манипулятору или автономному мобильному роботу «глаза», необходимые для того, чтобы брать, ставить и не задевать людей.

На автомобильной стороне семейства зеркальны. Система мониторинга водителя (DMS) – это небольшая камера, направленная на лицо водителя, которая оценивает признаки сонливости и отвлечённости: например, если глаза не на дороге или закрываются – и предупреждает заранее, пока внимание не было потеряно и не привело к аварии. Система мониторинга салона (OMS) расширяет обзор на весь салон: определяет, кто и где сидит, правильно ли пристёгнуты ремни безопасности, а также помогает избежать ситуации, когда ребёнок остаётся забытым в машине. Восприятие ADAS – «зрение» систем помощи водителю – направлено наружу: оно распознаёт разметку, другие автомобили, пешеходов и дорожные знаки, чтобы обеспечивать работу автоматического торможения и удержания в полосе. Видеотелематика автопарка – тот самый ИИ-видеорегистратор – объединяет внешнюю и внутреннюю камеры, чтобы фиксировать рискованное поведение за рулём и документировать происшествия. А полноценное автономное восприятие – это та же внешняя работа, доведённая до максимума.

Нажмите, чтобы увеличить

Раскладывать их рядом стоит потому, что они собраны из одних и тех же компонентов. Почти у всех – один и тот же фундамент: камера, встраиваемый компьютер с ИИ-ускорителем, модель детекции или сегментации, обученная под конкретную сцену, и правило принятия решения, превращающее выход модели в действие или сигнал. Детектор дефектов и система предупреждения об отвлечении водителя на уровне кремния – задачи одной формы. Эта общая форма – хорошая новость для бюджета (навыки легко переносятся), но она скрывает важное различие, которое вовсе не сводится к противопоставлению «промышленное против автомобильного». Ключевой вопрос – по какую сторону двух линий находится конкретная функция.

Две линии, определяющие весь ваш проект

Прежде чем выбрать хоть какое-то оборудование, каждое решение в продукте видео-ИИ для физического мира проходит через две линии. Большинство проектов, вышедших за рамки бюджета или попавших под отзыв, пересекли одну из них, не заметив этого.

Первая – это линия edge. Модель на заводе или в автомобиле не может позволить себе «думать в облаке». Сцена физическая и постоянно меняется – деталь движется по конвейеру, машина едет по дороге – поэтому время на распознавание и реакцию ограничено физикой, а не архитектурой системы. Пересечь эту границу – предположить, что можно стримить видео в дата-центр, обработать его там и вернуть ответ – значит создать систему, которая слишком медленна, чтобы быть полезной, перестаёт работать при потере связи и тихо утечёт приватные данные с устройства. Честный подход предполагает, что восприятие и критически важные по времени решения происходят на самом устройстве, на edge, а задача облака – более медленные процессы: обучение моделей, анализ данных со всего автопарка, хранение значимых событий и отображение дашбордов для людей.

Вторая – это линия безопасности. Модель зрения ничего не знает; она выдаёт оценку – свою лучшую догадку, что сварной шов треснул или глаза водителя закрыты. Чаще всего эта догадка лишь пополняет отчёт или график, и ошибка в ней стоит вам лишь небольшой потери точности. Но некоторые функции связывают эту догадку с физическим последствием: линия останавливается, робот замирает, машина тормозит, подушка безопасности отключается, водитель получает обязательное по закону предупреждение. В тот момент, когда неверный ответ может травмировать человека, а не просто ввести в заблуждение менеджера, функция переходит из аналитики в функцию безопасности – регулируемую категорию с обязательствами по сертификации, установленными показателями и документацией, которую инженерия не сможет добавить в конце. В демо-функция она выглядит одинаково. Её обязанности – совсем не одинаковы.

Нажмите, чтобы увеличить

Держите обе линии в голове, потому что каждая рекомендация ниже – одна из них в маскировке: действие происходит там, где происходит действие (уважайте линию edge) и если ошибка способна навредить, вы строите функцию безопасности, так что проектируйте и сертифицируйте её как функцию безопасности (уважайте линию безопасности).

