Перспективы развития искусственного интеллекта в промышленной роботизации

3:56 Уважаемые коллеги, еще раз доброе утро мы начинаем наш промышленный лекторий. Которым Екатерина сказала сегодня, мы поговорим про искусственный интеллект. В таком его проявлении, в том числе как машинное зрение и с нами. Сегодня компания Клюмониторинг специализируется больше по части строительства, но технологии, которые будут здесь, описаны они в принципе применимы везде от ретейла до. Производства и после, собственно, лекции, выступления, вы сможете задать вопрос эксперту и обсуждать тему, приглашая Аркадия к нам. Это генеральный директор и основатель, собственно, компании. Поприветствуем его всех, рад приветствовать.

4:40 Спасибо большое площадке Умный город за то, что пригласили спасибо организатора мероприятия. Так ну что, давайте еще раз представлюсь. Меня зовут Френчук Аркадий, я являюсь генеральным директором и сооснователем компании интеллектуальные. Строй решения мы являемся разработчиками, ну то есть вендорами отраслевой платформы видеоналитики, и также у нас в компании есть собственный Эронди. Центр, в рамках которого мы ведем разработки, в частности, там по видеоналитике по искусственному интеллекту. И вот как раз таки сегодня постараюсь. Вам поподробнее рассказать про эту тематику, показать конкретные там практические кейсы? Ну, чтобы было достаточно и полезно и познавательно, ну хотел. Начать с того, что в целом в промышленности, в стройке, в ретейле и различных сферах существует большое количество проблем, которые там просто. Поддаются просто, как бы могут быть решены по потому, что мы их не замечаем. Да, то есть это различные проблемы, связанные с простоями специального. Оборудования или простоями специальной строительной, там или промышленной техники. Это могут быть проблемы, связанные с отсутствием контроля, за какими. То операциями или людьми, а иногда эти проблемы напрямую связаны с финансами, например, штрафные санкции или какие то инциденты на промышленной и. Строительной площадке и вот чтобы все эти проблемы контролировать, мы и разрабатывали изначально вот такую общую платформу видео аналитики, ну если. В паре слов о нас то на текущий момент там платформа форма зарегистрирована в реестре Менцифры. Она работает на более чем 1000 камер на сегодняшний. День у нас большое количество коробочных нерестей понимания. Да, там есть коробочные нейросети, это те, которые уже заранее обучены разработчиками. И ставятся фактически как бы там за 1 неделю, а есть там формат кастомных нейросетей, когда есть какой то проект, у него там не типовые процессы и. Под не типовые процессы пишутся кастом на нейросети. Вот у нас в компании на текущий момент 15 коробочных нейросетей, ну и само собой большое. Количество там кастомных кейсов, если смы, если так в целом еще там пофилософствовать на тему искусственного интеллекта, то, конечно, его там преимущество. Перед людьми, которые там отвечают за надзор, они в целом очевидные, потому что нейросети, которые встраиваются там мир в камеры, да как у нас они не. Дремлют, они не спят, они не пропускают каких то важных событий и, что самое важное, они хранят всего в памяти, которую можно всегда поднять из архива.

7:44 Вот ну тоже пару слов, еще такой такой технический слайд расскажу чуть про архитектуру всей этой истории, то есть само собой. Любое приложение имеет модульную микросервисную архитектуру. У нас вот микросервисы представлены на слайде, чтобы не перегружать там техническая информация. И скажу, что все тянется к РТС по потоку РТСБ Поток. Это специальный протокол видеопередачи, все основные нейросети, связанные с видеомониторингом. Работают на его основе, вот и мы тянем этот теплый поток, собираем таким образом. Да, да, Сет, дата Сет, это большой набор изображений, которые мы. Храним размечаем и обрабатываем, и потом на этом датасети или обучаются кастанные нейросети или обучаются коробочные, иногда бывает добычаются. Коробочный нейросеть, ну вот нас отличает то, что мы этому само собой разведем. Там постоянное рнзи в этой сфере уже там добились, там собственной. Технологии и трекинга объектов Рейтинг, это когда у нас объекты в кадре движутся, и нам нужно предсказывать и понимать, как эти объекты будут двигаться в. Кадре, то есть предсказывать, как бы следующий шаг. Ну и также у нас есть собственность технология, идентификация объектов, это не классическое распознавание. Лица я чуть попозже, там эта тема коснусь. Мы разработали и в прошлом году представляли Мишустину технологию по невидимой маркировке объектов.

9:22 Так ну вот этот слайд очень важен, потому что я тоже должен им остановиться. Сейчас есть такой общий тренд на то, что нейросети все больше переходят к формату ЛЛМ или ВЛМ агентов. Ну, там по простому, это вот тот самый чад джипити.

9:42 И вот чат джипити само, по своей сути, это Эллм. Да, то есть Ларс Шлэндвич, модул большая языковая модель. Она работает таким образом, что она умеет предсказывать, как бы следующее для упрощения. Скажу следующее слово так, на самом деле она работает потоки. Нам суть суть, суть в том, что в там, вот забегая тоже в техническую сторону вопроса, есть несколько подходов различных там и К. Машинному обучению вот последнее время набирает обороты именно вот то, что ЛМ подход Велм подход делаем. Это визуал Лендич моду, он, условно говоря, превзойдет другие архитектуры и станет основным. Вот я вам скажу, что на 26 год это все еще не так. Само собой, технологии ЛМ сильно развиваются, и они очень хорошо работают в анализе текста, но если говорить про анализ видео материалов, то.

10:42 Скажем так, очевидно, что на текущий год сверточные нейросети и вот нейросети, которые связаны с обнаружением детекции и трекингом объектов по точности и по. Бизнес метрикам ну превосходит ЛМ агенты, но мы тоже в компании, в том числе как бы смотрим в эту сторону. Уже несколько проектов на базе Вилла им тоже делали.

11:06 Ну, совсем быстренько пробежимся по слайду с рынком. Рынок в России большой растущий растет по 15:20 ты, это я говорю про рынок. Видео аналитики, вот у меня здесь цифра 15-то миллиардов за 24 год есть более свежие исследования начала 26 года в нем.

11:28 Компания из группы компаний МТС оценивала тоже рынок виналитики, они определили цифру 25000000000000, р, наверное, более правдоподобная. Кстати говоря, и там предсказывается прогноз, что к году 30 эта цифра объем рынка в виде аналитики в России будет около 5000000000000000. В принципе тоже верится, потому что сейчас так устроен тренд на рынке, что никто не хочет больше просто так покупать видеокамеры все. Хотят покупать видеокамеры с встроенными нерестями или с нерастями, как сервисом, и вот этот сервис. Он как раз и пустит весь рынок.

12:05 Ну вот, в самом начале выступления уже говорили про то, что как бы наш продукт фокусируется на рынке строительства. И это правда, так там другой момент, что мы там ведем и в ритейле, и в промышленности сейчас мы. До этого добежим, но расскажу про то, что с точки зрения продукта у нас в компании 2 основных таких вот фокуса фокус. 1 Это стройка, фокус, 2 это управляющей компании, и вот если говорить про конкретные какие. То сферы применения вот в строительстве то, что это за что это за в принципе, за модули до что за за нейросети, которые используют достаточно большое количество строителей. Ну, в 1 очередь, это контроль, контроль. Людей настройки, контроль строителей, это контроль объемов зданий и в том числе этажности, контроль строительной техники, особенно эффективного времени ее использования. Вот, ну и само собой различные ЧП. Там различные инциденты, связанные с ввозом и вывозом материалов со строительной площадки. Все это очень актуально, потому что влияет на финансовую эффективность. Вот ну и понимая это, то есть понимая, что. Строители строят, а потом эксплуатируют. Это сейчас тоже такой общий тренд на рынке строительства, у большинства количество девелоперов сейчас существуют собственные управляющие компании и вот понимает, а тренд. Мы, в том числе, начали делать коробочные нейросети для управляющих компаний, там нейросети в 1 очередь летят за сервисом. То есть я называю сервисом там контроль, уборщиц, контроль дворников, контроль вывоза? Мусора там контроль безопасности на детской площадке внутри двора. Все это в принципе влияет на такой и на общей лтв застройщиков, и на такое можно сказать НПС, показатели, которые удовлетворенность клиентов.

