NeuroCore на ВЭФ-2026 и не только: значимые события начала сентября

От мониторинга территорий и транспорта до контроля сборки заказов в ресторане: показываем, как NeuroCore превращает видео и другие данные систем заказчика в рабочие ИИ-решения

NeuroCore на ВЭФ-2026.jpg

О важных мероприятиях начала сентября: наша презентация на ВЭФ-2026 и наше решение на Форму ИТ и инноваций в ритейле.

На одной стороне: тысячи гектаров леса, удалённые территории, транспортные узлы, морской промысел и объекты, которые физически невозможно непрерывно контролировать человеческим наблюдением.

На другой — ресторанная кухня, где несколько секунд между статусом "Готово" в R-Keeper и фактической комплектацией заказа влияют на скорость выдачи, ошибки сборки и контроль фрода.

Масштаб разный. Инженерная проблема похожа: событий становится больше, чем человек способен стабильно проверить вручную. Камеры, датчики и информационные системы уже фиксируют огромный объём данных.

Следующая задача — автоматически выделить в этом потоке объект, отклонение или событие, которое требует решения.

Вокруг этого класса задач команда NeuroCore строит свои проекты.

От контроля леса с дрона до полки выдачи ресторана получается довольно точный срез того, куда движется прикладной ИИ: ближе к физическим процессам, измеримым событиям и реальным действиям.

NeuroCore на ВЭФ-2026 представили презентацию.jpg

Государственная повестка и ВЭФ-2026

Для Дальнего Востока технологии машинного зрения и автоматического мониторинга имеют прикладное направление. Огромные расстояния, сложная логистика, удалённые объекты, морская инфраструктура, лесные территории, транспортные коридоры и дефицит человеческого ресурса создают задачи, где непрерывное наблюдение вручную плохо масштабируется.

В государственной транспортной повестке эта логика уже закрепляется на уровне отраслевых программ. В 2026 году Минтранс относит искусственный интеллект к стратегическим направлениям развития транспорта и логистики. Создаётся отраслевой Центр компетенций по ИИ, развивается Национальная цифровая транспортно-логистическая платформа, продолжаются проекты высокоавтоматизированного транспорта.

Отдельное направление связано с беспилотными системами. Для Дальнего Востока и Арктики это мониторинг больших и труднодоступных территорий, ледовая разведка, природопользование, логистика, инфраструктурные обследования.

Презентация NeuroCore ВЭФ.jpg

Для разработчика здесь интересна конкретная инженерная задача: как из потока изображений, видео, X-ray, LiDAR и телеметрии получить событие, которое можно передать оператору или информационной системе.

Главный тезис нашей презентации звучал так:
"Человек не может видеть всё. Вместе с ИИ — может"

Роль системы при этом сформулирована достаточно жёстко: ИИ непрерывно отслеживает поток, выделяет отклонения и выводит специалисту то, что требует внимания. Решение остаётся за человеком.

На ВЭФ-2026 мы показали проекты про:

  1.  Подсчёт рыбы на борту судна. Компьютерное зрение считает продукцию на линии в режиме 24/7 и сохраняет результат по партии, смене или периоду. Точность подсчёта — более 90%.
  2. Проверка готовности фуры к загрузке
    LiDAR строит 3D-модель кузова, находит препятствия и отклонения геометрии, после чего система определяет, можно ли начинать загрузку. Решение занимает около 7 секунд.
  3. ИИ-помощник в зоне досмотра грузов
    Система анализирует X-ray-изображение, выделяет зоны с нетипичной плотностью и геометрией и передаёт их оператору для дополнительной проверки.
  4. Контроль выхода хищных животных в жилые зоны
    Видеоаналитика распознаёт животное в сложных условиях, определяет направление движения, фиксирует координаты и передаёт событие ответственным службам.
  5. Мониторинг вырубки леса с дрона
    Система анализирует видео с беспилотника, обнаруживает новые участки вырубки, выделяет границы, рассчитывает площадь и сохраняет результат для проверки.

От государственного масштаба к частному бизнесу

А 3 сентября, пока все усиленно переворачивали календарь, в Москве проходил Форум ИТ и инноваций в ритейле.
В программе одновременно обсуждались компьютерное зрение, видеоаналитика, IoT, управление магазинами в реальном времени и практические кейсы применения ИИ.