Где работает ИИ: на краю сети, в облаке и в момент действия

Самое весомое архитектурное решение в этих продуктах – выбор места выполнения каждого вычисления, поскольку именно оно одновременно определяет задержку, надёжность, приватность и стоимость. Важны три таких места, и реальные системы используют все три.

Edge – само устройство – это место, где живут восприятие и критически важные по времени решения. Это камера плюс встраиваемый компьютер с ускорителем ИИ: чип на 4–8 TOPS в видеорегистраторе, автомобильный процессор компьютерного зрения вроде семейства Mobileye EyeQ или промышленный edge-устройство на базе модуля NVIDIA Jetson. (TOPS, «тераопераций в секунду», – это просто мера того, сколько простых вычислений чип выполняет за секунду – миллиарды – и это грубая валюта мощности edge-ИИ.) Работа здесь означает, что ответ приходит за миллисекунды, система продолжает функционировать, даже если сеть недоступна, а сырое видео – лицо работника, салон водителя – вообще не покидает устройство. Цена в том, что модель должна быть достаточно компактной и эффективной, чтобы поместиться, а это отдельная инженерная дисциплина. (Эту дисциплину мы разбираем в дистилляции и квантизации для edge-видео-ИИ, а общий компромисс между edge и облаком – в гайде про задержку, топологию развёртывания и real-time против батча.)

Облако – это место, где живёт медленная, тяжёлая работа на весь автопарк. Обучение и дообучение моделей, анализ миллионов клипов, собранных со всех устройств, генерация аналитики и отчётов о соответствии, хранение той малой доли записей, что стоит сохранить – ничто из этого не критично к миллисекундам, и всё выигрывает от масштаба и близости к данным. Современный дизайн видеорегистратора для автопарка делает разделение явным: устройство в реальном времени определяет, что произошло событие, и в облако загружается только помеченный клип. Поколение регистраторов Motive 2026 года распознаёт отвлечение на самом устройстве и стримит в облако только помеченные события – именно ради того, чтобы держать трафик, а с ним и стоимость, под контролем.

Третье место – момент действия, где петлю замыкает человек или исполнительный механизм. Часть выходов запускает машину напрямую: робот останавливается, пресс не выполняет цикл, автомобиль тормозит. Другие направляют сигнал человеку: инженер по охране труда проверяет помеченное опасное сближение, наставник автопарка просматривает клип резкого торможения, инженер по качеству подтверждает отбракованную деталь. Спроектировать этот момент – действовать автоматически, когда ответ однозначен и ставки высоки, а в случае неоднозначности – передавать решение человеку, – так же важно, как и сама модель. Именно здесь на практике соблюдается линия безопасности.

Нажмите, чтобы увеличить

Дефолт 2026 года – это гибрид с жёстким правилом: всё, что находится на стороне безопасности линии, работает на edge и безопасно деградирует самостоятельно, а облако никогда не оказывается в критическом пути принятия решения, которое должно быть принято до того, как автомобиль проедет двадцать метров.

Разбор на числах: бюджет задержки на edge

Линия edge – не философия, а арифметика, и такая простая, что её можно посчитать на салфетке. Именно поэтому каждой команде стоит это сделать, прежде чем обещать: «да просто прогоним в облаке».

Возьмём предупреждение об отвлечении водителя. Его цель – предупредить водителя за долю секунды до того, как взгляд в сторону станет реальной угрозой. Допустим, машина едет со скоростью 100 километров в час. Сначала переведём это значение в метры в секунду:

100 км/ч ÷ 3,6 = 27,78 метра в секунду

Теперь сравним два подхода. В облачной архитектуре кадр с камеры отправляется в дата-центр, модель обрабатывает данные, и результат возвращается – допустим, задержка туда-обратно составляет 700 миллисекунд при хорошем мобильном соединении. За это время автомобиль проедет:

27,78 м/с × 0,70 с = 19,4 метра

Девятнадцать метров – примерно длина грузовика с прицепом – проходят до того, как предупреждение успевает прийти, и это при условии, что сеть вообще работает. Теперь в edge-архитектуре модель обрабатывает данные на собственном чипе регистратора за 50 миллисекунд:

27,78 м/с × 0,05 с = 1,4 метра

Полтора метра. Разница между двумя дизайнами – примерно восемнадцать метров дороги, пройденной вслепую, каждый раз. Этот разрыв – причина, по которой любая серьёзная система мониторинга водителя и ADAS работает на устройстве, и почему «стримить в облако» – не вариант для всего, что касается безопасности. Та же логика действует на заводе: дефект на линии, где детали идут со скоростью десять штук в секунду, не может ждать рейса до дата-центра, пока отбраковочный затвор уже прошёл.

