Видеостены с ИИ: детекция аномалий в NOC и SOC

Что «AI-обвязка» реально означает на стене

Снимаем маркетинговый язык — и остаётся четыре конкретных функции, которые покрываются термином. Всё остальное — либо одна из этих четырёх с другим лейблом, либо обещание из дорожной карты, которое ещё не поставлено.

• Детекция аномалий на живых потоках. Модель — обычно что-то из семейства YOLO v8 / v9 для детекции объектов или меньший time-series-детектор аномалий для дашбордов — крутится на каждом входящем потоке и выдаёт confidence-score. Контроллер стены подписан на эти оценки и может реагировать при пересечении порога. Распространено в транспортных хабах, периметровой охране, энергетических SCADA-дашбордах.
• Промоут источника (автоматическое переключение раскладки). При срабатывании детекции соответствующая плитка увеличивается, перемещается в центральную область стены и остаётся там, пока оператор не подтвердит или детекция не прекратится. Движок раскладки должен поддерживать и плавные переходы (анимированный pin / zoom), и hard-cuts (мгновенная реорганизация) — операторы реагируют на эти варианты по-разному.
• Счёт объектов и dwell-метрики. Подсчёт лиц для залов с контролем плотности, подсчёт автомобилей / номеров для трафика, длина очереди для ретейла. Результат — число, наложенное на плитку источника или отправленное на соседний дашборд, отрендеренный той же стеной.
• Cross-source-корреляция. Самый свежий уровень: подать несколько источников в единый inference-pipeline и выдать один «situation score», который управляет раскладкой. Userful Infinity EdgeAI демонстрирует это с Splunk Enterprise Security + VMS-фидом + телеметрией building-management-системы, объединёнными в одну панель. Зрелость честная — большинство реальных развёртываний остаются на single-source детекции аномалий в 2026 году.

Текущие категорийные бенчмарки

Три продукта задают планку в 2026 году, у каждого своя ставка.

Userful Infinity EdgeAI — самый заметный. Анонсирован в сентябре 2025 года как предварительная версия (preview), разработанная совместно с Microsoft (Azure IoT Edge для деплоя моделей), с доступностью в Azure Marketplace с 2026 года; продукт опирается на участие Userful в программе NVIDIA Inception.

Позиционирование — «operations awareness platform»; Userful намеренно уводит продукт от «video-wall software»-рамки в категорию с более высокой маржой. Интеграции с Splunk Enterprise Security, Genetec Security Center, Microsoft Sentinel, Everbridge CEM.

Цены строятся по той же модели Enterprise Subscription, что и у остальных продуктов Userful: по контракту City of Austin платформа стоит $42 за дисплей в месяц (около $504 за дисплей в год) плюс $13 014 за внедрение — ещё без учёта платежей за EdgeAI.

Visiology — российский аналог: его аналитическая платформа устанавливается на площадке заказчика (on-prem), что соответствует российскому регуляторному окружению (152-ФЗ, 187-ФЗ для критической инфраструктуры). Прежде чем сравнивать её с открытым стеком моделей, уточните, какие модели она поддерживает и как они обновляются.

Hiperwall, VuWall, Polywall в той же дискуссии, но с более узкими текущими поставками. Релиз Hiperwall 2026 R1 добавил «on-prem operator chat» (внутренний инструмент совместной работы, не inference как таковой) и расширил поддержку Intel GPU. VuWall и Polywall ссылаются на AI-интеграции через свои NMOS-совместимые стеки TRx / Polywall. Ни один из них не имеет той глубины, на которую претендует маркетинг Userful EdgeAI; сохранится ли этот разрыв через 2027 — реальный категорийный вопрос.

Архитектура «под капотом»

Снимаем брендовые слои — runtime-стек сходится на трёх частях.

• Модель. YOLO v8 (Ultralytics) и v9 (разработана исследователями Academia Sinica, пакет также выпускает Ultralytics) — стандартный выбор для детекции объектов: они дают применимое соотношение точности и задержки на серийных GPU NVIDIA. Проверьте лицензию: пакет Ultralytics распространяется под AGPL-3.0, а исходный код YOLOv9 — под GPL-3.0, поэтому закрытому коммерческому продукту обычно нужна корпоративная лицензия Ultralytics (Enterprise License) или модель с разрешительной лицензией. Для более специализированных сценариев — счёт лиц, распознавание номеров, детекция оружия — модель подбирает специализированные heads, но inference-структура остаётся похожей.
• Runtime. ONNX Runtime (см. Edge AI для видеостен) — общий язык: вендоры экспортируют модели из PyTorch / TensorFlow в формат ONNX, потом запускают inference через framework-agnostic runtime. Два backend'а, важных для wall-«железа»: NVIDIA TensorRT для GPU класса RTX (≈ 3-5× ускорение над plain ONNX Runtime), и Intel OpenVINO для интегрированного Iris Xe и дискретного Arc GPU. Оба backend'а принимают тот же ONNX-файл, поэтому production-переключение модели с NVIDIA на Intel — это deployment-decision, не retraining.
• Оркестрация. Microsoft Azure IoT Edge — текущий default для «задеплой этот контейнер с этой моделью на этот контроллер стены из центральной точки». Для on-prem-развёртываний без внешнего оркестратора Kubernetes (k3s на wall-хосте) закрывает ту же поверхность с большим setup-усилием. Паттерн — контейнеризовать каждую модель и позволить оркестратору закреплять контейнеры за доступными GPU.

