Благодаря автоматизированному досмотру профессионал может одновременно контролировать от 1000 до 2000 камер.
Стартап Noleak разработал решение, позволяющее оптимизировать использование камер видеонаблюдения и преобразовать тысячи часов видео в полезную информацию. Инструмент под названием Agatha использует ИИ (искусственный интеллект) для изучения моделей поведения в контролируемых средах и выдачи предупреждений при обнаружении изменений. Система преобразует пассивные камеры в устройства активного мониторинга, отбрасывает изображения, не требующие внимания, и позволяет одному профессионалу контролировать тысячи экранов, не отвлекаясь на ненужные уведомления.
Чтобы создать решение, Рафаэль Либарди, основатель стартапа, поставил под сомнение ограничения традиционных систем: почему камеры видеонаблюдения по-прежнему в основном работают как сложные, но не очень интеллектуальные датчики движения? Логика платформы изначально была проверена в мире защиты цифровых данных, когда Либарди работал над проектом для вооруженных сил одной латиноамериканской страны.
Целью было выявление аномального поведения во внутренних компьютерных сетях для обнаружения посторонних вторжений в местную цифровую инфраструктуру. Для этого система использовала распознавание необычных моделей общения в сети.
Либарди понял, что этот метод можно применить к изображениям с камер наблюдения. Достаточно было бы заменить пакеты данных пикселями, а кибератаки – нестандартным поведением.
«То, что существовало на рынке, по сути, было обнаружением движения, и в случае любого отклонения подавалось оповещение. Это производило тысячи уведомлений в час и делало систему бесполезной».заявил он. «Я решил объединить то, что я знал в области кибербезопасности, с визуальной безопасностью».
Обучение шаблонам
Вместо того, чтобы работать на основе фиксированных правил, платформа наблюдает за окружающей средой в течение определенного периода времени и определяет, что она считает нормальным в этом контексте: где обычно припаркованы транспортные средства, в какое время больше людей и в каких местах концентрируется больше трафика.
На основе этого базового уровня система выявляет отклонения и отправляет оповещения для оценки человеком.
Либарди цитирует исследования по видеонаблюдению, чтобы проиллюстрировать пределы человеческого внимания. Исследования показывают, что примерно через 12 минут непрерывного наблюдения оператор может пропустить до 45% отображаемой активности. Через 22 минуты до 95% происходящего остается незамеченным, даже если на экране мало камер.
В этом контексте оператор может качественно контролировать только несколько десятков камер, прежде чем усталость поставит под угрозу наблюдение. Благодаря автоматизированному досмотру профессионал может одновременно контролировать от 1000 до 2000 камер, поскольку он получает только те участки, которые требуют анализа.
По данным стартапа, инструмент отфильтровывает более 99,8% нерелевантных изображений и направляет внимание аналитика на ситуации, требующие принятия решения. «Он видит только то, что странно»— резюмировал Либарди.
Приложения, выходящие за рамки безопасности
Количество установленных камер растет в многоквартирных домах, компаниях, на дорогах общего пользования и на мероприятиях. По оценкам Абезе (Бразильской ассоциации компаний по производству электронных систем безопасности), в 2024 году этот сектор заработал 14 миллиардов реалов, что на 16,1% больше, чем в предыдущем году.
Помимо мониторинга в режиме реального времени, технология позволяет проводить судебно-медицинский анализ, позволяя просматривать большие объемы видео и быстро находить моменты, когда произошла аномалия.
Например, распределитель энергии в Минас-Жерайс столкнулся с повторяющимися кражами на подстанциях, и ему приходилось просматривать записи, сделанные за несколько недель после каждого инцидента. Благодаря Агате часы видео сократились примерно до 10 минут, на которых записан точный момент вторжения.
Решение также использовалось для проверки правильности использования СИЗ (средств индивидуальной защиты), выявления поведения, предшествующего несчастным случаям на производстве, контроля запасов на складах и мониторинга производственных процессов.
В агропромышленной отрасли в Белене (Пенсильвания) технология начала выявлять признаки износа крупных цепей по тонким изменениям в визуальных закономерностях, таких как нетипичные вибрации, неравномерные наклоны и изменения текстуры компонентов.
В другом проекте этот инструмент использовался для подсчета мешков с цементом, кормами и зерном в реальном времени в порту Сантос, заменив ручные процессы, подверженные ошибкам.
Использование в умных городах
Время адаптации инструмента варьируется в зависимости от приложения. Мониторинг СИЗ можно внедрить менее чем за 24 часа, а системы подсчета сумок в портах требуют около недели наладки. Более конкретные промышленные приложения могут потребовать месяцев обучения алгоритмам.
В контролируемых кондоминиумах и кварталах искусственный интеллект идентифицирует номерные знаки транспортных средств жильцов и предупреждает, когда неизвестные машины остаются поблизости в периоды, которые считаются необычными.
В одном конкретном случае система выдала предупреждение, когда обнаружила ребенка возле автоматических гаражных ворот во время открытия. Совокупность факторов была классифицирована как аномальная и позволила оператору вовремя остановить механизм.
Эту технологию также можно использовать на крупных мероприятиях и дополнять инициативы «умного города». Такие программы, как Smart Sampa в столице Сан-Паулу, используют распознавание лиц для обнаружения подозреваемых. Платформа Noleak может действовать дополняюще, фокусируясь на поведенческом анализе изображений.
Эксперты подчеркивают, что технологии распознавания лиц имеют погрешность и требуют проверки человеком. Либарди соглашается.
«Ни одно решение не должно работать изолированно. Они работают как прецизионные фильтры. Всегда должна быть последующая проверка, потому что инструмент не заменяет человеческий глаз, он реорганизует приоритеты»сказал он.
Исследователь также подчеркивает важность адекватной инфраструктуры. «Необходимо обучать клиента, потому что технология — это не волшебство. Камера должна быть в нужном месте и иметь приемлемое качество изображения. Иногда клиент считает, что с помощью недорогой камеры он сможет идентифицировать что-то на расстоянии 200 метров»заявил он.
При поддержке PIPE (Программы инновационных исследований в малом бизнесе) FAPESP стартап реструктурировал свою архитектуру данных и усовершенствовал математические модели для увеличения масштаба.
«Исследователь владеет методикой, но не всегда знает, как превратить ее в коммерчески жизнеспособный продукт»— заявил Либарди.
Этот текст был первоначально опубликован Агентство Фапесп2 мая 2026 г. Содержимое бесплатно для повторного распространения, источник цитируется и адаптирован к стандарту Poder360.
