Облачная видеоаналитика: стоимость и когда её брать

Это инженерное руководство, а не юридическая консультация. Уточняйте детали у квалифицированного юриста.

Коротко

Облачная видеоаналитика – это запуск ИИ-моделей, превращающих видео с камер в детекции и поиск, на арендованных компьютерах в далёком датацентре, а не на камере или сервере, который у вас. Поднять видео наверх – лёгкая часть: загрузка бесплатна у двери облака, хотя и расходует аплинк объекта, – но как только видео внутри, облако включает три счётчика: вычисления, хранение и плату за выгрузку данных обратно. Удивляют именно вычисления: управляемый поминутный сервис примерно по $0,10 за минуту обходится примерно в $4320 на камеру в месяц, если направить его на одну камеру в режиме 24/7, тогда как аренда GPU для запуска той же модели самому выходит около $24 на камеру в месяц – примерно в 180 раз дешевле, но теперь инфраструктуру обслуживаете вы. Облако оправдывает себя для всплесковых, разовых или географически разрозненных задач; это неправильный инструмент для постоянного анализа большого парка, а для регулируемого или биометрического видео оно поднимает трансграничный правовой вопрос, на который надо ответить до того, как первый кадр покинет здание.

Почему это важно

Если вы выбираете, как добавить ИИ к системе видеонаблюдения, «просто в облако» звучит просто и оказывается самой дорогой фразой в проекте. Облако действительно правильный дом для одной аналитики и бюджетная яма для другой, и граница между ними в основном про то, насколько постоянна и насколько велика нагрузка. Эта статья даёт понятную модель того, во что реально обходится облачная видеоаналитика – счётчик за счётчиком, с показанной арифметикой, – и чёткий критерий, когда выгружать видео стоит. Прочитайте её до того, как подпишете контракт с оплатой по использованию или спроектируете архитектуру, которая стримит каждую камеру в датацентр: оба решения дорого разворачивать через год.

Три места, где может работать аналитика

Любая аналитика видеонаблюдения работает в одном из трёх мест, и выбор между ними – весь предмет этого блока. Сама камера может запускать лёгкий анализ своего видео – это edge AI на камере, ограниченный теми немногими ваттами, что даёт сетевой кабель. Компьютер, который у вас, в вашей сети, может запускать модели потяжелее по многим камерам – это edge-сервер или локальная ИИ-приставка. А арендованный компьютер в далёком датацентре может запустить что угодно по запросу – это облако, предмет этой статьи. Полное сравнение уровень за уровнем – в статье аналитика на краю против облака; коммерческий обзор этого выбора – в нашем блоге про edge AI против cloud ИИ в видеонаблюдении.

Эта статья не переспоривает то сравнение. Она отвечает на два более узких практических вопроса именно про облачный уровень: во что реально обходится запускать аналитику наверху и когда выгружать видео того стоит. Начнём со стоимости – там и живут сюрпризы.

Нажмите, чтобы увеличить

Что такое «облачная видеоаналитика» на самом деле

Под одним названием прячутся две очень разные вещи с дико разными ценниками. Понять, какую из них называет вендор, – первый шаг к тому, чтобы читать облачный счёт.

Первая – управляемый сервис аналитики, то есть API (application programming interface, способ для вашего софта отправить видео в готовую модель провайдера и получить результат). Amazon Rekognition Video и Google Cloud Video Intelligence – хрестоматийные примеры: вы отдаёте видео, они возвращают метки, лица или текст, а вы платите за минуту обработанного видео. Вы не пишете модель и не арендуете сервер; вы покупаете анализ поминутно – как могли бы покупать перевод по словам.

Вторая – аренда своей инфраструктуры: вы арендуете виртуальный компьютер с графическим процессором (GPU, чип для быстрого запуска ИИ-моделей), ставите на него свою аналитику и сами её запускаете. Инстансы Amazon EC2 G6, несущие тот же GPU NVIDIA L4, что и локальный edge-сервер, – показательный пример: вы платите за машину почасово, занята она или простаивает, и всё, что на ней работает, – ваша забота. Вы покупаете не анализ; вы арендуете фабрику.