14:03 Вот ну вот, я тоже на Слайд постарался вынести конкретные цифры. Это цифры, они лишь отчасти маркетинговые, все эти цифры подкреплены нашими исследованиями и. Нашими пилотными внедрениями еще там 24:25 года мы их проводили совместно со сбером. Вот мы смогли там доказать, что решение по генолитике существенно влияет. На сокращение простоев техники, оно сокращает нарушение охраны труда конкретно. Да там, то есть там, в 1 месяцы, мы видим большое количество нарушений охраны. Труда внедряется конкретная система, которая все детектирует, все показывает и магическим образом все перестают нарушать. Ну потому что получают штрафы вот.

14:50 Ну и, как я сказал, там все это несет под собой такой экономический эффект. Вот в 25 году цифра 2000000000 р, это только на тех объектах, только бы с нами согласились делиться цифрами. То есть я думаю, что там настоящая цифра, она сильно больше. Вот ну и пойдем как раз к конкретике. Да вот я здесь, на Слайде, вытащил основные примеры нейросетей. Я что еще покажу видеоролики, как я и сказал это там? В основном это детекция, то есть нам очень важен. Формат инцидента, то есть условно человек, снял каску. Мы это считаем, за инцидент там экскаватор стоял 3 часа, мы тоже считаем это за инцидент. Вот как же такой инцидент можно потом перевести в деньги вот?

15:39 Ну, тут, в принципе, повторение, но я очень важно. Еще дополню, что сейчас большое количество строек, особенно в Москве, применяют технологии контроля доступа. То есть там скуд, да так называемый на самом деле от скуда? Имеет скуд сам по себе полезное полезное решение на настройке, но и в промышленности тоже. Но оно очень часто ограничена тем, что мы не знаем, что делают люди. После того как зашли на площадку вот на стройке, мы знаем несколько кейсов конкретных. С нами там с нами вот делились болями наши заказчики, когда люди проходят. На стройку по 1 пропуску дальше, там через забор перелезли, пошли работать в такси. Вот но это, конечно, такой более шуточный пример, но он описывает как бы формат. Да, то есть мы можем знать, что человек на стройке или на производстве, но не знать, что он там делает. Вот ответ на этот вопрос и дает во многом видео аналитика.

16:40 Вот, ну и касаясь новых сценариев, то есть перспективных сценариев. Мы для себя тоже там, общаясь с рынком, проводя постоянные кассовые, понимаем, какие сейчас там основные новые. Тренды вот новые тренды мы постарались как раз таки вытащить в форматы индивидуальных сценариев. Мы уже эти сценарии на текущий момент разрабатываем, с кем то уже их пилотируем. Но пока не называемых коробочными вот, но это в основном что это это. Замок переполнен из баков, особенно актуально для строительного, тоже мусора, чистота, шин грузовиков, это. Такая актуалочка именно для Москвы, где идет повышенный контроль за чистотой строительство. Там, чтобы стройка была чистой, не шумной, беспыльной, и вот все, вот это вот невозможное.

17:28 Частота спецтехники вот отдельно отдельно обращаю внимание на складирование материалов. И вообще, в принципе, формат того, как и как они складируются, у нас тоже было несколько конкретных заказчиков, которые определяли свою боль следующим образом, что. Материалы или хранятся неправильно здесь. Вот вот пример арматуры находится в воде, да то есть она, очевидно, будет ржаветь, греть и так далее. Другая тоже похожая проблема, связанная со складированием. Это когда у нас настройки или на производстве есть склад? Постоянно привозят материалы, но материалы берут не те, которые привезли там в прошлом или поза прошлом месяце, берут новые материалы. И получается так, что у нас старые материалы, они просто залеживаются на складе. Если это если это какой, то открытый склад. То там все начинает тоже снова там ржаветь, гнить портится, потом все это списывается. И вот формат того, чтобы следить, контролировать, какой материал, где находится, тоже помогает видеоналитика, помогает в целом. Вот искусственный интеллект, вот ну вот к.

18:35 Ну вот, кстати говоря, там тоже еще отдельно обращу внимание на мониторинг. Наличие высотных ограждений тоже сейчас в целом такой пошел большой тренд. На разных рынках, в промышленности, в стройке, на безопасность труда, на охрану труда и вот мониторинг наличия высотных ограждений, мониторинг наличия. Страховочных тросов все это тоже сейчас абсолютно актуальные истории, несущие под собой там безопасность, а безопасность. Ну, там перенастройки или на? Информации это всегда как бы и имидж компании, и репутация компании. Ну и, конечно, в 1 очередь жизни людей, там это всегда очень важно за этим следить.

19:19 Вот ну перейдем еще к управляющим компаниям, там тоже есть несколько очень интересных новых направлений, какие то из них мы это сейчас уже тоже разрабатываем формате кастома. Вот ну обращу внимание на детекцию. Объектов и людей в кадре я здесь чуть чуть так абраширю. Тезис сейчас очень много девелоперов проводит исследования о том, как вообще. Поддерживают жизнедеятельности люди во дворе, то есть какими они местами общего пользования пользуются. То есть на каких скамейках там, по простому говоря, на каких скамейках люди сидят, какие детские площадки? Загружены детьми, а какие не загружены, по каким тропинкам во дворах ходят люди? Все это нужно потом девелоперу, но и городу, в том числе для того, чтобы анализировать эти данные, а потом на этих данных, ну.

20:12 Облагораживать территорию вот в целом наша система тоже такую вот такую аналитику способны проводить. Мы умеем распознавать и пол, и возраст людей, и их типовые, там маршруты и так далее. Все это, причем без обезличена, что отдельно, как бы там. Отдельно упрощает работу с такой системой, вот ну еще тоже. Так скажу, что в целом для таких вот кейсов по безопасности жизни там уже в доме, в МКД. Там особенно актуальные такие сценарии, связанные с безопасностью, например, там обнаружение предметов. Похожих на оружие, да то есть это не обязательно, не обязательно. Это должен быть какой то бандит, но если мы видим какой то предмет подозрительный, пусть даже какой то зонт, спрятанный в рюкзаке. Да, но лучше мы это лишний раз подсветим охраннику. Лучше охранник лишний раз проверит этот рюкзак, и все будут как бы там потом спать спокойно. Вот такие нейросети они тоже, в том числе, используются сейчас для контроля. Ну, там для городских решений у нас есть решение по анализу драк, да то есть.

21:23 Не могу сказать тоже, что как бы что условно управляющая компания может на это сильно влиять. Но лучше знать о том, что у тебя на территории двора происходит какая то драка или какой, то там. Похожий рода инцидент чем о нем не знать. Может быть, управляющая компания позвонит в полицию? У нас, кстати, есть нейросеть, которая поднимает автоматически шлагбаум, если видит полицейскую машину.

21:47 Вот ну теперь расскажу чуть чуть про внедрение, про то, как в целом. Вот там от начала, там от идеи, скажем так, до того, как это и ставится, внедряется большинстве случаев. Все проходит очень быстро, потому что абсолютное большинство объектов. Уже оборудовано видеокамерами, их чаще всего ставят там для поста охраны, просто чтобы люди как бы там могли смотреть. В некоторых случаях руководство компании там промышленной компании или строительной просят все это загонять в. Облако эти данные попадают в облако и потом отображаются там условно, там, на телефоне руководителя, и в принципе больше никак эти данные никак не используются. То есть просто, чтобы там условно был какой то контроль, вот мы как раз таки. И стараемся забирать эти самые потоки, их превращать в данные, на которых мы, которые можно реагировать. То есть мы забираем камеру, не растет, сама ее обрабатывает, потом потом нейросеть сама выдает уведомления и сама формирует отчеты.

