«Детекция за секунды, а не минуты»: Tata Elxsi построила IRIS на базе AWS

15–45 минут ручного наблюдения

Tata Elxsi построила IRIS (Industrial Real-Time Intelligence System) — платформу промышленной безопасности реального времени на AWS. Задача сформулирована через ставку: обнаружение рисков за секунды, а не минуты, — именно это, по словам авторов, удерживает людей на работающем цехе в безопасности.

Tata Elxsi — глобальный поставщик услуг в области дизайна и технологий для автомобилестроения, производства, вещания, связи, здравоохранения и транспорта, а IRIS — её платформа промышленного компьютерного зрения для организаций, у которых камеры уже есть, но превратить их потоки в работу в реальном времени пока не получается.

Исходная картина описана без прикрас. Производственные предприятия, склады, логистические хабы и химические производства эксплуатируют от сотен до тысяч камер — линии, опасные зоны, коридоры движения транспорта, погрузочные площади и зоны ограниченного доступа, — но большая часть этих записей хранится и редко используется в реальном времени. Причины: телевизионное наблюдение работает как система записи, а не предотвращения; оператор не может надёжно смотреть сотни потоков, а обнаружение небезопасных условий обычно занимает 15–45 минут в зависимости от загрузки оператора; соблюдение правил различается по сменам и площадкам, а аудит ограничен двумя-тремя ручными обходами за смену; наконец, добавление камер увеличивает стоимость мониторинга без пропорционального улучшения результата по безопасности.

IRIS развёрнута в регионе Asia Pacific (Mumbai) — из-за требований к резидентности данных и низкой задержки до площадок заказчиков в Индии.

Периферия решает, что отправлять в облако

Работа начинается на периферии. IRIS разворачивает отдельный уровень вычислений на AWS IoT Greengrass на промышленных серверах с GPU — например, NVIDIA Jetson AGX Orin или эквивалентных, — подключённых к камерам по RTSP/ONVIF.

На периферии кадры извлекаются с настраиваемой частотой 2–5 кадров в секунду и проходят фильтрацию по движению, после чего лёгкая модель первого прохода отбирает кадры с людьми, транспортом или оборудованием. Кадры, прошедшие фильтры, загружаются в Amazon S3, а через AWS IoT Greengrass можно управлять защищённой связью устройств и доставлять обновлённые модели как компоненты Greengrass прямо из S3.

Ключевое проектное решение — разделение пути изображений и пути метаданных. Кадры пишутся в отдельный бакет S3 с партиционированием по камере, дате и часу, а событие в потоке несёт только ключ объекта S3 и контекст: идентификатор камеры, завод, зону и синхронизированный по NTP таймстамп. За счёт этого каждое событие остаётся меньше 1 КБ, а полный доступ к визуальным данным получает уже потребитель, достающий кадр из S3. В продакшен-развёртываниях фильтрация на периферии сокращает объём кадров, уходящих в облако, примерно на 70–80 %.

Поток событий и инференс моделей

Метаданные и события уходят в Amazon Kinesis Data Streams — событийный «позвоночник» платформы. Поток несёт метаданные кадров (ключ объекта S3), события движения, кандидатов от периферийной детекции, телеметрию камер и контекстную информацию о безопасности, но не видео: облако получает структурированные события со ссылками на S3, а не непрерывные потоки.

Поток работает в режиме on-demand, что снимает ручное управление шардами и автоматически масштабирует пропускную способность под объём событий при смене смен или всплесках инцидентов. В продакшен-развёртываниях устойчивая пропускная способность составляет 2 000–5 000 событий в секунду на развёртывание с пиками примерно до 15 000 событий в секунду, а измеренная задержка приёма событий держится ниже 200 миллисекунд по p95.

События обрабатывают кастомные модели компьютерного зрения, развёрнутые на Amazon SageMaker AI. Для каждого семейства моделей выделен отдельный real-time эндпоинт, чтобы масштабироваться независимо: соответствие требованиям к средствам индивидуальной защиты использует YOLOv8, дообученный на промышленных датасетах, и ищет каски, светоотражающие куртки, перчатки и защитные очки; контроль закрытых зон сочетает детекцию объектов с полигональным пространственным геозонированием; аналитика безопасности работ опирается на SlowFast и распознавание действий по времени для опасных поз, движений и взаимодействий; близость транспорта и оборудования считается мультиобъектным трекингом с монокулярной оценкой глубины.

Эндпоинты размещены на инстансах ml.g5.xlarge с GPU NVIDIA A10G. AWS Application Auto Scaling применяет политику целевого трекинга: расширение при 70 % загрузки GPU и сжатие при 30 %, минимум два инстанса на эндпоинт для высокой доступности. Между потребителями потока и эндпоинтами поставлена очередь Amazon SQS, и автоскейлинг добавляет инстансы, когда глубина очереди превышает настроенный порог, а запросы обрабатываются микропакетами по 4–8 кадров. В продакшене один эндпоинт ml.g5.xlarge обрабатывает примерно 40–60 запросов инференса в секунду при задержке на кадр ниже 300 миллисекунд по p95.

Корреляция: почему алертам можно верить

Одна детекция редко достаточна для действия: краткий переход границы рабочим может не требовать эскалации, а повторяющиеся нарушения в коротком окне требуют немедленного вмешательства. Поэтому в IRIS есть слой корреляции — функции AWS Lambda, которые держат краткосрочное состояние в Amazon DynamoDB через записи с TTL и оценивают скользящие окна. Слой учитывает расположение камеры, критичность зоны, временные паттерны в настраиваемых окнах от 30 секунд до 5 минут и историческое поведение, а затем оценивает частоту, длительность и серьёзность нарушений. По внутреннему бенчмарку заказчика этот шаг снижает число ложных алертов примерно на 40–50 % по сравнению с прямой выдачей детекций.

Когда высокодостоверное событие определено, рабочие процессы запускают функции AWS Lambda, а многошаговую эскалацию ведёт AWS Step Functions. События дедуплицируются скользящим окном: один и тот же тип детекции с одной камеры в настраиваемом окне (по умолчанию 60 секунд) сводится в один алерт.

Классы серьёзности привязаны к сервисным уровням: критичное событие даёт алерт в течение 5 секунд и эскалацию, если его не подтвердили за 2 минуты; высокое — 10 секунд на алерт и 5 минут до эскалации; среднее попадает в пакетные дайджесты; низкое только записывается для анализа трендов без алерта в реальном времени. Проверки эскалации запускает Amazon EventBridge Scheduler, а Step Functions продвигают состояние по уровням — супервизор, руководитель завода, директор по безопасности. Доставка идёт по нескольким каналам: дашборд безопасности в реальном времени, электронная почта и SMS по серьёзности и группам получателей, вебхук в корпоративные системы управления ИТ-услугами и мобильные push-уведомления для супервизоров и специалистов по охране труда.

Система записи, обучение и измеренная точность

Системой записи платформы служит Amazon S3: там хранятся детекции, записи алертов, метаданные и материалы разбора — всё, что используется для аудитов безопасности, отчётности о соответствии, расследований и проверок регуляторов. Стоимость по мере старения данных управляется политиками жизненного цикла: активные события 30 дней остаются в S3 Standard, с 30 до 90 дней уходят в Standard-Infrequent Access, с 90 дней до года — в Glacier Instant Retrieval с миллисекундным доступом для аудита, а дальше — в Glacier Flexible Retrieval со сроком хранения по требованиям заказчика. Кадры, связанные с подтверждёнными событиями, хранятся год и затем архивируются, а кадры без детекций или ниже порога удаляются через 7 дней.

IRIS улучшается по мере работы: продакшен-данные в S3 питают конвейеры обучения в Amazon SageMaker AI. Примерно 80 % тренировочных данных — реальные размеченные данные из производственных сред, собранные по соглашениям с заказчиками, а оставшиеся 20 % — синтетика для редких случаев: необычных СИЗ, непривычного освещения и нетипичных ракурсов камер. Разметка соединяет Amazon SageMaker Ground Truth для крупномасштабной маркировки с внутренней командой ревью Tata Elxsi для пограничных случаев, а цикл активного обучения отправляет на ручную проверку предсказания с низкой уверенностью.

Переобучение запускается тремя триггерами: квартальным базовым циклом, деградацией точности, которую ловит мониторинг моделей в Amazon SageMaker AI, и накоплением новых размеченных образцов выше порога объёма. Переобученные модели оцениваются на отложенном наборе через регистр моделей SageMaker, и продвигаются только те, что не уступают текущей продакшен-точности, — через blue/green развёртывание.

Измеренные результаты названы конкретно. На отложенных продакшен-наборах, обновляемых ежеквартально, детекция средств индивидуальной защиты достигает 94,2 % точности и 91,8 % полноты при mAP@0.5 92,7 %, вторжение в закрытую зону — 96,1 % точности и 93,4 % полноты, а доля ложных срабатываний после корреляции держится ниже 3 % по всем категориям детекции.

Безопасность и заявленные результаты

Безопасность построена на мультиаккаунтной структуре, разделяющей обучение моделей, продакшен-инференс и аналитику. Бакеты Amazon S3 используют серверное шифрование управляемыми ключами AWS KMS, межсервисное взаимодействие идёт по TLS 1.2 и выше, тонкие политики AWS IAM ограничивают каждую роль сервиса минимально необходимым набором прав, а человеческий доступ идёт через AWS IAM Identity Center с ролями по функциям. Нагрузки инференса и обработки данных работают в выделенном Amazon VPC с приватными подсетями и без публичного доступа в интернет, VPC-эндпоинты держат трафик Amazon S3, Amazon Kinesis Data Streams и Amazon SageMaker AI внутри сети AWS, AWS CloudTrail записывает активность API, а Amazon GuardDuty следит за аномальным доступом.

Итоговые показатели Tata Elxsi приводит по развёртываниям у заказчиков: обнаружение небезопасных условий переходит от ручного просмотра за 15–45 минут к менее чем 5 секундам от начала до конца; охват аудита безопасности — от двух-трёх ручных обходов за смену к непрерывному покрытию 24×7; число регистрируемых инцидентов падает на 15–20 % в первые 6 месяцев; стоимость ручного наблюдения снижается примерно на 30 %; а модель масштабирования меняется с роста затрат на каждую добавленную камеру на сотни параллельных потоков на площадку.

Выводы авторов сводятся к четырём пунктам: фильтровать на периферии и стримить метаданные, а не видео; считать корреляцию тем, что делает алерты достоверными, иначе команды перестают доверять системе из-за усталости от алертов; проектировать под модель, которая изменится, — цикл переобучения на продакшен-данных, мониторинг дрейфа и активное обучение удерживают точность при разном освещении, ракурсах и площадках; и принимать решения об управлении и приватности в первый же проектный обзор, а не в последний, поскольку речь идёт о записях с идентифицируемыми людьми.

Ту же событийную основу Tata Elxsi распространяет на контроль качества, мониторинг периметра и наблюдение за процессами: новые доменные модели и правила зон добавляются без перестройки конвейера. Над материалом работали Abhideep Rastogi, Annie Mattoo, Neha Prasad и Anirudh Chawla. Проверка редакции: 22 сентября 2026 года пост в блоге AWS Machine Learning и официальные страницы Amazon SageMaker AI, Amazon Kinesis Data Streams, AWS IoT Greengrass и Tata Elxsi отдавали HTTP 200.