ИИ в промышленности и автопроме – инженерный плейбук

Кратко (TL;DR)

Промышленные и автомобильные продукты используют видео-ИИ ради одной и той же базовой работы – камера смотрит на физическую сцену, а модель обязана понять её достаточно быстро, чтобы успеть среагировать, – и поэтому линия контроля деталей на заводе и система мониторинга водителя в автомобиле родственны куда сильнее, чем кажется. Через каждый такой проект проходят две линии: линия edge (решение должно приниматься на самом устройстве, потому что времени на реакцию меньше, чем длится рейс до облака и обратно) и линия безопасности (в тот момент, когда неверный ответ может травмировать человека, а не просто испортить отчёт, функция перестаёт быть аналитикой и становится регулируемой функцией безопасности). Выше линии безопасности вы наследуете целый этаж стандартов – ISO 26262, ISO 21448 и ISO/PAS 8800 в автомобилях; ISO 10218 и IEC 61508 на заводах; общеевропейский регламент безопасности (GSR), Euro NCAP и режим высокого риска EU AI Act в обоих мирах, – и самый трудный из них, SOTIF, существует именно потому, что модель восприятия может быть уверенно неправа, когда все компоненты работают идеально. Этот плейбук показывает нетехническому решающему лицу, как отличить аналитику от функции безопасности, оценить объём edge-проекта, прочитать регуляторный календарь 2026 года и выбрать между покупкой готовой платформы, сборкой своей и обучением кастомных моделей.

Почему это важно

Если вы отвечаете за продукт, операции или инженерию у производителя, оператора автопарка, изготовителя оборудования или автомобильного поставщика, вам скажут, что «добавить ИИ-зрение» – это вопрос навести камеру на проблему и вызвать облачный API. Для дашборда, который считает погрузчики, это примерно правда. Для всего, что останавливает станок, тормозит автомобиль, деактивирует подушку безопасности или предупреждает отвлёкшегося водителя, это опасно неверно: такие функции живут по ту сторону двух линий, которые меняют весь проект, бюджет и юридическую ответственность целиком. В 2026 году календарь сделал это срочным: 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 пережил капитальный пересмотр, а режим высокого риска EU AI Act подбирается к ИИ-компонентам безопасности и в машинах, и в станках. Эта статья – карта на простом языке, которая нужна решающему лицу, чтобы оценить работу, поставить задачу инженерам, выбрать партнёра и избежать двух ошибок, которые тихо топят такие проекты: считать, будто можно стримить всё в облако и решать там, и выпускать модель с критичностью для безопасности так, словно это дашборд.

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

Когда кто-то говорит «нам нужно ИИ-зрение в продукте», он обычно указывает на одну из горстки задач, у которых общие камера и чип, но мало что ещё. Рассортировать их в первый же день – первый настоящий инженерный акт, потому что у каждой задачи своя потребность в задержке, своя планка точности и – что людей удивляет – свой юридический статус.

На промышленной стороне семейства ясны. 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 зоной работ на предмет небезопасных условий: человек без каски, кто-то в опасной зоне станка, плохая поза при подъёме груза, опасное сближение пешехода и погрузчика. Логистическое и складское зрение читает штрихкоды и этикетки, считает и отслеживает товар, ведёт автоматические тележки. Предиктивный и процессный мониторинг следит за оборудованием и потоком материала, выискивая ранние признаки сбоя. А управление роботами и машинами даёт манипулятору или автономному мобильному роботу глаза, нужные, чтобы брать, ставить и не задевать людей.

На автомобильной стороне семейства зеркальны. Система мониторинга водителя, или DMS, – это маленькая камера, направленная на лицо водителя, которая оценивает сонливость и отвлечение – глаза не на дороге, глаза закрываются – и предупреждает раньше, чем провал внимания станет аварией. Система мониторинга салона, или OMS, расширяет обзор на весь салон: кто где сидит, правильно ли пристёгнуты ремни, не остался ли ребёнок забытым в машине. Восприятие ADAS – зрение за системами помощи водителю – это работа, направленная наружу: распознавать полосы, автомобили, пешеходов и знаки, чтобы кормить автоматическое торможение и удержание в полосе. Видеотелематика автопарка, тот самый ИИ-видеорегистратор, объединяет камеру наружу и камеру внутрь, чтобы ловить рискованную езду и документировать происшествия. А полноценное автономное восприятие – та же наружная работа, доведённая до предела.

