Videowall com IA: detecção de anomalias para NOC

Entre esses movimentos estão o Infinity EdgeAI da Userful (anunciado com Microsoft e NVIDIA no fim de 2025), a plataforma Cortex da Visiology no mercado russo e uma lista discreta, mas em aceleração, de projetos internos de Hiperwall, VuWall e Polywall.

A pergunta de produto já não é “quantas fontes ele consegue renderizar”, e sim “o que o videowall de fato percebe em nome do operador”.

Este artigo mostra o que os videowalls com IA entregam hoje e a arquitetura que roda por trás deles.

Explica também por que a inferência local (on-premises) é o único caminho que sobrevive à revisão de conformidade e onde a maioria dessas implantações de fato falha em produção.

O que significa, na prática, um videowall “com IA”

Tirando a linguagem de marketing, o termo abrange quatro recursos concretos. Todo o resto é um desses quatro com outro rótulo ou uma promessa de roadmap que ainda não foi entregue.

• Detecção de anomalias em streams ao vivo. Um modelo — normalmente algo da família YOLO v8 / v9 para detecção de objetos, ou um detector menor de anomalias em séries temporais para fontes de dashboard — roda em cada stream ingerido e emite uma pontuação de confiança. A controladora do videowall se inscreve para receber essas pontuações e pode reagir quando elas ultrapassam um limiar. É comum em hubs de transporte, segurança de perímetro e dashboards SCADA de energia.
• Promoção de fonte (troca automática de layout). Quando uma detecção dispara, a janela correspondente aumenta, move-se para uma região central do videowall e permanece lá até que um operador a reconheça ou a detecção cesse. O motor de layout precisa suportar tanto transições suaves (fixação / zoom animados) quanto cortes secos (reorganização instantânea) — os operadores reagem de forma diferente a cada um.
• Contagem de objetos e métricas de permanência. Contagem de rostos em salas que acompanham a densidade de multidões, contagem de veículos / placas no trânsito, tamanho de filas no varejo. O resultado costuma ser um número sobreposto à janela da fonte ou enviado a um dashboard vizinho renderizado pelo mesmo videowall.
• Correlação entre fontes. O nível mais recente: alimentar um único pipeline de inferência com várias fontes e emitir uma única “pontuação de situação” que comanda o layout do videowall. O Infinity EdgeAI da Userful demonstra isso com o Splunk Enterprise Security + um feed de VMS + uma fonte de telemetria de gerenciamento predial unificados em um único painel. A maturidade, honestamente, ainda é inicial — em 2026, a maioria das implantações reais permanece na detecção de anomalias em uma única fonte.

As referências atuais da categoria

Três produtos definem o patamar da categoria em 2026, cada um com uma aposta diferente.

Userful Infinity EdgeAI é o mais visível. Anunciado em conjunto com a Microsoft (Azure IoT Edge para implantação de modelos) e a NVIDIA (parceria Inception, inferência otimizada na arquitetura Blackwell), chegou aos primeiros clientes no fim de 2025.

O posicionamento é de “plataforma de consciência operacional” (operations awareness platform): a Userful está deliberadamente afastando o produto do rótulo de “software de videowall” para levá-lo a uma categoria de maior margem.

As integrações abrangem Splunk Enterprise Security, Genetec Security Center, Microsoft Sentinel e Everbridge CEM. O preço segue o mesmo modelo Enterprise Subscription usado no restante da linha Userful.

Clientes relatam ≈ US$ 500 por tela por ano no nível de plataforma, com o complemento EdgeAI cobrado como item separado.

Visiology Cortex é o equivalente russo, construído como parte da plataforma analítica mais ampla da Visiology.

A aposta é outra: em vez de fazer parceria com grandes provedores de nuvem (hyperscalers), a Visiology integra a pilha de inferência à mesma instalação local (on-premises) do restante da plataforma.

Isso se ajusta ao ambiente regulatório russo (FZ-152 e as regras de infraestrutura crítica da FZ-187), mas restringe o cardápio de modelos: só entra o que a Visiology validou, e não qualquer modelo baixado do Hugging Face.

