Петр Хвесюк: «Если оператор считает, что система ищет повод наказать, а не помочь, он будет ее саботировать»

Сегодня в 10:30

Петр Хвесюк
Руководитель ML-направления компании Nord Clan

Промышленная безопасность в России переходит к активному предотвращению угроз: пока регуляторы ужесточают требования, бизнес ищет технологии, способные исключить человеческий фактор в опасных зонах и вредных условиях. Как адаптировать нейросети к суровым условиям цехов, обеспечить защиту данных и соблюсти при этом законы о приватности сотрудников?

О трансформации рынка машинного зрения, архитектуре защищенных систем и этических границах контроля журналу RUБЕЖ рассказал Петр Хвесюк, руководитель ML-направления компании Nord Clan. 

Рыночный контекст и специфика промышленного применения

Какие основные сценарии использования машинного зрения сегодня востребованы на российских промышленных предприятиях и как они связаны с обеспечением безопасности персонала и производства?

Петр Хвесюк: Сегодня мы наблюдаем четкое разделение спроса на два крупных блока. Первый - это классический контроль качества продукции (Machine Vision). Здесь востребованы наши модули для обнаружения поверхностных дефектов, контроля геометрии и нанесения маркировки на конвейере. Сейчас этот блок приобретает новое звучание в контексте промышленной безопасности. Задача «убрать человека из зоны контроля» становится приоритетной. Во-первых, это вредные производства: литейные цеха, химическая обработка, покрасочные камеры. Компаниям проще и дешевле защитить камеру кожухом IP66 и настроить ее на работу при экстремальных температурах, чем постоянно оплачивать вредность сотруднику, рисковать его здоровьем и сталкиваться с кадровым голодом на такие специальности. Во-вторых, это исключение ошибки. Утомленный работник на вредном производстве в конце смены может пропустить критический дефект, который потом приведет к аварии. Нейросеть не устает.

Второй блок, который растет колоссальными темпами, это обеспечение промышленной безопасности (Safety & Security). С помощью машинного зрения предприятия ТЭК и тяжелой промышленности решают задачи, которые раньше требовали огромного количества персонала. Речь идет о контроле СИЗ (средств индивидуальной защиты) - проверка наличия касок, перчаток, спецодежды. Далее - контроль нахождения человека в опасной зоне. Если работник заходит за ограждение работающего робота или под стрелу крана, система может дать управляющий сигнал на остановку оборудования. Это прямая связь с предотвращением смертельного травматизма.

Насколько изменились запросы заказчиков за последние 2-3 года: раньше требовали «просто камеру», а теперь хотят интеллектуальную систему безопасности? Что этому способствовало?

Петр Хвесюк: Вы абсолютно правы. Еще 2-3 года назад многие заказчики приходили с запросом: «Давайте повесим камеру, чтобы мы могли смотреть запись, когда случится авария». Это была пассивная видеофиксация. Сейчас запрос звучит иначе: «Мы хотим получать уведомление в момент нарушения, а еще лучше - чтобы система останавливала станок и не давала человеку получить травму».

Этому способствовали два фактора. Первый - ужесточение позиции регуляторов и требований охраны труда, где ответственность за безопасность сотрудника стала критической для бизнеса. Второй - развитие самих технологий. Системы научились работать с бликующими поверхностями, с высокой скоростью конвейера (до 50 м/с) и с точностью измерения брака от 0,1 мм, как в нашем решении ML Sense (система контроля дефектов на основе машинного зрения и нейросетей - прим. ред.). Заказчик увидел, что ИИ может не просто «смотреть», а «видеть» и принимать решения.

В чем отличие промышленного машинного зрения от решений для городской инфраструктуры или ритейла с точки зрения надежности, устойчивости к условиям среды и требованиям к защите данных?

Петр Хвесюк: Отличия кардинальные. «Городская» камера работает в относительно щадящих условиях. Промышленное зрение - это экстремальные условия. У нас камеры находятся прямо над конвейером, где может быть жара, холод, грязь, вибрация. Поэтому наше оборудование поставляется в защитных кожухах IP66, устойчивых к пыли и влаге.

Второе - это детерминированность. В ритейле можно потерять пару кадров, и ничего страшного не случится. В промышленности система жестко привязана к технологическому процессу: мы получаем сигналы от промышленного контроллера по Modbus TCP (открытый промышленный протокол прикладного уровня, использующий Ethernet TCP/IP для обмена данными между устройствами -  прим. ред.) или Profinet (стандарт передачи данных, основанный на протоколе Industrial Ethernet - прим. ред.) о начале и конце рулона, о скорости. Управление съемкой должно быть синхронизировано с движением продукта с точностью до миллисекунды.