22:53 Вот, ну и само собой, то есть все это строится, дальше попадается в чат бот. Есть в формате приложения и в формате телеграмма, и в формате Макса тоже есть вывод. Уведомлений также уведомления могут в некоторых случаях идти на почту вот. Концепт концеп всего этого, чтобы как бы данные всегда были под рукой. Вот здесь, на Слайде, я постарался вынести там лишь небольшое количество компаний, с кем мы работаем здесь, в основном слайд, вот связанный со стройкой там, в. Ритейле чуть чуть другие компании с нами работают, там в промышленности тоже несколько другие компании работают. Вот здесь вот как раз про стройку слайд.

23:37 Вот, ну и самое интересное, что как раз вот завершая блок строительства, я пойду конкретным кейсом. Мы вытащили на Слайд 4 кейса вот кейс номер 1. Это федеральное казначейство Российской Федерации, то есть они совместно с аналитическим центром при правительстве осуществляют мониторинг национальных проектов. То есть там стройка школ, стройка больниц? Дорог мостов, вот все это проходит через аналитический центр федерального правительства, и они в том числе. Вот используют видео наличку для того, чтобы контролировать, скажем так, рисковые сценарии, то есть они для себя определяют, что если, например.

24:21 За счет федерального бюджета финансируется, какой то объект и на этом объекте отсутствуют люди, отсутствует техника, строительные работы не ведутся, то у них как бы там, на их общей панели зажигаются такой там красный сигнал светофора. И они могут на этот объект отдельно среагировать. Вот на текущий момент работает на этой системе более 500 камер, которые вот постоянно 24 на 7 проверяют все стройки и зажигают лампочки у тех объектов, которые подозрительные. Вот вот, ну вот более коммерческий пример, компания Брусника, федеральный девелопер. Сейчас они по моему в топ 6 на российском рынке, они мониторят самые вот уже банальные модули. Они смотрят за людьми и смотрят, смотрят за. Техникой и за чрезвычайными происшествиями. В принципе, это самые популярные на нашей платформе кейсы, и они потому, что они самые финансовые, то есть многие девелоперы. Беря пример, там друг с друга начинают перестраивать процессы. Под инцидент менеджмент они видят человека без сказки, они там прям на той же самой стройке. Есть специально обученные люди, кто идут по этому инциденту, находят того человека, кто не носит каску и дают ему предписание дальше. Записывают это в журнал, там или нашей платформе записывают это, а в конце месяца это все выливается в конкретные штрафные санкции на подрядную организацию, от которой человек не носил каску с техникой, похожая история многие. Застройщики девелоперы тех, кто строят сами, они, само собой, очень скрупулезно считают количество часов в строительной техники. Сейчас, в принципе, там, ну и особенно топовые топовые девелопера не все очень оцифрованы, они все. Пользуются системой планирования, у них вся техника всегда при этом привязана к этапам строительства, и они планируют день строительства. Вот если они понимают, что у них там сегодня должен работать экскаватор там 8 часовую там.

26:28 8 Часов, а по факту система показывает, что этот скафандр работал 2 часа, то, наверное, к этому экскаватору и к этому подрядчику есть какой? То вопрос, который для начала можно спросить, а если это системная история, то можно и тоже. Ему практически эти часы как бы перевыставить и. Оно там тоже для понимания, там вот там 3 часа экскаватора, там, в Москве, это может быть там 30 50000 р. И вот вот мы так вот так вот пересчитаем по месяцу и получается. Там достаточно большой финансовый эффект, который высвобождает деньги для этой конкретной.

27:07 Вот тоже пример федерального застройщика, компания Разум. Они топ 1 в Астрахани, они вот эти, 1 кто тут использовали нашу платформу, начали перестраивать. Вот так полноценно процессы, то есть они как бы и раньше следили за за безопасность труда на стройплощадке. Но 1 дело просто смотреть там за. Безопасностью там, типа, там, а я, я и там, на си каску, а другое вот дело. Выстроить процесс, чтобы эти данные эти данные реагировали люди, а люди потом выносим. А люди потом внутри компании выносили штрафы и предписания подрядчикам. Вот у них там был 1 из самых там, наверное, вот быстрых, тоже успешных кейсов.

27:50 Вот ну и московскую тоже стройку я сюда тоже в качестве кейса положил. Мы делали в прошлом году, оцифровали площадку компании ГЭС, там площадку Монблан центре Москвы на. Павелецкой и Москва, в принципе, во все московские стройки они в принципе дорогие. Там и техника используется как бы там, дорогая, ее много и людей, и люди там тоже всегда. Обычно много на московской стройке, и там вообще получаются очень такие существенные эффекты. Вот наша платформа мы это, мы проводили официальный пилот, это было при поддержке. Сколково, вот есть такая программа Билдаб Сколковский. И вот мы в рамках там проводили официальный пилот, вот мы за полтора месяца зафиксировали более 100 нарушений.

28:39 Фактически это выливается в экономию, там более 2000000 р, которые они смогли вот предъявить своим подрядчикам. И в принципе там эта цифра, она может стать нормальная, то. Есть в целом до 3000000 р на стройплощадке в месяц можно благодаря такой системе экономить. Те, у кого много стройплощадок, само собой, там можно вот пересчитать эффект.

29:02 Вот, ну и я вытащил специально тоже на слайд показать демо ролики, то есть как это работает. Вот если вы посмотрите планера, сеть сама обнаруживает каски, обнаруживает людей редко. На самом деле нейросети работают в формате 24 кадра в секунду, то есть прямо полноценное видео. Это скорее исключение, скорее демонстрация. Я сейчас покажу вот на другом примере вот здесь. Вот вот, обычно нейросети вот так обнаруживают, сейчас будут, видите медленно, медленно. Двигается техника, это почему так потому, что нейросети обычно анализируют не все кадры? Она анализирует там условно там 1 кадр в минуту или там 1 кадр в 30 секунд, это сделано. Специально, чтобы решение было дешевым, потому что чем больше кадров мы обнаруживаем, тем мы тем мы должны больше взять серверов. Каждый новый сервер дополнительные расходы и на.

30:00 Чтобы решение было максимальное, скажем так, эффективным по деньгам, мы специально делаем так, чтобы нейросети обнаруживали не все кадры. Вот ну вот пример тоже с окнами балконами таким образом считается. Этажность, строительство, то есть нейросети, она сама она сама понимает окна. Потом по этим окнам по вертикали отсчитывает этажи, мы понимаем этажность здания, она сама фиксирует. Его в программе особенно тоже вот особенно интересно делать всякие интеграции с внутренними системами заказчика по планированию. Тогда получается такой эффект, план, факт.

30:43 Вот, ну и я сам, я там в начале своего рассказа говорил про то, что у нас есть перспективное такое. Рнзи по невидимой идентификации объектов. Вот мы сами базируемся в Сколково и в пластырь Ломоносов. Такая площадка тоже около МГУ, вот и к нам в том году приезжал. Мишустин вместе с Собяниным, и мы вот им показывали вот эту нашу технологию по невидимой маркировке. Она фактически работает вот таким вот образом, то есть в чем принцип технологии. В дневном свете Мы сами видим там вот обычные объекты, но из за того, что камера самая простая, даже там камера там за 3000 р. гаражная видит немножко в более широком световом спектре. Она заходит в ближний и к вот. Там мы иногда это называем ночным ночным видением камеры. Да, но на самом деле это просто ближний ближний ЭКО спектр. Вот мы разработали состав краски совместно там с еще 1 компанией в нашем кластере.

