Опубликовано: 14.04.2026 | Источник: CNews (новости)

Распознавание лиц в дипломе: как реализовать ИИ-систему с соблюдением 572-ФЗ

Компании «НПК Атроник» и Pridex Technology представили первую в России систему видеонаблюдения с распознаванием лиц, полностью соответствующую федеральному закону №572-ФЗ. Это не просто маркетинг — это технический прорыв, где ИИ, безопасность и законодательство сошлись в одной архитектуре. Для студента-выпускника это шанс сделать ВКР не на абстрактной модели, а на реальном кейсе, который уже работает в проде. Такие проекты ценятся на защите: комиссия видит понимание не только алгоритмов, но и нормативной базы, что критично для внедрения в госсекторе, транспорте, банках. Если вы ищете тему, которая одновременно технологична, защищаема и соответствует требованиям вуза — этот кейс идеально ложится в структуру диплома по направлениям «Информационная безопасность», «Системный анализ» или «Информационные системы».

Как встроить кейс из статьи в структуру диплома

Глава 1: Теоретическая база и анализ аналогов

Здесь вы не просто пересказываете закон — вы показываете, как 572-ФЗ влияет на архитектуру. Сравните систему «Атроник + Pridex» с аналогами: например, «Нейросеть СБ» от «Лаборатории Касперского» или решения на базе OpenCV. Используйте C4-модель для описания контекста системы: кто пользователи, какие внешние системы, где хранятся данные.

Пример диаграммы (уровень C1 — Контейнеры):

[Контейнер: IP-камера SEVA] --(RTSP)--> [Контейнер: Сервер распознавания]
[Сервер распознавания] --(HTTPS)--> [База данных (зашифрованная)]
[База данных] --(API)--> [Система аудита]
[Сервер распознавания] --(ONVIF)--> [VMS]

Включите таблицу соответствия требований 572-ФЗ и технических решений:

Требование 572-ФЗ	Техническое решение	Стандарт/инструмент
Шифрование биометрических данных	Хранение векторов лиц в зашифрованном виде	AES-256, ГОСТ Р 34.12-2015
Аудит доступа	Журнал событий с метками времени	OpenTelemetry, ELK
Аккредитованное ПО	Использование сертифицированного движка распознавания	ФСТЭК, ФСБ

Глава 2: Проектирование и реализация

Если вы делаете прототип — используйте FaceNet или DeepFace (бесплатные модели с хорошей точностью). Разверните систему в Docker — это упростит демонстрацию на защите. Пример конфигурации:

# docker-compose.yml
version: '3.8'
services:
  face-recognition:
    image: python:3.10-slim
    volumes:
      - ./app:/app
    command: python /app/recognize.py
    environment:
      - ENCRYPTION_KEY=your_gost_key
    networks:
      - secure-net

  db:
    image: postgres:14
    environment:
      POSTGRES_DB: biometrics
      POSTGRES_USER: secure_user
    volumes:
      - db_data:/var/lib/postgresql/data
    networks:
      - secure-net

networks:
  secure-net:
    driver: bridge

volumes:
  db_data:

Обязательно опишите, как вы реализуете деанонимизацию — по 572-ФЗ доступ к исходным данным должен быть строго контролируемым. Используйте ролевую модель (RBAC) и логируйте каждый запрос.

Глава 3: Тестирование и оценка эффективности

Не ограничивайтесь словами «система работает». Считайте метрики:

• Accuracy — доля правильных распознаваний
• False Acceptance Rate (FAR) — ложные срабатывания
• False Rejection Rate (FRR) — когда система не узнаёт легального пользователя
• Latency — задержка обработки одного кадра
• Соответствие ISO/IEC 25010 по критериям: функциональная пригодность, производительность, безопасность

Пример расчёта:

FAR = (Количество ложных срабатываний) / (Общее количество попыток доступа от посторонних)
FRR = (Количество ошибок отказа) / (Общее количество попыток доступа от легальных пользователей)

Если у вас нет реальных данных — используйте датасеты LFW (Labeled Faces in the Wild) или CelebA. Укажите это в работе — это нормально и соответствует практике.

Чему вы научитесь

• Проектировать ИИ-системы с учётом нормативных требований (572-ФЗ, ГОСТ, ISO)
• Строить архитектурные диаграммы по C4 и UML
• Работать с биометрическими данными и шифрованием по ГОСТ
• Считать метрики качества ИИ и ПО
• Оформлять техническую документацию по ГОСТ 19 и 34

FAQ

Где взять данные для обучения модели, если нельзя использовать реальные лица?

Используйте публичные датасеты: LFW, CelebA, VGGFace2. Укажите в работе, что данные анонимизированы и не содержат персональной информации. Это соответствует этическим нормам и 572-ФЗ.

Нужно ли писать код для диплома по этой теме?

Не обязательно. Можно ограничиться проектированием, но прототип (даже на Python + OpenCV) сильно повышает оценку. Главное — показать понимание архитектуры и нормативов.

Как оформить схемы по ГОСТ?

ГОСТ 19.701-90 (диаграммы потоков данных), ГОСТ 19.002-80 (условные обозначения). Для UML/C4 — придерживайтесь единообразия. Добавьте пояснения в подрисуночный текст.

Как доказать, что система соответствует 572-ФЗ?

Создайте чек-лист из статей закона. Напротив каждой — техническое решение в вашей системе. Это будет сильный аргумент на защите.

Источник: Представлена первая система видеонаблюдения с распознаванием лиц, полностью соответствующая 572-ФЗ (опубликовано 2026-03-31)