Hiperwall, VuWall, Polywall fazem parte da mesma conversa, mas com entregas atuais mais limitadas. A versão 2026 R1 do Hiperwall acrescentou o “chat de operadores on-premises” (uma ferramenta interna de colaboração, não inferência em si) e suporte mais amplo a GPUs Intel.

A VuWall e a Polywall mencionam integrações de IA por meio de suas pilhas TRx / Polywall compatíveis com NMOS. Nenhum desses fornecedores tem a profundidade que o marketing do EdgeAI da Userful reivindica hoje.

Se essa diferença vai se manter até 2027 é a verdadeira questão da categoria.

A arquitetura por trás

Removidas as camadas de marca, a pilha de execução converge para três componentes.

• O modelo. YOLO v8 e v9 (Ultralytics) são o padrão para detecção de objetos — atingem um ponto útil de acurácia / latência em GPUs NVIDIA comuns, e o licenciamento (AGPL-3.0) é aceitável para a implantação típica de controladora de videowall. Para casos de uso mais especializados — contagem de rostos, reconhecimento de placas, detecção de armas — o modelo ganha cabeças (heads) especializadas, mas a estrutura de inferência continua semelhante.
• O runtime. ONNX Runtime é a língua franca: os fornecedores exportam seu modelo PyTorch / TensorFlow para o formato ONNX e executam a inferência por meio desse runtime independente de framework. Os dois backends que importam para o hardware de videowall são o NVIDIA TensorRT para GPUs da classe RTX (aceleração de ≈ 3-5× em relação ao ONNX Runtime puro) e o Intel OpenVINO para GPUs integradas Iris Xe e dedicadas Arc. Ambos os backends aceitam o mesmo arquivo ONNX; assim, a migração do modelo em produção de NVIDIA para Intel é uma decisão de implantação, e não de retreinamento.
• A orquestração. O Microsoft Azure IoT Edge é hoje o padrão para “implantar este contêiner com este modelo nesta controladora de videowall a partir de um ponto central”. Em implantações locais sem orquestrador externo, o Kubernetes (k3s no host do videowall) cobre o mesmo terreno com mais esforço de configuração. A prática usual é empacotar cada modelo em um contêiner e deixar o orquestrador fixar os contêineres nas GPUs disponíveis.

O dimensionamento segue uma regra prática válida para a maioria das implantações publicadas: uma única GPU da classe RTX A4000 absorve a detecção da classe YOLO em 8 a 12 streams 1080p simultâneos, e a renderização do videowall ainda cabe ao lado.

Uma RTX A5000 / A6000 praticamente dobra esse número. Acima de ~20 streams, a carga de IA começa a competir com o trabalho de GPU do compositor.

Nesse ponto, a arquitetura correta é um nó de inferência separado, ao lado da controladora do videowall, que devolve as pontuações por um barramento de mensagens em vez de rodar na mesma GPU.

O requisito on-premises não é negociável

Todo processo sério de aquisição de um videowall com IA esbarra na mesma linha rígida: o vídeo ao vivo não pode sair da instalação. Três marcos regulatórios impõem isso.

• GDPR (UE). Câmeras que gravam pessoas identificáveis produzem dados pessoais nos termos do artigo 4(1). Enviar esses dados a um endpoint de inferência em nuvem situado em um país terceiro exige salvaguardas no padrão Schrems II, que a maioria das instalações não possui. A resposta limpa é “a inferência roda no local; a nuvem, no máximo, vê metadados”.
• FZ-152 e FZ-187 (Rússia). Regras de localização de dados pessoais e de infraestrutura crítica, respectivamente. Clientes estatais russos e a maioria das instalações de energia / transporte precisam executar a inferência dentro do país, muitas vezes no próprio local. A aposta da Visiology em inferência local integrada foi pensada especificamente para essa restrição.
• FedRAMP / DoD IL5+ (governo federal dos EUA). IA em nuvem para instalações classificadas é uma autorização que a equipe de aquisição raramente obtém. Inferência local, com implantação de modelos isolada na NIPRNet, é a expectativa padrão.

