BPA Tech — о развитии компьютерного зрения и VLM для ГлобалМедиа

Сооснователь и коммерческий директор BPA Tech Аркадий Фроймчук выступил экспертом в новом материале сети порталов «ГлобалМедиа», посвященном направлениям, которые показали заметный рост спроса в третьем квартале 2026 года.

В публикации эксперты из разных отраслей рассказали, какие продукты и технологии получили дополнительный импульс в июле–сентябре, что стояло за этим ростом и какие направления компании планируют масштабировать дальше.

BPA Tech работает в сфере информационных технологий, в первую очередь с системами искусственного интеллекта и компьютерного зрения, поэтому можем довольно предметно видеть, как меняется спрос на такие решения со стороны бизнеса. За последний год рынок заметно сдвинулся от интереса к отдельным AI-функциям к более комплексным системам, которые умеют работать с большим объемом данных и решать менее формализованные задачи.

В июле - сентябре компания в целом увидела заметный рост спроса на прикладные комплексные ИИ-системы, прежде всего в области компьютерного зрения и интеллектуального анализа видеоданных. Мы занимаемся разработкой таких решений для бизнеса, промышленности и городской инфраструктуры, поэтому для нас особенно показательно, как меняется сам характер запросов со стороны заказчиков. Если раньше большая часть задач сводилась к автоматическому контролю заранее определенных событий, то сейчас компании все чаще хотят, чтобы система могла анализировать видеопоток значительно более гибко и отвечать на нестандартные запросы пользователя.

Одним из направлений, которое особенно активно развивается в последние месяцы, стали VLM (Visual Language Models). Это мультимодальные нейросетевые модели, которые умеют одновременно работать с визуальной информацией и естественным языком. Фактически они позволяют человеку формулировать задачу системе не через заранее запрограммированный алгоритм или фиксированный набор классов, а обычным текстовым запросом.

Это принципиально расширяет возможности классической видеоаналитики. Традиционная система компьютерного зрения хорошо работает там, где заранее понятно, что именно необходимо контролировать: наличие каски или жилета, въезд автомобиля в определенную зону, появление дыма, количество людей в помещении. Для каждого такого сценария заранее определяется событие, которое должна фиксировать система. VLM позволяет работать с другой категорией задач. Например, когда заранее невозможно описать все потенциальные ситуации, но необходимо быстро найти конкретный объект, человека или событие в большом объеме видеоданных.

Особенно большой потенциал мы видим здесь в вопросах безопасности. Например, в общественном пространстве (парке, торговом центре, транспортном узле или на территории крупного мероприятия) может потеряться ребенок. В классическом сценарии сотруднику безопасности передают описание: возраст, одежда, цвет куртки или футболки, наличие рюкзака. После этого оператору приходится вручную переключаться между камерами и просматривать записи, пытаясь найти подходящего человека. А все это, как мы понимаем, может потребовать значительного количества времени, а в некоторых ситуациях счет может идти на секунды.

С использованием VLM этот процесс может выглядеть иначе. Оператор задает системе запрос, например: «найди мальчика примерно восьми лет в желтой футболке и с красным рюкзаком». Модель анализирует изображения с доступных камер и выделяет фрагменты, которые соответствуют описанию. После обнаружения человека система может помочь определить, на какой камере он появился раньше, куда двигался дальше и в какой части территории его видели последним, или прямо показать, где он сейчас находится. То есть речь идет уже не просто о детекции человека в кадре, а о поиске по смысловому описанию и анализе последовательности событий.

Аналогичный механизм применим и к другим задачам безопасности. Например, можно искать оставленный без присмотра предмет по его описанию, находить человека в определенной одежде, анализировать появление человека в нескольких зонах объекта или быстро находить необходимый эпизод в многочасовом видеоархиве. Конечно, это применимо и не только к людям, но также к животным, и любым другим объектам. Это особенно важно для объектов с большим количеством камер, где ручной просмотр материалов становится слишком длительным и трудоемким.

Другой характерный сценарий — поиск событий в архивных записях. Например, посетитель ресторана или торгового центра сообщает, что потерял сумку, но не помнит точное время и место. Вместо последовательного просмотра нескольких часов видео сотрудник может сформулировать запрос: найти человека с определенным описанием и момент, когда рядом с ним появляется или остается сумка. Система сокращает массив данных до нескольких наиболее релевантных эпизодов, которые уже может проверить оператор.

Именно поэтому мы рассматриваем VLM как следующий этап развития систем компьютерного зрения. Основное изменение заключается в том, что видеоархив перестает быть просто массивом записей, а становится данными, по которым можно выполнять содержательный поиск на естественном языке.

В классическом компьютерном зрении сценарий обычно задается заранее. Мы заранее определяем, что именно система должна искать: человека, автомобиль, каску, дым, чемодан, пересечение зоны и так далее. Под эту задачу настраивается модель, правила и логика события. Например, для аэропорта можно заранее задать сценарий: если в определенной зоне появился чемодан и рядом с ним в течение пяти минут нет человека, система формирует тревогу. Такой подход хорошо работает, когда событие четко формализовано и заранее понятно, что именно нужно контролировать.

VLM отличается тем, что позволяет работать с более свободным описанием ситуации. То есть не обязательно заранее программировать отдельный сценарий под каждый возможный случай. Оператор может сформулировать запрос уже по факту события: например, «найди момент, когда мужчина в темной куртке оставил голубой чемодан возле стойки регистрации и ушел». Модель анализирует не только наличие отдельных объектов, но и их взаимосвязь, действия и контекст сцены.

Именно поэтому VLM особенно интересны для задач безопасности. Например, в аэропорту заранее можно настроить базовые правила: оставленный багаж, проникновение в закрытую зону, скопление людей. Но реальная ситуация почти всегда сложнее заранее прописанного шаблона. Может потребоваться найти конкретный эпизод по описанию очевидца, понять, кто принес предмет, где человек находился до этого, с кем взаимодействовал, на какой камере появился позже. Для классического CV каждый такой сценарий пришлось бы отдельно формализовывать. VLM позволяет задавать подобные вопросы уже на естественном языке и искать соответствующие фрагменты в видеоархиве.

Наибольший потенциал мы видим в гибридной архитектуре: классическое компьютерное зрение непрерывно контролирует заранее определенные сценарии, а VLM подключается там, где необходимо разобраться в контексте, выполнить нестандартный поиск или оперативно проанализировать событие, которое невозможно было заранее формализовать.

Поэтому дальнейшее масштабирование этого направления мы связываем прежде всего с городской и общественной безопасностью, промышленными объектами, ритейлом и системами работы с крупными видеоархивами. Для нас это одно из направлений, где за последние месяцы наиболее заметно вырос не только технологический интерес, но и количество конкретных прикладных сценариев со стороны заказчиков.

‍