CNews: Про видеоаналитику говорят последние лет 10-15, если не больше. Почему технология до сих пор не внедрена повсеместно?

Илья Калагин: Важно отметить, что большинство проектов применения видеоаналитики в промышленности по своей сути — это НИОКР (научно-исследовательские и опытно-конструкторские работы). Первая фаза проекта, если к этому подходить профессионально, — это тестирование технологии или, как модно говорить, проверка гипотезы (PoC). С помощью PoC надо понять, будет ли эффективно и выгодно применять для конкретной задачи эту технологию. Не все задачи эффективно решаются с помощью машинного зрения. И, к сожалению, не все компании понимают важность этого этапа.

CNews: Какие сложности возникают в enterprise-сегменте при работе с видеоаналитикой? Что тормозит применение технологии?

Илья Калагин: Первый тип потенциальных проблем — технический, инженерный. Не везде можно прикрепить камеру под нужным углом и с необходимым освещением, чтобы получить правильный эффект.

Во-вторых, зачастую отношение сотрудников промышленных предприятий очень настороженное, при внедрении приходится находить общий язык с профессионалами, которые привыкли работать без участия цифровых технологий. И только с их помощью и поддержкой можно успешно довести проект до продуктива. Важно говорить с ними на одном языке, поэтому мы стараемся привлекать в нашу команду экспертов (химиков, металлургов и других специалистов), которые могут общаться с технологами на производстве.

Третье ограничение — это инфраструктура, вычислительные мощности. То есть необходима поставка видеокамер и серверов с видеокартами, выполнение инженерно-монтажных работ. И не всегда это экономически выгодно. Каждый проект надо проверять на экономическую эффективность.

Четвертое ограничение связано с природой и физическими процессами. Могут помешать погодные условия: дождь, снег или высокая степень запыленности. В этом случае, как бы вы ни старались, вы не сможете увидеть на картинке хорошее изображение. Или, например, включается оборудование, которое создает электромагнитное поле, негативно влияющее в целом на работу системы.

И, наконец, одна из самых важных проблем — наличие данных.Допустим, завод захотел сделать проект по машинному зрению. Сначала нужно собрать данные, а для этого понадобятся камеры. В enterprise нельзя просто взять и купить какое-то оборудование — нужно согласовать бюджет, провести закупку. Чаще всего это непросто и может растянуться на месяцы.

Подводя итоги, можно сказать, что проблем больше, скорее, вокруг технологии, а не в ней самой.

Технология, которая опережает возможности по ее внедрению

CNews: Получается, никаких принципиальных проблем с внедрением видеоаналитики нет, идет естественный процесс накопления данных и развития «железа», чтобы получить вычислительную мощность там, где она нужна?

Илья Калагин: Сама технология опережает возможности по ее внедрению. При помощи видеоаналитики и сегодняшних разработок в области нейронных сетей мы можем решать колоссальное количество задач.

CNews: А есть гипотезы, которые не выстрелили?

Илья Калагин: Да, промахи случаются, если мы сталкиваемся с недостатком данных или с невозможностью их собрать, когда физически не удается получить картинку нужного качества. Пока проблемы случаются за пределами математики. Именно поэтому мы относимся ко многим проектам, как к НИОКРам. Иногда мы приходим к выводу, что применение видеоаналитики нецелесообразно и не оправдает финансовых вложений заказчика.

CNews: Что должно стать толчком для бизнеса к внедрению подобных решений? И вообще, какие задачи промышленности точно надо решать с помощью видеоаналитики?

Илья Калагин: Есть задачи, которые без видеоаналитики физически невозможно решить. Например, сортировка минералов, драгметаллов и т. д. Это делают люди, и они допускают большое количество ошибок. Сейчас уже прошло много пилотных проектов, и доказано, что видеоаналитика решает эти задачи намного более качественнее и быстрее человека. Специалист даже высокого класса определяет величину минералов на глаз, он устает, отвлекается и делает работу неточно. К тому же, по сравнению с машиной, очень медленно.

Еще один пример — дефектоскопия, обнаружение брака. Когда на конвейере с достаточно большой скоростью происходит какой-то производственный процесс, с помощью камер и машинного обучения брак определяется гораздо более эффективнее, чем ручной метод.

На одном нашем проекте по машинному зрению мы определяем качество нанесения термоизоляционного покрытия металлического полотна. До этого человек физически не мог уследить за качеством покрытия, так как скорость сматывания рулона очень высокая. В том случае, если брак был замечен, вся партия шла на переработку. А возможны случаи, когда материалы с браком могли попасть и в дальнейшее производство. Видеоаналитика позволяет выявлять дефекты на ранних этапах, избегать лишних издержек и производить качественную продукцию.