Линия edge проявляется и как стена трафика, и как стена стоимости – и всё решает та же прикидка на салфетке. Одна камера 1080p, стримящая непрерывно, даёт около 2 мегабит в секунду. За десятичасовую смену это:

2 Мбит/с × 36 000 с = 72 000 мегабит = 9 000 мегабайт ≈ 9 ГБ в день на одну камеру

Умножьте на автопарк из тысячи машин – и вы получаете девять терабайт в день только ради того, чтобы смотреть, причём большая часть – это записи того, как ничего не происходит. Альтернатива на основе edge-вычислений – хранить видео на устройстве и загружать в облако только помеченные события: двадцать коротких клипов по двенадцать секунд при скорости 2 Мбит/с – это около 60 мегабайт в день, то есть примерно в сто пятьдесят раз меньше. Вот почему принцип «устройство решает, облако хранит исключения» – это стандартный подход в автопарках, а не хитрая оптимизация.

Линия безопасности подробно: когда видео-ИИ становится функцией безопасности

Этот раздел стоит прочитать дважды, потому что именно здесь функция незаметно набирает обязанности, которых изначальный план не предусматривал. Простой тест: если модель ошибётся, может ли пострадать человек? Если в худшем случае – лишь искажённая цифра в статистике, вы ниже границы и занимаетесь аналитикой. Если же возможен вред или травма – вы выше границы и создаёте систему безопасности, а правила становятся другими.

Ниже линии – большинство привлекательных демо. Дашборд, считающий, сколько людей зашло в зону. Еженедельный отчёт, помечающий дефекты сварки для перепроверки человеком. Обучающий клип, который менеджер автопарка смотрит после смены. Это ценно, это место, с которого большинству проектов и надо стартовать, и неверный ответ – это досада, а не угроза. Точность вам всё ещё нужна, но кейс безопасности – нет.

Выше линии – функции, ради которых продукт имеет смысл, а юристы нервничают. Система зрения, запускающая автоматическую аварийную остановку пресса. Предупреждение об отвлечении водителя – его теперь требует европейский закон на каждой новой машине. Монитор салона, отключающий подушку безопасности, если обнаруживает детское кресло, установленное против хода движения. Восприятие ADAS, обеспечивающее работу автоматического торможения. Здесь ошибка – пропущенный дефект, попавший в продукт; упущенное отвлечение, которое закон возлагает на вас как на обязанность; ложное отключение подушки – может травмировать человека. И функция автоматически наследует ответственность за безопасность, независимо от того, проектировалась она специально или нет.

Самая трудная идея выше линии безопасности – та, которой органы стандартизации дали имя, и она ловит почти каждого новичка. В обычной инженерии вы делаете вещи безопасными, обеспечивая надёжность компонентов и предотвращая их отказы. Но модель восприятия может работать ровно так, как задумана – без сбоев, без багов, без неисправных сенсоров – и всё равно быть уверенно, опасно неправой, потому что столкнулась с ситуацией, которой её обучение никогда не охватывало: необычный объект, странный свет, отражение, дефект, с которым она ранее не сталкивалась. Автомобильный мир назвал безопасность правильной обработки таких «известных неизвестных» Safety Of The Intended Functionality, или SOTIF, стандартизировав её как ISO 21448. Этот стандарт существует именно потому, что более старый стандарт функциональной безопасности ISO 26262 – ориентированный на выявление отказов компонентов и градацию рисков по шкале ASIL от A до D – не учитывает случаи, когда система ошибается, хотя все её части работают исправно. ИИ-зрение как раз и живёт в этом пробеле, поэтому был опубликован третий стандарт – ISO/PAS 8800, призванный покрыть именно искусственный интеллект и применяться параллельно с двумя другими.