Короткая аналогия: управляемый API – это такси (платите за поездку, ноль обслуживания, и дорого, если катаетесь весь день). Арендованная инфраструктура – это машина в лизинге (фиксированный месячный платёж, дешевле при постоянной езде, но теперь вы и водитель, и механик). Расчёт ниже показывает, где именно такси перестаёт окупаться.

Поднять видео наверх: трафик, который не закладывают в бюджет

До того как заработает любой счётчик, видео должно добраться до облака, и это первое тихое ограничение. Отправка данных внутрь облака – её называют ingress – бесплатна у всех крупных провайдеров; Amazon, Google и Microsoft не берут за загрузку. То есть сама загрузка у двери облака не стоит ничего.

Стоит она вашего аплинка – той половины интернет-канала объекта, что отвечает за отдачу, за которую вы платите провайдеру и которая почти всегда меньше половины на приём. Пройдём арифметику для скромного объекта. Одна 4-мегапиксельная камера, непрерывно отдающая видео в экономичном кодеке H.265, идёт примерно по 2 мегабита в секунду:

1 камера × 2 Мбит/с = 2 Мбит/с постоянной отдачи 50 камер × 2 Мбит/с = 100 Мбит/с отдачи, 24 часа в сутки, каждый день.

Сто мегабит постоянной отдачи – это бизнес-канал с симметричной скоростью, а не та отдача, что даёт типичный офисный или ритейловый интернет. Это стена, в которую упираются чисто облачные схемы на масштабе, и она объясняет приметный паттерн: ведущие «облачные» вендоры видеонаблюдения на самом деле не стримят каждый сырой кадр наверх. Камеры Verkada делают аналитику на устройстве и держатся примерно на 20–50 килобит в секунду на камеру в покое, отправляя превью и метаданные и подтягивая полное видео только по запросу. Eagle Eye Networks ставит на каждом объекте локальный «мост» (bridge), который пишет локально, буферизует до пары суток и выгружает с умом. Оба – под маркетингом – гибридные системы именно потому, что гнать постоянное сырое видео в датацентр запретительно по трафику. Держите эту мысль; это форма, к которой приходит большинство реальных систем.

За что облако берёт плату: три счётчика

Как только видео наверху, облако включает три независимых счётчика. Прибавьте их к стоимости аплинка – и получите истинную цену облачной аналитики. Каждый разберём для одной камеры в постоянном анализе – 60 минут × 24 часа × 30 дней = 43 200 минут в месяц, – потому что «постоянно» и есть то место, где счётчики либо остаются вменяемыми, либо разгоняются.

Счётчик первый: вычисления (ловушка поминутного API)

Вычисления – это стоимость собственно запуска модели, и почти всегда самый крупный из трёх. У управляемого поминутного сервиса ставка опубликована и проста: Amazon Rekognition Video берёт около $0,10 за минуту анализа сохранённого видео на метки, лица или текст, а Google Cloud Video Intelligence – около $0,10 за минуту детекции меток после небольшого бесплатного месячного лимита. Одна ставка, легко умножить – и в этом ровно ловушка:

43 200 минут/месяц × $0,10/минуту = $4320 на камеру в месяц.

Четыре тысячи долларов в месяц за одну камеру. Для объекта в 100 камер в постоянном анализе это $432 000 в месяц. Цифра не ошибка; это знак, что вы взяли не тот инструмент. Поминутные API рассчитаны на эпизодическое видео – проанализировать клип после тревоги, разметить день записи для поиска, промодерировать загрузки пользователей, – а не пялиться в живой парк круглые сутки.

Теперь та же камера на арендованной инфраструктуре. Инстанс EC2 G6 с одним GPU NVIDIA L4 арендуется примерно за $0,80 в час по on-demand:

$0,80/час × 24 × 30 = $576 на GPU в месяц.