Нажмите, чтобы увеличить

Раскладывать их рядом стоит потому, что собраны они из одних и тех же частей. Под почти всеми ними лежит один фундамент: камера, встраиваемый компьютер с ИИ-ускорителем, модель детекции или сегментации, обученная под сцену, и решающее правило, превращающее выход модели в действие или сигнал. Детектор дефектов и предупреждение об отвлечении водителя на уровне кремния – задачи одной формы. Эта общая форма – хорошая новость для бюджета (навыки переносятся), но она прячет различие, которое на самом деле важно и которое вовсе не «промышленное против автомобильного». Важно, по какую сторону двух линий стоит конкретная функция.

Две линии, которые определяют весь ваш проект

Прежде чем выбрано хоть какое-то железо, через каждое решение в продукте видео-ИИ для физического мира проходят две линии. Большинство проектов, вылетевших за бюджет или попавших под отзыв, пересекли одну из них, этого не заметив.

Первая – это линия edge. Модель на заводе или в автомобиле лишена роскоши думать в облаке. Сцена физическая и она движется – деталь едет по линии, машина едет по дороге, – поэтому время, за которое надо что-то заметить и среагировать, коротко и задано физикой, а не вашей архитектурой. Пересеките эту линию – предположите, что можно стримить видео в дата-центр, прогнать модель там и прислать ответ назад – и вы построите систему, которая слишком медленна, чтобы быть полезной, перестаёт работать в момент потери связи и тихо утекает приватное видео с устройства. Честный дизайн принимает, что восприятие и критичное по времени решение работают на самом устройстве, на edge, а задача облака – работа помедленнее: обучать модели, учиться на всём автопарке, хранить ту горстку событий, что стоит сохранить, и показывать людям дашборды.

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

Нажмите, чтобы увеличить

Держите обе линии в голове, потому что каждая рекомендация ниже – это 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 AI: edge, облако и момент действия

Самое весомое архитектурное решение в этих продуктах – где происходит каждый кусок вычисления, потому что место разом фиксирует задержку, надёжность, приватность и стоимость. Важны три места, и реальные системы используют все три.

Edge – само устройство – это место, где живут восприятие и критичное по времени решение. Это камера плюс встраиваемый компьютер с ИИ-ускорителем: чип на 4–8 TOPS в видеорегистраторе, автомобильный процессор зрения вроде семейства Mobileye EyeQ или промышленный edge-бокс на чём-то вроде модуля NVIDIA Jetson. (TOPS, «тера-операций в секунду», – это просто мера того, сколько простых вычислений чип делает за секунду – миллиарды, – и это грубая валюта edge-ИИ-мощности.) Работа здесь означает, что ответ приходит за миллисекунды, система продолжает работать, когда сеть – нет, а сырое видео – лицо рабочего, салон водителя – вообще не покидает устройство. Цена в том, что модель должна быть достаточно маленькой и эффективной, чтобы поместиться, а это отдельная инженерная дисциплина. (Эту дисциплину мы разбираем в дистилляции и квантизации для edge-видео-ИИ, а общий компромисс edge против облака – 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, учёба на миллионах 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 решает в реальном времени, что событие произошло, 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 делает цикл, автомобиль тормозит. Другие ставят в петлю человека: инженер по охране труда смотрит помеченное опасное сближение, наставник автопарка смотрит клип резкого торможения, инженер по качеству подтверждает отбракованную деталь. Спроектировать этот момент – действовать автоматически, когда ответ однозначен, а ставки высоки, и направлять к человеку, когда ответ неоднозначен, – так же важно, как сама модель, и именно здесь линия безопасности соблюдается на практике.

Нажмите, чтобы увеличить

Дефолт 2026 года, таким образом, – это гибрид с твёрдым правилом: всё, что на стороне безопасности линии, работает на edge и безопасно деградирует само по себе, а облако никогда не стоит в критическом пути решения, которое надо принять раньше, чем автомобиль проедет двадцать метров.

Разбор на числах: бюджет задержки на edge

Линия edge – не философия; это арифметика, и арифметика достаточно простая, чтобы посчитать на салфетке, – именно поэтому каждой команде стоит сделать это до того, как обещать «да просто прогоним в облаке».