31:48 И суть технологии получается такое, что мы это краска. Она заходит тоже в ближний ЭКО спектр камера видит маркировку, которую мы наносим этой краской. А что за маркировку мы наносим там специальный формат? Близкий к Кьюар Коду, это не Кьюар код. Это формат нашей разработки, близкие к ару кометкам, и получается так, что краска близкого ЭКО спектра с нанесением специальной маркировки позволяет нам создавать. Такой эффект, что мы можем идентифицировать объекты через видеоналитику. При этом люди глазами эту маркировку не видят, они не понимают, что объект размечен, и это в принципе в разных кейсах применяется. Вот здесь вот как бы там демонстрация на кофте и может сразу показаться, что значит там можно. Там людей обязательно помечать, на самом деле нет. Это самые непопулярные в этой технологии, как бы фокус.

32:45 Здесь скорее самый популярный фокус этой технологии. Он завязан на том, что можно идентифицировать, какие то объекты, особенно там, связаны с логистикой объекты. То есть можно помечать такой вот невидимой маркировкой? Можно помещать специальное оборудование или какие то там товарные позиции дальше, товарная позиция. Перемещается от места к месту, и мы ее в системе подтверждаем. То есть человек просто принял коробку, а камера, которая стоит, которая стоит над ним, уже посмотрела. Айдишник этого объекта в истории посмотрела, где он был и как доставлялся. Это объект, и все сама как бы от трекала. Вот еще 1 применение технологии это в.

33:31 формате ритейла, то есть некая такая среда, где живут одновременно и роботы, и люди. Вот не знаю, вот если если вот вы там заходили, то сейчас уже несколько вот передовых ретейлеров уже тестирует формат, когда когда вы робот Мойщик. Ездит по магазину и просто сам собой уже убирает. Вот я не знаю, я не знаю, открываю я тайну или нет. Но сейчас многие ритейлеры пытаются к этим работомойщиком добавлять различную вегеталитику, например, там видеоналитику полок.

34:05 Но чтобы робот хорошо ориентировался в пространстве, ему нужны некие как бы там, скажем так, нужно некие метки, которым он понимает то, что это там. Ряд номер 10 и в ряд там, в ряду номер 10, условно там находится. Молоко, да и вот, чтобы ориентироваться в пространстве, роботы ориентируются или по каким то датчиком или по маркировке, по маркировке. Само собой дешевле, потому что датчики это всегда физическое, какое то устройство, это всегда капикс.

34:38 Нанести Кьюар Код это всегда очень дешево, но если мы будем весь пол в магазине размечать большими кьюар кодами, то, наверное, нам как бы человеком это не очень понравится и будет как то не очень цивильно смотреться и вот для этого. Тоже в том числе вот такая технология может применяться, то есть наносим на пространство невидимую маркировку людей ничего не раздражает, а роботы все понимают. Вот ну в том числе, конечно, можно и на кофты наносить и на спецодежду.

35:13 Вот, но я принципе уже рассказал конкретно про эту технологию, вот и про ее преимущество. Могу сказать только то, что на текущий момент мы не я не называю это самоде прямо готовым продуктовым решением, мы ее, мы ее. Тестировали на эту краску, мы ее тестировали на то, чтобы она не смывалась, она уже не смывается. Сейчас мы ее тестируем на то, чтобы она как бы не выгорала. При высоких температурах тоже актуально для промышленности.

35:46 Вот ну переходим еще к управляющим компаниям, здесь отдельно тоже старался вынести на слайды конкретные кейсы по управляющим компаниям. Вот ну что из этого реализовано и что? Пользуются реальным спросом, вот реальным спросом пользуются простые системы, связанные со шлагбаумами. Когда когда у нас уже у дома есть шлагбаум, иногда этот шлагбаум у дома. Уже умеет распознавать номера машин, которые к этому ЖК привязаны, но все еще не умеет определять спецтранспорт на перед скорую помощь. Пожарную машину этому полицейскую. Машину и вот у нас есть детектор, который обнаруживает эти типы транспорта и тоже автоматически дает сигнал, открывая шлагбаум. Вот ну контроль загрязнений здесь вот на Слайде.

36:39 Мусор около урны, на самом деле это не популярный кейс, в основном все пользуются форматом. Проверить, что был человек, то есть проверить. Что была уборщица в этой зоне проверить, что уборщица поднялась на этаж, что она была в подъезде, что дворник был во дворе, то есть факт. Наличия человека с большей вероятностью повлияет на то, что будет убрана территория, нежели чем обнаружить сам само загрязнение на. Территории, ну, само собой, там контроль пожаров, это актуальный кейс вообще везде и в промышленности, и в эксплуатации домов, и в стройке везде.

37:15 Вот ну отдельно еще вот упомяну про определение позы человека. То есть сейчас видеоналитика достаточно хорошо определяет позу человека, это. Конкретно применяется во 1 кейсах, когда человеку стало плохо или то, что человек обездвижен или что он лежит в не типовой позе. Да, то есть не типовая поза на человека, который там упал. Пластом да очень подозрительно, наверное, надо среагировать, вот и не растите. Хорошо определяют позу, понимают, что человеку стало плохо, могут на это вызвать там специальную, там службу.

37:48 Тоже, но работать достаточно тоже, просто вообще у большинства ЖК уже стоят камеры. Даже в эконом сегменте уже стоят камеры другой момент, что в эконом сегменте ставят меньше камер, чем в бизнесе и в премиум сегменте и в экономию. Очень редко встретишь камеры на этажах, но для того, чтобы анализировать пространство и для того, чтобы анализировать эффективность этого пространства, вполне себе хорошо подходит в виде аналитика на уже готовом оборудовании.

38:17 Вот ну тоже постарались вытащить эффекты, и в целом сложно сказать еще про какие то вот оцифрованные эффекты, как в стройке строки. Там были конкретные исследования, мы там замеряли здесь, скажем так, пока это еще все. Тестируется, пилотируется даже уже на тех заказчиках, кто уже масштабирует эту историю, все равно считаются до конца. Еще эффекты они, очевидно, уже приносят пользу, потому что 1 дело выстраивать управление, управление управляющей. Компании за тавтологию 1 дело управлять компанией через то, что на каждом ЖК отдельная команда работает. Другое дело, когда мы команду со всех ЖК перетаскиваем в центральный, какой то офис это центральный офис работает только. По формату инцидент менеджмента, то есть мы фактически там сокращаем труд затраты на местах. Через через сокращение трудозатрат на местах мы получаем в целом эффективность там погоду, то есть это решение быстро окупаемая.

39:23 Вот ну вот. Ну вот, я тоже постарался в качестве визуальных примеров вытащить конкретные кейсы. Эта технология используется там вот в парковых зонах, в общественных пространствах. Вот можете посмотреть, как вот охранник ходит. Вот если обратить внимание, то нейросеть обнаруживает его позу через. Его позу мы можем понимать, что он делает. Вот в данном случае мы видим это охранник, мы его определяем по униформе дальше. Мы понимаем, что он осуществляет некое патрулирование, да то есть он ходит. По кадру иногда бывает так, что нам нужно в рамках там регламента проверить, что охранник, например, обошел машину вокруг в в целях контроля безопасности. Это очень популярный кейс или, например, что? Охранник реально проверил сумку или рюкзак. У человека, который входит в здание, и вот чтобы это понимать, мы используем как раз такие вот полос модели. Да там модели поза человека есть какой нибудь.