Один GPU L4 несёт примерно 16–40 одновременных потоков 1080p через лёгкий детектор (та же плотность, что у локального L4 – см. edge-серверы). Возьмём среднюю цифру в 24 потока:

$576 на GPU ÷ 24 камеры ≈ $24 на камеру в месяц, только вычисления.

Двадцать четыре доллара против четырёх тысяч трёхсот. Запускать модель самому – порядка 180 раз дешевле, чем поминутный API, для постоянной работы, потому что вы платите за машину, а не за каждую минуту просмотра. Подвох – в слове «самому»: теперь вы строите, защищаете, масштабируете и нянчите инфраструктуру и платите за GPU, даже когда ничего не движется. Reserved или spot-цены режут часовую ставку ещё, но не меняют форму сделки.

Счётчик второй: хранение

Если вы держите запись в облаке, а не на локальном регистраторе, вы платите за гигабайт-месяц. 4-мегапиксельная камера на 2 Мбит/с производит около 648 ГБ в месяц (арифметика хранения полностью разобрана в математике ретенции). При представительной облачной ставке $0,023 за гигабайт-месяц стандартного хранения:

648 ГБ × $0,023/ГБ-месяц ≈ $15 на камеру в месяц при ретенции 30 дней.

Множитель – ретенция: держите 90 дней вместо 30 – и примерно утроите, к $45 на камеру в месяц, потому что втрое больше видео лежит резидентно. Хранение редко взрывает бюджет, но растёт линейно и с размером парка, и со сроком хранения, поэтому тихо накапливается.

Счётчик третий: egress (плата за то, чтобы забрать своё видео)

Третий счётчик работает в направлении, обратном загрузке. Выгрузка данных из облака – egress – считается примерно по $0,09 за гигабайт (первые 100 ГБ в месяц бесплатны). Вы платите его каждый раз, когда стримите сохранённую запись оператору, экспортируете клип для расследования или переносите видео между регионами. Если ваша команда смотрит хотя бы 5% месячной записи объекта в 100 камер:

100 камер × 648 ГБ × 5% просмотра = 3240 ГБ 3240 ГБ × $0,09/ГБ ≈ $292 в месяц – только чтобы смотреть своё же видео.

Эта цифра скромна лишь потому, что доля просмотра мала. Архитектуры, которые гонят живое видео наверх и стримят его обратно вниз для просмотра – вместо локального просмотра, – превращают egress из сноски в заголовок. Счётчик легко забыть именно потому, что он считает скучное действие – взгляд на запись, за хранение которой вы уже заплатили.

Три счётчика рядом

Таблица 1. Облачные счётчики для одной камеры в круглосуточном анализе. Ставки – представительные публичные прайс-листы (AWS и Google Cloud, 2026), зависят от региона, обязательств и провайдера; reserved и spot снижают строки вычислений. Самая важная строка – разрыв между двумя вариантами вычислений: поминутный API и аренда GPU оценивают одну и ту же работу с разницей в два порядка.

Урок таблицы – не одна цифра, а форма. Облачные счётчики сделаны под работу эпизодическую (вычисления поминутно), скромную по объёму (хранение и egress за гигабайт) или всплесковую (арендовал GPU на час, отпустил). Направьте их на много камер в постоянном режиме – и каждый счётчик заработает против вас разом. Полная межуровневая модель стоимости – edge против сервера против облака, на камеру в месяц – предмет экономики аналитики; здесь мысль уже и острее: постоянная облачная аналитика большого парка – самый дорогой способ сделать работу.

Когда выгружать видео – правильное решение

Если счётчики наказывают постоянную работу по всему парку, для чего облако действительно хорошо? Четыре ситуации, где его эластичность и нулевой объектовый след – ровно то, что нужно.

Всплесковый или разовый тяжёлый анализ. Когда задача – проанализировать клип после инцидента, прогнать поиск по окну записи или изредка применить крупную модель, поминутный API дёшев именно потому, что вы используете его редко. Вы платите $0,10 за минуту за десять минут, а не за месяц. Это родная территория API; здесь же живут поиск по событию и форензика.

