Компания тратит на видеонаблюдение от нескольких сотен тысяч до нескольких миллионов рублей в год: камеры, серверы, VMS, техобслуживание, хранение. При этом почти все отснятые видео не просматриваются до выявленного инцидента. Вот тогда и открывается архив и начинается поиск интересующего момента в видео. Найдется этот момент или нет — это еще вопрос, ведь нужная камера могла смотреть в другую сторону.
Так работает большинство систем видеонаблюдения. Они фиксируют, но не анализируют, потому что между потоком видео и управленческим решением нет никакой автоматики. Этот разрыв и закрывает связка компьютерного зрения с LLM.
Видеоаналитика на основе компьютерного зрения работает так: система смотрит поток в реальном времени, распознаёт события: работник без каски или СИЗ, дефект на производственной линии, транспорт в запрещённой зоне, пересечение периметра, очередь на кассе — и фиксирует события в журнал. Уже больше, чем просто камера.
Однако поток событий — ещё не управленческое решение. Сотня тревог за смену, распределённых по двадцати камерам, без контекста, без связки с данными из ERP или WMS, без понимания, повторялось ли это раньше, — всё равно требует участия человека, который должен вникнуть и разобраться.. Система зафиксировала. Но не интерпретировала.
LLM-слой закрывает именно этот разрыв: между событием и выводом. Между "что произошло" и "что с этим делать".
Что меняется, когда к видеоаналитике добавляется LLM
Детектор компьютерного зрения говорит: “объект класса "человек" обнаружен в зоне без атрибута "каска".
LLM опишет это иначе: “Сотрудник Участка №2 нарушил ТБ третий раз за смену. Предыдущие нарушения — в 10:14 и 13:47. Зона совпадает с участком, где на прошлой неделе был зафиксирован схожий инцидент. При троекратном нарушении за одну смену инструктаж, как правило, уже не является достаточной мерой — рекомендуется дисциплинарное разбирательство и проверка условий работы на участке”.
Первое сообщение в примере выше — это данные.
Второе — это вывод, с которым уже можно работать.
LLM не заменяет компьютерное зрение, а обрабатывает то, что CV-модель уже распознала, и добавляет контекст: данные из WMS, ERP, журнала смен, регламентов, истории событий. Потом формирует понятный вывод: отчёт, рекомендацию, задачу, сигнал ответственному.
Три уровня: без видеоаналитики, с видеоаналитикой, с видеоаналитикой + LLM
| Сценарий | Без видеоаналитики | Видеоаналитика (CV) | Видеоаналитика + LLM |
| Контроль ТБ на производстве | Обходчик раз в смену, просмотр архива после инцидента | Автоматическая фиксация нарушений в реальном времени, журнал событий | Сводка по нарушениям за смену: зоны, повторяемость, сотрудники, рекомендация для руководителя |
| Склад: ошибки комплектации | Ручная сверка, спор с клиентом, поиск виновного | Распознавание действий, привязка видеофрагмента к заказу и времени | Объяснение расхождения: "Заказ №4712, оператор Иванов, 14:32, ячейка C-14. Коробка была взята не из той ячейки. Видеофрагмент прикреплён" |
| Контроль качества на линии | Визуальный контроль оператора, пропуски из-за усталости | Детекция дефектов в потоке, передача в систему контроля качеств | Отчёт: "3,2% изделий с отклонением за смену. Пик — с 14:00 до 16:00. Возможная причина: смена заготовки. Рекомендация: проверить параметры линии" |
| Ритейл: качество обслуживания | Тайный покупатель, выборочные проверки | Детекция длины очереди, подсчёт времени обслуживания | Анализ по сессиям: "В кассах 3 и 4 среднее время обслуживания на 40% выше. Скрипт нарушался в 6 из 17 сессий. Критичные фрагменты выделены" |
| Досмотр и безопасность | Ручной просмотр, зависимость от внимательности оператора | Автоматическое выделение подозрительных объектов на X-ray | Сводка по смене: сколько объектов проверено, сколько тревог, статистика по операторам, журнал событий с доказательной базой |
Как это устроено технически
Пайплайн выглядит так:
Видеопоток → CV-модель → событие → контекстный слой → LLM → вывод → действие
- Камеры или RTSP-потоки подают изображение на CV-модель.
- Модель распознаёт объекты, классы, зоны, действия, атрибуты — в зависимости от задачи.
- Распознанные события фиксируются с меткой времени, камеры, зоны.
- Дальше к событию добавляется контекст: данные из WMS (какой заказ шёл в это время), из ERP (кто работал в этой смене), из справочника (какой регламент действует в этой зоне). Это делает событие не анонимным — у него появляется привязка к процессу.