A lição de arquitetura: a parte de IA de um videowall com IA não é um recurso de nuvem que se acopla com uma chave de API.

É um arquivo de modelo entregue à controladora do videowall e um runtime ao lado do compositor. Fornecedores que escondem inferência em nuvem por trás de uma demonstração vistosa perdem a venda na etapa de conformidade.

Onde essas implantações realmente falham

O modelo raramente é o ponto de falha; os pontos de falha são três problemas operacionais. Quem reposiciona um fornecedor como empresa de videowalls com IA precisa de uma resposta para cada um deles.

• Falsos positivos corroem a confiança do operador mais rápido do que o modelo melhora. Um videowall que promove a janela errada para o centro três vezes em um turno passa a ser ignorado na quarta promoção — justamente a real. A mitigação padrão consiste em dois limiares: um para “mostrar um pequeno indicador na janela” e outro, separado e mais alto, para de fato alterar o layout. O produto precisa dar ao operador uma forma clara de ajustar os dois.
• O desvio do modelo (model drift) é silencioso até deixar de ser. Um contador de pessoas ajustado com dados de treinamento do verão começa, em novembro, a subestimar a contagem de pessoas com casacos pesados de inverno. Um detector de veículos ajustado com placas europeias perde desempenho no Oriente Médio. O produto precisa de uma camada de monitoramento — taxa de falsos positivos ao longo do tempo, contagem de intervenções manuais — que permita ao integrador perceber o desvio antes do cliente.
• A trilha de auditoria das janelas promovidas é inegociável para compradores regulados. Quando o videowall promoveu a Câmera 17 para o centro por 42 segundos às 14:03:17, qual era a pontuação, que versão do modelo a gerou e que reconhecimento do operador veio em seguida? A maioria dos avaliadores de conformidade quer poder responder a isso. Fornecedores que têm a resposta vendem para instalações reguladas; os que não têm ficam no AV corporativo.

Onde o Craft Wall se encaixa

Hoje, o Craft Wall é o compositor, e não a pilha de inferência. O modelo de implantação é o mesmo servidor Linux local (on-premises) em que roda o restante do produto.

Por isso, uma carga de ONNX Runtime ao lado do compositor baseado em Vulkan é arquiteturalmente limpa: a mesma GPU atende às duas cargas quando o número de streams permite.

Para escalar, adiciona-se um nó de inferência ao lado da controladora do videowall, e o compositor passa a receber as pontuações por assinatura.

O trabalho no slot ONNX e a API de layout orientada por pontuações estão no roadmap, e não nas versões distribuídas atualmente; a menção ao produto aqui é honesta, e não aspiracional.

Nas aquisições que precisam de IA hoje, o caminho certo é a Userful ou a Visiology, conforme a jurisdição. O Craft Wall entra na conversa de 2026-2027 como a opção local e independente de hardware, quando o caminho ONNX estiver disponível.

Conclusão honesta

Videowalls com IA ainda não são uma categoria de produto. São um padrão de implantação que um fornecedor (Userful) hoje articula melhor e que um segundo (Visiology) entrega melhor dentro de um único regime regulatório.

A maioria dos demais fornecedores chegará lá em 2026-2027. A pergunta do comprador não é “qual fornecedor de videowalls com IA é o melhor”, e sim “qual caso de uso realmente justifica inferência no videowall, e a nossa infraestrutura já o suporta?”.

Detecção de anomalias em um perímetro com 12 câmeras se encaixa perfeitamente. Correlação entre fontes de SIEM + VMS + BMS é a demonstração de marketing que a maioria das instalações não vai rodar nos próximos dois anos.

Leia a seguir: o verbete do glossário IA de borda (edge AI) para videowalls e o artigo IPMX vs ST 2110 vs SDVoE, sobre a questão de transporte subjacente.

Veja também a comparação Craft Wall vs Userful, que mostra como a parte de IA se encaixa em uma avaliação competitiva.