Журнал "Системы Безопасности" № 2‘2026

О Т Р А С Л Е В О Й Ф О К У С 20 П ревентивная безопасность – подход на базе искусственного интеллекта (ИИ), при кото- ром 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, промышленно- сти, 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 осо- бенно актуальна проблема безопасности, то, по данным агентства маркетинговых исследований Vector Market Research, потери от краж состав- ляют порядка 2–3% от выручки. С помощью системы видеонаблюдения невозможно пред- отвратить даже половину случаев девиантного поведения (воровства). Для повышения уровня безопасности применяются системы автомати- зации, которые позволяют распознавать попыт- ку 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 вклю- чать оценку обстановки и расположения камер, выбор подходящего момента и непосредствен- ное 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. Боль- шинство посетителей торгового зала движутся по предсказуемым маршрутам, обусловленным планировкой помещения. Отклонение от стан- дартных маршрутов, например повторное воз- вращение к одним и тем же стеллажам, движе- ние вдоль периметра с явным осмотром про- странства вокруг, статистически коррелирует с повышенным риском инцидента. 2. Избыточное время в зоне интереса. Систе- ма формирует поведенческую норму для каж- дой зоны: сколько времени покупатель в сред- нем проводит у определенной группы товаров. Существенное превышение этой нормы без явных признаков выбора (взятие товара с полки, изучение упаковки) является тревож- ным сигналом. 3. Повторные визиты. Возвращение в одну и ту же зону за одно посещение магазина, осо- бенно в сочетании с другими маркерами, ука- зывает 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 рас- познаются 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, сравни- вая цены, несколько раз возвращаться к одному стеллажу. Система работает с совокупностью ано- малий, 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: опре- деляет позу тела, направление взгляда, положе- ние и движение рук. Это позволяет распозна- вать специфические жесты, например движе- ние, характерное для попытки украсть предмет, даже при частичном перекрытии объекта (стел- лажами, 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 простран- ственно-временную модель поведения объекта. Система отслеживает маршрут движения каж- дого человека, строит тепловые карты посещае- мости зон и выявляет отклонения от статистиче- ской нормы. Рекуррентные нейронные сети и трансформеры, работающие с последователь- ностями событий, позволяют анализировать действия, которые характерны при краже. Временной анализ сопоставляет активность объекта с историческими нормами данной лока- ции, 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 источни- ков повышает точность оценки риска. апрель – май 2026 www.secuteck.ru СПЕЦПРОЕКТ АНТИТЕРРОР. БЕЗОПАСНОСТЬ МЕСТ С МАССОВЫМ ПРЕБЫВАНИЕМ ЛЮДЕЙ Михаил Смирнов Генеральный директор компании "Системы компьютерного зрения" (входит в группу ЛАНИТ) Рис. 1. Мультимодальная интеграция Как ИИ распознает паттерны девиантного поведения еще до совершения инцидента В статье рассмотрим, какие технологии заложены в системы поведенческого анали- за и какие сценарии наиболее распространены в ритейле.