Возьмём предупреждение об отвлечении водителя. Весь его смысл – предупредить водителя за долю секунды до того, как взгляд в сторону станет угрозой. Допустим, машина едет 100 километров в час. Сначала переведём в метры в секунду:

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

Теперь сравним два дизайна. В облачном дизайне кадр с камеры едет в дата-центр, модель отрабатывает, и ответ возвращается – пусть это будет рейс туда-обратно в 700 миллисекунд по хорошей мобильной сети. За это время машина проедет:

27,78 м/с × 0,70 с = 19,4 метра

Девятнадцать метров – примерно длина грузовика с прицепом – пройдены прежде, чем предупреждение успело хотя бы прийти, и это при условии, что сеть вообще работает. Теперь edge-дизайн, где модель отрабатывает 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 функция мониторинга водителя и ADAS работает на устройстве, и почему «стримить в облако» – не вариант для всего, чего касается линия безопасности. Та же логика правит заводом: дефект на линии, где деталь идёт со скоростью десять штук в секунду, не может ждать рейса до дата-центра, пока отбраковочный затвор уже проехал.

Линия edge проявляется и как стена трафика и стоимости, и та же прикидка на салфетке всё решает. 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 в тысячу машин – и вы гоните девять терабайт в день только ради того, чтобы смотреть, причём большая часть – записи того, как ничего не происходит. Edge-альтернатива – держать видео на устройстве и загружать только помеченные события: двадцать коротких клипов по двенадцать секунд при 2 Мбит/с – это около 60 мегабайт в день, примерно в сто пятьдесят раз меньше. Вот почему «устройство решает, облако хранит исключения» – это стандартный дизайн автопарка, а не хитрая оптимизация.

Линия безопасности подробно: когда видео-ИИ становится функцией безопасности

Этот раздел стоит прочитать дважды, потому что именно здесь функция тихо обзаводится обязанностями, которых изначальный план никогда не учитывал. Тест прямой: если модель ошиблась, может ли пострадать человек? Если худший случай – плохая цифра в статистике, вы ниже линии и строите аналитику. Если худший случай – травма, вы выше линии и строите функцию безопасности, и правила меняются.

Ниже линии сидит 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 сидят функции, ради которых продукт имеет смысл, а юристы нервничают. Система зрения, запускающая автоматическую аварийную остановку пресса. Предупреждение об отвлечении водителя, которого европейский закон теперь требует на каждой новой машине. Монитор салона, отключающий подушку безопасности, когда замечает детское кресло против хода движения. Восприятие ADAS, кормящее автоматическое торможение. Здесь неверный ответ – пропущенный дефект, ушедший в продукт; пропущенное отвлечение, которое закон считал вашей обязанностью поймать; ложное отключение подушки – может травмировать кого-то, и функция наследует обязанность по безопасности независимо от того, планировал её кто-нибудь 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, добиваясь того, чтобы компоненты не отказывали. Но модель восприятия может работать ровно так, как построена – без сбоя, без бага, без сломанного сенсора – и всё равно быть уверенно, опасно неправа, потому что встретила ситуацию, которой её обучение никогда не покрывало: необычный объект, странный свет, отражение, дефект, которого она прежде не видела. Автомобильный мир назвал безопасность правильной обработки этих «известных неизвестных» Safety Of The Intended Functionality, или SOTIF, стандартизировав её как ISO 21448. Она существует именно потому, что более старый стандарт функциональной безопасности ISO 26262 – который про ловлю отказов компонентов, с градацией по шкале ASIL от A до D – не покрывает систему, которая ошибается, когда все её части работают. ИИ-зрение живёт ровно в этом провале, и поэтому был опубликован третий стандарт, ISO/PAS 8800, чтобы покрыть конкретно ИИ и применяться вместе с двумя другими.

Нажмите, чтобы увеличить

«Ловушка – выпускать критичную для безопасности модель как дашборд. Самая дорогая ошибка в этом поле – построить функцию, способную причинить физический вред, тем же небрежным конвейером, что и аналитическое демо: одна модель, один порог, нет кейса безопасности, нет анализа SOTIF, нет заданного безопасного состояния на случай, когда модель не уверена. Демо она проходит, потому что демо – это лёгкие случаи. Потом она встречает трудные случаи реального мира – дефект, которого не видела, водителя в необычных очках, ребёнка под одеялом – и либо молча отказывает, либо сыплет ложными тревогами, которые в итоге отключают. Лекарство – не модель побольше. Лекарство – признать, что функция выше линии безопасности, до того как её строить, спроектировать безопасный откат на случай неуверенности, проверить против известных неизвестных и документировать кейс безопасности с первого дня. Прикручивать кейс безопасности к готовому аналитическому конвейеру – самый частый способ сорвать такому проекту сроки.»

