אנליטיקת וידאו מבוססת AI: מה באמת עובד בשטח ב-2026

לפני עשור "אנליטיקה" במצלמות אבטחה פירושה היה בעיקר זיהוי תנועה – פיקסלים שמשתנים בתמונה. התוצאה המוכרת: עשרות התראות שווא בלילה בגלל עלים, צללים, גשם או חתול שעבר. בשנים האחרונות המצב השתנה מהותית. רשתות נוירונים עמוקות, שבבים ייעודיים בתוך המצלמה ומקודדים יעילים הפכו את הניתוח החכם מתוספת יקרה לחלק כמעט סטנדרטי ממצלמות IP מקצועיות.

מה השתנה: הבינה עברה אל הקצה

המגמה המרכזית היא Edge AI – עיבוד בתוך המצלמה עצמה ולא רק בשרת מרכזי. מצלמה עם מעבד ייעודי (NPU) מסוגלת לסווג אובייקטים – אדם, רכב, אופנוע – ולשלוח למערכת הניהול רק את האירועים ואת המטא-דאטה. היתרונות ברורים: פחות עומס על הרשת ועל השרתים, תגובה מהירה יותר, והמשך עבודה גם כשהקשר לשרת המרכזי נפגע.

לצד הקצה, שרתי אנליטיקה ומערכות ענן משמשים לניתוחים כבדים יותר – חיפוש רטרואקטיבי בכמויות גדולות של וידאו, השוואה בין אתרים ודוחות ניהוליים. ברוב הפרויקטים המודרניים התשובה היא שילוב: סינון ראשוני בקצה, וניתוח מעמיק במרכז.

יכולות נפוצות היום

• סינון אדם/רכב בהתראות גלאי היקפי – הפחתה משמעותית של התראות שווא לעומת זיהוי תנועה פשוט.
• חציית קו וכניסה לאזור מוגדר, כולל כיוון תנועה ושעות פעילות.
• חיפוש חכם בהקלטות לפי מאפיינים: צבע בגד, סוג רכב, כיוון, זמן.
• ספירת אנשים, מדידת תורים ומפות חום – שימושי במיוחד ברשתות קמעונאיות.
• זיהוי לוחיות רישוי (LPR) בחניונים ובשערים.
• זיהוי חפץ שנשאר או נעלם, שוטטות והתקהלות.

התחום החדש ביותר הוא חיפוש בשפה חופשית: מודלים שמחברים בין טקסט לתמונה מאפשרים לחפש בהקלטות ניסוחים כמו "אדם עם תיק גב אדום ליד הכניסה האחורית". יצרנים גדולים ומפתחי VMS מציגים יכולות כאלה, אבל הביצועים תלויים מאוד באיכות התמונה, בזווית ובכמות הנתונים.

איפה האנליטיקה עדיין נכשלת

חשוב להחזיק ציפיות מציאותיות. אנליטיקה טובה מתחילה בתמונה טובה: מצלמה שמותקנת גבוה מדי, בזווית חדה מול השמש או בתאורה חלשה תפיק תוצאות חלשות, יהיה האלגוריתם מתקדם ככל שיהיה. גם מזג אוויר קיצוני, השתקפויות בזכוכית וצפיפות גבוהה של אנשים מורידים את הדיוק.

בעיה נוספת היא כיול: כל אתר שונה. קווים וירטואליים, אזורי החרגה, רגישות וגודל אובייקט מינימלי צריכים להיות מוגדרים לפי השטח ולהיבדק אחרי ההתקנה ובמשך כמה שבועות. פרויקט שבו "מדליקים" אנליטיקה בברירת מחדל ושוכחים ממנה נוטה לייצר אכזבה.

פרטיות ורגולציה

אנליטיקה מתקדמת מגדילה את כמות המידע שנאסף ואת היכולת לזהות אנשים, ולכן היא נוגעת ישירות בדיני הגנת הפרטיות. בישראל נכנס לתוקף באוגוסט 2025 תיקון 13 לחוק הגנת הפרטיות, ורשות הגנת הפרטיות עדכנה במאי 2025 את הנחיותיה בנושא מצלמות במרחב הציבורי ובמקום העבודה. באירופה, חוק הבינה המלאכותית (AI Act) מגביל שימושים מסוימים בזיהוי ביומטרי מרחוק.

