Пилот за 21 день: как мы внедряем видеоаналитику быстрее рынка

Многие думают, что компьютерное зрение — это «скачал готовую модель, загрузил свои видео, нажал „обучить“ — и оно заработало». Отчасти это правда. За последние десять‑пятнадцать лет мировое научное сообщество и глобальная экосистема разработчиков проделали колоссальную работу. Созданы десятки, если не сотни, мощных архитектур. И это действительно круто — и люди, и алгоритмы.

Но научные прототипы и open‑source‑решения редко готовы к коммерческой эксплуатации. В лабораториях можно не беспокоиться о вычислительных ресурсах и мириться с задержками. А в реальном производстве, на складе или в транспорте это недопустимо. Системы аналитики и контроля работают в жёстких ограничениях: обработка должна идти в реальном времени, точность — подтверждаться метриками, а стоимость внедрения — окупаться за месяцы, а не за годы. И как бы красиво ни звучали лозунги про «инновации», на практике в прод идёт только баланс — баланс между скоростью и точностью детекции, энергопотреблением и бюджетом.

Первые коммерческие проекты мы делали по классической схеме: вручную размечали тысячи кадров, подбирали архитектуры методом проб и ошибок, а обучение модели занимало недели. Тогда 3–4 тысячи изображений казались колоссальным объёмом. Но рынок не ждёт. С ростом сложности задач и требований стало ясно: стандартные подходы не масштабируются. И нам пришлось «ускориться» — максимально.

Ускорение не означало «делать хуже». Оно означало перестать изобретать велосипед для каждого проекта. Мы перешли от ручного труда к конвейеру. Первые тысячи размеченных кадров превратились в сотни тысяч, а рутина — в алгоритмы.

Сегодня большая часть этого конвейера автоматизирована. Система сама проверяет, конвертирует и подготавливает данные. За три года мы довели процесс разметки данных для модели до автоматизма: ручной труд, конечно, остался — без него никуда, — а остальное система делает сама.

Когда мы перешли на автоматизацию, у клиентов были сомнения: не сделает ли это модель «хуже»? Честно говоря, мы и сами этого опасались. Но нет — процесс автоматизации показал даже лучшие результаты, чем ручной труд. Ведь система может сама «попробовать» различные варианты и выбрать лучший, сама подготовить данные, не устаёт и всегда сконцентрирована на 100 %. Если сомневается — может перепроверить либо дождаться оператора, который поможет решить её проблему.

Автоматизация стала результатом сотен проб и ошибок. С каждым новым клиентом мы старались что‑то улучшить, переосмыслить и «отдать» машине только ту часть, с которой она действительно может справиться сама. Поэтому автоматизация — это сотни маленьких экспериментов, собранных воедино.

Но в какой‑то момент мы поняли: даже самая совершенная автоматизация — это всё ещё автоматизация, а не переход к чему‑то новому. Классно, что система сама себе данные размечает и параметры подбирает — но по сути это всё то же «как у всех». Готовые модели, пусть и мощные, создавались не для наших задач. Они предлагают готовые ответы, а мы столкнулись с новыми вопросами. Они не учитывают нашу специфику: потребность в гибкости, способность адаптироваться к неизвестному, необходимость опережать тренды, а не следовать за ними. Мы постоянно натыкались на одни и те же ограничения: скорость не поспевала за амбициями, потребление ресурсов сдерживало рост, а зависимость от чужих решений лишала свободы действий. И мы выбрали свободу.

Перестали полагаться на чужие решения и начали создавать свою линейку моделей. Не одну универсальную, а несколько — под разные задачи: где‑то важнее скорость, где‑то точность, где‑то компактность. Каждая оптимизирована под реальные условия: работает быстро, потребляет меньше, адаптируется к изменениям.

Теперь мы не догоняем — мы идём впереди. Создаём не просто работающие системы, а инструменты, которые дают клиентам реальное преимущество: скорость, надёжность, автономность. И каждый новый проект делает нашу линейку ещё сильнее.

И это только начало. Дальше — больше.