Что касается данных - в ритейле видеопоток часто уходит в облако. На заводе, особенно в ТЭК, это недопустимо. Данные о технологическом процессе - это коммерческая тайна. Поэтому MLSense работает как коробочное решение, где вся обработка и хранение идут на локальном сервере предприятия, без передачи вовне.

Технологии, архитектура и безопасность данных

Какие технические вызовы возникают при развертывании систем машинного зрения на конвейерных линиях - например, при обнаружении мелкодисперсного мусора или контроле соблюдения СИЗ?

Петр Хвесюк: Самый большой вызов - это условия освещения и фон. На конвейере материал движется, может вибрировать, блестеть. Например, при контроле бликующих поверхностей обычная камера «ослепнет». Наши алгоритмы и специализированная подсветка позволяют нивелировать блики, выделяя именно дефект.

При контроле СИЗ вызов в другом - в вариативности. Люди разные, позы разные. Система должна отличать рабочего, который нагнулся за инструментом, от упавшего человека, и не выдавать ложных срабатываний. Чтобы обучить нейросеть, нам нужны датасеты. Обучение с нуля может занять до полугода, потому что редкие дефекты или редкие ситуации сложно «наснимать». Именно поэтому мы используем собственную базу данных с дефектами и ситуациями, накопленную за годы внедрений, чтобы сократить время запуска.

Как Nord Clan обеспечивает безопасность персональных данных при работе с видеопотоками на производстве? Используются ли методы обезличивания, локальная обработка или другие подходы?

Петр Хвесюк: Мы используем комплексный подход. Во-первых, это локальная обработка (on-premise). Видеопоток не покидает периметра сети предприятия. На сервер заказчика устанавливается наша программа ML Sense, и весь анализ идет там.

Во-вторых, мы активно используем методы обезличивания, особенно в задачах, не связанных с идентификацией личности. Например, при контроле СИЗ или нахождения в опасной зоне система может работать с силуэтами или размывать лица в интерфейсе оператора, если четкости не требуется для расследования инцидентов. Доступ к архиву строго разграничен в соответствии с требованиями 152-ФЗ и рекомендациями Роскомнадзора.

Интегрируются ли ваши решения с корпоративными SIEM- (система управления событиями безопасности - прим. ред.) или SOC-системами (центр мониторинга информационной безопасности - прим. ред.)? Если да - какие протоколы и стандарты применяются для передачи событий безопасности?

Петр Хвесюк: Да, это обязательное требование для крупных предприятий. Наше решение выступает в роли активного датчика (сенсора) для верхнего уровня. Система фиксирует событие (например, «человек в опасной зоне», «обнаружен дефект») и отправляет структурированные данные в корпоративный SIEM или SOAR (Security Orchestration, Automation and Response - комплекс совмещенных программных средств, позволяющих организовать сбор данные об угрозах безопасности - прим. ред.).

Мы поддерживаем стандартные протоколы и форматы, такие как Syslog, CEF (Common Event Format), и у нас есть готовые коннекторы к популярным SIEM-системам, используемым в РФ. Далее, через интеграцию с АСУ ТП (автоматизированная система управления технологическим процессом - прим. ред.) мы можем не только передать событие, но и выполнить управляющее воздействие - отключить конвейер или подать сигнал сортировщику (сортомату) на отбраковку.

Этические и регуляторные аспекты

Как вы находите баланс между эффективным контролем и уважением к приватности сотрудников? Есть ли внутренние «красные линии», которые ваша компания не пересекает?

Петр Хвесюк: Мы придерживаемся принципа прозрачности и соразмерности. Наша «красная линия» - это использование систем для слежки за эмоциями или микро-движениями с целью оценки лояльности или усталости без согласия работника. Это вызывает оправданную этическую тревогу, как показывают последние исследования и дискуссии на эту тему.

Наша цель - защита жизни и здоровья человека (safety), а не тотальная слежка. Мы всегда рекомендуем заказчикам проводить разъяснительную работу с коллективом и профсоюзами, объяснять, что камера «видит» не человека, а нарушение правил безопасности, которое может стоить ему жизни. В интерфейсе мы делаем акцент на инциденты, а не на личность. Если это не требуется для расследования, мы не храним биометрию.

