В статье рассмотрим, какие технологии заложены в системы поведенческого анализа и какие сценарии наиболее распространены в ритейле.
Михаил Смирнов
Генеральный директор компании "Системы компьютерного зрения" (входит в группу ЛАНИТ)
Превентивная безопасность – подход на базе искусственного интеллекта (ИИ), при котором риск возникновения инцидента выявляется заблаговременно за счет модели, обученной на данных, что позволяет предотвратить инцидент. В этом ключевое отличие данного подхода от классических систем безопасности, которые направлены на обнаружение и реагирование на уже возникшую ситуацию.
Системы, в которых реализован этот подход, могут быть внедрены в ритейле, промышленности, логистике и других отраслях. Различные сценарии подразумевают обучение модели на разных данных, и, как следствие, паттерны поведения будут также отличаться.
Если взять ритейл – отрасль, для которой особенно актуальна проблема безопасности, то, по данным агентства маркетинговых исследований Vector Market Research, потери от краж составляют порядка 2–3% от выручки. С помощью системы видеонаблюдения невозможно предотвратить даже половину случаев девиантного поведения (воровства). Для повышения уровня безопасности применяются системы автоматизации, которые позволяют распознавать попытку кражи еще до того, как инцидент произошел.
Анатомия девиантного поведения: что происходит до кражи
Любое хищение, будь то действия покупателя в торговом зале или злоупотребление сотрудника на складе, предваряется последовательностью действий злоумышленника. Она может включать оценку обстановки и расположения камер, выбор подходящего момента и непосредственное действие. На этапах оценки обстановки и выбора момента поведение отклоняется от нормы – именно эти отклонения поддаются машинному анализу.
Среди поведенческих аномалий, которые важно установить, можно выделить несколько категорий:
1. Нетипичные траектории движения. Большинство посетителей торгового зала движутся по предсказуемым маршрутам, обусловленным планировкой помещения. Отклонение от стандартных маршрутов, например повторное возвращение к одним и тем же стеллажам, движение вдоль периметра с явным осмотром пространства вокруг, статистически коррелирует с повышенным риском инцидента.
2. Избыточное время в зоне интереса. Система формирует поведенческую норму для каждой зоны: сколько времени покупатель в среднем проводит у определенной группы товаров.
Существенное превышение этой нормы без явных признаков выбора (взятие товара с полки, изучение упаковки) является тревожным сигналом.
3. Повторные визиты. Возвращение в одну и ту же зону за одно посещение магазина, особенно в сочетании с другими маркерами, указывает на подозрительное поведение.
4. Характерные жесты и манипуляции с товаром. Специфические движения рук – перекладывание товара в карманы или сумку, манипуляции с упаковкой в слепых зонах распознаются моделью компьютерного зрения на основе модели тела и анализа положения рук.
Ни один из этих сигналов в отдельности не является достаточным основанием для вывода о намерении совершить кражу. Человек может долго стоять у полки, выбирая товар, или, сравнивая цены, несколько раз возвращаться к одному стеллажу. Система работает с совокупностью аномалий, а не с единичными отклонениями.
Технологическая основа: как ИИ "видит" поведение
Современные системы поведенческого анализа строятся на архитектуре, объединяющей несколько модулей.
Компьютерное зрение является первичным уровнем анализа. На основе видеопотока с камер система в режиме реального времени строит модель каждого объекта в кадре: определяет позу тела, направление взгляда, положение и движение рук. Это позволяет распознавать специфические жесты, например движение, характерное для попытки украсть предмет, даже при частичном перекрытии объекта (стеллажами, другими людьми и т.д.). Современные архитектуры обеспечивают высокую точность распознавания поз и действий при переменном освещении, большом количестве объектов в кадре, частичных перекрытиях и т.д.
Траекторный анализ формирует пространственно-временную модель поведения объекта.
Система отслеживает маршрут движения каждого человека, строит тепловые карты посещаемости зон и выявляет отклонения от статистической нормы. Рекуррентные нейронные сети и трансформеры, работающие с последовательностями событий, позволяют анализировать действия, которые характерны при краже.
Временной анализ сопоставляет активность объекта с историческими нормами данной локации, временем суток и категорией посетителя. Поведение в пятницу вечером отличается от поведения в будний день утром, поведение у витрины с алкоголем отличается от поведения в отделе электроники. Система учитывает эти различия.