Практическое следствие – правило последовательности. Решайте, по какую сторону линии безопасности стоит каждая функция, на этапе оценки, а не на запуске. Стартуйте продукт с аналитики ниже линии, которая даёт ценность дёшево, и относитесь к каждой функции выше линии как к отдельному, более тяжёлому потоку работ со своими стандартами, своим бюджетом на валидацию и своими сроками. План, который смешивает эти два и закладывает одинаковую скорость для обоих, уже ошибся в оценке самого себя.

Автомобильная половина: водитель, салон и дорога

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

Задача, направленная на водителя, – система мониторинга водителя – использует камеру, обычно инфракрасную, чтобы работать в темноте и сквозь большинство солнцезащитных очков, и отслеживает глаза, голову и лицо водителя, оценивая два состояния: сонливость и отвлечение. В Европе это перестало быть опциональным. По общеевропейскому регламенту безопасности, Regulation (EU) 2019/2144, предупреждение о сонливости и потере внимания (DDAW) требуется на всех новых автомобилях, продаваемых в ЕС, с июля 2024 года, а более строгое продвинутое предупреждение об отвлечении (ADDW) – которое следит, куда водитель реально смотрит, и предупреждает, когда глаза остаются не на дороге, – становится обязательным для всех новых автомобилей с июля 2026 года. По оценке одного поставщика, правила поставят камеры мониторинга водителя примерно в восемнадцать миллионов европейских машин. Это хрестоматийная функция выше линии безопасности: закон исходит из того, что предупреждение срабатывает, когда должно, поэтому показатели – не то, что вы вольны задавать небрежно.

Задачу, направленную в салон, – систему мониторинга салона – тянет испытательный орган, а не статут. Euro NCAP, чьи звёзды продают автомобили, сделал наблюдение в салоне частью своей оценки на 2026 год. С 2026 года автомобили теряют баллы, если не умеют распознать, что ремень пристёгнут неправильно, а распознавание присутствия ребёнка – ощущение того, что ребёнок остался в запертой машине, – переходит из приятного дополнения в оцениваемое требование. Протокол конкретен так, что обнажает, насколько задача трудна: система обязана распознавать ребёнка по прямым признакам жизни вроде движения или дыхания, начинать распознавание в пределах пятнадцати секунд после запирания машины и, если видит детское кресло против хода движения, автоматически отключать подушку безопасности, а не полагаться на ручной переключатель. Тесты мониторинга водителя столь же требовательны – система обязана работать сквозь прозрачные очки и короткую щетину и через переход день–ночь, а предупредить деградировавшего водителя должна в пределах десяти секунд.

Задачи, направленные наружу, – восприятие ADAS и, на пределе, автономное вождение – самые зрелые и самые требовательные. Это мир Mobileye, чьи процессоры зрения EyeQ перевалили в 2024 году за двухсотмиллионную отгруженную единицу, а новое, более производительное поколение приходит в машины с 2026 года. Эти системы всё чаще сплавляют камеру с радаром, а иногда и с лидаром, но камера и её модель восприятия остаются ядром, и они стоят на вершине стека безопасности: ISO 26262 – для отказов, ISO 21448 – для провалов штатной функции, ISO/PAS 8800 – для ИИ и регламенты ООН по конкретным автоматизированным функциям.

Видеорегистратор автопарка – место, где автомобильный видео-ИИ заметнее всего является бизнесом, а не пунктом соответствия. Рынок видеотелематики стоил около 1,69 миллиарда долларов в 2024 году и растёт почти на 18% в год. Одна только Samsara отчиталась о выручке, связанной с регистраторами, выше 800 миллионов долларов в 2025 году. Эти устройства гоняют весь edge-плейбук: чип на 4–8 TOPS распознаёт в реальном времени больше десятка рисковых поведений за поездку – пользование телефоном, сонливость, опасную дистанцию, непристёгнутый ремень, слишком близкого пешехода – и загружает только помеченные моменты. Большинство функций безопасности автопарка стоят ниже линии безопасности, потому что они тренируют человека постфактум, а не рулят грузовиком, – поэтому это ещё и самое лёгкое место для входа компании не из автопрома. Биометрическое измерение – камера, анализирующая лицо водителя, – несёт обязанности по защите данных; их мы разбираем в детекции и распознавании лиц под EU AI Act.

Промышленная половина: контроль деталей, защита людей, управление машинами

Промышленный видео-ИИ тянет скорее экономика, чем мандат, и экономика сильна. Рынок промышленного машинного зрения держится около 17 миллиардов долларов в 2026 году и, по прогнозам, примерно удвоится к середине 2030-х, прибавляя высокие однозначные проценты в год.