Какие требования регуляторов (ФСТЭК, Роскомнадзор) чаще всего влияют на архитектуру систем машинного зрения на предприятиях? Удается ли закрывать их без потери функциональности?

Петр Хвесюк: Ключевое влияние оказывают требования ФСТЭК к защите информации в критической информационной инфраструктуре (КИИ) и требования Роскомнадзора по 152-ФЗ о персональных данных.

Для соответствия ФСТЭК мы реализуем архитектуру, исключающую несанкционированный доступ. Система MLSense включена в реестр отечественного ПО (№12843), что уже облегчает заказчикам отчетность и позволяет применять налоговые льготы.

Для соответствия 152-ФЗ мы реализовали режим «Приватность». Например, если стоит задача контролировать проходы и захламление, система может детектировать сам факт нахождения человека (силуэт), но не идентифицировать его, обезличивая данные на этапе захвата. Таким образом, требования выполняются, а функциональность контроля безопасности сохраняется.

Практика внедрения, ошибки и будущее

Какие главные ошибки допускают предприятия при внедрении машинного зрения (например, недооценивают освещение, сетевую инфраструктуру или сопротивление персонала)?

Петр Хвесюк: Самая частая ошибка - это недооценка физики процесса. Приходят и говорят: «У нас есть камера, поставьте софт». Но «коробочное» решение - это не только софт. Если на объекте стоит старая или «мыльная» оптика, неправильная подсветка, нейросеть не увидит дефект. Мы всегда подчеркиваем: система ML Sense - это комплекс. Это камеры, защищенные кожухи, подсветка и сервер. Люди экономят на «железе», а потом жалуются на качество детекции.

Вторая ошибка - сетевая инфраструктура. Для скорости конвейера до 50 м/с нужна высокая скорость передачи данных без потерь пакетов. Если сеть «шумит» или перегружена, мы теряем кадры, а с ними и дефекты.

И третье - персонал. Сопротивление есть всегда. Если оператор считает, что система ищет повод наказать, а не помочь, он будет ее саботировать. Именно поэтому мы внедрили голосового помощника и управление с мобильных устройств, чтобы люди получали информацию о браке или угрозе, не отвлекаясь от работы, и видели в системе помощника.

Можете привести обезличенный пример успешного кейса, где система машинного зрения предотвратила инцидент или значительно повысила уровень безопасности на производстве?

Петр Хвесюк: Один из показательных кейсов - внедрение на предприятии по производству стройматериалов. У них была задача контроля зоны пресса. Операторы периодически забывали полностью отключать автомат, когда нужно было убрать заготовку.

Мы настроили ML Sense на детекцию человека в «красной зоне» при работающем механизме. Через месяц система зафиксировала ситуацию, когда сотрудник, нарушая регламент, попытался достать упавшую деталь, не обесточив линию. Система распознала его корпус, пересекающий ограждение, и за 300 миллисекунд подала сигнал на контроллер. Линия остановилась автоматически еще до того, как человек полностью залез внутрь. ИТР завода подсчитали, что без остановки последствия были бы тяжелыми. Вместо травмы - профилактический «разбор полетов».

Какие новые направления (например, предиктивная аналитика, edge-вычисления, ИИ-аудит рабочих мест) вы считаете наиболее перспективными для развития безопасности на основе машинного зрения к 2027 году?

Петр Хвесюк: Мы видим три магистральных направления.

Первое - это Edge Computing. Обработка видео должна уходить непосредственно на камеры или специализированные промышленные компьютеры рядом с ними. Это снижает требования к сети и убирает задержки. Это критически важно для задач остановки станков.

Второе - это предиктивная аналитика инцидентов. Мы хотим уйти от простой фиксации нарушения к прогнозированию риска. Например, система анализирует не только «вошел/вышел», но и траектории движения людей и техники. Если алгоритм видит, что погрузчик и пешеход постоянно сближаются в опасной близости в определенной точке, система выдает предупреждение службе охраны труда: «В этом месте высокая вероятность наезда, измените маршруты». Это проактивная безопасность.

Третье - интеграция с «цифровыми двойниками» (Digital Twins). Данные с ML Sense должны в реальном времени подгружаться в цифровую модель цеха. Чтобы руководитель видел не просто сообщение о дефекте, а разъяснение, что на пятом прогоне рулона номер 1250 повысилась температура, и это привело к появлению микротрещин. Это уже уровень глубокого анализа технологического процесса.

Читайте также: Любовь Кильченко: «Мы зарегистрировали новую торговую марку и создали новый продукт для ликвидации последствий ударов БПЛА»