Мультимодальная интеграция объединяет данные из нескольких источников: камер наблюдения, систем контроля и управления доступом (СКУД), POS-терминалов, сигналы с датчиков весовых полок и IoT-сенсоров. Совместный анализ данных из разных источников повышает точность оценки риска.
Модели оценки риска и скоринг угроз
Поведенческий скоринг – это непрерывная оценка уровня риска в режиме реального времени, которая присваивается каждому объекту в кадре. Все выявленные аномальные сигналы агрегирует скоринговая модель. Затем эта модель вычисляет показатель риска, который обновляется по мере поступления новых данных.
Каждый отдельный маркер (задержка в зоне, нетипичная траектория, характерный жест) вносит относительно небольшой вклад в итоговую оценку ("скор"). Система реагирует не на единичные отклонения, а на их совокупное превышение порогового значения. Это позволяет снизить число ложных тревог, неизбежных при использовании конкретных правил ("если покупатель простоял у полки более трех минут – тревожный признак").
Градация уровней риска может включать четыре ступени:
- При низком уровне поведение объекта находится в пределах статистической нормы, соответственно никаких действий не требуется.
- При среднем уровне зафиксированы 1–2 аномальных маркера – система может, например, подключать дополнительные камеры.
- При высоком уровне накоплена совокупность аномалий, превышающая первый порог; оператору направляется уведомление с визуализацией поведения объекта.
- При критическом уровне интегральный скор превышает второй порог, что соответствует высокой вероятности инцидента. Сотрудник или оператор получает приоритетный сигнал тревоги с рекомендацией немедленного реагирования.
Адаптивное обучение и снижение ложных срабатываний
Ложные тревоги – главный операционный риск любой системы поведенческого анализа. Высокий показатель False Positive Rate (FPR, показатель частоты ложных срабатываний) может привести к игнорированию сигналов, в том числе обоснованных. Поэтому управление ложными срабатываниями является одним из ключевых направлений разработки.
Основной механизм снижения FPR – дообучение модели на размеченных инцидентах конкретного объекта (site-specific fine-tuning – дообучение под конкретный объект). После развертывания системы каждый обработанный оператором сигнал становится обучающим примером.
Подтвержденный инцидент усиливает веса соответствующих признаков, ложное срабатывание – снижает. Благодаря этому модель постепенно адаптируется к специфике именно этого магазина, склада или предприятия: планировке, характерным сценариям поведения, особенностям освещения и т.д.
Принцип обратной связи реализуется по циклу, изображенному на рис. 2.
Интерфейс оператора предоставляет инструменты для разметки: подтвердить тревогу, отметить как ложное срабатывание, уточнить категорию инцидента. Накопленная разметка используется для переобучений модели, которые проводятся с регулярной периодичностью.
Для оценки качества модели применяется определенный набор метрик:
1. Precision (точность) показывает, какая доля тревог оказалась обоснованной: высокая точность означает мало ложных срабатываний.
2. Recall (полнота) показывает, какую долю реальных инцидентов система обнаружила: высокая полнота означает мало пропущенных краж. Между этими показателями существует обратная зависимость: снижение порога срабатывания повышает полноту, но ухудшает точность, и наоборот.
3. F1-мера представляет собой среднее и используется как интегральный показатель.
4. AUC – ROC (Area Under the Receiver Operating Characteristic Curve – метрика качества бинарной классификации, показывающая способность модели различать классы) отражает способность модели различать инциденты и норму при пороговом значении.
Окончательное решение о реагировании принимает человек. Такая схема является оптимальной с точки зрения баланса скорости реакции и качества решений: ИИ в постоянном режиме обрабатывает данные, сотрудник – принимает итоговое решение.
Сценарии применения
Системы поведенческого анализа могут применяться в разных отраслях.
Ритейл
Помимо выявления краж, совершаемых покупателями, система решает задачи, связанные с действиями персонала: выявление частичного пробития чека (кассир пробивает не все товары), распознавание схем сговора кассира и покупателя (товар намеренно не проносится через сканер), контроль зон самообслуживания и касс самосканирования, где уровень потерь обычно выше.
Источниками данных служат видеокамеры и POS-системы.