- LLM принимает событие с контекстом и формирует вывод на человеческом языке. Он может сверить произошедшее с регламентом, оценить повторяемость, найти паттерн, написать рекомендацию, сформировать отчёт или поставить задачу.
- Вывод уходит туда, где его ждут: в интерфейс оператора, в Telegram-бота, в почту, в WMS, в журнал событий, в систему контроля качества — в зависимости от архитектуры.
LLM не нужен в каждом проекте. Там, где достаточно детекции и журнала событий, его нет. Он нужен тогда, когда события требуют интерпретации, а не только записи.

Где связка Видеоаналитика+LLM работает лучше всего: кейсы из практики
Производство: контроль соблюдения регламентов и ТБ
Производственная площадка с несколькими рабочими зонами, постоянной ротацией сотрудников и требованием соблюдать регламенты по СИЗ и перемещению. Нарушения фиксировались только тогда, когда их видел мастер или обходчик — то есть выборочно, нерегулярно и без доказательной базы.
Было: камеры на объекте стояли, но работали как архив. После инцидента супервайзер открывал запись, искал нужный момент, составлял акт вручную. Систематической картины по зонам, сменам и типам нарушений не было — только отдельные случаи, которые кто-то успел заметить.
Стало: CV-модель в реальном времени распознаёт наличие СИЗ, пересечение опасных зон, позы и действия. Каждое событие фиксируется с меткой времени, камеры и зоны. LLM-слой собирает сводку по смене: какие зоны дали больше нарушений, в какое время суток они концентрировались, какие участки повторяются из смены в смену. Руководитель получает не журнал из 47 строк, а три пункта для разбора на планёрке.
Мировой контекст: Toyota встраивает компьютерное зрение в производственный контур как стандартный инструмент контроля операций — система сравнивает фактические действия сборщика с эталонным регламентом и фиксирует отклонение до того, как деталь уходит дальше по линии. Никакого ручного просмотра, никакого разбора после факта.
Вывод: автоматизация здесь оправдана не потому, что "так современнее", а потому что ручной контроль на потоке физически не масштабируется. Один мастер не может одновременно следить за восемью зонами в трёх сменах.

Досмотровые системы: аэропорты и объекты безопасности
Операторы рентгеновских установок в аэропортах работают в условиях высокой проходимости и монотонной нагрузки. К концу смены концентрация падает — это физиология, а не халатность. Стандартный контроль качества работы оператора — выборочные проверки супервайзером — не покрывает реальный поток.
Было: оператор работал самостоятельно, без системной поддержки. Пропуск опасного предмета фиксировался только если кто-то его заметил постфактум. Статистики по операторам, типам ошибок и временным паттернам не существовало.
Стало: NeuroCore разработал программно-аппаратный комплекс, который решал две задачи параллельно. Первая — мониторинг состояния оператора: система фиксирует сон, взгляд за пределы монитора, отсутствие на рабочем месте, потерю концентрации. Вторая — анализ изображений багажа: модель выделяет потенциально опасные предметы — ножи, огнестрел, ёмкости, аккумуляторы — и подсвечивает их оператору. Комплекс прошёл внедрение в аэропортах, получил награду Национальной премии "Транспортная безопасность — 2018" и был установлен на заводе одного из трёх крупнейших мировых производителей досмотрового оборудования. LLM-слой поверх этого даёт статистику по сменам и операторам: сколько тревог, в какое время, какие типы объектов — и позволяет выявлять паттерны без ручного разбора журнала.
Мировой контекст: Smiths Detection и аналогичные вендоры досмотрового оборудования интегрируют AI-ассистенты в рабочее место оператора как стандарт — не для замены человека, а для снижения когнитивной нагрузки в условиях высокого потока. Логика та же: оператор принимает финальное решение, система снимает с него часть рутинной работы по выявлению.
Вывод: в задачах безопасности LLM особенно ценен не как детектор, а как инструмент накопления знаний о процессе — кто ошибается, когда, при каких условиях. Это позволяет управлять рисками системно, а не реагировать на каждый инцидент отдельно.
Склад и логистика: пересорт и разбор претензий
Крупный логистический объект, тысячи заказов в день, несколько рабочих зон, операторы меняются посменно. Пересорт — неизбежная статистика при таком объёме. Вопрос не в том, будет ли он, а в том, сколько времени уйдёт на разбор, когда он случится.
Было: клиент звонит с претензией. Супервайзер открывает архив, пытается восстановить, в какой зоне и в какое время собирался заказ, находит нужную камеру, мотает запись. В лучшем случае — час. В худшем — камера смотрела не туда, или архив уже перезаписан. Претензия закрывается либо отказом, либо компенсацией без понимания причины.