40:20 Какой нибудь другой, еще пример покажу. Вот здесь вот как раз тоже на слайде, вот есть уборщики, даже будет еще лучше. Вот вот, уборщик тоже на территории, вот смотрите на видео. То есть мы тоже по позе понимаем его, его действия понимаем, что он убирается, а не. Просто стоит, и это вот я сейчас дальше еще будут касаться ретейла в ретейле. Это особо популярная история, потому что там там всегда нужно понимать не просто, что человек в рамках униформы находится в кадре. А что он реально, что то, что то делает конкретное?

40:53 Ну как раз переходим к ретейлу. Ну, в ретейле много, много кейсов, и они очень разрозненные вообще в Ретеле мало. Скажем так, коробочных решений, точнее коробочные решения. Они просто есть у всех, и они особо не там, как они не дают эффекта, потому что. Основные эффекты получаются там, где мы модернизируем процессы вообще в принципе везде, так вообще любой эффект от айти технологии любой эти технологии. Он дается только там, где мы меняем процессы под некую технологию.

41:29 Ну вот, я вот постарался вынести тоже конкретные. Там кейсы, вот есть кейсы, связанные с тепловой карты магазина, кейсы кейс в основном. Маркетинговый там вот крупный красный ретейлер. Наш там основной заказчик используют его для анализа пола возраста людей в различных.

41:51 Типах магазинов до своих у них там есть разные форматы магазина, есть там поменьше формат по размеру до магазина побольше формат. Вот и они смотрят тепловые карты, загруженности магазина по разным его зонам, то. Есть понимая, что магазин, например, там, в каких то уголках совсем не загружен. Мы можем поменять в целом эргономику магазина перестроить ее так, чтобы она, чтобы люди доходили до нужных нам полок или, например.

42:22 Мы понимаем, что там, что нам нужно в магазине сделать акцент на там специальный, на отдельных товарные позиции, и мы специально там понимаете тепловую карту магазина и типовые маршруты разных групп мы можем сегментировать. Группы можем понимать, например, что там более возрастная группа ходит чаще по такому маршруту, там более молодая группа ходит по другому чуть маршруту. В зависимости от этого можем перестраивать работу с полками в магазине, вот.

42:54 Ну и, кстати, на полок, кстати, на полок уже есть очень популярные кейсы. Мы их тоже эту историю делали, это контроль полок пустот между полками, то есть. Ретели там пустая полка даже на час или на полчаса времени. Это на самом деле там в масштабе огромная проблема, потому что когда тебя должен магазин быть.

43:21 В абсолютном таком, как сайтом, регламенте слей загружено и выглядит максимально презентабельно. Потому что пустоты на полках они вызывают такое легкое отторжение у клиента, и если полка пустая, то. Конечно, сразу должны найти инцидент в платформе и идти срочно эту проблему исправлять. Вот это достаточно простая виги, наличка легко применяемая, легко ставятся на все камеры различного разрешения.

43:50 Контроль ценников тоже похожая история нейросети. Это вот для Мерчендайзеров они как раз проводят обследование магазинов постоянно, и им важно посмотреть, как. Работают, как идет вообще работа с ценниками, то есть система сама считывает цифры на ценниках. Сама заносит систему сама, про такой след, полный такой контроль.

44:15 Вот тоже популярный кейс контроль тележек здесь. Трое тележек нам интересен тоже с точки зрения того, как люди вообще работают с тележками и отдельно. Нам интересно, как сотрудники работают с тележками, потому что. Сотрудники, когда осуществляют раскладку в магазине, они тоже иногда используют тележки, и нам важно смотреть, как тележки перемещаются и как и как они двигаются по залу вот.

44:48 Вот мы теперь идем тоже в перспективные. Технологии. Есть такая технология, в принципе она не новая, но я. Но на Западе сейчас и в Китае тоже, особенно уже есть давным давно технологии. Когда ты приходишь в магазин кость купить себе футболку? футболку кладешь такой отсек, и она сама пробилась. Если ты набрал 10 футболок точно так же все 10 футболок, сразу кладешь в 1 отсек. И они сразу все 10 пробились, и ты сразу там оплатил. Это удобно, это создает некий такой формат самообслуживания, особенно в вещевом. Ретейле, вот и у нас в России, почему то нет своей своей такой технологии? Вот мы еще с прошлого года такую такой аппарат собрали, мы его.

45:37 Сейчас тестируем, вот я уже сказал, там с красным ритейлером и тестилем его с 1 ритейлером у правительства Москвы. Вот, но концепт такой же тоже подошел, положил группу товаров. Неважно, там и вещи, и какие то товары для дома везде, где вот это самое РФ. Айдишка, там это такой небольшой стикер, он стоит там 2 р сейчас на рынке, вот везде, где эти 2 р.

46:05 Условно не значимы внутри чека этого товара. Эта технология хорошо подходит, она вот создает эффект самообслуживания. Плюсом на базе технологии можно выстраивать антифрод системы, то есть как бы там. Вот если вы там, ну как мы сейчас устроена, вот тоже поход в любой вещевой там, да там магазин. Ты всегда там всегда крепятся, тоже некие такие вот активные датчики. Они крепятся к вещам, особенно дорогим вещам. И потом, рамка пиликает в целом, если мы используем систему. РФ Айди то во 1 как бы это во 1 стоимость становится сильно меньше, потому что РФ. Айдишка сейчас наберу, там стоит 2 р как некая метка + РФ Айди пассивная метка, она, а? Пассивные метки они всегда дешевле, чем активные. Ну и получается эффект, похожий с рамкой, только дешевле, и на его основе еще можно сделать вот технологию по самообслуживанию.

47:04 Отдельно очень интересный проект, в принципе уже доказавшись свою эффективность. Это тележки сборщиков заказов тоже наш, с вами тоже нашей эр. Эн Ди там совместно, там с 2 ретейлерами. На текущий момент смысл, в чем смысл в том, что вот сейчас очень становится популярна онлайн доставка.

47:27 И многие ритейлеры переходят к формату, что у них есть доставка на дом, а чисто операционная, как работает. Есть люди при магазинах или при компании, они ездят на самом деле в ближайший магазин. Собирают ваш заказ и привозят вам до дома до двери. Вот сейчас получается так, что все эти люди сборщики так называемые, они работают в 1 среде, где и покупатели, и когда у нас магазины переходят.

47:55 На форматы самообслуживания или даже ну или даже просто нам там еще не перешли. На форматы кассового обслуживания обслуживаются через обычные кассы, это создает очереди, то есть сборщики заказов мешают людям в магазине. И создается такой тоже, как бы общий диссонанс, особенно это все связано с весовыми товарами. Тогда нужно, например, взвесить помидоры там или взвесить бананы, вот что сделано, мы сделали. Такую умную систему, где специальные такие тен задачки крепятся в тележке. Они позволяют сборщиком во 1 видеть, где собирать заказы и сами строят маршруты, оптимальные внутри магазина. Особенно для и особенно полезно для гипермаркетов, то есть он прокладывает автоматический маршрут по магазину, куда идти плюсом. Там же есть вот там, вот тен задача, это фактически весы. Которые позволяют сборщиком взвешивать заказы. Получается так, что на 1 тележке мы как бы убираем вот эту всю проблему, связанную со сборщиками, они отдельно на этих тележках собирают заказы.

49:01 Вот ну тоже, вот пример видео на Литьке в таком формате близком к ритейлу. Я бы хотел, конечно, вставить на слайд. Кейсы именно из ритейла прямо лимона, там из магазинов, но там очень жесткая. Мда, нельзя никуда вытаскивать эти видео, поэтому вот только такие. Форматы, но в принципе суть суть в принципе передает, то есть по по униформе. Мы определяем людей по униформе, отличаем персонал от покупателей.