Нажмите, чтобы увеличить

«Ловушка – выпускать критичную для безопасности модель как дашборд. Самая дорогая ошибка в этой области – создавать функцию, способную нанести физический вред, тем же небрежным конвейером, что и аналитическое демо: одна модель, один порог, нет кейса безопасности, нет анализа SOTIF, нет заранее определённого безопасного состояния на случай, если модель не уверена. Демо проходит успешно, потому что демо – это лёгкие случаи. Потом она сталкивается с трудными ситуациями реального мира – с дефектом, которого не видела, с водителем в необычных очках, с ребёнком под одеялом – и либо молча отказывается работать, либо выдаёт ложные тревоги, которые в итоге отключают. Лекарство – не увеличение модели. Лекарство – признать, что функция находится выше линии безопасности, до начала её разработки, спроектировать безопасный откат при неуверенности, протестировать на известных неизвестных и задокументировать кейс безопасности с самого первого дня. Добавлять кейс безопасности к уже готовому аналитическому конвейеру – самый частый способ сорвать сроки такого проекта.»

Практическое следствие – правило последовательности. Определяйте, по какую сторону линии безопасности находится каждая функция, на этапе оценки, а не при запуске. Запускайте продукт с аналитикой ниже линии, приносящей ценность дешево, и относитесь к каждой функции выше линии как к отдельному, более сложному потоку работ со своими стандартами, бюджетом на валидацию и сроками. План, который смешивает эти два подхода и закладывает одинаковую скорость для обоих, уже ошибается в собственной оценке.

Автомобильная половина: водитель, салон и дорога

Автомобильный видео-ИИ в 2026 году ускоряет регулирование быстрее любой другой силы, поэтому важно понять, чего теперь ждёт закон.

Задача системы мониторинга водителя – отслеживать состояние водителя с помощью камеры, чаще всего инфракрасной, чтобы работать в темноте и сквозь большинство солнцезащитных очков. Камера анализирует глаза, голову и лицо, выявляя два состояния: сонливость и отвлечение. В Европе эта функция больше не является опциональной. Согласно общеевропейскому регламенту безопасности Regulation (EU) 2019/2144, система предупреждения о сонливости и потере внимания (DDAW) обязательна на всех новых автомобилях, продаваемых в ЕС, с июля 2024 года. Более продвинутая система – продвинутое предупреждение об отвлечении (ADDW), которая отслеживает, куда водитель действительно смотрит, и предупреждает, если его взгляд не на дороге, – станет обязательной для всех новых автомобилей с июля 2026 года. По оценке одного из поставщиков, новые правила потребуют установки камер мониторинга водителя примерно в восемнадцать миллионов европейских автомобилей. Это классический пример функции, выходящей за рамки базовой безопасности: закон предполагает, что система срабатывает в нужный момент, поэтому её показатели нельзя задавать произвольно или небрежно.

Задачу по мониторингу салона – систему наблюдения за пассажирским пространством – проверяет испытательный орган, а не статут. Euro NCAP, чьи оценки напрямую влияют на продажи автомобилей, включил контроль за состоянием салона в свою методологию с 2026 года. С этого времени автомобили теряют баллы, если не способны определить, что ремень пристёгнут неправильно, а распознавание присутствия ребёнка – способность обнаружить, что ребёнок остался в закрытой машине, – переходит из опции в обязательное требование. Протокол настолько детализирован, что подчёркивает сложность задачи: система должна распознавать ребёнка по признакам жизнедеятельности – движению или дыханию, – начать анализ в течение пятнадцати секунд после блокировки автомобиля и, если обнаруживает детское кресло, установленное против хода движения, автоматически отключать подушку безопасности, а не полагаться на ручной переключатель. Тесты для систем контроля состояния водителя не менее строги: система должна работать сквозь прозрачные очки и короткую щетину, корректно функционировать при смене светового режима день–ночь, а предупреждение о потере внимания водителя должно поступать не позднее чем через десять секунд.