Стало: NeuroCore связывает видеопоток с WMS — система знает, какой заказ обрабатывался в конкретной зоне в конкретное время, кто из операторов работал, какие коробы и SKU участвовали. При расхождении система выдаёт не архив, а готовый срез: заказ, время, оператор, видеофрагмент. LLM описывает произошедшее, сравнивает с регламентом сборки и предлагает следующий шаг — перепроверить заказ, передать на разбор, закрыть без претензий. Разбор, который занимал час, укладывается в две минуты.
Мировой контекст: Ocado — британский онлайн-ретейлер с полностью роботизированными складами — использует видеоаналитику как стандартный инструмент контроля качества сборки. Каждая рабочая станция покрыта камерами, привязанными к заказу и конвейерной ленте. Инцидент автоматически получает контекст — без ручного поиска по архиву.
Вывод: ценность здесь не в самой детекции, а в связке видео с бизнес-данными. Камера без WMS-контекста показывает человека с коробкой. Камера с WMS-контекстом показывает, чей это заказ, что в нём должно быть и где именно возникло расхождение.

Страхование: оценка ущерба и подбор запчастей
При урегулировании страхового случая нужно сделать два независимых действия: оценить степень повреждений автомобиля и найти запчасти по актуальным ценам. Оба шага традиционно требовали участия эксперта и ручной работы с прайс-листами.
Было: страховщик приглашал оценщика, тот осматривал автомобиль, составлял акт. Параллельно сотрудник вручную собирал цены из более чем 100 источников, искал аналоги, сверял позиции. Процесс занимал дни, стоил дорого и давал результат, который зависел от конкретного эксперта.
Стало: NeuroCore разработал систему для Российского союза автостраховщиков. CV-модель анализирует фотографии автомобиля и классифицирует повреждения по степени критичности — от царапины до структурного ущерба. Аналитический слой одновременно агрегирует цены из более чем 100 источников, находит аналоги запчастей и рассчитывает ценовые метрики с учётом региона и наличия. Итог — воспроизводимый расчёт, который не зависит от того, кто именно вёл дело.
Мировой контекст: Mitchell International и CCC Intelligent Solutions — крупнейшие платформы для автостраховщиков в США — давно используют компьютерное зрение для оценки ущерба по фото. Логика та же: убрать из процесса эксперта там, где решение можно формализовать, и оставить его только там, где нужна финальная верификация спорного случая.
Вывод: страхование — один из немногих случаев, где экономический эффект от автоматизации считается прямо: меньше экспертных выездов, быстрее урегулирование, ниже стоимость обработки одного случая. Здесь CV и аналитический слой дают измеримый результат уже на этапе пилота.
Агропромышленность: мониторинг состояния поголовья
Ферма с поголовьем более 3000 голов крупного рогатого скота. Упитанность животного — ключевой показатель здоровья и продуктивности. Отклонение от нормы нужно замечать рано: если животное начало худеть, причину важно найти до того, как состояние ухудшится критически.
Было: сотрудники фермы визуально оценивали состояние животных при обходе. На 3000 голов это физически невозможно делать системно — осматривали выборочно, фиксировали вручную, реагировали постфактум. Никакой динамики по отдельным животным не было.
Стало: NeuroCore внедрил систему на базе камеры с 3D-лидаром. Лидар строит карту глубины тела животного, модель рассчитывает индекс массы — точнее, чем визуальная оценка, и без необходимости останавливать животное или взаимодействовать с ним. Система генерирует отчёты за выбранные периоды и отдаёт их по API — ферма видит динамику по каждому животному, а не только срез на сегодня.
Мировой контекст: Connecterra (Нидерланды) и Cainthus (Ирландия, поглощён Ever.Ag) строят системы мониторинга животных на той же логике: компьютерное зрение снимает с персонала рутинное наблюдение и переводит его в структурированные данные. Cainthus, в частности, работал с молочными фермами Cargill — система распознавала каждое животное по морде и отслеживала его поведение и состояние в динамике.
Вывод: в агропромышленности ценность системы определяется не тем, что она видит сейчас, а тем, что она помнит и сравнивает. Разовый замер упитанности даёт меньше, чем тренд за три недели — именно он позволяет вмешаться до того, как проблема стала дорогостоящей.

Где LLM не нужен
Этот вопрос задают часто, и на него есть честный ответ.
LLM не нужен, если:
- задача — детекция с простым правилом (есть каска / нет каски → тревога);
- поток событий невелик и оператор справляется с журналом;
- интерпретации не требуется — нужна только фиксация;
- данных из внешних систем нет и добавлять их не планируется.
В этих случаях хорошо обученная CV-модель с нормальным интерфейсом закрывает задачу. Добавлять LLM ради самого LLM — неоправданное усложнение.
LLM нужен тогда, когда событий много, у каждого есть контекст, и кто-то должен этот контекст собрать и объяснить. Когда бизнес-вопрос звучит не "было ли нарушение?", а "почему это повторяется, где концентрируется проблема и что нужно сделать?"