המשמעות המעשית: לפני הפעלת זיהוי פנים או ניטור עובדים, יש לבחון מטרה, מידתיות, שילוט, תקופת שמירה והרשאות צפייה – ובמקרה הצורך להתייעץ עם יועץ משפטי.

איך מתכננים פרויקט אנליטיקה שמצליח

• מגדירים קודם את הבעיה: הפחתת התראות שווא? חיפוש מהיר באירועים? נתוני תפעול לחנות?
• בוחרים מצלמה לפי התרחיש – רזולוציה, עדשה, תאורת IR וזווית – ולא רק לפי רשימת יכולות.
• מוודאים תאימות בין המצלמות למערכת ההקלטה והניהול (למשל דרך פרופילי ONVIF ואינטגרציה ייעודית).
• מתכננים פיילוט באתר מייצג לפני פריסה רחבה.
• קובעים מי מקבל התראה, איך ומתי – אחרת גם התראות נכונות ייבלעו.
• כוללים בחוזה השירות גם תחזוקה של הגדרות האנליטיקה, לא רק של החומרה.

דוגמה: מגדר היקפית בחניון

נניח מחסן עם חניון פתוח וגדר באורך כמה מאות מטרים. בגישה הישנה, גלאי תנועה במצלמות היה מפעיל התראה על כל ענף שזז ברוח, והמוקדן היה מפסיק להתייחס להתראות כבר בשבוע הראשון. בגישה מבוססת סיווג, מגדירים קו וירטואלי לאורך הגדר, בוחרים שההתראה תופעל רק עבור "אדם" שחוצה מבחוץ פנימה, ומגבילים את שעות הפעולה לשעות שבהן המחסן סגור. התוצאה הצפויה היא מעט התראות, שרובן רלוונטיות, וכל אחת מגיעה עם קטע וידאו קצר לאימות.

דוגמה: חיפוש אחרי אירוע ברשת קמעונאית

בסניף מדווח על גניבה שהתגלתה רק אחרי יומיים. בלי חיפוש חכם, מישהו צריך לצפות בשעות של וידאו. עם חיפוש לפי מאפיינים, אפשר לסנן "אדם עם חולצה כהה ליד מדף מסוים בין שעה לשעה", ולקבל רשימה קצרה של קטעים. ברשת עם עשרות סניפים, החיסכון בזמן חקירה מצטבר מהר.

אנליטיקה בקצה מול אנליטיקה בשרת – השוואה

• בקצה: ללא שרת נוסף, עומס רשת נמוך, אבל מוגבל ליכולות של דגם המצלמה.
• בשרת: גמישות ואלגוריתמים כבדים יותר, אבל דורש חומרה, רישוי ותחזוקה.
• בענן: נוח לניהול מרובה אתרים, אבל תלוי ברוחב פס העלאה ובמדיניות שמירת המידע.

מדדים שכדאי למדוד אחרי ההפעלה

• מספר ההתראות ביום ושיעור ההתראות הנכונות מתוכן.
• זמן ממוצע מאירוע ועד שמוקדן צופה בו.
• זמן איתור קטע וידאו בחקירה.

מדידה כזו בשבועות הראשונים מאפשרת לכייל את ההגדרות ולהוכיח את הערך.

בשורה התחתונה

אנליטיקת AI כבר אינה הבטחה עתידית; היא כלי עבודה שיכול לחסוך זמן רב בחקירת אירועים ולשפר את יעילות המוקד. הערך נוצר כשמשלבים תכנון נכון של מיקום המצלמות, כיול מקצועי, מדיניות פרטיות ברורה ותחזוקה שוטפת. זה בדיוק ההבדל בין מערכת "חכמה" על הנייר לבין מערכת שעובדת.