Много мелких разрозненных объектов. Сеть из 200 магазинов по четыре камеры в каждом не оправдывает сервер и выезд IT в каждую точку. Облачный сервис управляет всеми централизованно, обновляет модели в одном месте и требует лишь небольшого аплинка на каждом объекте. Сила облака тут операционная, а не вычислительная: единое окно над парком, слишком распределённым, чтобы ставить в него железо.

Нет объектовой инфраструктуры – по выбору или по обстоятельствам. У части развёртываний нет серверной, стойки и некому её обслуживать. Облако меняет капитальную покупку и бремя обслуживания на месячный счёт – разумный обмен, когда камер достаточно мало, чтобы счёт оставался небольшим.

Эластичные всплески, которыми вы не хотите владеть. Если спрос на аналитику подскакивает во время события и спадает после, арендовать GPU под всплеск и отпустить лучше, чем покупать железо под пик, что случается дважды в год. Платите за пик только пока он длится.

Заметьте нить: каждый выигрышный случай эпизодичен, распределён или эластичен. Облако берёт за то, что вы используете, и это подарок при лёгком использовании и штраф при постоянном. Архитектура, к которой приходит большинство крупных систем, – дешёвая детекция на краю, наверх только события и клипы для тяжёлого облачного анализа, запись локально, – это гибридный паттерн, и он существует, чтобы ставить каждую задачу на уровень, который считает её мягче всего.

Нажмите, чтобы увеличить

Приватность при выгрузке видео наверх

Стоимость – не единственное, что меняется, когда видео покидает здание. Видео узнаваемых людей – персональные данные, и в момент, когда оно едет в чужой датацентр – возможно, в другой стране, – оно пересекает сразу две границы: вне вашего контроля и потенциально через государственную границу. Для регулируемого или биометрического видео эта граница – правовой барьер, который надо снять до того, как первый кадр сдвинется.

Ядро правила – европейское. Европейский GDPR (Regulation (EU) 2016/679) не запрещает облачную обработку, но его глава V ограничивает отправку персональных данных за пределы Европейской экономической зоны без конкретного правового механизма (GDPR, глава V, ст. 44–50). Для передач в США – где базируются крупные облака – этот механизм сегодня EU-US Data Privacy Framework (DPF), решение об адекватности, принятое Еврокомиссией в июле 2023 года. Облачный провайдер, самосертифицированный по DPF, может законно получать персональные данные ЕС сегодня. Но почва тут уже двигалась и может двинуться снова: две предыдущие договорённости ЕС с США об адекватности, Safe Harbor и Privacy Shield, обе были отменены Судом ЕС (вторая – в решении Schrems II 2020 года, из-за законов США о слежке). DPF пережил первый вызов, когда Общий суд ЕС отклонил дело Latombe 3 сентября 2025 года, но это решение обжалуется в Суде ЕС (дело C-703/25 P), и слушание на середину 2026 года не назначено. Механизм – действующее право сейчас; его долгосрочная устойчивость – открытый вопрос, который внимательному архитектору стоит отслеживать.

Ещё два барьера касаются именно биометрических нагрузок, где бы физически ни считалась модель:

• EU AI Act. По Regulation (EU) 2024/1689 биометрическая идентификация людей в реальном времени в публичных пространствах запрещена с узкими исключениями для правоохраны, а анализ такого видео постфактум классифицирован как «высокорисковый» и жёстко регулируется. Запреты применяются с 2 февраля 2025 года; высокорисковые обязательства – с 2 августа 2026 года. Отправка лиц в облачную модель не выводит из-под этих правил – она добавляет к ним стороннего обработчика.
• Биометрические законы США. В Иллинойсе Biometric Information Privacy Act (BIPA, 740 ILCS 14) ограничивает сбор биометрических идентификаторов вроде слепков лиц и – необычно – даёт людям право судиться напрямую, со статутными убытками. Правовой барьер идёт перед технической возможностью, и использование облачного API распознавания лиц не снимает обязательство с вас. Полный разбор – в статье BIPA и биометрические законы США; сторона ЕС – в GDPR для видеонаблюдения.