49:44 Покупателем делаем маркетинговую аналитику сотрудникам, делаем аналитику действий, например там классификация действий, там. Раскладка на полке или там работа с кассой? Помощь клиенту в зоне касса самообслуживания отдельно, очень популярные очки с ритейле, когда у нас мы приходим на кассу. Самообслуживания пробиваем какой нибудь на этом условно, там энергетика или алкогольную продукцию пробиваем. У нас на экране вылетает ошибка, да там просьба обратиться к. Администратору если администратор не находится рядом с нами, то мы идем в общую кассу. Все это на самом деле создает такую операционную проблему для ритейла, вот чтобы эту. Проблему решать тоже используется вина Литика, она контролирует, чтобы в зоне касса самообслуживания. Если там есть клиент, чтоб там же был и сотрудник, который ему поможет.

50:38 Вот ну переходим к промышленности. В промышленности вообще очень мало типовых историй, то есть там. Ну, ка контроль кассов, понятно, там да он контроль касок, он везде контроль касок. Но большинство сценариев промышленности не типовые, потому что, например, кейсы для пищевой. Промышленности они сильно отличаются от мебельной промышленности и от металлургической промышленности и везде. Там вот эти вот, скажем так, особенности разных разных промышленностей, они создают высокий такой потенциал для кастома.

51:17 Но я бы я постарался такие общие тенденции на этом рынке определить. То есть только вы, с чем к нам обращаются из разных сфер и много пересечений? Но вот самый популярный это контроль брака в промышленности, если что картинка. Маркетинговая, это там браки, они там обычно более сложные, чем такие, скажем так, обычно там брак. Это это какая то история, связанная с неправильной геометрией небольшой выпуклостью у продукции или какой то царапины или сколом.

51:49 Причем очень часто брак, например, там мебельная промышленность, там брак может быть всего 1 2 см или там бумажная промышленность тоже там вообще могут быть очень маленький. Там меньше сантиметра может быть брак, но эту историю нужно. Контролировать ее сейчас контролируют люди, но люди ошибаются гораздо чаще, чем ошибается. Ну как бы то есть машина ошибается реже, чем люди, вот и все. И поэтому контроль брака это очень популярная проблематика в целом вот для всей промышленности.

52:25 Ну, контроль средств индивидуальной защиты, контроль кассах, да он везде, но вот, но от промышленности к промышленности очень меняются сильно. Сизые сизые средства индивидуальной защиты, то есть для пищепром для пищепрома, нужно смотреть за перчатками и. О Боже, забыл, как называется, но, в общем, тоже такое. Там для пищевой промышленности отдельные сизы они закрывают там лицо и горло для там, для металлургической. Промышленности там еще добавляются, сапоги добавляются, добавляются там специального рода, там перчатки, специального рода, курски и так далее, то есть. Средства индивидуальной защиты они сильно отличаются от промышленности, промышленности и поэтому собрать какое то уникальное коробочное решение, которое все. Сизы контролируют очень сложно, потому что специфика сильно влияет, но специально провести вот там до обучения под конкретную промышленность не так сложно.

53:27 Потому что обычно нам хватает просто данных на Сизы. Вот ну популярная история тобианалитика. Когда у нас, когда у вас промышленность, она в принципе промышленности, она генерит много данных вообще в принципе в промышленности. Обычно эффективность финансовая при внедрении решений она очень. Высокая она позволяет как раз таки собирать больше данных, чем других заказчиков. Потом эти данные можно очень грамотно анализировать, создавая еще больше финансового эффекта для компании, вот в принципе. Для того чтобы анализировать данные, используются биосистемы, так называемые биодвижки, бизнес интерфейс движки. У нас у компании тоже есть собственная биоаналитика, собственная платформа, она умея из. Того, что мы много работаем с данными от нейросетей, мы собрали платформу, которая сама эти данные правильно упаковывает в графический вид в прогнозные модели и так далее. Вот что тоже я, что то коснусь.

54:29 Вот тоже отдельно популярный кейс, это вот контроль присутствует сотрудников в различных технических зонах и вообще в принципе в зонах. То есть вот, например, вот у нас примерно стоит станок. Нам нужно понимать, сколько за этим станком реально шла работа, можно использовать. Системы, которые забирают информацию самого станка, иногда эти системы не российские, иногда с них сложно забирать информацию, а посмотреть. Как бы посмотреть просто, что человек находится на рабочем месте, сколько времени он там находился. Это обычно очень просто и дешево, и. Особенно если есть камера уже в цеху. Мы можем просто смотреть, сколько времени человек провел за станком, когда это карает караета караета. Внедрено начинаются более сложные кейсы, например, за 1 станком, например, есть 5 видов операций. Там не знаю, там расстройка потом что. То еще что то еще чистка, что то еще вот вот контроль операции это тоже очень популярный кейс. Он кастомный всегда, потому что разные станки. Там с разным станкам разный подход, но фактически контроль операций, то есть понимание, сколько времени какой процесс длился за каким. Станком это тоже такое общий такой мастеров для всей там особенно легкой промышленности. Вот ну при активной аналитика я тоже специально. Вынес, я сказал про то, что данных формируется много на этих данных, можно строить хорошие прогнозы, то есть, например, там, понимая сколько. Времени люди работают, за какими станками и какие операции совершают. Мы можем достаточно точно предсказывать, потом выпуск продукции можем. Предсказывать, как у нас будут меняться ключевые метрики бизнеса в зависимости там от того, что мы там добавим еще 1 станок там уменьшим. Количество людей увеличим количество людей, то есть это такой некий переход, скажем так, близкие к цифровым двойникам да цифровито некая. Такая система, которая пытается полностью смоделировать все процессы на производстве, то есть, конечно, переходить к полному цифровому. Двойнику это в основном это бессмысленно, но на базе уже готовых данных делать прогнозы тоже на базе математических моделей это даже не. Искусственный цвет, это просто математика, предсказывающая область статистики. Достаточно можно точно такие вот делать такие предсказания.

56:52 Вот и я тоже, вот если я конкретные тоже примеры вытащил это с реальных производств. Вот здесь, вот на видео, это производство. Холодильников там холодильного оборудования, и тут конкретно вот там видно, что делает. Какой сотрудник на кадре там, где сотрудники отдыхают и сотрудники работают, что они делают? Можно принципе понимать операции плюсом, можно также понимать, как я стал. Там брак на таком производстве и так далее. Вот на картинках сбоку можно посмотреть то, как как Неронка определяет процессы, она определяет процесс там сварка. Да и это мы там, понимаете, процессы можем по дню потом рассчитать, какой сотрудник, что делал.

57:37 Вот сотрудник работает тоже, то есть по ленте двигается она здесь. Конечно, был такой кейс специфичный, и нужно было смотреть за простоями вот этой самой ленты на оборудование. Они смотрели затем, как двигаются там товары, потому что когда у них какой то. Там инцидент линии останавливаются, они смотрели вот выпуск продукции. Вот, но в целом достаточно наглядно, чтобы понять, как это работает. Люди вот работают на работают, на этом правом объекте совершают какие то действия, мы эти действия в целом понимаем.

58:12 Ну, в принципе, я уже потихонечку буду завершать свой доклад. Скажу просто про то, что мы, в принципе, как компания активно участвуем в различных СМИ, форматах участвуем в конференциях, выступаем как некое такой экспертный центр. Может, готовы в принципе делиться открыто теми наработками, которые ведем в компании вот сейчас? Рассказывал про наши рынди исследования. Я на самом деле очень немного еще успел вам рассказать. Вот, но просто упомяну, что на следующей неделе мы будем также выступать в качестве экспертов на Восточном экономическом форуме, участвовали в Мефе Екатеринбурге. На и на проме недавно участвовали, вот и отдельно упомянул, что у нас у нас проходит такой полузакрытый клуб по искусственному интеллекту. Мы его проводим в кластер Ломоносов, площадка около МГУ, где тоже там для ну, там по разным секциям для стройки, для. Промышленности для ритейла проводятся отдельные секции по развитию искусственного интеллекта. Вот в принципе можно тоже потом после конференции обсудить форматы участия. Теперь спасибо за то, что послушали. Я надеюсь, вам было интересно здесь, на Слайде, контакты.

