Для живого бизнеса это означало одно: бизнес не получит информацию в моменте. Ведь, к моменту когда видео будет обработано, оно станет уже неактуальным. А теперь представьте, что речь идёт не об офисе, а о заводе или складе, где важна каждая секунда и где от скорости зависит безопасность людей.

Первое решение, которое обсуждали у клиента, было максимально простое: «давайте купим ещё одну видеокарту». Казалось бы, логично: больше железа — больше мощности. Но стоимость оборудования в такой конфигурации была бы сравнима с ценой небольшой машины, и это только начало расходов. К железу пришлось бы докупать софт, поддерживать инфраструктуру, а эффект при этом не гарантирован.

Мы предложили другой путь: оптимизировать систему так, чтобы она работала быстрее на том, что уже есть.

С чего начали

Мы всегда начинаем с диагностики. Сели и посмотрели, как именно устроен процесс. Выяснилось, что система работала «по накатанной»:

• каждый видеопоток подавался в нейросеть отдельно,

• обработка шла строго по очереди,

• процессор и видеокарта работали не синхронно и большую часть времени простаивали.

Отдельная история была с разрешением входных кадров. В сеть загонялись изображения 640×480. Для бытовой камеры это кажется скромным размером, но для нейросети это лишние пиксели. Сеть честно пыталась их проглотить, только толку от этого не было. Людей в кадре это не делало «более узнаваемыми», зато ресурсы уходили в никуда.

Почему уменьшение разрешения — не страшно

Один из мифов видеоаналитики: «чем выше качество изображения, тем лучше результат». На самом деле это не всегда так. В задачах распознавания людей важны крупные контуры, движения, ключевые признаки. Увеличение разрешения до абсурда лишь добавляет лишние детали — плитка на полу, трещины на стенах, мелкие артефакты, которые для задачи не имеют никакого значения.

Мы начали постепенно уменьшать размер входных кадров. Эксперименты показали, что оптимальная точка — примерно 416×256. Это почти в полтора раза меньше исходного, но качество распознавания людей сохранилось. Зато скорость обработки резко выросла.

Параллельная обработка и балансировка

Следующим шагом было изменение самой логики работы. Если раньше система напоминала кассу в магазине, где очередь из десяти человек обслуживает один кассир, то мы сделали так, чтобы работало сразу несколько касс. Видео стали обрабатываться параллельно, и сразу загрузка ресурсов выросла в разы.

Здесь важно было грамотно распределить задачи между CPU и GPU. До оптимизации они работали несогласованно: GPU простаивал, пока процессор готовил данные, а процессор ждал, пока GPU «пережёвывает» ролик. Мы сделали так, чтобы GPU занимался инференсом, пока новые фреймы готовятся на CPU. Теперь оба ресурса загружены равномерно.

Результат

Когда мы закончили оптимизацию и запустили систему в работу, цифры приятно удивили даже нас. Вместо четырёх видеопотоков за 30 секунд система теперь обрабатывала 22. Почти шестикратное ускорение — без покупки нового оборудования.

Для клиента это означало экономию бюджета, отказ от дорогостоящего расширения инфраструктуры и при этом полноценное выполнение задач. Люди в кадре распознавались так же корректно, система перестала «задыхаться», и бизнес наконец получил инструмент, на который можно было опереться.

Что это показало

Опыт с этим проектом стал для нас хорошей иллюстрацией нескольких важных принципов.

Во-первых, в работе с нейросетями не всегда выигрывает максимальное разрешение. Иногда лишние пиксели только мешают.

Во-вторых, оптимизация алгоритмов и архитектуры часто даёт больший эффект, чем покупка нового «железа».

И в-третьих, тюнинг моделей — это отдельная инженерная задача, которая требует экспериментов, тестов и внимательного анализа. Но результат того стоит.

Итог

Сегодня эта система работает у клиента без перебоев и обрабатывает почти в шесть раз больше видеопотоков, чем раньше. Это не просто цифры в отчёте — это реальная разница между системой, которая еле справляется, и системой, которая помогает бизнесу работать эффективнее и безопаснее.

Для нас этот проект стал напоминанием о том, что оптимизация — это тоже искусство. Где-то оно заключается в архитектуре, где-то в правильной балансировке ресурсов, где-то в настройке самой модели. Но результат всегда один: система работает быстрее, а клиент получает больше пользы.

эксперимент успешно провели с пилотами вертолетов в США. И тоже задумались о том, чтобы использовать игру на тренировочных базах.

Впрочем, это было далеко не первое заигрывание американской армии с компьютерными играми. По словам Кристофера Герра из Университета Карнеги-Меллона, в 1962 году Пентагон заказал создание простейшего симулятора под названием Spacewar – игры с двумя корабликами, которые стреляли друг в друга. А в 70-х военные обратили внимание на серию Atari, в особенности Battlezone. Это была одна из первых игр, использовавших трехмерное пространство, и по счастливой случайности она представляла собой стрельбу из танка от первого лица.

Насмотревшись и наигравшись в Atari, Вооруженные силы США пригласили разработчиков компании, чтобы те создали специальную военную версию. В итоге было создано всего две машины, которые использовались для тренировок стрелков боевой машины пехоты M2 «Брэдли». Даже этого хватило, чтобы Министерство обороны США всерьез взялось за компьютерные игры в качестве тренажера.

играть в него нужно было в особых очках, благодаря которым картинка для «ленивого глаза» выходит более контрастной. Такая терапия оказалась в 4 раза эффективней, чем обычное ношение повязки.

В 2014-2015 годах пациенты глазной клиники Калифорнийского университета Беркли стали участниками еще одной экспериментальной терапии. Группа исследователей во главе с Мором Нахумом и Инду Ведамурти решила не просто использовать существующую игру, а создать подходящую модификацию. Теперь участникам было предложено играть в особую дихтопическую версию версию Unreal Tournament 2004, разработкой которой ученые занимались в течение нескольких лет. Игра настроена так, что цель появляется только на картинке для слабого глаза; в зависимости от его положения нужно выстрелить или дождаться ее исчезновения. Неправильный выбор превратит в цель с мощного босса – неплохая мотивация для тренировки «ленивого глаза». 40 часов игры в течение пяти недель на таком тренажере улучшили зрение пациентов в среднем на 27%.

Сейчас с особыми играми для коррекции амблиопии работают многие зарубежные клиники. К их созданию подключились даже ведущий разработчики: в 2016 году исследователи из фонда Retina Foundation в Техасе совместно с Ubisoft выпустили игру Dig Rush для iPad. Как и в случае с кастомным Тетрисом, для ее использования понадобятся 3D-очки и правильная настройка контрастности. Глаза будут получать разную информацию с экрана, что заставит мозг обрабатывать картинку с обоих каналов и делать это сообща – именно то, что необходимо для лечения.

офицер управления. Он также указал, что у любителей видеоигр лучше развита кратковременная память и они легче фокусируются на задачах. Может, американская армия и не начала охоту на геймеров, но точно всерьез взялась за игры как инструмент для тренировок.

Хоть американская армия и начинала с коммерческих игр от сторонних разработчиков, в конце концов она также пришла к собственным тренажерам. В 2002 году появилась знаменитая America’s Army – целый комплекс игр для PC, а затем и XBOX и мобильных платформ. Она даже получала премии от GameSpy и была названа лучшим шутером от первого лица по мнению Wargamer. Другие тренажеры на основе существующих игр имитируют спасение раненых, управление военным лагерем или разминирование территории – меньше затрат по времени и ресурсам, чем в обычных учениях. А Tactical Iraqi обучала не военным действиям, а культурным особенностям, жестам и языку жителей Ирака.

Однако со всем многообразием специальных видеоигр служащие и их командиры так и не отказались от классических коммерческих франшиз. В 2017 году The Conversation пообщался с 15 служащими американской армии, чтобы обсудить влияние шутеров на процесс обучения и тренировки.

«Большинство из них заявили, что важно продолжать думать как солдат, даже если ты не на службе. И для них шутеры от первого лица были идеальным инструментом, – говорится в статье. – Солдаты предпочитают разные игры, но самыми популярными стали Ghost Recon Advanced Warfighter 2 и ARMA 2».

Ссылка на оригинал статьи https://m.vk.com/@squad.cyberclub-videoigry-polezny-shutery-...

Почему 2025 — переломный год для ИИ в клиентском сервисе

По прогнозам Gartner, за 2025 году внедрение ИИ в клиентский сервис вырастет на 300%. Это не просто статистика — это сигнал.

Во-первых, клиенты устали от холодных скриптов и бесконечного ожидания на линии. Исследование ВЦИОМ показывает, что 62% россиян готовы отказаться от бренда после одного неудачного опыта. Им нужно не просто обслуживание — им нужно понимание. И вот тут ИИ становится тем самым незаметным помощником, который предугадывает желания раньше, чем вы успеваете их высказать.

Во-вторых, технологии тоже не стоят на месте. Сегодня ИИ умеет подстраиваться под эмоции, создавать ощущение заботы и помогать клиенту так, как раньше могли только люди. Чем совершеннее становится ИИ, тем быстрее растет бизнес компаний, которые его используют.

2025 год — это момент, когда компании либо прыгнут в поезд ИИ, либо останутся на перроне.

Гиперперсонализация через ИИ

В 2025 году ИИ выходит далеко за рамки простых рекомендаций. Он собирает данные из самых разных источников — посты в соцсетях, история покупок, даже тон голоса в разговоре — и создает полный портрет клиента.

Динамические скрипты поддержки

Компании внедряют динамические скрипты в колл-центрах, где ИИ подсказывает оператору, как адаптировать ответы под настроение клиента.

AI-рекомендации «стиля жизни»

Например, Amazon может предложить кофеварку, если вы часто ищете рецепты кофе. А Netflix подбирает фильмы, анализируя ваши просмотры и предпочтения.

Умные уведомления

Push-уведомления на телефон помогают бизнесу кратно увеличить доход. К примеру, сервис Flowwow отправит за пару дней уведомление, если вы заказывали цветы в подарок близкому человеку на день рождения год назад.

Представьте себе пазл: кусочки — это данные и эмоции, а ИИ ловко складывает их в цельную картину. Благодаря этому взаимодействие с брендом становится естественным и ненавязчивым.

Эмоциональный ИИ

Эмоции — это то, что привязывает клиентов к бренду, и ИИ учится их распознавать. Алгоритмы анализируют голос, мимику в видеочатах или даже текст сообщений, чтобы подстроить свои ответы.

Call-центры с эмпатичным ИИ

В колл-центрах эмпатичный ИИ становится настоящим спасением. Если клиент кричит или явно раздражен, алгоритм не просто фиксирует это, а реагирует: снижает тон, делает паузу в разговоре или предлагает скидку, чтобы разрядить обстановку. Некоторые компании, вроде американского оператора Verizon, уже тестируют системы, где ИИ в реальном времени анализирует интонацию и подсказывает оператору, как лучше успокоить клиента. А в перспективе такие алгоритмы смогут полностью взять на себя сложные звонки, оставляя людям только самые нестандартные случаи.

Виртуальные ассистенты с юмором

Виртуальные помощники тоже обретают характер. Например, «Алиса» от Яндекса может пошутить или предложить сыграть в игру, если разговор затягивается. Это не просто развлечение — юмор помогает снять напряжение и сделать общение живым.

Персональный подход

ИИ подстраивает стиль общения под каждого клиента, и это уже не фантастика. Он может выбрать деловой тон для занятого профессионала, который ценит краткость, или дружеский — для молодежи, которая ждет неформальности. Британский оператор Vodafone использует ИИ, чтобы адаптировать тон разговора: пожилому клиенту бот говорит спокойно и уважительно, а подростку — энергично и с модными словечками.

Predictive Service — сервис до проблемы

Зачем ждать жалобы, если проблему можно решить заранее? Анализ поведения, данных от устройств и истории взаимодействий помогает предугадать, что понадобится клиенту, и действовать на опережение.

Проактивные уведомления

Например, Tesla сама присылает сообщение о необходимости обслуживания, опираясь на данные автомобиля — скажем, когда тормозные колодки уже изношены и пора их менять. Это удобно: не нужно следить за машиной, она сама подскажет, что делать.

Прогноз оттока

Система также замечает, если клиент стал реже заходить на сайт или часто бросает корзину. В таких случаях ему могут предложить персональную скидку или бонус, чтобы вернуть интерес и не потерять его совсем.

Упреждающая логистика

А если клиент регулярно покупает один и тот же товар, ему предложат оформить подписку с автоматической доставкой в удобное время. Так не придется каждый раз тратить время на заказы — все придет само, когда нужно.

Голосовые и визуальные интерфейсы вместо чатов

Клиенты все меньше хотят печатать — им проще говорить или смотреть. В 2025 году голосовые ассистенты и дополненная реальность становятся нормой.

Виртуальный помощник в AR может показать, как собрать шкаф или починить принтер. Голосовые боты обретают характер: представьте «доброго робота-дедушку» для аптеки или «энергичного хипстера» для фитнес-приложения. А мультимодальные интерфейсы позволяют говорить с ботом и одновременно видеть инструкции на экране.

Текстовая поддержка постепенно уходит в прошлое — и это заметно по статистике.

ИИ + блокчейн = доверие

Доверие — основа клиентского сервиса, и связка технологий его укрепляет. Блокчейн сохраняет историю взаимодействий в неизменяемом виде, чтобы никто не мог ее подправить, а данные оставались защищенными и прозрачными.

Децентрализованные отзывы

Клиенты могут спокойно полагаться на отзывы — они хранятся децентрализованно, их нельзя подделать или удалить, так что оценки всегда честные. Если что-то идет не так, например, доставка опаздывает, система автоматически запускает компенсацию через умные контракты в блокчейне — все быстро и без лишних споров.

Прозрачность данных

При этом клиент в любой момент может запросить, какие данные о нем собираются и как они используются. Ему сразу придет понятный отчет, чтобы все было максимально открыто и ясно.

Этичный ИИ и право на «человеческое»

Клиенты все чаще требуют прозрачности: как ИИ принимает решения? В 2025 году этика становится не просто модным словом, а обязательным стандартом:

1. Прогнозы говорят, что в 65% стран она станет законодательно обязательной.

2. Компании начинают показывать клиентам, почему им предложили тот или иной продукт.

3. В России закон № 152-ФЗ «О персональных данных» требует согласия на обработку биометрии и запрещает компаниям хранить эти данные у себя на сервере

Но у ИИ есть и темная сторона: 2022 году американский сервис Zelle обвинили в дискриминации — алгоритм блокировал счета афроамериканцев из-за предвзятости данных. Решение — регулярный аудит ИИ.

Как подготовиться к 2025?

ИИ в клиентском сервисе 2025 года — это не просто технология, а новый способ строить отношения с клиентами. Чтобы быть готовыми, компаниям стоит:

• Интегрировать ИИ постепенно: Начните с простых чат-ботов для базовых запросов, затем добавьте предиктивную аналитику для проактивного сервиса.

• Инвестировать в эмоциональный интеллект: Роботы не заменят эмпатию менеджеров — обучайте команды работать в тандеме с ИИ, усиливая человеческий фактор.

• Экспериментируйте с интерфейсами: протестируйте голосовых ботов или AR-помощников на небольшой группе клиентов.

2025 год станет годом, когда ИИ окончательно докажет: лучший сервис — это тот, который чувствует, предугадывает и удивляет. Компании, освоившие эти тренды, не просто выживут, а станут лидерами в глазах своих клиентов.

Лошадиный вопрос, или как нас втянули в проект

Все началось пару лет назад. Один заказчик пришел к нам с заманчивым проектом. Задача была экзотическая, как прогулка на единороге: создать нейросеть, которая сможет различать лошадей по их фотографиям, чтобы понять, не смешались ли табуны.

Зачем? Ну, у лошадей в табунах есть жесткая иерархия. Обычно одним табуном "рулит" самый главный самец. Если табуны смешиваются, начинаются разборки между жеребцами, и вся эта "лошадиная иерархия" летит к чертям. Это стресс для всех, и заказчик хотел придумать способ предотвратить катастрофу.

Помочь могла только биометрия, но не человеческая. Распознавание лошади по её, что называется, морде. А теперь к главному: где вообще взять 10 000 уникальных лошадей?

Как мы искали цифровой табун

Для начала клиент попросил собрать 10 000 уникальных фотографий лошадей, по 10 на каждую. Звучит просто? В теории!

• Мы ринулись искать изображения на YouTube, TikTok, ВКонтакте, конных форумах и всевозможных уголках Интернета.

• Условие: на каждой морде лошади должны были быть видны пять ключевых точек (вроде глаз, ноздрей и рта). Ещё красивый прямоугольник морды в минимум 224 пикселя.

Через два месяца стало ясно: темп был черепашьим. Собрали 30 000 изображений с разных ресурсов, но уникальных лошадей среди них оказалось лишь 3 000. Мы были в шаге от провала, а на горизонте уже маячил дедлайн.

Итак, пора дружить с нейросетями!

"Когда сам не справляешься — позови помощника", — подумали мы. Сделали короткий перерыв, пересмотрели свой подход и решили автоматизировать процесс. Что мы придумали:

1. Обучили нейросеть. Она распознавала морду лошади в кадре и проверяла, есть ли там необходимые точки (глаза, ноздри, рот).

2. Для сбора фотографий придумали Telegram-бота, который принимал изображения, определял уникальных лошадей и складывал подходящие кадры в папочки.

А теперь главное: мы стали собирать больше данных за меньшее время. Если раньше наша скорость была 500 изображений в день, то после внедрения автоматизации она выросла до 5 384 изображений в день!

Результат: Новый подход спас дедлайн

Используя обновленный метод, мы собрали 70 000 изображений всего за 13 дней. В базе оказалось 7 000 уникальных лошадей — минимум по 10 снимков на каждую. И самое главное: все данные были идеального качества для обучения нейросети.

Что мы вынесли из этого проекта:

• Иногда решение проблемы лежит прямо перед вами. Нужно просто использовать уже известные инструменты с неожиданной стороны.

• Технологии реально спасают нервы, репутацию и даже жизни (в случае с табунами).

Дальше — только интереснее. Если у вас есть необычные задачки для нейронок, мы готовы всё обсудить. Оставляйте заявку на нашем сайте!