Сайзинг следует приблизительному rule-of-thumb, который держится по большинству опубликованных развёртываний: один GPU класса RTX A4000 впитывает YOLO-детекцию на 8-12 одновременных 1080p-потоках, и rendering-нагрузка стены при этом всё ещё помещается рядом. RTX A5000 / A6000 — примерно удваивает эту цифру. Выше ~20 потоков AI-нагрузка начинает конкурировать с GPU-работой композера, и правильная архитектура — отдельная inference-нода рядом с контроллером стены, отдающая оценки обратно через message bus, а не работающая на том же GPU.

On-prem-требование не подлежит обсуждению

Любая серьёзная закупка стены с AI упирается в одну и ту же красную линию: живое видео не может покинуть периметр объекта. Три регуляторные рамки это вынуждают.

• GDPR (ЕС). Камеры, фиксирующие идентифицируемых лиц, производят персональные данные по статье 4(1). Отправка этих данных в cloud-inference-endpoint в третьей стране требует задокументированного механизма передачи (для американских провайдеров — EU–US Data Privacy Framework или стандартные договорные условия), а многие объекты предпочитают не ставить живое видео в зависимость от такого механизма. Чистый ответ: «inference идёт on-prem, в облако уходит только метадата (если вообще)».
• 152-ФЗ и 187-ФЗ (Россия). Локализация персональных данных и правила критической инфраструктуры соответственно. Российские государственные заказчики и большинство объектов энергетики/транспорта обязаны держать inference в стране, часто на самом объекте. Ставка Visiology на пакетный on-prem inference построена ровно под это ограничение.
• FedRAMP / DoD IL5+ (США, федеральный сегмент). Облачному AI для контролируемых несекретных данных нужна авторизация FedRAMP, полученная провайдером, а для оборонных данных — ещё и авторизация DoD уровня IL4 или IL5; секретные объекты (IL6) работают в отдельных засекреченных сетях, например SIPRNet. По умолчанию ожидается on-prem inference с развёртыванием моделей в собственной сети объекта.

Архитектурный вывод: AI-часть AI-обвязанной стены — это не cloud-feature, которую вы прикручиваете по API-ключу. Это файл модели, отгруженный на контроллер стены, и runtime, сидящий рядом с композером. Вендоры, прячущие cloud-inference за глянцевой демонстрацией, проигрывают на compliance-этапе.

Где эти развёртывания реально ломаются

Модель редко становится точкой отказа. Три эксплуатационные проблемы — да. У любого вендора, репозиционирующегося в категорию «AI-walls», должен быть ответ на каждую.

• Ложные срабатывания подрывают доверие оператора быстрее, чем улучшается модель. Стена, трижды за смену промотировавшая не ту плитку, на четвёртый промоут игнорируется — и именно четвёртый окажется настоящим. Стандартное смягчение — два порога: «показать маленький индикатор на плитке» — один порог, «реально менять раскладку» — отдельный, более высокий. Продукт обязан дать оператору чёткий способ настраивать оба.
• Дрейф модели — тихий, пока не громкий. People-counter, обученный на летних данных, начинает недосчитывать тяжёлые зимние куртки в ноябре. Vehicle detector на европейских номерах деградирует на Ближнем Востоке. Продукту нужен monitoring-слой — false-positive-rate во времени, счётчик manual override — дающий интегратору способ заметить дрейф раньше заказчика.
• Audit-trail для промотированных плиток не подлежит обсуждению у регулируемых заказчиков. Когда стена промотировала Camera 17 в центр на 42 секунды в 14:03:17 — какой был score, какая версия модели его произвела, какое подтверждение оператора последовало? Большинство compliance-ревьюеров требуют это ответимым. Вендоры с ответом — поставляют в регулируемых объектах; без ответа — остаются в корпоративном AV.

Где размещается Craft Wall

Craft Wall выполняет видеоаналитику на GPU сервера. Тот же on-prem Linux-сервер с GPU NVIDIA, который управляет стеной, обрабатывает потоки камер, а результаты выводятся на стену рядом с камерами и дашбордами, к которым они относятся. Видео не покидает объект, облачный сервис инференса не задействован.

Сколько потоков один сервер может анализировать, продолжая рендерить стену, зависит от разрешения и частоты кадров потоков и от аналитической нагрузки. Поэтому GPU подбирают под каждый проект, а не по фиксированному числу потоков.

Честное заключение

AI-обвязанные видеостены пока ещё не продуктовая категория — это паттерн развёртывания, который один вендор (Userful) сейчас лучше всего артикулирует, и второй (Visiology) лучше всего поставляет внутри одной регуляторной зоны. Большинство остальных вендоров придут туда в 2026-2027. Покупательский вопрос — не «какой вендор AI-стен лучший», а «какой use-case реально оправдывает inference на стене, и поддерживает ли это наша инфраструктура». Детекция аномалий на периметре из 12 камер — чистое попадание. Cross-source-корреляция SIEM + VMS + BMS — это маркетинговая демонстрация, которую большинство объектов ещё два года не запустят.

Читать дальше: Edge AI для видеостен в глоссарии, IPMX vs ST 2110 vs SDVoE — транспортный вопрос «под капотом», и сравнение Craft Wall vs Userful — как AI-часть встаёт в конкурентную оценку.