Какие угрозы нужно было обнаруживать в системе видеонаблюдения
Что проверяют
Это вопрос про ваш проект, и за ним стоит проверка: понимаете ли вы задачу со стороны бизнеса, а не только модель. Интервьюер хочет услышать, какие события система должна была ловить, как вы превратили их в ML-постановку и как мерили качество. Следом спрашивают про ложные срабатывания и про данные для редких событий.
Как отвечать
Сначала угрозы с приоритетами, согласованными с заказчиком. Типичный набор:
- проникновение в зону: пересечение линии или человек в запретной области. Детектор и трекер плюс правила над зонами;
- долгое нахождение и оставленные предметы: человек задерживается дольше порога, сумка остаётся без владельца. Нужен трекинг во времени, а не один кадр;
- опасное поведение: драка, падение, скопление людей. Здесь нужны модели распознавания действий по последовательности кадров;
- нарушения техники безопасности: нет каски или жилета, человек в зоне работы техники;
- огонь и дым;
- саботаж камеры: перекрытие объектива, расфокусировка, сдвиг обзора.
Дальше пайплайн: детектор (например, из семейства YOLO), трекер (ByteTrack, DeepSORT), логика событий поверх треков, иногда классификатор второго этапа для отсечения ложных тревог.
Метрики: заказчику важен не mAP, а полнота по критичным событиям и число ложных тревог на камеру в сутки. Оператор, которого завалили ложными срабатываниями, перестаёт смотреть на экран. Добавьте задержку от события до тревоги.
Про данные: редкие события добирали постановочными съёмками, аугментациями, синтетикой, а проверяли на ночных кадрах, в дождь, с ИК-подсветкой. Про приватность: размытие лиц, хранение записей по закону о персональных данных.
Цифры и детали приводите свои. Если вы отвечали за одну модель, так и скажите и объясните, как она встраивалась в систему.
Где спотыкаются
Уходят в сетевую безопасность: DDoS, взлом камер, пароли. Вопрос про угрозы, которые система распознаёт в кадре.
Называют метрики модели, но не знают, сколько ложных тревог получал оператор и какой порог выбрали.
Не могут объяснить, почему одни события решали правилами над треками, а другие обучаемой моделью.