Задачи, направленные наружу – восприятие ADAS и, в конечном счёте, автономное вождение – являются самыми зрелыми и требовательными. Это сфера Mobileye, чьи процессоры зрения EyeQ в 2024 году превысили отметку в двести миллионов отгруженных единиц, а новое, более производительное поколение начнёт поступать в автомобили с 2026 года. Эти системы всё чаще объединяют камеру с радаром, а иногда и с лидаром, однако камера и её модель восприятия остаются ядром системы и занимают вершину стека безопасности: ISO 26262 – для отказов, ISO 21448 – для сбоев штатной функции, ISO/IEC PAS 8800 – для ИИ, а также регламенты ООН по конкретным автоматизированным функциям.

Видеорегистратор автопарка – сфера, где автомобильный видео-ИИ становится не просто средством соответствия требованиям, а настоящим бизнес-инструментом. Рынок видеотелематики оценивался в 1,69 миллиарда долларов в 2024 году и растёт примерно на 18% в год. Только Samsara сообщила о выручке от видеорегистраторов свыше 800 миллионов долларов в 2025 году. Эти устройства реализуют весь edge-сценарий: чип мощностью 4–8 TOPS в реальном времени распознаёт более десятка рисков за одну поездку – использование телефона, признаки сонливости, опасную дистанцию, непристёгнутый ремень, приближение пешехода – и передаёт только помеченные фрагменты. Большинство функций безопасности автопарка находятся ниже уровня автопилота, поскольку они обучают водителя после происшествия, а не управляют транспортом – поэтому это также одна из самых простых точек входа для компаний, не связанных с автопромом. Биометрический анализ – камера, отслеживающая лицо водителя, – несёт ответственность за защиту персональных данных; этот вопрос мы подробно разбираем в детекции и распознавании лиц под EU AI Act.

Промышленная половина: контроль деталей, защита людей, управление машинами

Промышленный видео-ИИ развивается скорее под влиянием экономики, чем нормативных требований, и эта экономика остаётся сильной. Рынок промышленного машинного зрения оценивается в 17 миллиардов долларов к 2026 году и, по прогнозам, удвоится к середине 2030-х, демонстрируя высокие однозначные темпы роста в год.

Флагманское применение – автоматический визуальный контроль: камера и модель проверяют каждую деталь на дефекты в реальном времени на скорости производственной линии. Главный аргумент – постоянно растущая эффективность. Модели на основе глубокого обучения достигают точности до 96% при выявлении сложных, тонких дефектов – например, микротрещин в электронике, – тогда как традиционные системы машинного зрения на правилах показывали около 71%, то есть относительное улучшение выявляемости составляет примерно 40%. Хорошо настроенные системы могут превосходить 99,5% точности на тех дефектах, для которых они специально обучены. Большая часть контроля находится ниже линии безопасности – обнаруженная дефектная деталь помечается, и человек подтверждает результат, – что делает эту зону относительно безопасной для внедрения. Контроль переходит выше линии безопасности только тогда, когда решение системы напрямую управляет действием, критичным для безопасности, без последующей проверки человеком – например, когда система разрешает выпуск детали, на которую в дальнейшем будет положиться оператор без дополнительного контроля.

Второе применение – аналитика безопасности труда – превращает уже имеющиеся на заводе камеры в систему контроля за безопасностью. Платформы вроде Intenseye и Protex AI подключаются к существующей системе видеонаблюдения (CCTV) и отслеживают отсутствие средств индивидуальной защиты, присутствие людей в опасных зонах, нарушения эргономики и опасные сближения, после чего фиксируют и сигнализируют об этих инцидентах. Вендоры заявляют о значительных результатах: Protex AI, по их данным, в среднем снижает риски на 64% в течение трёх месяцев после внедрения. Однако эту цифру стоит сопоставлять со своей собственной базовой линией, а не принимать без проверки. Важно, что почти всё это происходит ниже уровня систем безопасности: система лишь фиксирует нарушение, а решение принимает человек. Поэтому это аналитика, а не функция, способная остановить оборудование. Такой подход делает решение доступным и превращает его в одну из наиболее эффективных точек входа в промышленный видео-ИИ.