Склад и логистика
На складских объектах система отслеживает несанкционированный доступ к зонам хранения, аномальное поведение при приемке и отгрузке товара, нецелевые манипуляции с грузом. Интеграция с WMS (системой управления складом) позволяет сопоставлять действия сотрудника с ожидаемыми операциями по его текущему заданию и в режиме реального времени выявлять отклонения.
Промышленные предприятия
Здесь задача смещается в сторону контроля выноса комплектующих, инструмента и материалов. Система анализирует поведение сотрудников в зонах выдачи инструмента, на выходах из производственных помещений, в зонах хранения расходных материалов. Мультимодальная интеграция с данными СКУД позволяет автоматически сопоставлять факт нахождения сотрудника в зоне с его профилем доступа и расписанием.
Банки
Поведенческий анализ применяется в кассовых узлах, депозитных зонах и зонах хранения ценностей. Система отслеживает аномалии в процедурах пересчета и передачи наличных, нетипичные паттерны доступа к сейфовым ячейкам, поведенческие признаки внешнего наблюдения за объектом.
Требования к внедрению
Техническая инфраструктура
Качество видеопотока является критическим условием работоспособности системы. Минимальные требования к камерам: разрешение не менее 2 Мпк (Full HD), частота кадров не менее 15 кадр/с (оптимально – 25 кадр/с), угол обзора, обеспечивающий покрытие зоны без значительных слепых участков. Для корректной работы модели анализа поз необходима высота расположения камер не менее 2,5–3 м с обеспечением вида сверху под углом 30–60 град.
Вычислительная инфраструктура может быть организована по модели edge (обработка непосредственно на объекте) либо cloud/hybrid (передача потоков в облако или в корпоративный ЦОД). Edge-модель обеспечивает минимальную задержку и снижает требования к пропускной способности канала, но требует капитальных вложений в оборудование. Гибридная модель позволяет оптимизировать затраты: первичный анализ на объекте, глубокий анализ и дообучение – в облаке.
Организационные аспекты
Внедрение системы требует разработки четкого регламента реагирования на тревожные сигналы: кто получает уведомление, в течение какого времени обязан отреагировать, какие действия предусмотрены для каждого уровня риска. Без формализованного регламента даже высокоточная система не обеспечивает нужного результата.
Обучение операторов включает не только техническое освоение интерфейса, но и понимание принципов работы модели, навыки интерпретации визуализаций поведенческих паттернов, правила разметки результатов для обратной связи.
Управление жизненным циклом модели предполагает регулярное плановое переобучение, контроль дрейфа качества метрик, версионирование моделей и возможность откатиться к предыдущей версии при деградации показателей.
Соответствие законодательству
Принятие Федерального закона № 572-ФЗ от 31.07.2023, вступившего в силу с 1 марта 2024 г., изменило требования к использованию технологий распознавания лиц и биометрических данных в коммерческом секторе, в том числе и в ритейле.
Согласно новой редакции закона:
- биометрические данные могут использоваться только в рамках Единой биометрической системы (ЕБС). Система обрабатывает два типа биометрии – голос и лицо, причем эти параметры обрабатываются не по отдельности, а вместе;
- бизнесу запрещено собирать и обрабатывать биометрию, если это не осуществляется с использованием ЕБС;
- нарушение закона может привести к административной ответственности, а в ряде случаев – к уголовным последствиям за незаконное использование персональных данных.
Таким образом, согласно действующему законодательству коммерческие компании могут использовать системы, с помощью которых осуществляется анализ поведения клиентов (покупателей, сотрудников и т.д.) без идентификации их личности.
Заключение
Искусственный интеллект статистически выявляет отклонения от нормативных поведенческих паттернов, характерных для конкретной среды, и оценивает вероятность инцидента на основе накопленных данных. Это инструмент поддержки решений, но не замена человеку.
При выборе поставщика решения следует обращать внимание на следующие критерии: наличие отраслевых референсов с измеримыми результатами (снижение потерь, ROI), возможность дообучения модели, соответствие требованиям законодательства.
Превентивная безопасность на базе ИИ – это не футуристическая концепция, а зрелая технология с доказанным ROI в ряде отраслей: ритейл (магазины, склады), промышленность и т.д. По данным экспертов, внедрение систем поведенческого анализа в ритейле может обеспечить снижение потерь от краж на 20–30%. Вопрос уже не в том, стоит ли внедрять такие системы, а в том, как сделать это правильно.
Рисунки автора.
Иллюстрация сгенерирована ИИ для ООО "Гротек"