Команда Faceter тестирует собственного AI-ассистента, который учится понимать происходящее в кадре и объяснять события обычным человеческим языком. Мы поговорили с Александром Черновым, руководителем продуктового направления и архитектуры Faceter и узнали, зачем видеонаблюдению такие модели, как они работают и что нас ждет дальше.

Александр, какие технологические или рыночные предпосылки легли в основу решения о разработке GPT-ассистента для видеонаблюдения?

Причина – в проблемных точках видеонаблюдения. Сейчас «умные» уведомления большинства систем могут напоминать спам: детекции срабатывают слишком часто, сообщения ничего не объясняют, людям хочется их отключить, а не использовать.

Параллельно стали быстро развиваться языковые и мультимодальные модели. Мы подумали: а что, если ИИ сможет объяснять событие текстом прямо в Телеграм? Например, не «зафиксировано движение», а «белая Лада Гранта подъехала к воротам».

После первых шагов стало понятно, что можно пойти и дальше: сделать агента, который понимает происходящее, отвечает на вопросы, находит нужные фрагменты и помогает так же, как живой ассистент. Только быстрее и без дополнительных затрат со стороны пользователя.

Пример первых тестов:

Как AI-ассистент «понимает» происходящее в кадре?

Система получает от камеры кадры, видеофрагменты и историю предыдущих событий. Каждый элемент превращается в цифровое представление, и модель анализирует всю сцену как совокупность объектов и действий во времени.

Если говорить проще, AI-ассистент видит картинку не как статичное изображение, а как набор смысловых элементов.

Как проходит обучение таких моделей?

Важно понимать, что мы не обучаем AI-ассистента  «с нуля», а создаем ИИ-агента. Берем мощные мультимодальные модели и строим вокруг них: промпты, контекст, экспертную базу знаний и саму архитектуру агента. 

ИИ для видеонаблюдения — это не ChatGPT с камерой. В чем принципиальное отличие?

Когда речь заходит об искусственном интеллекте, многие сразу представляют себе чат-бота, способного поддержать беседу. Но ИИ в видеонаблюдении — задача другого уровня. Если языковая модель (LLM) работает только с текстом, то наша система должна:

  • Видеть и анализировать — объединять компьютерное зрение с пониманием смысла;
  • Запоминать контекст — связывать разрозненные события в логические цепочки;
  • Объяснять и диалог — не просто описывать отдельный кадр, а отвечать на ваши вопросы о происходящем.

Это сложнее, но именно так рождается интеллект, который действительно полезен для безопасности и анализа. Поэтому наша задача — добиться двух вещей одновременно: 

1.  Максимальная детализация для памяти агента. Чтобы потом можно было спросить, например, «когда приезжала синяя Toyota?».

2.  Лаконичность в уведомлениях. Пользователь не хочет читать длинный текст, поэтому мы тонко настраиваем промпты, создаем свою базу знаний, задаем правила интерпретации: что считать важным, какие объекты и действия выделять, как избегать повторов и ошибок, какие данные добавлять, что сохранять в память, а что нет.

Какие сценарии использования могут быть задействованы благодаря такой интеграции?

Вариантов множество:

1.  Умные уведомления вместо спама. Не просто «детекция человека», а полноценное описание происходящего.

2.  История событий в структурированном виде. Без лишних слов, только главное.

3.  Поиск по архиву через чат. Например, «найди момент, когда приезжала курьерская машина» или «что важного было в офисе за сутки?».

4.  Персонализация. Самый простой пример: «Не присылай уведомления, если приезжает синяя RAV4 – это моя».

5.  Логическая сборка событий. ИИ понимает, что человек, который исчез за столбом и снова появился – это одно действие.

Следующий рубеж ИИ-видеонаблюдения: от фиксации событий — к их пониманию

Многие современные системы видят всё, но не понимают ничего. Они фиксируют движение, но не знают, курьер это или злоумышленник; снимают складскую зону, но не видят логистических сбоев.

Рынок совершает переход от «слепого архива» к интеллектуальному интерпретатору. ИИ нового поколения учится:

  • Объяснять — не просто «обнаружен человек», а «сотрудник забрал коробку со стеллажа B4»;
  • Предупреждать — анализировать последовательности и выделять аномалии;
  • Диалогу — отвечать на ваши вопросы на человеческом языке, а не выдавать метки.

Скоро видеонаблюдение станет не системой записи, а полноценным участником операционных процессов — тем, кто не только показывает, но и подсказывает, советует и предвосхищает.

Умнеть будут не камеры. Умнеть будет взаимодействие пользователя с реальностью.

С какими курьезами приходилось сталкиваться во время работы нейросетями?

Забавных моментов было множество. Например, доставка мусора домой:

Или случай, когда AI-ассистент  не догадался, что камера может лежать перевернутой.  

То есть, важность ИИ для видеонаблюдения – это уже не просто эксперименты, а уже решенный вопрос?

Нам еще многое предстоит сделать, но одно можно сказать точно: интеграция ИИ в видеонаблюдение уже выходит за рамки отдельных экспериментов. Она формирует новое поколение систем, где камера перестает быть просто сенсором и превращается в полноценного аналитика.

Faceter показывает, что будущее отрасли – в понимании контекста, диалоге с пользователем и способности превращать видеопоток в осмысленные ответы и действия. Это шаг к системам, которые не только фиксируют события, но и помогают принимать решения.

Еще больше обзоров, кейсов и полезной информации о видеонаблюдении в нашем официальном Telegram-канале. Подписывайтесь, чтобы оставаться в курсе важных событий.