Среди них был проект нашего клиента про внедрение компьютерного зрения для определения скорости сборки заказа. Это то, над чем мы работали последние месяцы.

Для нас этот кейс особенно показательный. Здесь нет гектаров территории и беспилотной съёмки. Камера установлена над линией выдачи ресторана. Но плотность событий огромная, а ручная проверка сталкивается с той же проблемой масштаба.

О кейсе

В данном проекте видеопоток связан с событиями из R-Keeper.

Это принципиальная часть архитектуры. Камера сама по себе видит поднос, коробку, картофель или другую позицию. R-Keeper знает заказ, его состав и момент изменения статуса.

После объединения этих источников можно проверять уже операционные события.

Фрод

R-Keeper переводит заказ в статус "Готово".

Система анализирует соответствующий интервал видео и проверяет, что происходило на полке выдачи.

Если после изменения статуса полка остаётся пустой, заказ получает признак фрода.
Есть более сложный сценарий. На полке стоит поднос, но в заказе присутствует уникальная позиция, которой камера на подносе не обнаружила. Система также фиксирует расхождение.

При этом правила учитывают реальные условия ресторана. Например, при загрузке полки выше заданного порога участок исключается из анализа, чтобы высокая плотность подносов не создавала серию ложных событий.

Ошибки сборки

Состав заказа из R-Keeper сравнивается с тем, что система видит на полке.

Лишняя уверенно распознанная позиция означает ошибку сборки. Отсутствующая позиция приводит к такому же результату.

При низкой уверенности система решение не принимает.

В одном из сценариев упаковка из-за блика определяется с вероятностью 70%. Такой результат исключается из автоматической проверки, поскольку цена ложного обвинения сотрудника выше пользы сомнительного события.

Это важный момент промышленной видеоаналитики: умение отказаться от решения иногда важнее стремления классифицировать каждый кадр.

Скорость сборки

Третья задача связывает данные кассовой системы и физическое состояние заказа на полке.

R-Keeper даёт первую метрику:
A = время от статуса "Получен" до статуса "Готово".

Видео формирует вторую:

B = момент, когда на полке фактически появились все позиции заказа.

После этого система сравнивает цифровую отметку с физическим процессом.
Для MVP задан отдельный критерий: скорость должна корректно определяться минимум для 50% подходящих заказов с отклонением не более 10%.

Заказы с фродом, ошибкой сборки или недостаточной уверенностью распознавания из расчёта исключаются.

Именно так выглядит зрелый сценарий компьютерного зрения: модель не пытается выдать цифру любой ценой.

Сначала проверяются условия, при которых результат вообще можно считать достоверным.

Почему эти проекты на самом деле про одно и то же

Рыба на судне, кузов фуры, X-ray контейнера, медведь возле жилой зоны, участок вырубки и ресторанный заказ выглядят как шесть совершенно разных задач.

На уровне разработки у них есть общая структура.

1. Физический источник данных
RGB-камера, видео, беспилотник, LiDAR, X-ray, тепловизор, датчик.

2. Измеряемый признак
Объект, количество, форма, координата, заполненность, класс, состав заказа, изменение территории, скорость процесса.

3. Правило
Что считается нормой. Какие отклонения допустимы. Когда событие игнорируется. Какой уровень уверенности нужен для решения.

4. Связь с внешней системой
R-Keeper, WMS, ERP, АСУ ТП, журнал, система мониторинга, API, диспетчерский интерфейс.

5. Действие
Зафиксировать событие, показать оператору, остановить дальнейшую операцию по регламенту, создать запись, передать координаты, отправить на дополнительный досмотр.

Компьютерное зрение становится полезным ровно в этой последовательности. Хорошая модель без связи с реальным процессом остаётся моделью.

ИИ решения NeuroCore на ВЭФ.jpg

Экономика начинается раньше разработки

В презентации для ВЭФ мы отдельно вынесли ещё один принцип NeuroCore: перед большой разработкой нужно понять цену существующей проблемы.

Обычно она складывается из четырёх групп потерь.

  1. Ручной контроль
    Количество часов × стоимость рабочего времени.
  2. Ошибки и расхождения
    Количество событий × стоимость одной ошибки.
  3. Простой и очередь
    Время задержки × пропускная способность процесса.
  4. Инциденты
    Вероятность события × стоимость последствий.