Что нужно для внедрения
Видеоаналитика с LLM — это не коробочный продукт, который подключается за день. Здесь есть несколько обязательных условий, без которых система не даст результата.
- Качество видеопотока. Камеры должны давать приемлемое изображение в тех условиях, где нужно распознавание: свет, ракурс, разрешение, частота кадров. Плохое видео — плохая детекция, и никакой LLM это не исправит.
- Размеченные данные. CV-модель учится на примерах. Чем специфичнее задача (нестандартный дефект, редкий объект, узкий производственный процесс), тем важнее качество и объём разметки. NeuroCore занимается сбором и разметкой данных как отдельным направлением — включая выезд специалистов на объекты.
- Интеграция с бизнес-системами. LLM-слой работает с контекстом. Если контекста нет — данных из WMS, ERP, CRM, журнала смен — он просто перефразирует то, что сказала CV-модель. Интеграция определяет, насколько ценным будет вывод.
- Чёткая формализация события. Система должна знать, что именно считать событием: пересечение зоны, отсутствие атрибута, отклонение от эталона, длина очереди сверх порога. Это определяется до разработки, не после.
- On-prem или контролируемый контур. Для промышленных и security-проектов данные, как правило, не уходят в облако. NeuroCore развёртывает системы локально — на серверах заказчика или в его инфраструктуре, с контролем доступа и хранения. Это важно для соответствия требованиям безопасности и 152-ФЗ.
Что получает бизнес от внедрения видеоаналитики + LLM
Бизнес платит за видеонаблюдение постоянно: камеры, серверы, лицензии VMS, техобслуживание, хранение архива. Это операционные расходы, которые есть независимо от того, используется ли видео как-то кроме архива.
Видеоаналитика с LLM — это не отдельная статья бюджета поверх существующего, а способ получить отдачу от инфраструктуры, которая уже оплачена. Вот где эта отдача конкретна.
- Время на разбор инцидентов.
Супервайзер на складе тратит от 40 минут до двух часов на ручной поиск по архиву, когда нужно разобрать претензию по заказу. При 10–15 спорных ситуациях в месяц это полноценная рабочая неделя в год — только на поиск по видео, без учёта самого разбора. Система с привязкой к WMS выдаёт нужный фрагмент за секунды: заказ, время, оператор, что произошло.
- Стоимость неконтролируемого нарушения.
Штраф за нарушение требований охраны труда по статье 5.27.1 КоАП — до 150 000 рублей на организацию за один выявленный факт, при повторном нарушении — до 200 000 рублей или приостановление деятельности. Это не считая производственной травмы, которая обходится дороже в любом сценарии. Система, которая фиксирует нарушение в реальном времени и формирует доказательную базу, меняет логику: нарушение перестаёт быть случайностью, которую заметили или не заметили.
- Качество управленческого решения.
Руководитель, который видит "47 тревог за смену", не может принять решение на основе этих данных. Руководитель, который видит "участок №3 дал 60% всех нарушений, пик — с 15:00 до 17:00, три из пяти нарушителей работают вторую смену подряд", — уже может. LLM-слой превращает поток событий в управленческую аналитику без того, чтобы кто-то это агрегировал вручную.
- Воспроизводимость контроля.
Ручная проверка — это всегда выборка. Контролёр обходит зону раз в час, смотрит на одно, не замечает другое, устаёт к концу смены. Система проверяет всё, всегда, по одним правилам. Для бизнеса это означает, что результат контроля не зависит от того, кто именно работал в эту смену и насколько он был внимателен.
- Скорость реакции.
В ритейле каждая минута очереди сверх порогового времени — это часть покупателей, которые ушли. В логистике задержка в обнаружении ошибки комплектации означает, что заказ уже отгружен и претензия придёт от клиента, а не от внутреннего контроля. Система, которая фиксирует событие в момент его возникновения и сразу передаёт сигнал ответственному, сокращает окно между проблемой и реакцией с часов до минут.
Общий итог: меньше времени на ручную работу с архивом, меньше штрафов из-за незафиксированных нарушений, быстрее разбор претензий, точнее управленческие решения. Это не про "новый уровень цифровизации" — это про то, что уже оплаченная инфраструктура начинает работать на результат.
Как начать
На странице вы можете ознакомиться с примерами задач, отраслями внедрения и кейсами, там же представили форматы работы: от экспресс-оценки до полного промышленного внедрения.
Чтобы понять, применима ли видеоаналитика к вашей задаче и что из неё можно получить без замены оборудования, достаточно описать процесс и показать примеры видеоматериалов. Оценим, какие сценарии подходят, где есть ограничения и с чего лучше начать пилот:




