NtechLab и ИИ: камеры начали выявлять закладчиков по поведению

NtechLab начала искать закладчиков по поведению через камеры​

В Петербурге и Московской области тестируется новый уровень полицейской видеоаналитики: алгоритмы NtechLab, по словам главы компании Алексея Паламарчука, уже помогают выявлять людей, которые могут заниматься распространением наркотиков. Система смотрит не только на лицо или совпадение с базой, а на поведение в кадре: задержки в определённых местах, повторяющиеся действия, траектории движения и другие аномалии. На ЦИПР-2026 эту технологию описали как переход от фиксации уже совершённого преступления к раннему сигналу оператору. Для государства это выглядит как усиление «Безопасного города», для общества - как новая стадия цифровой слежки, где подозрение может возникать ещё до задержания.

Что заявила NtechLab​

На конференции ЦИПР-2026 в Нижнем Новгороде гендиректор NtechLab Алексей Паламарчук сообщил, что компания реализовала проект по поиску людей, распространяющих наркотики, с помощью искусственного интеллекта. По его словам, технология уже применяется в Санкт-Петербурге и Московской области.

Главная особенность проекта - анализ поведения, а не только распознавание лица. Алгоритм смотрит на то, как человек перемещается, где задерживается, какие действия повторяет и насколько его поведение похоже на ранее изученные сценарии. В результате камера становится не просто регистратором изображения, а фильтром подозрительной активности.

Почему система больше не ждёт преступления​

Классическая камера помогает после события: произошло преступление, следователь поднимает запись, ищет человека, маршрут и время. Поведенческая видеоаналитика меняет порядок. Она пытается заметить подозрительный сценарий до того, как оператор получил заявление или задержанный попал в базу.

Для полиции это серьёзное усиление. Если раньше человек становился интересен системе после жалобы, оперативной информации или совпадения по лицу, теперь поводом может стать сама модель движения. Это и есть главный сдвиг: подозрение формируется не только документом или заявлением, но и машинной оценкой поведения в городской среде.

Как ИИ ищет паттерны поведения​

По публичному описанию, алгоритмы обучались на массивах оперативных материалов и видеозаписей, где были видны типовые сценарии работы уличных распространителей. Машина учится выделять не один жест, а связку признаков: маршрут, паузы, повторяющиеся остановки, контакты с объектами городской среды и нелогичные задержки в местах, где обычный прохожий обычно не задерживается.

Важная деталь - системе не обязательно начинать с идентификации личности. Поведенческая аналитика может сначала отметить силуэт или объект в кадре как подозрительный, а уже потом передать сигнал оператору. Это делает технологию шире обычного распознавания лиц: человек может не числиться в базе, но всё равно попасть в зону внимания из-за поведения.

Почему лица уже не главный элемент контроля​

Распознавание лиц долго было главным символом городской видеоаналитики. Но в сценариях уличного контроля лицо не всегда доступно: человек может быть далеко, стоять боком, попасть в кадр частично или находиться в плохом освещении. Поведенческий анализ обходит часть этих ограничений, потому что работает с движением и контекстом.

Это делает систему менее зависимой от биометрии, но не менее чувствительной для приватности. Если раньше спор шёл вокруг базы лиц, теперь вопрос шире: можно ли автоматически оценивать нормальность поведения человека во дворе, у подъезда, у забора или рядом с домом. Камера начинает читать не личность, а сценарий, и именно это делает технологию политически и социально значимой.

Что значит «аномалия» в городском кадре​

Аномалия для алгоритма - это поведение, которое выбивается из обычного сценария места. Например, человек не просто идёт через двор, а несколько раз возвращается к одной зоне, задерживается там, совершает повторяющиеся движения или ведёт себя не так, как большинство прохожих в похожих условиях.

Проблема в том, что городская жизнь сама по себе полна странных, но невиновных сценариев. Человек может искать потерянную вещь, ждать знакомого, гулять с животным, говорить по телефону, прятаться от дождя, смотреть карту или помогать ребёнку. Поэтому ключевой риск такой системы - ложные срабатывания, когда необычное поведение ошибочно превращается в полицейский сигнал.

Почему система опасна ложными срабатываниями​

Любая поведенческая модель работает с вероятностями. Она не знает мотив человека напрямую, а сравнивает его действия с набором признаков. Если похожесть высокая, оператор получает сигнал. Но похожесть не равна виновности. Это особенно важно в уголовной теме, где ошибка может привести к проверке, задержанию, обыску или попаданию человека в оперативный интерес.

Поэтому эффективность такой системы зависит не только от качества алгоритма, но и от процедур вокруг него. Кто проверяет сигнал, как исключаются бытовые объяснения, как хранятся данные, можно ли оспорить ошибку, сколько времени человек остаётся в системе после ложного срабатывания. Без этих правил ИИ легко превращается из инструмента помощи в генератор подозрений.

Как ИИ ищет подозрительные квартиры​

Отдельный блок заявления касается квартир с «нелогичной активностью». По словам Паламарчука, система может отмечать адреса, куда приходит больше людей, чем обычно проживает в помещении. Такой сценарий связывают с выявлением мест, где возможна незаконная активность или постоянный поток посетителей.