Флагманское применение – автоматический визуальный контроль: камера и модель проверяют каждую деталь на дефекты на скорости линии. Аргумент в его пользу – цифра, которая всё улучшается. Модели контроля на глубоком обучении достигают до 96% точности на трудных, тонких дефектах – например, микротрещинах в электронике, – там, где старые машинно-зрительные системы на правилах вытягивали около 71%, то есть скачок относительной выявляемости примерно на 40%, а хорошо настроенные системы превышают 99,5% точности на тех дефектах, под которые построены. Большая часть контроля стоит ниже линии безопасности – помеченная деталь снимается, и человек её подтверждает, – что делает это сравнительно безопасным местом для старта. Выше линии контроль переходит, только когда вердикт зрения напрямую управляет действием, значимым для безопасности, без человеческой проверки, – например, выпускает деталь, на которую человек положится без дальнейшего контроля.

Второе применение – аналитика безопасности труда – превращает камеры, которые на заводе и так есть, в систему безопасности. Платформы вроде Intenseye и Protex ИИ подключаются к существующему видеонаблюдению (CCTV) и следят за отсутствием средств защиты, людьми в опасных зонах, плохой эргономикой и опасными сближениями, затем сигналят и логируют их. Вендоры сообщают о крупных эффектах – Protex ИИ приводит в среднем 64% снижения риска в пределах трёх месяцев после внедрения; цифру вендора стоит сверять с собственной базовой линией, а не принимать на веру. Что важно, почти всё это стоит ниже линии безопасности: система помечает условие, а действует человек, поэтому это аналитика, а не останавливающая машину функция безопасности. Это держит её доступной и делает одной из точек входа в промышленный видео-ИИ с самой высокой отдачей.

Третье применение – управление роботами и машинами – место, где линия безопасности кусается сильнее всего, и 2025 год переписал правила. Базовый стандарт безопасности роботов ISO 10218 пережил первый крупный пересмотр с 2011 года, вобрав прежнее руководство по коллаборативным роботам (ISO/TS 15066) в основной текст и сместив фокус с «это коллаборативный робот?» на «это коллаборативное применение?» – потому что безопасность зависит от того, как робот используется, а не от того, как он назван. Когда система зрения – это то, что распознаёт человека и замедляет или останавливает робота, чтобы его не задеть, эта система зрения – функция безопасности в самом полном смысле, управляемая стандартами функциональной безопасности машин вроде IEC 61508 и ISO 13849, а скоро и EU AI Act. Лежащие под ней примитивы детекции и трекинга – те же детекторы объектов и трекеры, что используются всюду в этом поле, – разобраны в наших материалах про продуктовую линейку YOLO и трекинг множества объектов, а версия «модель помечает, человек проверяет» уровня видеонаблюдения – тема нашего плейбука по ИИ-видеонаблюдению и интеллектуальной видеоаналитике.

Карта регулирования и стандартов

Поскольку линия безопасности соблюдается через чащу стандартов и законов, полезно увидеть их в одном месте. Таблица ниже сводит главные; правило большого пальца – стандарты отказов, стандарты штатной функции и ИИ-специфичные стандарты складываются друг на друга, а EU AI Act сидит над всеми для функций, которые он относит к высокому риску.

EU AI Act – самый новый и самый сквозной. Его логика проста: если ИИ-система – это компонент безопасности продукта, уже регулируемого по безопасности, а его список в Приложении I включает транспортные средства, машины и средства индивидуальной защиты, то этот ИИ автоматически высокого риска, с обязанностями по управлению рисками, качеству данных, человеческому надзору, прозрачности и документации. Модель зрения, которая останавливает робота или рулит удержанием в полосе, – ровно это. Обязанности для таких встроенных в продукт систем запланированы к применению с августа 2027 года, хотя предложенный пакет упрощений может сдвинуть часть из них на 2028 год, так что относитесь к точной дате как к неустоявшейся и проектируйте под требования, а не под дедлайн. Весь механизм разобран в нашей статье про регуляторный инжиниринг и EU AI Act.

Нажмите, чтобы увеличить

Три способа это построить

Как только вы знаете, какие функции стоят выше линии безопасности и какие работают на edge, есть три способа собственно построить систему зрения, и они меняют скорость поставки на контроль – тот же компромисс, что и в любой другой вертикали.