Для одних проектов основной эффект находится в скорости. Для других — в снижении повреждений, пропущенного брака, фрода или аварийных событий. На распределённых территориях экономика может строиться вокруг стоимости обходов и времени обнаружения.

Если измеримого эффекта нет, проекту рано переходить в большую разработку.

Это сильно меняет разговор про ИИ. Вместо вопроса «может ли нейросеть распознать объект?» появляется инженерный вопрос:

что изменится в процессе после того, как она его распознает?

NeuroCore — это не только видеоаналитика

Компьютерное зрение остаётся одним из основных направлений NeuroCore, но наши проекты давно выходят за рамки обычного видеопотока. Сегодня мы работаем с несколькими технологическими направлениями:

Computer Vision и видеоаналитика

Распознавание объектов и событий, сегментация, классификация, трекинг, подсчёт, контроль качества, производственные операции, безопасность, логистика, ритейл.

X-ray

Анализ рентгеновских изображений, поиск объектов, аномальной плотности и геометрии, помощь операторам досмотра.

LiDAR и 3D

Геометрия, свободное пространство, объём, высота, положение объектов, заполненность, пространственные измерения.

LLM и RAG

Корпоративные ассистенты, работа с базами знаний, речевая аналитика, извлечение информации, поиск по документам, агентные сценарии.

Разметка данных

Сбор и подготовка датасетов, выездная разметка, детекция, сегментация, работа с видео и специализированными промышленными данными.

MLOps

Версионирование моделей, развёртывание, мониторинг, обновление, контроль качества после запуска.

Дальше начинается обычная инженерия программного продукта: backend, API, базы данных, интерфейсы, права доступа, журналы, интеграции, монтаж и запуск на объекте. Для заказчика эта часть часто важнее названия конкретной модели.

Государство и частный бизнес сходятся в одной точке

Государственные проекты обычно предъявляют требования по масштабу: большая территория, транспортная инфраструктура, удалённость, безопасность, природные объекты, тысячи километров и круглосуточный мониторинг.

У бизнеса основной фильтр жёстче связан с экономикой: скорость, ошибки, потери, производительность, простои, фрод, качество и стоимость ручного контроля.

Технологический фундамент постепенно становится общим.

Камеры и датчики дают первичные данные. ИИ выделяет значимое событие. Информационная система связывает его с объектом или процессом. Человек получает уже подготовленную ситуацию для решения.

На ВЭФ эта логика звучит в масштабе территорий и инфраструктуры.
На отраслевом форуме ритейла — в масштабе одной ресторанной линии.
Для NeuroCore обе задачи находятся в одной инженерной системе координат.

И пожалуй, это хороший итог 2026 года для нас

Мы начинали как команда разработчиков машинного зрения. Сегодня NeuroCore — российский разработчик и вендор ИИ-решений, который работает с изображениями, видео, X-ray, LiDAR, 3D, LLM, корпоративными данными и промышленными интеграциями.

У нас есть государственная ИТ-аккредитация, членство в Ассоциации лабораторий по развитию искусственного интеллекта, победа The Trends Awards 2025 в категории AI Solution B2B и десятки реализованных проектов.
Но лучший показатель зрелости технологии всё-таки другой.

Наши решения обсуждаются одновременно на площадке ВЭФ, где речь идёт о территориях, транспорте и инфраструктуре, и на отраслевом форуме ритейла, где заказчик сам показывает кейс компьютерного зрения на реальном операционном процессе.

Значит, мы уже работаем с тем уровнем ИИ-решений, который можно встроить в существующую систему, проверить по метрикам и использовать каждый день.

У вас есть процесс, который невозможно нормально контролировать вручную?

Покажите нам его.

И получите бесплатную консультацию по внедрению ИИ для ваших задач. Разберём исходные данные, текущие потери и требования к результату. Если задача имеет измеримый смысл, предложим формат реализации: готовый модуль, пилот или индивидуальную разработку с интеграцией в вашу инфраструктуру.

Оставить заявку в форме ниже |  Написать нам в ТГ

Читайте так же

NeuroCore · ИИ для бизнеса

Есть задача для ИИ?

Планируете внедрение ИИ, разработку модели или подготовку данных? Расскажите о задаче — обсудим возможные подходы, исходные условия и первый этап проекта.

Обсудить ваш проект

О вашей задаче (по желанию)

Первое обращение — без готового ТЗ