Edge или облако: где считать видеоаналитику на российском производстве

Спор про архитектуру видеоаналитики выглядит техническим, пока не начинаешь считать деньги и сроки. Выбор между обработкой на объекте и в облаке определяет стоимость канала связи, скорость реакции на инцидент, глубину согласования с безопасниками и то, доживёт ли пилот до промышленной эксплуатации.

При обработке на границе сети (edge) нейросеть работает рядом с камерой: на самой камере, на сервере в цеховой серверной или на вычислителе в шкафу. Поток остаётся внутри периметра, наружу уходят готовые события вида «отсутствие каски, камера 12, 14:32». Облачная схема отправляет поток или производные данные в удалённый дата-центр. По NIST SP 800-145 инфраструктуру там защищает провайдер, а за данные, доступы и настройки отвечает заказчик.

За этой разницей стоят три вещи: сколько времени проходит от события до реакции, сколько трафика уходит с площадки и где лежат кадры с лицами сотрудников.

Задержка складывается из передачи кадра, инференса и доставки алерта. На объекте первое слагаемое исчезает, и реакция укладывается в единицы секунд.

Когда система фиксирует человека в зоне работы погрузчика, полезен только сигнал, который прозвучит до того, как погрузчик доедет. Когда оператор снял очки на шлифовке, замечание имеет вес, пока он стоит на рабочем месте. Отчёт следующим утром годится для статистики, но предотвратить по нему уже ничего нельзя. Поэтому всё, что требует вмешательства в течение смены, считаем на объекте.

Исследования подтверждают это с оговоркой. В работе Guo S. и др. (IEEE Intelligent Systems, 2025) облегчённая сеть CombiNet на объекте даёт заметное снижение сквозной задержки почти без потери точности. А в EC²Detect (IEEE IoT Journal, 2022) у тех же авторов всё наоборот: тяжёлая детекция в облаке по разреженным ключевым кадрам, на объекте лёгкий трекинг. Тяжёлая часть оказывается то внизу, то наверху. Для российской площадки аргумент за edge держится прежде всего на канале и регуляторике.

Камера 1080p с приемлемым битрейтом занимает порядка 4 Мбит/с. Двадцать камер - около 80 Мбит/с непрерывно, без запаса на пики. Передавать такое круглосуточно можно там, где на площадку заведена оптика.

Карьер, нефтебаза, элеватор, распределительный центр в промзоне обычно живут на LTE с плавающим качеством, радиорелейке или ведомственной линии с лимитом. Спутник у нас применяется точечно и дорого.

Обработка на месте меняет порядок величин. Событие весит килобайты, превью-кадр - десятки килобайт, суточный поток метаданных с двадцати камер - единицы мегабайт. Полный фрагмент видео остаётся локально и выгружается по запросу. Вывод: канал проектируется под передачу событий, а не видео.

Персональные данные. Кадры, где различимы сотрудники, попадают под 152-ФЗ. Биометрией по статье 11 изображение становится, когда оператор использует его для установления личности. Позиция Роскомнадзора и судебная практика по городскому видеонаблюдению сходятся в том, что наблюдение без идентификации обработкой биометрии не является. Для детекции СИЗ или контроля зон это принципиально: устанавливать личность системе не нужно. Как только подключается распознавание лиц, режим меняется.

Цена ошибки выросла: 420-ФЗ ввёл оборотные штрафы за утечки, нормы действуют с 30 мая 2025 года, при повторном нарушении верхняя планка измеряется сотнями миллионов рублей.

КИИ. Для субъектов критической информационной инфраструктуры действуют 187-ФЗ, постановление Правительства № 127 о категорировании и приказ ФСТЭК № 239 о защите значимых объектов, а по значимым объектам добавляется переход на отечественные решения.

Итог одинаков: передача потока в зарубежное облако закрывается на встрече со службой безопасности. Российское облако снимает вопрос локализации, но не вопросы состава данных и модели угроз для канала. Edge сужает спор до одного вопроса - можно ли по метаданным восстановить личность. При аккуратном проектировании нельзя, и проект проходит согласование.

В реальных внедрениях побеждает распределение нагрузки. На объекте детекция, классификация событий и локальное оповещение. В центре - метаданные со всех площадок, отчёты, сравнение показателей и обновление моделей.

Центр нужен, когда площадок больше одной. Один объект даёт наблюдение за самим собой. Десять объектов дают базу для сравнения: видно, что один цех держит переналадку на семь минут короче соседнего на том же оборудовании. Дальше обычная операционная работа: съездить, разобраться, перенести практику.

McKinsey в отчёте о «маяках» цифрового производства приводит Agilent: пять сценариев компьютерного зрения на 57 участках и 16 линиях, брак ниже на 49% менее чем за четыре месяца. Читать цифру стоит с поправками: это контроль качества, а не безопасность, и в «маяки» попадают заведомо успешные предприятия.

Обновление моделей тоже удобнее централизовать: детектор, обученный на данных восьми площадок, точнее восьми детекторов, видевших только свой цех.

• Нужна ли реакция в течение нескольких минут? Если да, обработка на объекте.
• Какой канал на площадке и сколько стоит его расширение? Если дороже локального вычислителя, вопрос закрыт.
• Сколько камер и какого разрешения? До десятка потоков часто хватает одной станции с ускорителем, выше конфигурация считается под нагрузку.
• Что и сколько обязано храниться? Глубина архива определяет объём локального хранилища и часто оказывается главной статьёй затрат.
• Нужны ли сравнения между площадками? Если да, центр закладывается сразу, чтобы потом не переделывать интеграции.

Событие, которое существует только в отдельной панели видеоаналитики, живёт, пока туда кто-то заходит. Через месяц заходить перестают.

Эффект появляется, когда детекция связана с системами предприятия. Нарушение по СИЗ, привязанное через СКУД к смене и участку, попадает в отчёт по охране труда. Простой в 1С влияет на производственный учёт. Отклонение от техкарты в системе нарядов порождает задачу с ответственным.

Один сценарий, один объект, одна метрика, около шести недель и замер до и после. Тиражирование - после того, как цифра подтвердилась.

Оборудование чаще всего менять не нужно: камеры с ONVIF и RTSP подходят для большинства задач, вычислитель ставится рядом с регистратором. Начинать с закупки железа стоит, только если пилот показал, что текущие ракурсы задачу не решают.

• Guo S., Zhao C., Yang S. и др. Edge-Cloud Collaborative Real-Time Video Object Detection for Industrial Surveillance Systems. IEEE Intelligent Systems, 2025
• EC²Detect: Real-Time Online Video Object Detection in Edge-Cloud Collaborative IoT. IEEE Internet of Things Journal, 2022
• NIST SP 800-145. The NIST Definition of Cloud Computing
• McKinsey & Company. How manufacturing's Lighthouses are capturing the full value of AI, 2024
• Федеральные законы № 152-ФЗ (ст. 11), № 420-ФЗ, № 187-ФЗ; постановление Правительства РФ № 127; приказ ФСТЭК России № 239