Третье применение – управление роботами и машинами – то место, где требования безопасности становятся особенно жёсткими, и 2025 год кардинально изменил правила игры. Базовый стандарт безопасности роботов ISO 10218 пережил первый крупный пересмотр с 2011 года: в него был включён предыдущий технический отчёт по коллаборативным роботам (ISO/TS 15066), а акцент сместился с вопроса «это коллаборативный робот?» на «это коллаборативное применение?» – ведь безопасность определяется тем, как используется робот, а не тем, как он называется. Когда система зрения распознаёт человека и замедляет или останавливает робота, чтобы избежать столкновения, она становится функцией безопасности в полном смысле этого слова. Такие системы подчиняются стандартам функциональной безопасности машин, таким как IEC 61508 и ISO 13849, а в ближайшее время – и новому EU AI Act. Базовые примитивы детекции и трекинга – те же самые детекторы объектов и трекеры, которые применяются повсеместно в этой области, – подробно рассмотрены в наших материалах о продуктовой линейке YOLO и трекинге множества объектов, а подход «модель помечает, человек проверяет», характерный для систем видеонаблюдения, описан в нашем плейбуке по ИИ-видеонаблюдению и интеллектуальной видеоаналитике.

Карта регулирования и стандартов

Поскольку безопасность обеспечивается через множество стандартов и законов, полезно иметь их в одном месте. Ниже приведена таблица с основными из них: правило большого пальца – стандарты отказоустойчивости, стандарты нормальной работы и стандарты, специфичные для ИИ, накладываются друг на друга, а EU AI Act охватывает функции, отнесённые к высокому риску.

EU AI Act – самый новый и самый сквозной. Его логика проста: если ИИ-система является компонентом безопасности продукта, уже регулируемого в сфере безопасности, а перечень таких продуктов приведён в Приложении I (в него входят транспортные средства, машины и средства индивидуальной защиты), то такая ИИ-система автоматически относится к категории высокого риска и подлежит обязанностям по управлению рисками, качеству данных, человеческому надзору, прозрачности и ведению документации. Модель компьютерного зрения, которая останавливает робота или удерживает автомобиль в полосе, – именно такой случай. Требования к встроенным в продукт ИИ-системам планируется ввести в действие с августа 2027 года, хотя предложенный пакет упрощений может перенести часть из них на 2028 год – поэтому относитесь к точной дате как к временной и проектируйте решения под требования, а не под дедлайн. Подробный разбор всего механизма – в нашей статье про регуляторный инжиниринг и EU AI Act.

Нажмите, чтобы увеличить

Три способа это построить

Как только вы определите, какие функции находятся выше линии безопасности, а какие работают на edge, у вас есть три способа построения системы зрения – и каждый из них влечёт компромисс между скоростью поставки и уровнем контроля, аналогичный тому, что встречается в любой другой области.

Первый маршрут – купить платформу. В автопроме это может быть приобретение модуля DMS или ADAS у поставщика первого уровня или у вендора чипов компьютерного зрения, либо покупка регистраторов автопарка у таких компаний, как Samsara, Lytx, Motive или NetraDyne. В промышленности – выбор системы контроля у вендора решений машинного зрения или EHS-платформы вроде Intenseye или Protex AI. Вы получаете готовую, зачастую предсертифицированную систему за несколько недель, при этом вендор берёт на себя большую часть ответственности за безопасность и точность. Компромисс заключается в том, что вы принимаете их функционал, аппаратное обеспечение и стоимость за устройство или за пользователя, а возможности адаптировать модель под специфические дефекты или поведение, уникальные для вашей компании, крайне ограничены.

Второй маршрут – собрать свою систему из стандартных компонентов: edge-компьютер, например модуль Jetson, камеры, подходящие для вашей сцены, открытые модели детекции и сегментации, дообученные на ваших данных, а также собственная логика принятия решений и дашборды. На это уходят месяцы, но вы получаете полный контроль над точностью, порогами и данными. Такой путь оправдан, когда требуется строгий контроль или среда настолько специфична, что ни один готовый продукт не подойдёт, либо когда стоимость устройства становится нецелесообразной на вашем масштабе. Выше линии безопасности этот подход означает, что вы берёте на себя ответственность за безопасность – серьёзное обязательство, а не просто техническую деталь.