59:37 Нашего коммерческого директора, который может по всем вопросам ответить, а я тоже максимально открыт к вашим вопросам, спасибо. Коллеги, если у кого есть вопросы, поднимайте руки. Мы дадим микрофончик, и если можно, Аркадий, у меня 1 вопрос по возможности системы возможности, наверное, в 1 очередь как. Насколько они могут быть точны в плане роботизации? То есть, если мы, например, ставим такую систему на станок на манипулятор промышленной? Вот до какого уровень просто здесь у нас были такие больше. Общего плана даю видеоизображение издалека. А вот насколько он, вот как вы говорили, может дефект какую то трещину в детали распознать, то есть какой предел там миллиметра, сантиметра и так далее.

1:00:29 Смотрите! По частям отвечу на вопрос сначала про точность. Вот я в самом начале тоже там доклада говорил про то, что есть разные подходы сейчас к не растям. Вот есть подход через Виллам, там это вижу ландыш моду, да то есть такая. Большая модель, обученная на миллиардах картинках из интернета, она, условно говоря, там по некому запросу там по запросу. Найди мне трещину, попытается что то, что то найти, пытаясь из своей памяти, что то восстановить.

1:01:03 Это 1 подход другой подход, это так называемый сенен до сверточные нейросети. Вот это более старая, более проверенная технология, мы, кстати, в основном ее придерживаемся. На текущий момент, потому что она просто дает больше точность. Вот у нас в нашей специфике есть там 3 основных метрики. Это присижен, то есть это там, там. Точность, Рикол, это объективность и группированная метрика называется ф 1 спор. Это вот нам условно, когда мы можем сказать. Не растите, опирайся и на точность, и на. Объективность, и вот там давай нам общую метрику. Вот по ф 1 с хор по этой общей метрике лучше всего себя показывала сверочной нейросети, поэтому мы их и используем.

1:01:50 Отвечаю на 2 вопрос про про про то, какого там размера могут быть. Да, там анализируемые данные вообще ответ здесь такой, что любого размера, если надо анализировать данные С. Микроскопа можно и данные с микроскопа анализировать. Сейчас есть зашной, там хорошие промышленные микроскопы, которые данные спокойно оцифровывают, переводит их фото изображения. Все нейросети они основаны на том, что они анализируют отдельные кадры, то есть отдельные фото по своей сути. И мы можем анализировать там миллиметры вообще спокойно вопрос. Только того, какое оборудование мы для проекта подобрали, для каких то проектов нужно дорогое оборудование, для каких то можно дешевым использовать это вопрос всегда подбора.

1:02:37 Спасибо большое, есть ли еще коллеги вопросы, да здравствуйте. Меня зовут Александр, вот здесь рукой я поднял такой вопрос по поводу тех невидимых, не видимых меток, про которые. Вы говорили, насколько тяжелая технология нанесения, то есть, возможно ли это сделать, например, товар пришел за 2 секунды, нанесли и дальше Питон передали, как это было интересно.

1:03:01 Хотел хотел долистать, ладно, не до листа. Видимо, в общем, отвечу на вопрос нелегко, доносится вот для для демонстрации и технологии вообще в. принципе, она у нас вот в офисе постоянно работает, мы постоянно демонстрируем эту технологию в целом. Могу сказать, что наносится легко вот это мы. Наносили через трафарет, но сейчас у нас есть уже методика нанесения через такой стикер. Фактически он приклеивается, отклеивается и остается. Вот эта маркировка, то есть наносится там за секунду. Вообще, в принципе, в чем вообще концепт, как мы хотим вообще к ответству эту соль развивать.

1:03:38 Она похожим образом работать, как связка. Вот как я сказал, там на замену или в дополнение к РФ Айди? Когда мы на складе еще проводим какую то инвентаризацию отцифровываем все наши товары в рамках компании. Например, мы сразу там еще наносим маркировку или. Приклеиваем вот РФ Айди метку и таким образом потом получаем как бы полный цикл этого товара, то есть от того, как он к нам зашел на. Склад до того, как он продался, в каком магазине нашей сети или там сети нашего партнера супер. Спасибо большое спасибо, коллеги, точно.

1:04:23 Спасибо большое за доклад, подскажите, пожалуйста. Вот искусственный интеллект нам позволяет видеть, что что то и где то произошло, чем информацию об этом. Если примеры более углубленного калаба с, например, управляющими программами. Оборудования я вот, например, поясню, например, когда идет лазерная резка металлического листа для Карачаровского завода. Эта проблема точно актуальна там, какая то деталь может встать поперек, и об нее может потом удариться голова, то есть. Искусственный цвет, конечно, может определить, что она встала, и мы информацию об этом будем знать. Но может ли дальше он как то изменить управляющую программу станка, чтобы она это место обходила? И вот это коллизии не происходило, спасибо. Это да, я должен сказать больше. Есть интеграции, когда мы, когда вот у аппарата промышленного есть достаточно хороший интеграционный модуль. Вот у нас был такой кейс в пищевой промышленности, там в чем суть, я просто на кейсе все будет. Понятно, там пищевое производство мы вешаем маркировку на различные виды продукции условно на на курятину и говядину. Вот и Неронка сама просчитывает, что это за продукция, если она понимает, что у нас там условно курица едет с сломанным. Крылом и товар, но не пригоден для того, чтобы дальше его поставить в магазин. Она этот товар определяет и вообще его устанавливает на ленте, чтобы его сняли и похожий пример. Можно перетащить и в формате промышленной безопасности. Когда мы видим, какой то не типовой формат, не Ромка заметила, резко остановила оборудование. В принципе, это вполне понятные кейсы, они просто всегда упираются в то, готовы ли это оборудование вообще общаться с внешними вот такими вот. Интеграционными историями просто вот часто большая реальная проблема то, что много импортного оборудования, которое просто не хочет дружить с открытым совтом. Это отдельная проблема, которая надо вообще на высоком уровне решать, наверное.

1:06:28 Но в целом, короче, эта автотехнология уже пригодна для того, чтобы их использовать. Коллеги, у нас еще есть время буквально на вот вопросик 2. Добрый день, спасибо сначала за доклад. Было очень интересно, у меня следующий вопрос. Вы говорили, что по позе вы можете определить, что, например, происходит на. Придворовой территории и, например, дать сигналы управляющей компании вопрос, вы только управляющей компании даете сигнал или, например, сразу же отправляете сигналы и.

1:07:04 Допустим, там МЧС или правоохранительные органы, там если какое то задымление как раз если драка происходит это 1 вопрос и 2 вопрос. Если, например, как раз какие то противоправные действия, если какие то мысли сразу. Сотрудничает там с полицией так далее. Что если вы видите, что какие то драки условно преступление? Да, вы передаете информацию управляющей компании, но также, скажем так, в органах правопорядка, вот это интересно.