Здесь логика похожа на поведенческую аналитику улицы, но переносится на адрес. Алгоритм смотрит не на один визит, а на повторяемость: сколько людей заходит, как часто, в какое время, насколько поток отличается от обычной жилой модели. Для полиции это удобный фильтр, но для жителей многоквартирных домов это ещё один уровень наблюдения за повседневной жизнью.

Почему квартиры стали частью цифрового контроля​

Городская камера раньше в основном следила за улицей, подъездом, транспортом или общественными пространствами. Теперь интерес смещается к модели активности вокруг конкретного адреса. Это не прямой вход в квартиру, но уже анализ её социального контура: кто приходит, как часто и насколько это похоже на обычное проживание.

Такой подход может помогать в расследованиях, но он же создаёт спорную зону. У людей бывают гости, сиделки, арендаторы, курьеры, ремонтники, клиенты легального домашнего бизнеса, родственники и соседи. Если алгоритм видит только поток, без понимания человеческого контекста, он может ошибаться. Поэтому любой автоматический сигнал должен оставаться поводом для проверки, а не готовым выводом.

Почему Петербург и Подмосковье стали первыми площадками​

Петербург и Московская область подходят для таких проектов из-за плотной городской среды, развитой сети камер и большого объёма данных. Чем больше камер, дворов, подъездов, транспортных узлов и жилых массивов, тем больше материала для алгоритмов и тем проще встроить аналитику в уже существующие системы наблюдения.

Для регионов это может стать моделью масштабирования. Если проект покажет результат, похожие инструменты могут перейти в другие крупные города. Тогда «Безопасный город» перестанет быть просто сетью камер и станет распределённой системой раннего выявления подозрительных сценариев. Вопрос в том, кто будет контролировать точность и границы такого расширения.

Почему это меняет работу полиции​

Для полиции такая аналитика означает переход от ручного наблюдения к машинной сортировке городской реальности. Оператор больше не обязан смотреть бесконечные часы видео. Система сама поднимает фрагменты, где поведение совпало с нужным шаблоном, и передаёт их человеку для оценки.

Это экономит время, но меняет логику работы. В старой модели оперативник искал подтверждение уже имеющейся версии. В новой версии алгоритм может сам подсказать, кого и где проверить. Это усиливает профилактическую функцию, но одновременно повышает зависимость полиции от модели, которую обычный гражданин не видит и не может понять.

Что это значит для обычных горожан​

Для обычного человека такая система означает, что камера может оценивать не только факт присутствия, но и поведение. Человек во дворе, у подъезда или рядом с домом становится частью потока данных, где алгоритм сравнивает его движения с обученными шаблонами.

Большинство людей никогда не столкнутся с последствиями напрямую. Но сама среда меняется: город становится пространством, где необычное движение может вызвать автоматическое внимание. Это не обязательно зло, если речь о реальной безопасности. Но это требует прозрачных правил, потому что цифровой контроль без понятных границ быстро начинает работать шире первоначальной задачи.

Почему тема выходит за рамки наркотиков​

Сегодня NtechLab говорит о поиске людей, распространяющих наркотики, и о подозрительной активности у квартир. Завтра тот же принцип может применяться к другим сценариям: вандализму, дракам, кражам, массовым скоплениям, нарушениям режима, протестной активности или любым действиям, которые система сочтёт нестандартными.

Именно поэтому новость важна не только для криминальной хроники. Поведенческая видеоаналитика - универсальный инструмент. Если один раз городская система научилась искать «необычного человека», дальше вопрос упирается в список признаков, который ей разрешат использовать. Технология не знает политических или правовых границ сама по себе, эти границы задаёт заказчик.

Какие вопросы остаются без ответа​

Публично пока мало информации о точности системы, количестве ложных срабатываний, правилах хранения данных, процедуре проверки сигналов и роли человека в принятии решения. Также неясно, как гражданин может узнать, что стал объектом ошибочного внимания, и есть ли механизм удаления таких отметок.

Для технологии такого уровня это не второстепенные детали. Если система влияет на полицейские действия, она должна иметь понятные ограничения. Нужны аудит, отчётность, юридические рамки и разделение между автоматическим подозрением и процессуальным доказательством. Иначе алгоритм может незаметно стать источником решений, за которые формально никто не отвечает.

Итог​

Алгоритмы NtechLab, по словам главы компании, уже используются в Санкт-Петербурге и Московской области для поиска людей, которые могут распространять наркотики. Система анализирует паттерны поведения через камеры наблюдения и может отмечать подозрительную активность ещё до классического задержания или заявления. Отдельно заявлена возможность выявлять квартиры с нетипично большим потоком посетителей.

Главный смысл новости - переход от видеозаписи к предиктивному контролю. Камера больше не просто хранит картинку для следователя, а сама подсказывает, где может быть нарушение. Для борьбы с преступностью это даёт новый инструмент. Для общества это создаёт новый риск: подозрение начинает рождаться внутри алгоритма, а значит, особенно важны прозрачность, проверка ошибок и запрет превращать машинный сигнал в готовое обвинение.

---

Редакция PavRC