Еще один вид задач, которые видеоаналитика решает лучше, чем люди — подсчет, определение количества товара. Представьте, что у вас, например, на лесозаготовке в день грузят бревнами 50-100 КАМАЗов. Как их посчитать и проконтролировать, чтобы все бревна доехали до завода? Можно поставить камеры на рамку, под которой проезжают все машины, и модель машинного обучения, которая анализирует загруженность каждой машины, учитывает просветы между бревнами и выдает объем леса, который уехал с лесопилки.

Также считают стальные прутки на металлургическом производстве и так далее, подобные проекты уже зарекомендовали себя как окупаемые.

Open Sourсe — единственный способ быстро развить видеоаналитику

CNews: Рынок решений для видеоаналитики, как и многие другие сегменты ИТ-рынка, разделяется на «коробочные» и кастомизированные, либо полностью самописные решения. Какова доля каждой из этих категорий?

Илья Калагин: Видеоаналитика — это область, которая активно развивается, она еще очень молодая, поэтому специализированных «коробочных» решений пока мало. Рождение любого «коробочного» решения — это минимум пять лет. За это время вы найдете задачу, проверите для нее гипотезу работоспособности технологии, разработаете продукт, внедрите его у нескольких заказчиков, получите референс — это и занимает примерно пять лет. Тогда, если все будет успешно, мы получим новый рынок.

Тем не менее, есть решения, которые можно купить как «коробку». Например, это распознавание лиц, распознавание номеров автомобилей, вагонов, детекторы СИЗ (средств индивидуальной защиты). Хотя все-таки большинство задач уникальны и сложно повторяемы в других условиях.

CNews: Значит, это пока рынок преимущественно кастомизированных решений. Которые, тем не менее, строятся в основном из компонентов с открытым исходным кодом, да?

Илья Калагин: Совершено точно, большая часть решений строится из фреймворков с открытым исходным кодом, применяются классические подходы или методы глубокого обучения. Также появляются фреймворки для захвата видео, его предобработки — их тоже можно использовать в качестве составляющих для «конструктора» проекта.

CNews: О чем это говорит? Может быть, о недостаточной зрелости рынка?

Илья Калагин: Ни одна компания не сможет сгенерировать такой объем проектов для тестирования этой технологии, какой генерирует Open Source. Целое сообщество занимается доработкой этих решений, тестирует их, применяет на проектах. Поэтому Open Sourсe — это единственный способ быстро развить технологию.

Может быть, настанет момент, когда какая-то часть уйдет в проприетарный формат, как Postgres и PostgresPro, но пока все это развивается. Представьте — множество людей ежедневно используют эту технологию для своих целей и задач.

Можно сказать, что разработка на основе открытых решений — это коллективная научная деятельность, которая позволяет развивать технологии видеоаналитики достаточно быстро.

CNews: С какими проблемами сталкиваются организации, которые пытаются самостоятельно настраивать и поддерживать кастомные решения? Вообще, есть ли такие организации, достигают ли они успеха?

Илья Калагин: Сегодня множество организаций создают у себя подразделения по машинному обучению и видеоаналитике, привлекают специалистов, обеспечивают конкурентные зарплаты, интересные задачи. Но эти специалисты, как правило, решают задачи узкой специализации в конкретной области, а часто нужно посмотреть на решение проблемы под другим углом. В этом как раз могут помочь специализированные компании (эксперты по машинному зрению), у которых гораздо более широкий кругозор и опыт за счет реализации разных проектов в различных направлениях бизнеса.

Вообще, сегодня построить модель для задачи видеоаналитики на базе Open Source готовы многие, порой это может делаться десятью строчками кода. Но запустить рабочую модель на конкретном производстве — это задача для опытных профессионалов.

CNews: Что может ваша компания предложить рынку и заказчикам?

Илья Калагин: Центр машинного обучения в «Инфосистемы Джет» реализует проекты по машинному обучению и в области видеоаналитики уже более пяти лет. Наше преимущество в этой сфере — широкая экспертиза, которую мы развиваем в процессе внедрения разных решений в различных областях, поэтому мы накопили большой опыт, прошли много пилотных проектов и можем предложить нестандартные подходы. Кроме того, мы берем на себя ответственность за каждый проект и доводим его до конца. Мы изучаем производство и тестируем технологию у заказчика, выясняя, насколько она применима для конкретной задачи, и беремся за проект, только если он принесет желаемые результаты клиенту.