Первый маршрут – купить платформу. В автопроме это покупка модуля DMS или ADAS у поставщика первого уровня или вендора чипов зрения либо покупка регистраторов автопарка у Samsara, Lytx, Motive или NetraDyne. В промышленности – покупка системы контроля у вендора машинного зрения или EHS-платформы вроде Intenseye или Protex AI. Вы получаете работающую, часто предсертифицированную систему за недели, и вендор несёт большую часть нагрузки по безопасности и точности. Компромисс в том, что вы принимаете их набор функций, их железо и их цену за устройство или за место, и у вас мало пространства адаптировать модель под дефект или поведение, уникальные для вас.

Второй маршрут – собрать свою на стандартных частях: edge-компьютер вроде модуля Jetson, камеры под сцену, открытые модели детекции и сегментации, дообученные на ваших данных, и ваша собственная решающая логика и дашборды поверх. Это занимает месяцы и означает, что вы владеете точностью, порогами и данными. Это правильный выбор, когда ваша цель контроля или ваша среда достаточно специфичны, чтобы никакой готовый продукт не подошёл, или когда плата за устройство перестаёт иметь смысл на вашем масштабе. Выше линии безопасности этот маршрут означает, что вы владеете и кейсом безопасности – серьёзное обязательство, а не деталь.

Третий маршрут – строить и обучать кастомные модели под задачу, которую рынок решает плохо: редкий класс дефектов, необычный материал, специфичная для площадки опасность. Это самый тяжёлый путь, оправданный, только когда способность видеть и есть сам дифференциатор. Для большинства команд он преждевременен; вопрос, когда общая визуально-языковая модель может полностью заменить кастомный детектор, – тема нашей статьи «VLM против кастомного CV».

Для большинства команд, оценивающих первую версию, честный путь – купить платформу для стандартных функций выше линии, где сертификация вендора стоит больше вашего контроля, и собрать свою для аналитики ниже линии, которая специфична для вашей операции и дёшева в случае ошибки.

Сколько на самом деле стоят эти системы

Бюджеты меняются с объёмом, но несколько реальностей обычно недооценивают, и назвать их – значит предотвратить худшие сюрпризы.

Первая – что edge-железо это стоимость за единицу, которая масштабируется с развёртыванием, а не разовая стоимость сборки. Каждая камера, каждый edge-компьютер, каждая машина или рабочее место, которое вы оснащаете, несёт железо, установку и обслуживание. Пилот на пяти камерах говорит мало о счёте за пять тысяч. Вторая – что выше линии безопасности валидация и сертификация могут стоить столько же, сколько модель. Кейс безопасности, анализ SOTIF, тестовые кампании против известных неизвестных и документация, которую потребует EU AI Act, – это реальная инженерная работа с реальными сроками, и она не сжимается с масштабом: это цена за право выпускать. Третья – это данные: детектор дефектов или монитор водителя хорош ровно настолько, насколько хороши размеченные примеры, на которых он учился, а собрать, разметить и выверить эти данные – особенно редкие дефекты и редкие опасности – часто самая длинная строка в плане. Бюджет, который заложил модель, но не данные, не парк железа и не кейс безопасности, ошибся в оценке проекта.

Где здесь Фора Софт

Фора Софт строит видеософт с 2005 года, и работа по компьютерному зрению за промышленным и автомобильным видео-ИИ – то же ремесло, что мы применяем в видеонаблюдении, где дисциплина всегда была одна: модель помечает, а человек проверяет. Ограничения реального времени и работы на устройстве у регистратора или контрольной камеры – те же ограничения edge и задержки, под которые мы инженерим в WebRTC-конференциях и живом стриминге. Обращение с чувствительными записями – лицом рабочего, салоном водителя – с явным согласием и аккуратным хранением – тот же стандарт, что мы держим в телемедицине. Этот межотраслевой опыт и удерживает проект от того, чтобы относиться к критичной для безопасности функции как к аналитическому дашборду, и от допущения, что облако может стоять в критическом пути решения, которое, по законам физики, должно случиться на устройстве.

Главное

• Промышленный и автомобильный видео-ИИ делят один фундамент: камеру, edge-чип, модель.
• Линия edge: восприятие и срочное решение работают на устройстве, а не в облаке.
• Линия безопасности: если ошибка может травмировать, это регулируемая функция безопасности.
• SOTIF (ISO 21448) существует, потому что модель может ошибаться, когда все компоненты работают.
• 2026-й – регуляторная стена: DDAW, ADDW, салон Euro NCAP, высокий риск EU AI Act.
• Стартуйте ниже линии безопасности; каждую функцию выше неё считайте отдельным тяжёлым потоком.

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