Третий маршрут – строить и обучать кастомные модели под задачи, которые рынок решает плохо: редкие классы дефектов, необычные материалы, специфичные для площадки опасности. Это самый трудоёмкий путь, оправданный только тогда, когда способность видеть сама по себе становится дифференциатором. Для большинства команд он преждевременен; вопрос, когда общая визуально-языковая модель сможет полностью заменить кастомный детектор, – тема нашей статьи «VLM против кастомного CV».

Для большинства команд, оценивающих первую версию продукта, честный путь – использовать готовую платформу для стандартных функций «выше линии», где сертификация вендора стоит дороже, чем ваш контроль, и разработать собственную систему для аналитики «ниже линии», специфичной для вашей операции и не слишком дорогой в случае ошибки.

Сколько на самом деле стоят эти системы

Бюджеты меняются в зависимости от объёма, но несколько важных реалий обычно недооценивают – а их осознание помогает избежать худших сюрпризов.

Первая – что edge-железо – это стоимость за единицу, которая растёт с масштабом развёртывания, а не разовая стоимость сборки. Каждая камера, каждый edge-компьютер, каждая машина или рабочее место, которое вы оснащаете, требуют железа, установки и обслуживания. Пилот на пяти камерах мало что говорит о стоимости развёртывания на пять тысяч.

Вторая – что валидация и сертификация выше линии безопасности могут стоить столько же, сколько сама модель. Кейс безопасности, анализ SOTIF, тестовые кампании против «известных неизвестных» и документация, требуемая EU AI Act, – это реальная инженерная работа с конкретными сроками, и она не сокращается с ростом масштаба: это цена за право выхода на рынок.

Третья – это данные: детектор дефектов или монитор водителя работает хорошо ровно настолько, насколько хороши размеченные примеры, на которых он обучался. А собрать, разметить и проверить эти данные – особенно редкие дефекты и редкие опасности – зачастую оказывается самой трудоёмкой частью проекта. Бюджет, заложенный только на модель, но не на данные, не на парк оборудования и не на кейс безопасности, – это ошибка в оценке масштаба проекта.

Где здесь Фора Софт

Фора Софт разрабатывает видеософт с 2005 года, и работа с компьютерным зрением в промышленности и автомобильном видео-ИИ – это то же ремесло, что мы применяем в системах видеонаблюдения, где всегда соблюдается один принцип: модель помечает, а человек проверяет. Ограничения по времени и выполнение задач непосредственно на устройстве – регистраторе или контрольной камере – такие же, как требования к edge-вычислениям и задержкам, с которыми мы сталкиваемся в WebRTC-конференциях и прямом стриминге. Обработка чувствительных данных – изображений лица работника, интерьера салона водителя – возможна только при наличии явного согласия и с соблюдением строгих правил хранения, что соответствует тем же стандартам, которые мы применяем в телемедицине. Именно этот межотраслевой опыт не позволяет нам воспринимать критически важные для безопасности функции как обычный аналитический дашборд и исключает возможность полагаться на облако в критическом пути решения, которое, согласно законам физики, должно происходить непосредственно на устройстве.

Главное

• Промышленный и автомобильный видео-ИИ имеют общую основу: камера, edge-чип, модель.
• Линия edge: восприятие и принятие срочных решений происходят на устройстве, а не в облаке.
• Линия безопасности: если ошибка может привести к травме, это регулируемая функция безопасности.
• SOTIF (ISO 21448) существует потому, что модель может ошибаться даже при исправной работе всех компонентов.
• 2026 год – регуляторная стена: DDAW, ADDW, салон Euro NCAP, высокий риск по EU AI Act.
• Начинайте ниже линии безопасности; каждую функцию выше неё рассматривайте как отдельный сложный поток.

Что почитать дальше

• ИИ-видеонаблюдение и интеллектуальная видеоаналитика – инженерный плейбук
• Задержка, топология развёртывания и real-time против батча
• Регуляторный инжиниринг – EU AI Act, статья 50 и биометрия