Инженерная позиция из всего этого простая и консервативная: для обычной, небиометрической аналитики облачная обработка по действующему механизму передачи рабочая; для биометрического или иначе чувствительного видео самый безопасный дизайн держит узнаваемую запись в регионе или в здании и шлёт облаку только то, что ему нужно, – позиция, которая заодно оказывается дешёвой. Когда облако всё же потребляет аналитику, оно говорит на том же стандарте, что и камеры: ONVIF Profile M определяет метаданные и события, которые производит аналитика, и совместимым потребителем может быть облачный сервис, а не только камера (ONVIF Profile M). Уровень стандартов разобран в событиях, метаданных и интерфейсе аналитики ONVIF, а коммерческий обзор – в профилях ONVIF в системах безопасности.

Нажмите, чтобы увеличить

Частая ошибка

Самый дорогой паттерн, который мы видим, – направить поминутный API аналитики на постоянное видео и обнаружить счёт в конце месяца. Команда прототипирует на Rekognition или Video Intelligence на нескольких клипах, демо стоит доллар, и они подключают это к живому парку – а затем счётчик в $0,10 за минуту крутит 43 200 минут на камеру, и приходит инвойс с четырьмя нулями. Лекарство – подогнать модель оплаты под нагрузку: поминутные API для эпизодических и клиповых задач, аренда или владение GPU для постоянных, и фильтрация на краю, чтобы облако вообще видело только важные минуты. Спутник этой ошибки – забыть про egress: спроектировать систему, которая гонит видео наверх и обратно вниз для рутинного просмотра, так что каждый взгляд на запись крутит счётчик в $0,09 за гигабайт. Смотрите локально, шлите наверх только то, что нуждается в тяжёлом анализе, – и облачный счёт останется инструментом, а не сюрпризом.

Где здесь Фора Софт

Фора Софт строит софт для real-time видео, стриминга и компьютерного зрения с 2005 года, на 250+ выпущенных проектах, и вопрос «облако против локального» по стоимости – один из тех, что мы прорабатываем с клиентами до первой строки кода. Команды приходят к нам, когда облачный proof-of-concept тихо превратился в пятизначный месячный счёт, или когда правило резидентности означает, что видео нельзя в датацентр США вовсе, или когда нужен управляемый сервис на сотню мелких объектов, но поминутный анализ не по карману ни на одном. Мы проектируем распределение вокруг того, как система ведёт себя и считается под реальной нагрузкой, – поминутный счётчик против реального числа камер, аплинк под реальную отдачу, хранение и egress против реальной ретенции и привычек просмотра, – и ведём с реалистичными precision и recall, которые модель даёт на вашей сцене, а не с демонстрационными «99%». Нагрузка, поставленная на уровень, который считает её мягко, с облаком, зарезервированным под всплесковое и эластичное, бьёт систему, которая гонит всё наверх, потому что облако звучало просто.

Ключевые выводы

• Облачная видеоаналитика считает три счётчика: вычисления, хранение и egress – обычно доминируют вычисления.
• Загрузка видео бесплатна у облака, но расходует аплинк объекта.
• Поминутный API стоит ~$4320 на камеру в месяц при постоянном запуске – не тот инструмент для живых парков.
• Аренда GPU – ~$24 на камеру в месяц, в ~180 раз дешевле, но обслуживаете вы.
• Облако выигрывает для всплесковых, разрозненных и эластичных задач; край – для постоянных парков.
• Отправка регулируемого или биометрического видео за рубеж поднимает барьер передачи GDPR – снимите его первым.

Что почитать дальше

• Аналитика на краю против облака: решение, определяющее систему
• Edge-серверы и ИИ-приставки
• Гибридный паттерн обработки: делим работу между краем и облаком