1:07:31 Да ну смотрите, вопрос он на самом деле технически не сложный, а юридически сложный, технически. Да, мы драки определяем, можем их отдавать в любую систему, которая готова с нами дружить, то есть если. Например, у МВД есть желание дружить с нашей системой из из них, из нашей системы, забирать информацию о драках. Мы к этому максимально открыты, у нас открытые протоколы взаимодействия между системами. Кто хочет, может, как бы кто хочет по запросу? Может, наши данные забирать, если вы там подписали соответствующее соглашение другой? Вот это технический ответ да юридический ответ в России вам всех. Вам у них очень городах и регионах существуют специализированные системы по безопасности. Они называются Безопасный город, безопасный регион и правоохранительные органы, ФСБ, МВД, они используют. Вот там специальных других закрытых вендоров для того, чтобы проводить такого рода вегенолитику. В целом я могу сказать, что по по закону 5 7 2 о биометрии мы коммерческие компании не имеем права. Без разрешения людей на госуслугах обнаруживать лица людей правоохранительные органы по этому закону имеют право обнаруживать лица людей. То есть фактически я не могу сказать, я не могу знать. Точно, но я предположил, что МВД, когда какая то драка увидят перед камерами. Если на этих камерах уже стоит видеоналитика, они могут даже распознать лицо этого человека и понять, что это за человек. Конкретно я думаю просто, что все это уже есть и используется. Вот, но если какие, то такие запросы к нам поступят, мы будем тоже максимально рады по сотрудничеству последний вопрос коллеги.

1:09:17 Здравствуйте, а подскажите, пожалуйста, в чем вы делаете разметку? Потом много ли времени тратите на разметку данных, там используйте ли инструмента? Авторазметки у вас там, сами ли вы ее осуществляете или у вас там, на аутсорсе? Кто то вот все это выполняет, потому что это довольно большой. Так понимаю объем работы и особенно у вас разношерстные данные, такие и видео, и фотографии. И мне кажется, это вот интересно было бы услышать. Ответ, да ну смотрите, это вообще очень хороший вопрос. Такой технически точный, вообще все нейросети для обучения используют разметку изображений.

1:09:58 И то есть все вот сверточные нейросети, которые я рассказывал. Они работают в формате обучения с учителем, то есть мы должны нейросети. Показать условно там 1000 примеров, как выглядит полицейская машина, чтобы не растить на тыщу. 1 Фото сказал, да это полицейская машина мы. Вот я вот упоминал, что для коробочных модулей у нас дата сета и там по 10, + миллионов различных изображений, как мы до этого дошли мы. Просто годами и к, и к, и нашей командой, и аутсорсинговой командой, и компаниями, которые мы нанимаем, размечали эти данные, то есть для. Небольших промышленных кейсов мы можем сами разместить данные. Там обычно данных нужно не так много для кастомных, не расти, потому что. Там специфика бизнеса, она не меняется, когда делаем коробочные модули. Да там нужны большие детосеты, вот у нас 100000000 и больше данных. Но используем у нас есть во 1 собственная система на базе Опенсорски, которая позволяет быстро размещать данные и их не терять во 2 мы. Используем компании на аутсорсинге, которые размещают данные, но есть это кейсы вот открытые, где можно привлекать компании на подряд.

1:11:15 Ответил на ваш вопрос или еще расширить авторазметки, но они встроенные, то есть инструменты авторазметки, которые вот на базе уже там. Предыдущей разметки размечаем следующее, это всегда встроенный инструмент почти у всех систем. Он есть по умолчанию, то есть вот мы. Например, вот мы, например, там упая в технику, мы используем переделанный сват, если там для разметки это 1 из лучших у танцорных. Решений мы взяли его за основу, его это решение перепрограммировали под себя и сейчас используем внутри компании вот переделанный сват.

1:11:50 Там есть авторазметка, встроенная. Все коллеги или есть еще желающие есть? Добрый день, если мы говорим обработки конфиденциальной информации, заказчик признал, что в итоге будет изучаем информацию, обрабатываться то, как удовлетворить требования регуляторов стеков в частности. По безопасности регулятора, да да, да, но тут секс проявляет требования по защите информации, как ваша компания удовлетворяет этим требованиям, смотрите. Давайте давайте, я чуть чуть расширю вопрос. Я скажу про там основные форматы взаимодействия с регуляторами и с общим форматом по информационной. Безопасности данных, вот если говорить про работу с регуляторами в нашей сфере, в основном там есть 2 ФЗ, которые там вот регулирует эту деятельность. Это вот ФЗ о биометрии то, что нельзя распознавать лица Фейс Айди. Нельзя распознавать у людей и закон о персональных данных, который запрещает тоже нам.

1:12:59 Обработать, ну там с личной информацией, да там граждан. В принципе, все решения, которые я показывал сегодня на презентациях, это решения, которые не работают с лицами и не работают персональными данными, то. Есть для нас в большинстве кейсов сотрудник, который работает, на каком то месте это просто сотрудник с Айди. Там 5082 мы не знаем, что это за что это Иван Иванович, поэтому не нарушаем его персональные. Данные и мы не распознаем его лицо, поэтому не нарушаем биометрию. Это по работе с регуляторами, теперь проработайте по информационной безопасности в промышленности, в ритейле вообще почти сейчас везде в. Другом Энтерпрайзе у всех высокие требования к информационной безопасности, как разработчики хотим все обнаруживать у себя на сервере. Обрабатывать все у тебя на сервере, но нам все время это не дают делать. Все компании говорят, работайте, пожалуйста, в локальном контуре локальный контур. Это когда у тебя видеоналитика работает внутри или внутри этого конкретного промышленного предприятия или на серверах? Компании этого предприятия, но для нас это принципе окей никакой сложности не создает, мы просто это усложняет процесс разработки решения, потому что приходится выезжать на объект, проводить обследование. На объекте потом, потом внутри этого объекта находить специальное место, где устанавливается сервер и на этот сервер. Все как бы все подключать, то есть работа становится более проектной, но это для. Нас как бы там рутина, то есть в принципе. Все компании имеют такие требования повышенной информационной безопасности, чтобы ничто не выходило в интернет, мы их соблюдаем. Вот как то так ответил до конца.

1:14:42 Есть 117 приказ Стык, и он говорит, что нужно защитить от несанкционированного доступа. Про персональные данные про биометрию забыли, просто информация конфиденциальная, как защищать. Это вы про специальную уже информацию на специальных объектах, да, но тут да там. Уже всегда отдельная проработка, там там есть, там есть лицензия в Стейк, лицензия, ФСБ, отдельные там форматы сотрудничества у вас. Встроенное решение у нас нет, смотрите, у нас нет. У нас нет лицензии в СтЭК, у нас нет лицензии ФСБ вот у этого продукта, если если нас. Зовут на похожего рода проекты, мы к ним относимся. Отдельная вся проработка, скажем так, то есть у вас только функционал, а чтобы закрыть. Вопросы безопасности нужно занимать отдельного интегратора, там нужно не просто там уже, чтобы система проходила там специальную. Сертификацию у специальных вот ведомств, то есть там очень сложно, это отдельные, очень такие специфические кейсы, то мы. Я в рамках этой презентации этого не касался. Если интересно, потом можно после общаться, расскажу там про специальные кейсы, спецпроекты.

1:15:53 Спасибо большое, давайте еще раз поблагодарим Аркадия, спасибо. Попросим оставить обратную связь. Собственно, там очень короткий опросник 3 4 вопроса 1 из вопросов. Это, собственно, если вам понравилось выступление, можно? Будет обменяться контактами, мы вам пришлем контакт спикера и сейчас тоже есть пара минуток пообщаться. Если нужно, вот просим очень пройти опрос, то.

1:16:29 Еще наше мероприятие, коллеги, 4 сентября, по тематике тоже. Если вам интересно, можете сразу регистрироваться, передать коллегам, если нужно официальное письмо. Приглашение мы тоже направим через контакты, указанные. Спасибо большое. Кто не успел информацию запечатлеть по чемпионату тоже еще раз, если у вас есть желание принять участие как экспертами, так или? Участниками, пожалуйста. Участие полностью бесплатное коммерческое для компании.

1:24:03 Давайте.

Расшифровка сделана автоматически (Yandex SpeechKit) и может содержать ошибки в терминах.